一种适用于电子助视器的错题本生成方法
专利汇可以提供一种适用于电子助视器的错题本生成方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种适用于 电子 助视器的错题本生成方法，电子助视器采集完整的非分栏格式试卷图像，预处理、 图像分割 后存入缓冲区，以神经网络模型识别试卷中的批改标识，对比识别到的批改标识的目标框的坐标中点和分割的试卷图像的各个题目的坐标点、识别错题，对错题图像进行手写字体和印刷字体的区分、文字识别，处理后的错题图像拼接生成错题本。本发明克服用神经网络来分割的 精度 不确定性和 训练数据 收集和标注的复杂性，解决了 现有技术 中无法自动截取错区域、擦除批改标识和错误答案的问题，提高错题本精度，可以植入电子助视器，低视 力 患者不用手抄生成错题本或手动截取错题区域、擦除做题区域和批改标识，节约时间，可以阅读错题本并重新做题。，下面是一种适用于电子助视器的错题本生成方法专利的具体信息内容。
1.一种适用于电子助视器的错题本生成方法，其特征在于：所述方法包括以下步骤：
步骤1：电子助视器采集完整的非分栏格式试卷图像，对采集到的试卷图像进行预处理；
步骤2：对预处理后的试卷图像进行图像分割，将分割后的图像存入电子助视器的缓冲区；
步骤3：读取缓冲区中图像的像素值，识别批改标识；
步骤4：获得训练好的识别批改标识的神经网络模型，用于识别试卷中的批改标识；
步骤5：对比识别到的批改标识的目标框的坐标中点和分割的试卷图像的各个题目的坐标点；若存在任一中点坐标落入任一题目的坐标范围内，则认为当前题目是错题；
步骤6：对于错题对应的错题图像进行手写字体和印刷字体的区分，对错题进行文字识别；
步骤7：识别完成，则电子助视器对处理后的错题图像进行拼接，生成错题本。
2.根据权利要求1所述的一种适用于电子助视器的错题本生成方法，其特征在于：所述步骤1中，预处理包括以下步骤：
步骤1.1：对试卷图像进行倾斜校正，使得试卷图像的左边缘和下边缘与标准线齐平；
步骤1.2：对倾斜校正后的试卷图像进行灰度化处理，以灰度值作为阈值，将处理后的图像进行二值化处理；
步骤1.3：将处理后的试卷图像的长和宽等比例放大至N倍，N≥1。
3.根据权利要求1所述的一种适用于电子助视器的错题本生成方法，其特征在于：所述步骤2包括以下步骤：
步骤2.1：对预处理后的试卷图像按顺序在Y轴上进行水平投影，基于水平投影的图像进行分割，得到若干行图像；
步骤2.2：将所有的行图像按顺序进行存储，得到完整的待处理行图像集合；
步骤2.3：按照顺序将每一行图像在X轴上进行垂直投影，结合OCR识别判定试卷图像中各个题目的切割位置坐标；以各个题目的切割位置坐标切割试卷图像，得到试卷的各个题目的目标图像。
4.根据权利要求3所述的一种适用于电子助视器的错题本生成方法，其特征在于：所述步骤2.1包括以下步骤：
步骤2.1.1：对预处理后的试卷图像从上到下逐行扫描，计算每个扫描行的像素；
步骤2.1.2：获取图像的水平投影，根据水平投影值确定文字行的位置；
步骤2.1.3：以水平投影的空白间隙识别文字行与文字行之间的间隔，按行分割得到若干行图像；
步骤2.1.4：以初始试卷图像的左上角为原点，记录每一行图像的左上角坐标和右下角坐标。
5.根据权利要求3所述的一种适用于电子助视器的错题本生成方法，其特征在于：所述步骤2.3包括以下步骤：
步骤2.3.1：调用电子助视器自带的OCR识别单元对分割得到的行图像进行垂直投影，以每一行从左至右第一个出现像素值的位置为当前行图像的起始位置，获得对应的起始位置OCR识别结果；以第一个行图像为当前行；
步骤2.3.2：OCR识别单元处理当前行，获得当前行的行图像进行垂直投影后的识别结果；
若起始位置的识别结果为主题干，则记录当前行图像的左上角坐标点和和右下角坐标点，进行下一步；
否则，不记录坐标点，直接进行下一步；
步骤2.3.3：以下一行为当前行，OCR识别单元处理当前行，获得当前行的行图像进行垂直投影后的识别结果；
