1.本发明涉及智能教育技术领域，具体涉及一种实现试题批改痕迹识别方法、存储介质及设备。
背景技术：
2.当前智慧课堂快速发展，试卷和作业等材料的自动统分功能已经出现，但是对于试卷及作业等材料批改功能还有待完善，而在试卷或作业的批改功能中，如何将批改的内容与题目本身关联绑定起来是关键，例如，如何实现识别一个批改痕迹就是第二题的批改痕迹而不是第三题的批改痕迹。目前大多数教辅材料都是根据识别模型定制的，需要指定批改区域，让教师在固定的批改框中进行批改才能对应到题目，这种做法确实可以实现题目关联绑定，但是还是存在如下缺陷：1、教材需要按照识别模型定制，从而识别模型支持的教材局限性较大。2、教师只能在指定框中批改，限制了老师的批改习惯，很多老师用不习惯。
技术实现要素：
3.针对现有技术的不足，本发明旨在提供一种实现试题批改痕迹识别方法、存储介质及设备。
4.为了实现上述目的，本发明采用如下技术方案：
5.一种试题批改痕迹识别方法，具体过程为：
6.s1、采集目标资料的题目数据；所述题目数据包括资料id、各页面的页码，以及各页面所含题目的题号、题干、答案、解析和在页面中的坐标数据；
7.s2、采集用指定批改颜色批改后的页面图像作为待识别图像，然后获取待识别图像的页码；
8.s3、对待识别图像进行批改痕迹提取：
9.s3.1、将待识别图像转为hsv颜色空间的图像，根据预设的批改颜色的色值范围，提取出符合色值范围的批改痕迹；
10.s3.2、对步骤s3.1提取得到的批改痕迹进行霍夫直线检测，将设定距离内的直线进行连接；
11.s3.3、获取各个连续的批改痕迹的最小外接矩形框，并通过非极大抑制算法取出冗余的矩形框；
12.s4、利用已经提前训练好的批改痕迹识别模型，对步骤s3中获得各个最小外接矩形框内的批改痕迹进行识别，得到各个批改痕迹对应的批改结果，并匹配得到各个批改痕迹和各个题目的关联关系：
13.s4.1采集大量的批改痕迹样本数据，利用所述样本数据进行神经网络学习训练，得到批改痕迹识别模型，用于识别不同的批改痕迹所对应的批改结果；
14.s4.2、获取步骤s3中获得的各个最小外接矩形框的坐标数据范围，以及题目数据
中当前页码的页面包含的各个题目的坐标数据范围，匹配得到各个批改痕迹所关联的题目；
15.s4.3、利用批改痕迹识别模型识别得到各个批改痕迹对应的批改结果。
16.进一步地，步骤s1的具体过程如下：
17.s1.1、采集目标资料的各页面的原始页面图像，对各原始页面图像进行矩形矫正及重置大小操作，将原始页面图像设置为统一大小；
18.s1.2、在经过步骤s1.1处理的页面图像中标注出各大题以及每道大题下的各小题的区域，并获得对应区域的坐标。
19.更进一步地，步骤s1.2中，采用横线标记的方式对页面图像中的各大题进行区域划分，采用矩形框出的方式对每道大题中的小题进行区域划分；对大题进行区域划分时，在页面图像上用横线标记出各大题的起始的水平位置和结束的水平位置；采用矩形划分的方式时，将大题下的各小题用矩形框框住；区域划分完成后，对于每道大题，分别采集其起始的水平位置和结束的水平位置的横线的左上角坐标作为对应大题的坐标数据，对于各道小题，采集对应的矩形框的左上角坐标和右下角坐标作为对应小题的坐标数据。
20.进一步地，步骤s4.2的具体过程为：计算各个批改痕迹对应的最小外接矩形的区域面积；对于某个批改痕迹，计算其对应的最小外接矩形与各道题目的坐标数据范围的交集区域的面积，然后计算交集区域的面积与该批改痕迹对应的最小外接矩形框的区域面积的比值，获得该批改痕迹对应的最小外接矩形框与各道题目的交集比；当该批改痕迹对应的最小外接矩形框与某道题目的交集比超过预设的占比阈值，则认为该批改痕迹与该道题目关联。
21.进一步地，上述方法还包括步骤s5：统计每道大题的坐标数据范围内的批改结果的个数以及批改结果为正确的个数，由此计算得到各道大题的正确率。
22.本发明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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1－5任一所述的方法。
