本发明属于信息处理
技术领域：
：，更具体地说，是涉及一种答题卡分数识别方法、装置及终端设备。
背景技术：
：：在高考、国家英语四六级考试、公务员考试等大型考试中，答题卡被大量的使用，用于标准客观题的评阅。在评阅过程中，目前大量使用光标阅读机进行读卡，但是随着中小学的教学条件的改善，中小学的期中、期末考试，普通话水平测试，各种等级考试也逐步采取了答题卡的方式，对于这些小型机构来说，光标阅读机的使用和维护成本太高，答题卡评阅效率低。技术实现要素：有鉴于此，本发明实施例提供了一种答题卡分数识别方法、装置及终端设备，可以解决现有技术中采用光标阅读机对答题卡进行评阅时，光标阅读机的使用和维护成本太高并且答题卡评阅效率低的问题。本发明实施例的第一方面提供了一种答题卡分数识别方法，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。本发明实施例的第二方面提供了一种答题卡分数识别装置，包括：获取模块，用于获取答题卡图像信息；预处理模块，用于预处理所述答题卡图像信息；识别模块，用于通过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判定答题卡分数。本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现第一方面任一项所述的方法的步骤。本发明实施例的第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述的方法的步骤。本发明实施例提供的答题卡分数识别方法、装置及终端设备的有益效果在于：通过采用alexnet神经网络算法对采集的图像信息进行识别来确定答题卡分数，能够降低答题卡填涂质量的要求以及对图像采集的质量要求，无需购置及使用高端昂贵的光标阅读机进行图像处理，并且能够快速得到结果，提高对答题卡的评阅效率。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本发明一个实施例提供的答题卡分数识别方法的流程图；图2是本发明又一实施例提供的答题卡分数识别方法的流程图；图3是本发明再一实施例提供的答题卡分数识别方法的流程图；图4是本发明一个实施例提供的答题卡分数识别装置的示意图；图5是本发明一个实施例提供的终端设备的示意图；图6是本发明一个实施例提供的答题卡模板的示意图。具体实施方式为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。具体实施例：图1为本发明一个实施例提供的答题卡分数识别方法的流程图。如图1所示，本实施例中的方法，可以包括：步骤101、获取答题卡图像信息。所述答题卡图像信息包括作答完的答题卡中客观题答案信息和/或主观题答案信息。可选地，可以通过终端设备的摄像头对作答完的答题卡进行拍摄得到答题卡图像信息，还可以通过扫描仪对作答完的答题卡进行扫描得到答题卡图像信息，所述终端设备可以为智能手机、平板电脑或计算机等设备。步骤102、预处理所述答题卡图像信息。对所述答题卡图像信息进行尺寸、像素、格式等进行的初步处理，它是将各种来源的文件处理成规范的，程序可接受的格式。可选地，对所述答题卡图像信息进行倾斜校正、调整对比度、区域划分等操作。步骤103、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。具体地，将答题卡的标准答案作为标准模型建立alexnet神经网络模型，确定所述alexnet神经网络模型的隐含层的层数和识别的分类数，对所述alexnet神经网络模型进行自学习训练，使训练次数不低于10万次，并且测试集的通过率达到99.8％以上，则生成训练模型，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答题卡判定得到答题卡分数。可选地，所述训练模型的输入和输出可根据答题卡的类型重新训练和修改。例如，针对仅包括客观题的答题卡可以仅采用包括印刷体数字和印刷体字符的训练数据集进行训练得到训练模型，因此如果直接将该训练模型用来识别包括客观题和主观题的答题卡，识别效果会受影响，所以针对客观题和主观题的答题卡需要采用包括手写字符的训练数据集对alexnet神经网络模型进行训练，并且隐含层数规模也需要调整。本实施例提供的答题卡分数识别方法，通过采用alexnet神经网络算法对采集的图像信息进行识别来确定答题卡分数，能够降低答题卡填涂质量的要求以及对图像采集的质量要求，无需购置及使用高端昂贵的光标阅读机进行图像处理，并且能够快速得到结果，提高对答题卡的评阅效率。图2为本发明又一实施例提供的答题卡分数识别方法的流程图。如图2所示，本实施例中的方法，可以包括：步骤201、获取答题卡图像信息。步骤202、预处理所述答题卡图像信息。本实施例中，步骤201至步骤202与上述实施例中的步骤101至步骤102类似，此处不再赘述。步骤203、构建alexnet神经网络模型，具体包括：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。具体地，alexnetalexnet神经网络的深度为8层，其中包括5层卷积层，3层全连接层，能够识别的分类数为1000类。识别的分类数是指能够识别的数字或字母的种类，例如：针对数字识别，可以包括从零到九，10个分类；针对英文字母的识别，可以包括从a到z，26个分类。可选地，可以采用relu激活函数进行线性拟合运算，relu激活函数为：f(z)＝relu(z)＝max(0,z)，其中f(z)为神经元的输出。进一步地，将relu激活函数改写为向量形式得到所述激活函数，所述激活函数的为：其中，ai为神经元的输出，wi为概率向量，x为输入维度向量的转置，bi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，f′(v(l-2))为前向计算的差值；所述梯度下降函数为：其中，wij为当前层节点的权值比重，b为分支向量，l(w,b)为损失函数，a为神经元的输出。