[发明专利]一种识别问卷批改得分的方法

摘要

本发明公开了一种自动识别问卷批改得分的方法，包括：1.基于设计的双框识别框模式建立问卷批改得分数据集；2.针对问卷批改得分数据集进行数据清洗和数据增强，以使模型能够解决教师手写习惯差异，不同学校的复印扫描质量不一实际问题；3.构建问卷批改得分提升模型以解决小数量实际样本不满足模型容量问题及应用中的样本不均衡问题；4.构建预测模型，根据所构建的数据集训练模型并优化得到最终预测模型，部署应用于识别问卷批改得分，得到识别结果；5.根据实际应用的反馈数据再次通过提升模型不断提升模型预测的准确率。本发明应用于问卷批改得分的系统中，能够针对复杂多变的问卷批改得分进行高准确率的识别，具有较强的实用价值。

主权项

1.一种识别问卷批改得分的方法，其特征在于，包括以下步骤：1)设计一种双线识别框，并根据所设计的双线识别框，建立问卷批改得分数据集，其来源包括实际扫描生成的数据集和机器模拟合成的数据集；2)对上一步建立的数据集做简单数据清洗，剔除不可用数据，对自己建立的数据集做数据加强，包括对图片进行膨化处理，液化处理，二值化处理，仿射变换，加入随机噪声等；数据加强操作可以使模型更加适应实际中各学校复印扫描质量的差异，教师批改问卷得分时笔触的差异，教师手写习惯不一的问题；3)构建提升模型，采用基于深度学习的生成模型解决前期构建模型时，小数量训练集在模型上的过拟合问题，根据小数量的实际样本，利用生成模型生成与实际样本同分布的其他样本共同构成训练集，用于训练模型；同时实际应用中，采集到的实际样本往往会存在样本的不平衡问题，此时提升模型可以用于解决上述问题；4)构建预测模型，确定所采用模型的基本结构，包括模型的深度，宽度，卷积层，pooling层，batch normalization层，dropout层的堆叠结构，区别于其他模型，本发明首先从上述数据集中采样小数量数据集，用于模型校验，通过对模型损失，梯度和对小数量数据集的拟合程度，判断模型结构的正确性，之后将上述数据集分割为训练集和测试集，预测模型对训练集进行训练，采用测试集进行验证，利用交叉验证确定最优化学习率，正则化强度等超参数，得到最优化模型；5)模型应用后根据实际反馈结果得到更多实际样本，反复迭代替换开源数据集中的样本，逐步提升模型预测精度。