23.本发明还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序时，实现权利要求1－5任一所述的方法。
24.本发明的有益效果在于：利用本发明能够有效将批改痕迹与对应的题目进行关联，从而有助于实现自动化程度更高的智能批改，且不需要限制教师的习惯，有助于提升用户体验。
具体实施方式
25.以下将对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
26.本实施例提供一种试题批改痕迹识别方法，具体过程为：
27.s1、采集目标资料的题目数据；所述题目数据包括资料id、各页面的页码，以及各页面所含题目的题号、题干、答案、解析和在页面中的坐标数据。具体地，步骤s1的具体过程如下：
28.s1.1、采集目标资料的各页面的原始页面图像，对各原始页面图像进行矩形矫正及重置大小操作，将原始页面图像设置为统一大小。
29.s1.2、在经过步骤s1.1处理的页面图像中标注出各大题以及每道大题下的各小题的区域，并获得对应区域的坐标。
30.在本实施例中，采用横线标记的方式对页面图像中的各大题进行区域划分，采用矩形框出的方式对每道大题中的小题进行区域划分；对大题进行区域划分时，在页面图像上用横线标记出各大题的起始的水平位置和结束的水平位置；采用矩形划分的方式时，将大题下的各小题用矩形框框住；区域划分完成后，对于每道大题，分别采集其起始的水平位置和结束的水平位置的横线的左上角坐标作为对应大题的坐标数据，对于各道小题，采集对应的矩形框的左上角坐标和右下角坐标作为对应小题的坐标数据。
31.s2、采集用指定批改颜色批改后的页面图像作为待识别图像，然后获取待识别图像的页码。图像页码采集技术比较成熟，此处不再赘述。
32.s3、对待识别图像进行批改痕迹提取：
33.s3.1、将待识别图像转为hsv颜色空间的图像，根据预设的批改颜色的色值范围，提取出符合色值范围的批改痕迹(一般场景中，教师使用红色进行批改)。
34.s3.2、对步骤s3.1提取得到的批改痕迹进行霍夫直线检测，将设定距离内的直线进行连接。颜色提取过程中可能会存在批改痕迹间断，本步骤用于将间断的批改痕迹连续起来。
35.s3.3、获取各个连续的批改痕迹的最小外接矩形框，并通过非极大抑制算法取出冗余的矩形框(一个批改痕迹可能会出现多个矩形框，采用该算法可以去掉多余的矩形框，保证一个批改痕迹只有一个矩形框。
36.s4、利用已经提前训练好的批改痕迹识别模型，对步骤s3中获得各个最小外接矩形框内的批改痕迹进行识别，得到各个批改痕迹对应的批改结果。具体过程为：
37.s4.1采集大量的批改痕迹样本数据(如勾表示正确、叉和/或圈表示错误)，利用所述样本数据进行神经网络学习训练，得到批改痕迹识别模型，用于识别不同的批改痕迹所对应的批改结果(当再次接收到一个批改痕迹时，可识别该痕迹表示正确或错误)
38.s4.2、获取步骤s3中获得的各个最小外接矩形框的坐标数据范围，以及题目数据中当前页码的页面包含的各个题目的坐标数据范围，匹配得到各个批改痕迹所关联的题目；
39.在本实施例中，步骤s4.2的具体过程为：计算各个批改痕迹对应的最小外接矩形的区域面积；对于某个批改痕迹，计算其对应的最小外接矩形与各道题目的坐标数据范围的交集区域的面积，然后计算交集区域的面积与该批改痕迹对应的最小外接矩形框的区域面积的比值，获得该批改痕迹对应的最小外接矩形框与各道题目的交集比；当该批改痕迹对应的最小外接矩形框与某道题目的交集比超过预设的占比阈值，则认为该批改痕迹与该道题目关联。
40.需要说明的是，采用交集比来匹配批改痕迹和题目的目的在于部分教师批改痕迹较大，经常会把当前题目的批改痕迹延续到上一题或下一题，从而对上一题或者下一题的批改形成噪点，影响批改争取率。
41.s4.3、利用批改痕迹识别模型识别得到各个批改痕迹对应的批改结果。
42.在本实施例中，还包括步骤s5：统计每道大题的坐标数据范围内的批改结果的个数以及批改结果为正确的个数，由此计算得到各道大题的正确率。例如一个题目包含四个
小题，对应的有三个勾、一个叉的批改痕迹，则统计结果为3题正确、1题错误。
43.对于本领域的技术人员来说，可以根据以上的技术方案和构思，给出各种相应的改变和变形，而所有的这些改变和变形，都应该包括在本发明权利要求的保护范围之内。