若当前行的起始位置的识别结果中存在连续的小写数字和符号、或起始位置的横向坐标值大于上一行的行图像的起始位置的横向坐标值，则当前行是一道支题干开始的第一行，以当前行的左上角坐标为新的左上角坐标、以当前行的右下角坐标为新的右下角坐标，进行下一步；
否则，直接记录当前行的右下角坐标点，重复步骤2.3.3；
步骤2.3.4：以下一行为当前行，OCR识别单元处理当前行，获得当前行的行图像进行垂直投影后的识别结果；
若当前行起始位置的识别结果中不存在连续的小写数字和符号且起始位置的横向坐标值小于等于上一行的行图像的起始位置的横向坐标值，则当前行与上一行是同一道题，以当前行的右下角坐标为更新的右下角坐标，重复步骤2.3.4；
若当前行起始位置的识别结果为连续的英文及符号且起始位置的横向坐标值大于等于上一行的行图像的起始位置的横向坐标值，则认为当前行与上一行是同一道题且为选择题的选项，以当前行的右下角坐标为更新的右下角坐标，重复步骤2.3.4；
若当前行起始位置的识别结果中存在连续的小写数字和符号、或者起始位置的横向坐标值大于上一行的行图像的起始位置的横向坐标值，则认为当前行是下一道支题干开始的第一行，返回步骤2.3.3；
若当前行起始位置的识别结果为主题干，则返回步骤2.3.2；
若当前的行图像为空，则进行下一步；
步骤2.3.5：按所有的左上角坐标点和对应的右下角坐标点为一组，分割出每个主题干和支题干，并将分割后的所有主题干和支题干进行排序，按顺序进行存储；
步骤2.3.6：对每个主题干和支题干进行对应的标记。
6.根据权利要求5所述的一种适用于电子助视器的错题本生成方法，其特征在于：当任一行的起始位置的识别结果为存在连续的一大写数字和符号、为中文文字或中文文字与数字和/或英文的组合、为以特殊符号开头，则为主题干的起始行。
7.根据权利要求1所述的一种适用于电子助视器的错题本生成方法，其特征在于：所述步骤3包括以下步骤：
步骤3.1：基于阈值，对输入图像区分前景和背景；
步骤3.2：根据阈值确定前景和背景的颜色并生成颜色表；
步骤3.3：获取电子助视器缓冲区内存储像素的地址，确定每个像素点值；
步骤3.4：通过像素点值确定颜色范围，确定图像中的批改标识颜色的像素点，利用连通区域把图像中的批改标识颜色区域找出并标记；
步骤3.5：提取批改标识颜色区域的轮廓，记录当前轮廓在图像中对应的位置，并置于输出的地址中。
8.根据权利要求7所述的一种适用于电子助视器的错题本生成方法，其特征在于：所述步骤4中，识别试卷中的批改标识包括以下步骤：
步骤4.1：以训练好的模型对试卷图像进行测试，记录识别到的错误标识的坐标点；
步骤4.2：以批改标识颜色区域在输出的缓冲区的地址值读取对应的坐标点；
步骤4.3：以步骤4.1和步骤4.2的坐标点IoU来确定试卷图像内的错题标识；
步骤4.4：获取确定的错题标识对应的目标框的4个角点坐标值和目标框的中点。
9.根据权利要求1所述的一种适用于电子助视器的错题本生成方法，其特征在于：所述步骤6包括以下步骤：
步骤6.1：训练用于区分手写字体和印刷字体的神经网络模型，以印刷字体为试卷题目；
步骤6.2：输入步骤5的错题图像；当模型识别到手写字体后，对字体进行颜色判断，若手写字体在批改标识颜色区域内，则不对该字体进行擦除；将处理后的错题图像另存至电子助视器的图片文件管理库；
步骤6.3：以电子助视器自带的OCR功能对步骤6.2处理后的图片进行OCR文字识别，将对应的OCR文字识别结果按一定格式存储到电子助视器的图片文件管理库。
10.根据权利要求1所述的一种适用于电子助视器的错题本生成方法，其特征在于：所述步骤7包括以下步骤：
步骤7.1：确认所有图像识别完成；
步骤7.2：获取步骤2处理后的主题干对应的图像及步骤6处理后的错题图像；
步骤7.3：将错题图像按顺序排列；以第一个错题图像为当前错题图像；
