[发明专利]一种基于深度学习的素描作品智能分档以及量化评分方法

说明书

本发明公开了一种基于深度学习的素描作品智能分档以及量化评分方法，涉及智能评分技术领域。本发明包括如下步骤：数据处理和标注：采集美术考试作品的扫描图片，阅卷老师进行标注，标注项目包括分档、总分、小项分；深度学习模型构建：构建的模型为有监督模型，输入为美术考试作品的扫描图片，监督输出为预测的分档、总分、小项分；首先模型进行特征提取，然后进行特征融合层，最后进行模型分类层和回归层，分别输出分档和总分、小项分。本发明避免小项分权重的人工指定，模型基于总分、分档和小项分存在强的相关性基础上具备可解释性，同时模型实用预训练的模型进行特征提取，避免构建的模型由于样本量的不足导致训练不稳定。

技术领域

本发明属于智能评分技术领域，特别是涉及一种基于深度学习的素描作品智能分档以及量化评分方法。

背景技术

目前暂无美术考试作品评分相关技术可以参考，下述为现有的目前关于基于深度学习的图像评分方法的公开技术，包括：

方案1：CN111862081A_图像评分方法、分数预测网络的训练方法、装置，其具体技术点为：获取目标图像，将该目标图像输入至预先训练的分数预测网络中，输出与目标特征相对应的分数，其中，该分数预测网络是基于该目标特征对应的网络层得到的，该网络层是从预先训练的图像质量打分网络中选取的，该实施例可以简便、准确的实现针对多个特征对该目标图像进行打分；

方案2：CN111402229A一种基于深度学习的图像评分的方法及系统，其技术创新点包括：步骤1：准备图像数据集，从不同维度对图像进行评分标注；步骤2：利用深度神经网络训练图片评分模型，用于评价图片在所设计的不止一个维度下的得分；步骤3：将各个维度下的评分进行加权求和；

上述现有的技术方案具有以下缺点：

(1)直接输出总分的模型，模型缺乏可解释性，无法解释输出的分数值如何在模型训练过程中获得；

(2)利用小项加权结果，模型不具备完整性；首先，权重在模型中并不能被训练，而是由人工制定，人类的主观性导致模型不足够稳定并需要先验知识；其次，大部分情况下，小项分并不能被全部枚举，导致得出的总分不可信，例如在评估图像美学的过程中，小项分包括构图、层次等，不能被全部枚举；

(3)直接进行数据建模，由于标注数据集的样本量不足可能导致数据过拟合或模型损失无法下降。

本发明针对上述问题，提供一种基于深度学习的素描作品智能分档以及量化评分方法，该方法直接对美术作品的分档、总分、小项分进行深度学习模型的分类输出和回归输出，可以避免小项分权重的人工制定，模型具备可解释性，总分、分档和小项分存在强的相关性；同时模型使用预训练的VGG19模型进行特征提取，避免构建的模型由于样本量不足导致训练不稳定。

发明内容

本发明提供了一种基于深度学习的素描作品智能分档以及量化评分方法，解决了以上问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明的一种基于深度学习的素描作品智能分档以及量化评分方法，包括如下步骤：

S01、数据处理和标注：采集美术考试作品的扫描图片，并请专业美术阅卷老师进行标注，标注项目包括分档、总分、小项分；

S02、深度学习模型构建：构建的模型为有监督模型，输入为美术考试作品的扫描图片，监督输出为预测的分档、总分、小项分；扫描图片输入后首先经过预训练好的模型进行特征提取，然后进行特征融合层，最后进行模型分类层和回归层，分别输出分档和总分、小项分。

进一步地，所述预训练好的模型采用VGG19模型或VGG16模型、ResNet50模型。