[发明专利]答题卡分数识别方法、装置及终端设备

权利要求书

1.一种答题卡分数识别方法，其特征在于，包括：

获取答题卡图像信息；

预处理所述答题卡图像信息；

通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并确定答题卡分数。

2.根据权利要求1所述的答题卡分数识别方法，其特征在于，通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并确定答题卡分数，包括：

构建AlexNet神经网络模型；

通过训练数据集对所述AlexNet神经网络模型进行训练，生成训练模型；

将经过预处理后的所述答题卡图像信息输入所述训练模型进行识别，并根据识别结果确定答题卡分数。

3.根据权利要求2所述的答题卡分数识别方法，其特征在于，构建AlexNet神经网络模型，包括：

确定隐含层的层数和识别的分类数，建立激活函数、残差计算公式和梯度下降函数，得到AlexNet神经网络模型；

所述通过训练数据集对所述AlexNet神经网络模型进行训练，生成训练模型，包括：

构建训练数据集；

输入所述训练数据集的样本并根据所述激活函数、所述残差计算公式和所述梯度下降函数对所述标准模型进行训练，生成训练模型；

其中，各隐含层的输出结果与期望值的量化阀值根据均方差公式进行衡量。

4.根据权利要求3所述的答题卡分数识别方法，其特征在于，

所述激活函数为：

其中，a_i为神经元的输出，为概率向量，x为输入维度向量的转置，b_i为初始值的权值比重；

所述残差计算公式为：

其中，δ^(k-2)为残差值，为当前层节点的权值比重，为前向计算的差值；

所述梯度下降函数为：

其中，为当前层节点的权值比重，b为分支向量，为损失函数，a为神经元的输出；

所述均方差公式为：

其中，MSE为量化阀值，y_i为当前隐含层的期望值，f(x_i)为当前隐含层的输出结果。

5.根据权利要求2所述的答题卡分数识别方法，其特征在于，所述将经过预处理后的所述答题卡图像信息输入所述训练模型进行识别，并根据识别结果确定答题卡分数，包括：

将经过预处理后的所述答题卡图像信息输入所述训练模型；

将经过预处理后的所述答题卡图像信息通过卷积层进行卷积运算；

将经过卷积运算后的数据通过池化层进行池化处理；

对经过池化处理后的数据通过输出层进行全连接操作，生成识别结果；

对所述识别结果进行残差检测，并根据残差检测结果更新训练模型；

将标准答案与所述识别结果进行对比，根据对比得到的权重得到答题卡分数。

6.根据权利要求1至5任一项所述的答题卡分数识别方法，其特征在于，

在所述获取答题卡图像信息之前，还包括：

根据试卷信息修改答题模板并生成答题卡，其中，所述答题卡包括用作图像分割基准的定位区；

所述预处理所述答题卡图像信息，包括：

对所述答题卡图像信息进行第一处理，所述第一处理包括色彩平衡处理、调整对比度处理、倾斜校正处理和自动圈定有效区域处理中的至少一项；

若第一处理后的所述答题卡图像信息为多通道图像，则根据第一处理后的所述答题卡图像信息的色彩信息对第一处理后的所述答题卡图像信息进行区域划分，得到预处理后的答题卡图像信息；

若第一处理后的所述图像信息为灰度图像，则根据第一处理后的所述答题卡图像信息中的所述定位区包括的定位基准对第一处理后的所述答题卡图像信息进行区域划分，得到预处理后的答题卡图像信息。