步骤7.4：以当前错题图像的坐标点开始向上寻找的第一个主题干对应的图像为对应当前错题的主题干；若主题干对应的图像被调用的次数为0，则将当前错题图像与所述主题干对应的图像进行拼接，进行下一步，否则，将当前错题图像拼接在前一个错题图像下，进行下一步；
步骤7.5：若存在下一个错题图像，则取下一个错题图像为当前错题图像，返回步骤
7.4，否则，拼接结束，进行下一步；
步骤7.6：生成错题本。
一种适用于电子助视器的错题本生成方法
技术领域
背景技术
发明内容
理；
步骤2：对预处理后的试卷图像进行图像分割，将分割后的图像存入电子助视器的缓冲
区；
步骤3：读取缓冲区中图像的像素值，识别批改标识；
步骤4：获得训练好的识别批改标识的神经网络模型，用于识别试卷中的批改标识；
步骤5：对比识别到的批改标识的目标框的坐标中点和分割的试卷图像的各个题目的
坐标点；若存在任一中点坐标落入任一题目的坐标范围内，则认为当前题目是错题；
步骤6：对于错题对应的错题图像进行手写字体和印刷字体的区分，对错题进行文字识
别；
步骤7：识别完成，则电子助视器对处理后的错题图像进行拼接，生成错题本。
步骤1.2：对倾斜校正后的试卷图像进行灰度化处理，以灰度值作为阈值，将处理后的
图像进行二值化处理；
步骤1.3：将处理后的试卷图像的长和宽等比例放大至N倍，N≥1。
进行分割，得到若干行图像；
步骤2.2：将所有的行图像按顺序进行存储，得到完整的待处理行图像集合；
步骤2.3：按照顺序将每一行图像在X轴上进行垂直投影，结合OCR识别判定试卷图像中
各个题目的切割位置坐标；以各个题目的切割位置坐标切割试卷图像，得到试卷的各个题目的目标图像。
步骤2.1.2：获取图像的水平投影，根据水平投影值确定文字行的位置；
步骤2.1.3：以水平投影的空白间隙识别文字行与文字行之间的间隔，按行分割得到若
干行图像；
步骤2.1.4：以初始试卷图像的左上角为原点，记录每一行图像的左上角坐标和右下角
坐标。
以每一行从左至右第一个出现像素值的位置为当前行图像的起始位置，获得对应的起始位置OCR识别结果；以第一个行图像为当前行；
步骤2.3.2：OCR识别单元处理当前行，获得当前行的行图像进行垂直投影后的识别结
果；
若起始位置的识别结果为主题干，则记录当前行图像的左上角坐标点和和右下角坐标
点，进行下一步；
否则，不记录坐标点，直接进行下一步；
步骤2.3.3：以下一行为当前行，OCR识别单元处理当前行，获得当前行的行图像进行垂
直投影后的识别结果；
若当前行的起始位置的识别结果中存在连续的小写数字和符号、或起始位置的横向坐
标值大于上一行的行图像的起始位置的横向坐标值，则当前行是一道支题干开始的第一
行，以当前行的左上角坐标为新的左上角坐标、以当前行的右下角坐标为新的右下角坐标，进行下一步；
否则，直接记录当前行的右下角坐标点，重复步骤2.3.3；
步骤2.3.4：以下一行为当前行，OCR识别单元处理当前行，获得当前行的行图像进行垂
直投影后的识别结果；
若当前行起始位置的识别结果中不存在连续的小写数字和符号且起始位置的横向坐
标值小于等于上一行的行图像的起始位置的横向坐标值，则当前行与上一行是同一道题，以当前行的右下角坐标为更新的右下角坐标，重复步骤2.3.4；
若当前行起始位置的识别结果为连续的英文及符号且起始位置的横向坐标值大于等
于上一行的行图像的起始位置的横向坐标值，则认为当前行与上一行是同一道题且为选择题的选项，以当前行的右下角坐标为更新的右下角坐标，重复步骤2.3.4；
若当前行起始位置的识别结果中存在连续的小写数字和符号、或者起始位置的横向坐
标值大于上一行的行图像的起始位置的横向坐标值，则认为当前行是下一道支题干开始的第一行，返回步骤2.3.3；
若当前行起始位置的识别结果为主题干，则返回步骤2.3.2；
若当前的行图像为空，则进行下一步；
步骤2.3.5：按所有的左上角坐标点和对应的右下角坐标点为一组，分割出每个主题干
和支题干，并将分割后的所有主题干和支题干进行排序，按顺序进行存储；
步骤2.3.6：对每个主题干和支题干进行对应的标记。
步骤3.2：根据阈值确定前景和背景的颜色并生成颜色表；
