一种人工智能机器学习书法评分系统的制作方法

本发明涉人工智能，机器学习，深度学习，及在书法作品分级评分中的应用，特别是涉及一种人工智能机器学习书法评分系统。

背景技术：

中国书法博大精深，漂亮美观，是我国发明的传统文化瑰宝之一。目前的书法评分方法都是按照一定的鉴赏标准来设计评分要点，由评阅专家进行主观评分。在书法评分标准中，所设计的评分要点看起来很细致，很具体，例如：对点画基本功评分为神品、妙品、能品、入门、未入门等，同样，对字结构与造型，布局评分和对表情达意评分等都有相似的评分规则。但是，实际对书法作品评分操作时，那些描述精致的语言，很难落实到具体的书法评分上。而且，不同的专家和老师评分结果参差不齐，一致性较差。

人工智能机器学习，特别是深度学习在图像识别，自然语言处理等方面取得了巨大的成功，特别在分类方面，只要有足够大的数据集，它们在图像分类方面的精准性非常高。

本发明通过人工智能机器学习，特别是深度学习图像分类方法，解决书法作品鉴赏分级评分问题。

技术实现要素：

本发明公开一种人工智能机器学习书法评分系统。该系统由采集终端、互联网和人工智能深度学习书法评分系统组成。所述的采集终端将拍照或扫描采集的书法图片，通过互联网送给人工智能深度学习书法评分系统，所述的人工智能深度学习书法评分系统将书法分为，结构、字和书写力度三个方面，按10分评分，并将该三个评分加权综合评分，给出最终评分结果。

根据本发明的一个方面，所述的采集终端将所述的书法作品扫描或拍照通过互联网送给所述的书法评分系统。

进一步，所述的采集终端显示所采集的书法作品和评分结果。

进一步，所述的采集终端以app方式加载到智能手机上实现所述的功能。

根据本发明的再一方面，所述的书法评分系统根据书法的传承（体）和整体布局（章）、字体结构（形）、书写力度（力）等三方面各自评分，并加权综合给出所述的书法作品的评分结果。

进一步，所述的书法评分系统分别由，布局评分子系统、字结构评分子系统、笔法评分子系统组成。

进一步，所述的书法作品评分按照字体分类评分，例如楷书、行书、棣书等等。

进一步，所述的子系统分别采用10分制评分。

进一步，所述的综合评分结果是各子系统评分的加权平均分值。

综合评分

进一步，加权值（i=1，2，3）小于1，但。调整三个评分子系统输出的权重，可以分别调整其在综合评分中的权重。

根据本发明的再一方面，所述的字体的整体布局（章）的评分是直接对标准书写的整篇书法进行评分。

进一步，所述的评分为10级，对应10分。

根据本发明的再一方面，所述的字结构和笔法评分子系统将针对所述的书法评分作品中的个体字进行评分。具体做法是，在所述的书法评分作品中随机取出n个字（n小于整副作品的总字数），对每一个字分别进行字结构和笔法评分，并将评分结果取平均值作为所述子系统的评分结果。

根据本发明的再一方面，所述的笔法评分子系统将针对所取出的字的每个笔画进行评分，具体做法是，随机取出所述字的笔画，对每一个笔画独立评分，并将评分结果取平均值作为笔法评分子系统的评分结果。

根据本发明的再一方面，所述的书法评分子系统分别都是一个深度学习分类系统，所述的分类系统设计成可完成10个分类，对应所述系统的10分评分结果。

进一步，所述的评分子系统，是卷积神经网络（cnn）分类系统。系统由输入层、隐藏层、和输出层组成。输入的是书法作品图像，输出的是分级评分结果。

进一步，所述的输入层对所述的输入图片进行标准化处理。

进一步，所述的隐藏层是一个多层卷积神经网络，至少有一层卷积层，至少有一层池化层，至少有一个全连接层，并且全连接层通过降维完成10个分类输出。

进一步，所述的分类系统由大量的训练样本训练，这些训练样本是数据样本的一部分，数据样本集中了大量由书法大师们或有经验的书法教师，按照标准书法分级评分标准标记的样本。

进一步，将所述的数据样本分为训练集、测试集和验证集。

根据本发明的再一方面，所述的分类系统书法作品按照10分级评分，即10分对应10个分类。

另外，为便于数据管理，所述的数据分别分为训练样本集、测试样本集和认证样本集，其样本数据结构如下：

writingart_train_n_j.jpeg

writingart_val_n.jpeg

writingart_test_n.jpeg

其中，writingart表示书法的布局（章），n=1～10，分别对应相应的分级，i=1～1,000,000分别表示所述的分级评分书法张数序号，每个分类最多可标记100万张图片。