步骤204、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，具体包括：步骤2041、构建训练数据集。具体地，对于仅包括客观题的客观型答题卡，包括印刷体数字和印刷体的英文字母。对于包括客观题和主观题的主观型答题卡，包括印刷体数字、印刷体的英文字母、手写型的英文字母及标点符号。因此针对客观型答题卡建立的alexnet神经网络模型在模型训练时采用的训练数据集与针对主观型答题卡建立的alexnet神经网络模型在模型训练时采用的训练数据集在样本容量不同。针对答题卡中的数字的识别，为消除污损或模糊答题卡造成的无法识别因素，采用手写字体数据集mnist(mixednationalinstituteofstandardsandtechnologydatabase，简单机器视觉数据集)对印刷体字母进行识别。为提高识别准确率，还可以采用宋体、仿宋体、arial、timesnewroman、georgia五种字体的字符集对mnist进行扩充。对于主观型答题卡中的字符识别，采用englishhnd(englishhanddataset，手写英文字母数据集)数据集，包括60000种字符手工书写方式。利用tensorflow的图像二进制读取器读取图像数据，将数据转换成张量格式。tensorflow是谷歌研发的第二代人工智能学习系统，其命名来源于本身的运行原理。tensor(张量)意味着n维数组，flow(流)意味着基于数据流图的计算，tensorflow为张量从流图的一端流动到另一端计算过程。tensorflow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。步骤2042、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。模型训练的过程包括：正向传播运算和反向传播运算；正向传播运算中，所述训练数据集的样本先传到隐含层的节点上，经过各神经元激活函数运算后，将输出结果通过输出结点输出，在传播过程中，每一层的神经元的状态只影响下一层的神经元。根据残差计算公式计算实际输出结果与期望值之间的残差，若不满足输出要求，则转入反向传播。反向传播运算中，根据梯度下降函数计算残差值的反馈路径，使得残差值沿着最优最快路径反向传播，修改各层神经元的权值比重，逐次向输入层传播进行计算。经过正向传播运算与反向传播运算两个运算过程的反复循环，不断修正各节点权值比重，使得残差值逐渐减小，满足输出要求。即可生成训练模型。另外，还可以设定训练时间，在达到设定训练时间时则停止模型训练，或者设定分类数，在模型训练达到设定的分类数时则停止模型训练。本方案中，通过采用梯度下降函数设定残差值反向传播的最快路径，能够提高cpu的利用率，减少训练的时间消耗。在对所述alexnet神经网络模型进行训练时，各隐含层的输出结果与期望值的量化阀值，采用均方差的方式进行衡量，若根据所述均方差公式得到的量化阀值不能满足预定条件，则终止模型训练，需要对所述alexnet神经网络模型进行调整或者对训练数据集调整后再重新进行训练。所述预设条件可以为所述量化阀值曲线是否出现突变。所述均方差公式为：其中，mse为量化阀值，yi为当前隐含层的期望值，f(xi)为当前隐含层的输出结果。步骤205、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。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，并输出分类识别结果。可选地，启动标准答案配置文件，并将其与识别结果进行对比，对比之后的权重与考生分数相对应。标准答案配置文件可以为json格式文件，可由用户通过ui(userinterface，用户界面)工具进行配置生成。进一步地，标准答案的配置文件支持xml(extensiblemarkuplanguage，可扩展的标识语言)格式的导入和导出，为系统的跨平台运行提供了良好的支持。步骤2051、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。步骤2052、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。具体地，分别以维度递增的顺序采用5×5至21×21等16个卷积核依次对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，并提取有效的图像特征。alexnetalexnet神经网络包括5层卷积层，每层均有16次卷积运算。步骤2053、将经过卷积运算后的数据通过池化层进行池化处理。可选地，将卷积后的数据以维度8×8的大小进行池化，池化后的数据包括3个通道数据，每个通道的数据维度为1024。优选地，池化操作可以使用最大池化方法，能够避免对移动端内存和cpu使用率的占用而导致的使用卡顿的现象。步骤2054、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。步骤2055、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。具体地，根据残差计算公式计算残差值，根据残差值更新各隐含层节点的权值比重。步骤2056、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。所述识别结果包括通过训练模型对经过预处理后的答题卡图像信息识别得到的每道题目的识别答案信息，将所述识别答案信息存入第一数据库，并将所述第一数据库与存有标准答案信息的第二数据库进行信息对比，得到答题卡分数。可选地，本实施例可以采用cuda(computeunifieddevicearchitecture,统一计算设备架构)来加速alexnet神经网络的计算，能够减少在模型训练时大量的矩阵运算。本方案中，通过采用梯度下降函数设定残差值反向传播的最快路径，能够提高cpu的利用率，减少训练的时间消耗。通过应用均方差方法监测所述量化阀值，能够及时发现所述alexnet神经网络模型是否存在重大问题，及早终止模型训练进行相应的调整，节省了模型训练的时间。