步骤3.3：获取电子助视器缓冲区内存储像素的地址，确定每个像素点值；
步骤3.4：通过像素点值确定颜色范围，确定图像中的批改标识颜色的像素点，利用连
通区域把图像中的批改标识颜色区域找出并标记；
步骤3.5：提取批改标识颜色区域的轮廓，记录当前轮廓在图像中对应的位置，并置于
输出的地址中。
步骤4.2：以批改标识颜色区域在输出的缓冲区的地址值读取对应的坐标点；
步骤4.3：以步骤4.1和步骤4.2的坐标点IoU来确定试卷图像内的错题标识；
步骤4.4：获取确定的错题标识对应的目标框的4个角点坐标值和目标框的中点。
目；
步骤6.2：输入步骤5的错题图像；当模型识别到手写字体后，对字体进行颜色判断，若
手写字体在批改标识颜色区域内，则不对该字体进行擦除；将处理后的错题图像另存至电子助视器的图片文件管理库；
步骤6.3：以电子助视器自带的OCR功能对步骤6.2处理后的图片进行OCR文字识别，将
对应的OCR文字识别结果按一定格式存储到电子助视器的图片文件管理库。
步骤7.2：获取步骤2处理后的主题干对应的图像及步骤6处理后的错题图像；
步骤7.3：将错题图像按顺序排列；以第一个错题图像为当前错题图像；
步骤7.4：以当前错题图像的坐标点开始向上寻找的第一个主题干对应的图像为对应
当前错题的主题干；若主题干对应的图像被调用的次数为0，则将当前错题图像与所述主题干对应的图像进行拼接，进行下一步，否则，将当前错题图像拼接在前一个错题图像下，进行下一步；
步骤7.5：若存在下一个错题图像，则取下一个错题图像为当前错题图像，返回步骤
7.4，否则，拼接结束，进行下一步；
步骤7.6：生成错题本。
具体实施方式
步骤1.2：对倾斜校正后的试卷图像进行灰度化处理，以灰度值作为阈值，将处理后的
图像进行二值化处理；
步骤1.3：将处理后的试卷图像的长和宽等比例放大至N倍，N≥1。
进行分割，得到若干行图像；
所述步骤2.1包括以下步骤：
步骤2.1.1：对预处理后的试卷图像从上到下逐行扫描，计算每个扫描行的像素；
步骤2.1.2：获取图像的水平投影，根据水平投影值确定文字行的位置；
步骤2.1.3：以水平投影的空白间隙识别文字行与文字行之间的间隔，按行分割得到若
干行图像；
步骤2.1.4：以初始试卷图像的左上角为原点，记录每一行图像的左上角坐标和右下角
坐标。
以每一行从左至右第一个出现像素值的位置为当前行图像的起始位置，获得对应的起始位置OCR识别结果；以第一个行图像为当前行；
步骤2.3.2：OCR识别单元处理当前行，获得当前行的行图像进行垂直投影后的识别结
果；
若起始位置的识别结果为主题干，则记录当前行图像的左上角坐标点和和右下角坐标
点，进行下一步；
否则，不记录坐标点，直接进行下一步；由于步骤2.2的处理且此处由试卷的第一行开
始识别，故此处可能出现的内容是试卷的页眉部分，此为可以略过的内容，故进行下一步。
标值大于上一行的行图像的起始位置的横向坐标值，则当前行是一道支题干开始的第一
行，以当前行的左上角坐标为新的左上角坐标、以当前行的右下角坐标为新的右下角坐标，进行下一步；
否则，直接记录当前行的右下角坐标点，重复步骤2.3.3；这种情况可能是前序的主题
干仍在进行中，故以新记录的右下角坐标点进行更新，并继续验证下一行。
标值小于等于上一行的行图像的起始位置的横向坐标值，则当前行与上一行是同一道题，以当前行的右下角坐标为更新的右下角坐标，重复步骤2.3.4；
若当前行起始位置的识别结果为连续的英文及符号且起始位置的横向坐标值大于等
于上一行的行图像的起始位置的横向坐标值，则认为当前行与上一行是同一道题且为选择题的选项，以当前行的右下角坐标为更新的右下角坐标，重复步骤2.3.4；
若当前行起始位置的识别结果中存在连续的小写数字和符号、或者起始位置的横向坐
标值大于上一行的行图像的起始位置的横向坐标值，则认为当前行是下一道支题干开始的第一行，返回步骤2.3.3；为了避免每次分割的题目过长，对于支题干也需要进行分割，故当识别到下一道支题干时，进行切分，即不记录任何坐标点，而是返回到步骤2.3.3进行新的划分。