同样地，用writingartword表示字结构，writingartf表示字的书写力度来分别收集字结构和字力度样本。

根据本发明的再一方面，所述的书法数据样本要进行预处理，包括截取为大小一致的图片、归一化、随机翻转等。

本发明的有益效果是：

本发明通过人工智能机器学习，特别是深度学习图像分类方法，解决书法作品鉴赏分级评分问题；

本发明提供的人工智能机器学习书法评分系统，减少了大规模书法评分的人工强度，节约人力资源，并使得评分结果更加客观；

本发明为书法学习者提供了实时评分，检测自己学习成果的方便途径，对书法学习、教学和推广具有重大的社会效益。

附图说明

图1是本发明优先实施例的系统图；

图2是本发明优选实例的深度学习书法评分系统结构图；

图3是本发明优选实例的深度学习分类子系统结构图；

图4是本发明优选实例的字结构和笔法输入数据集获取方法；

图5是本发明优选实例的笔画数据集获取方法；

具体实施方式

现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本原理、基本结构和基本功能，因此其仅显示与本发明有关的构成。

本领域的一般技术人员可能会意识到本发明的一些变体以及等同替代，但这些变体和等同替代不应理解为超出了本发明的保护范围。

图1是本发明优先实施例的系统图，本发明所述的用户终端3采集书法图片，通过互联网2送给人工智能深度学习书法评分系统1完成所述书法作品的分类评分；分类评分结果再通过互联网2送回给用户终端3。所述的用户终端是以app方式安装到手机、平板及电子白板等智能终端上。

图2是本发明优选实例的深度学习书法评分系统结构图，所述的书法图片输入单元21，将输入的所述书法分成三部分，分别送给所述的字结构评分子系统22，笔法评分子系统23和布局（章）评分子系统24，所述的各子系统22、23、24分别采用十级，即10分制评分。所述的22、23、24分别都是一个深度学习分类系统，可完成10个分类。所述的书法经过22、23、24评分后，其评分结果送给综合评分系统25，经过加权平均后得出综合评分结果：

综合评分

在此，加权值（i=1，2，3）小于1，但。调整三个评分子系统输出的权重，可以分别调整其在综合评分中的权重。例如，取，则表示所述的字结构，书写力度和整体布局权重一致。

该综合评分结果连同评语一起返回给用户。

图3是本发明优选实例的深度学习分类子系统结构图，所述的分类子系统是一个卷积神经网络分类系统，由输入层31、隐藏层32、和输出层33组成。从31输入的是书法作品图片，从33输出的是10类分级的评分结果，分别对应10分。32是由多层卷积神经网络（cnn）组成的隐藏层，至少有层卷积神经网络。输出层33，是一个多级全连接输出层，至少有一个全连接输出，通过降维完成10个分类输出。

图4是本发明优选实例的字结构和笔数法据集获取方法，s41是一幅含有多个字的书法作品，所述的作品是书法评分规定的标准书法作品。在所述的书法作品上，截取单个字s42作为书法结构和书写力度评分的输入。在s41的作品中，规定随机截取n个字构成一组字s42，并对这一组s42分别评分，取其平均评分结果作为书法结构和书写力度的评分结果。

图5是本发明优选实例的笔画数据集获取方法，将所述的单个字s42，随机截取m个笔画s51,s52,…s5m,对s5j（j=1,…,m，m大于字的笔画数时，可以重复取）进行分类评分，其平均值作为笔法子系统的评分输出。

另外，为便于数据管理，所述的数据分别分为训练样本集、测试样本集和认证样本集，其章样本数据结构如下：

writingart_train_n_k.jpeg

writingart_val_n_k.jpeg

writingart_test_n_k.jpeg

其中，n=1～10，k=1～1,000,000分别表示标记的书法数据张数序号，表示每个分类最多可标记100万张图片。

字结构样本数据如下：

writingartword_train_n_k.jpeg

writingartword_val_n_k.jpeg

writingartword_test_n_k.jpeg

笔法结构样本数据如下：

writingartf_train_n_k.jpeg

writingartf_val_n_k.jpeg

writingartf_test_n_k.jpeg

根据本发明的再一方面，所述的书法数据样本要进行预处理，包括截取为大小一致的图片、归一化、随机翻转等。

以上述依据本发明的实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。