图3为本发明又一实施例提供的答题卡分数识别方法的流程图。如图2所示，本实施例中的答题卡分数识别方法，可以包括：步骤301、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。可选地，实施本发明实施例提供的答题卡分数识别方法的终端设备包括答题卡电子生成工具，所述答题卡电子生成工具内置有答题卡模版，答题卡模版可以由拉泰赫语言编写，且答题模版可以由用户根据试卷信息定制修改并生成新的答题卡模版。答题卡模版可通过pdf(portabledocumentformat，便携式文件格式)软件生成pdf格式答题卡，用户可以将pdf格式答题卡打印或复印做成纸质考试用答题卡，纸张种类和考试用笔不受限制。如图6所示，答题卡模版可以包括类型区61、定位区62、客观区63和主观区64。所述类型区可以包括12位的数字输入区，该输入区的数字数量可根据用户需要进行修改。所述客观区63用于填涂客观题的答案，题目数量也可根据试卷信息进行修改。所述主观区64用于输入字母及英文字符，用于英语完形填空或翻译等题目，该输入区的题目数量可根据试卷信息进行修改。位于最右侧的定位区40包括多个黑色方块，即定位基准，每个所述黑色方块对应一行待识别的数字，对图像信息进行区域划分时，根据所述黑色方块的位置进行区域划分。通过设置所述定位区，对答案填涂区域进行定位，再通过alexnet神经网络算法对选项是否被遮盖住进行判断来对答题卡的分数进行判定，该判定方法能够降低答题卡纸张和用笔的要求，节省资源，不必像光标阅读机一样应用的是特征匹配的方法与标准模版比较，进而根据得到的差别程度得到答题卡分数，因此光标阅读机要求答题卡必须将选项完全涂黑，且需要使用特定纸张及专用铅笔。步骤302、获取答题卡图像信息。本实施例中，步骤302与上述实施例中的步骤101类似，此处不再赘述。步骤303、对所述答题卡图像信息第一处理，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、自动圈定有效区域处理中的至少一项。步骤304、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答题卡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，具体包括：获取定位基准的位置信息并根据所述位置信息进行区域划分；提取划分后各区域的轮廓，并对划分后各区域进行位置校正。所述位置校正可以包括倾斜校正、变形校正及重叠校正等。可选地，对于主观型答题卡，在对第一处理后的所述答题卡图像信息进行区域划分后，还需要判定考生书写在答题卡上的主观题部分的内容是否在有效区域内，即是否超出空格线对应的区域以及是否填充了多行内容等，若出现超出空格线的情况或填充多行内容的情况，则判定被处理的主观型答题卡为异常答题卡，并将所述异常答题卡检出，不进行识别操作。步骤305、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。本实施例中，步骤305与上述实施例中的步骤203至步骤205类似，此处不再赘述。步骤306、保存原始答题卡图像和识别后的答题卡图像，将所述原始答题卡图像和所述识别后的答题卡图像进行人工抽查和对比，验证所述答题分数的正确性；保存答题卡分数，并对所述答题卡分数进行索引排序，得到所述答题卡分数对应的作答者的排名以及每次考试的历史记录，根据所述历史记录绘制并分析所述作答者的成绩曲线。可选地，可以通过sqlite保存原始图像和识别分析图像，以便于人工抽查和对比。保存识别的结果和分数，并进行索引排序，实现用户的排名和历史记录等功能。sqlite是一个进程内的库，能够实现自给自足的、无服务器的、零配置的、事务性的sql数据库引擎。它是一个零配置的数据库，无需在系统中配置。本实施例中，通过采用全移动终端进行答题卡的评分判定，将alexnet神经网络人工智能技术引入到答题卡的图像识别领域，能够节省成本，提高使用的便捷性，解决了应用光标阅读机识别答题卡时必须采用专用纸和专用笔的问题，以及答题卡的轻微污损及折皱导致无法识别或识别错误的问题。图4为本发明又一实施例提供的答题卡分数识别装置的示意图。如图4所示，本实施例中的答题卡分数识别装置，可以包括：获取模块401，用于获取答题卡图像信息；预处理模块402，用于预处理所述答题卡图像信息；识别模块403，用于通过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判定答题卡分数。本实施例中的答题卡分数识别装置，可以用于执行上述实施例一至三任一项所述的答题卡分数识别方法，具体实现原理可以参见实施例一至三，此处不再赘述。实施例五图5为本发明实施例五提供的终端设备的示意图。如图5所示，该实施例的终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述以终端设备为执行主体的实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器50执行所述计算机程序52时实现实施例四中各模块/单元的功能，例如图4所示模块401至402的功能。示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在终端设备5中的执行过程。例如，所述计算机程序52可以被分割成获取模块、生成模块、叠加模块和处理模块，各模块具体功能如下：获取模块，用于获取答题卡图像信息；预处理模块，用于预处理所述答题卡图像信息；识别模块，用于通过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判定答题卡分数。所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。所称处理器50可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备5所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。当前第1页12当前第1页12