和支题干，便于后续作业的区分。
步骤3.2：根据阈值确定前景和背景的颜色并生成颜色表；
步骤3.3：获取电子助视器缓冲区内存储像素的地址，确定每个像素点值；
步骤3.4：通过像素点值确定颜色范围，确定图像中的批改标识颜色的像素点，利用连
通区域把图像中的批改标识颜色区域找出并标记；
步骤3.5：提取批改标识颜色区域的轮廓，记录当前轮廓在图像中对应的位置，并置于
输出的地址中。
步骤4.2：以批改标识颜色区域在输出的缓冲区的地址值读取对应的坐标点；
步骤4.3：以步骤4.1和步骤4.2的坐标点IoU来确定试卷图像内的错题标识；
步骤4.4：获取确定的错题标识对应的目标框的4个角点坐标值和目标框的中点。
数；
收集已批改的试卷，通过扫描或者手机相机等拍照设备获取试卷图像，对图像进行倾
斜校正，再把试卷图像按比例分成训练集和测试集；
对试卷图像中的批改标识进行数据标识，正确答案的批改标识为“√”，错误答案的批
改标识为“×”，一般批改标识的颜色为红色，正确答案和错误答案的批改标识都要进行数据标注，如果只标注错误答案标识，神经网络会把是红色的标识当作错误答案标识，其他当成背景，造成目标检测网络模型把正确的题也识别为错题；用训练好的模型对采集的试卷图像进行测试，并记录下识别到的错误标识的坐标点，再通过步骤3记录的红色区域在输出缓冲区的地址值读取其坐标点，根据上述两者的IOU来确定红色的错题标识，避免把选择题的“√”和“×”错认为是老师的批改标识；
修改目标检测网络生成测试结果的代码，使测试结果中包含有识别到的目标框的4个
坐标，计算这4个坐标的中点，即目标框的中点。
目；
步骤6.2：输入步骤5的错题图像；当模型识别到手写字体后，对字体进行颜色判断，若
手写字体在批改标识颜色区域内，则不对该字体进行擦除；将处理后的错题图像另存至电子助视器的图片文件管理库；
步骤6.3：以电子助视器自带的OCR功能对步骤6.2处理后的图片进行OCR文字识别，将
对应的OCR文字识别结果按一定格式存储到电子助视器的图片文件管理库。
步骤7.2：获取步骤2处理后的主题干对应的图像及步骤6处理后的错题图像；
步骤7.3：将错题图像按顺序排列；以第一个错题图像为当前错题图像；
步骤7.4：以当前错题图像的坐标点开始向上寻找的第一个主题干对应的图像为对应
当前错题的主题干；若主题干对应的图像被调用的次数为0，则将当前错题图像与所述主题干对应的图像进行拼接，进行下一步，否则，将当前错题图像拼接在前一个错题图像下，进行下一步；
步骤7.5：若存在下一个错题图像，则取下一个错题图像为当前错题图像，返回步骤
7.4，否则，拼接结束，进行下一步；
步骤7.6：生成错题本。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种人群表演评测系统 | 2020-05-08 | 73 |
| 半导体测试结构及测试方法 | 2020-05-08 | 171 |
| 一种基于深度学习的闸瓦插销丢失检测方法 | 2020-05-08 | 524 |
| 拍摄方法和电子设备 | 2020-05-08 | 136 |
| 一种基于北斗卫星导航定位的特种运输车报警系统 | 2020-05-08 | 262 |
| 一种基于双向对抗网络的图像超分辨率重建方法 | 2020-05-11 | 263 |
| 一种自动化在线学习智能辅助标注医学影像的方法和系统 | 2020-05-08 | 338 |
| 基于人工智能的多场景消化道内镜图像识别方法及系统 | 2020-05-08 | 296 |
| 一种针对多标签分类数据不均衡问题的采样方法 | 2020-05-11 | 882 |
| 一种基于深度学习的道路病害检测方法 | 2020-05-11 | 580 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
