Nothing Special   »   [go: up one dir, main page]

CN113435379A - 一种ai自动评分的方法及其系统 - Google Patents

一种ai自动评分的方法及其系统 Download PDF

Info

Publication number
CN113435379A
CN113435379A CN202110763268.0A CN202110763268A CN113435379A CN 113435379 A CN113435379 A CN 113435379A CN 202110763268 A CN202110763268 A CN 202110763268A CN 113435379 A CN113435379 A CN 113435379A
Authority
CN
China
Prior art keywords
experiment
image
optimized
module
information data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110763268.0A
Other languages
English (en)
Inventor
张志标
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Tech Education Technology Co ltd
Original Assignee
Shenzhen Tech Education Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Tech Education Technology Co ltd filed Critical Shenzhen Tech Education Technology Co ltd
Priority to CN202110763268.0A priority Critical patent/CN113435379A/zh
Publication of CN113435379A publication Critical patent/CN113435379A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Educational Technology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种AI自动评分方法及其系统，包括步骤：获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的优化图片；将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据；结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义；将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析；将所述统计和分析的结果通过显示模块进行展示。

Description

一种AI自动评分的方法及其系统
技术领域
本发明涉及领域，更具体的说，涉及一种AI自动评分方法及其系统。
背景技术
物理实验是初高中阶段物理课程中包含的相关实验，包括电学实验、力学实验、热学实验、光学实验等等，常用于验证物理学科的定理定律。
现有的中学物理实验基本采用教师人工进行评分，教师在教学或考试时，不能达到对每个同学进行针对性的、全面的教学指导或监督，导致实验教学与考试效率低；而且目前市面上AI系统用在中学物理实验上需要高算力的本地服务器或者云服务器，导致成本高，安全性低。
发明内容
本发明所要解决的技术问题是提供一种有效提高效率和安全性的AI 自动评分方法及其系统。
本发明的目的是通过以下技术方案来实现的：
一种AI自动评分方法，其特征在于，包括步骤：
获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的优化图片；
将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据；
结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义；
将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析；
将所述统计和分析的结果通过显示模块进行展示。
进一步地，所述获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的原始图片的步骤包括:
IPC摄像头实时采集操作者的实验视频数据，将所述实验视频数据通过硬解码芯片进行实时解码，获得实验操作过程中每一帧的原始图片；
将所述原始图片通过双线性插值算法进行优化处理，获得实验操作的优化图片；
其中，所述IPC摄像头设置4个，4个IPC摄像头分别位于操作者的试验操作台上方、前方、后方以及任一侧方。
进一步地，所述双线性插值算法公式为：
f(x_i+x_d,y_i+y_d)＝(1-x_d)(1-y_d)f(x_i,y_i)+(1-x_d)y_df(x_i,y_i+1)+x_ d(1-y_d)f(x_i+1,y_i)+x_dy_df(x_i+1,y_i+1)，其中，x_i、y_i均为浮点坐标的整数部分，x_d、y_d为浮点坐标的小数部分，是取值[0,1)区间的浮点数。
进一步地，所述将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据之前还包括步骤：
根据不同的实验类型对CNN模型进行针对性的训练，获得训练好的 CNN模型；
将训练好的所述CNN模型进行INT8量化，将INT8量化后的所属CNN 模型存储到嵌入式硬件平台的NPU中；
其中，所述嵌入式硬件平台的处理芯片采用RK3399Pro。
进一步地，所述INT8量化原理公式为：FP32 Tensor(T)＝scale_factor(sf) *8-bit Tensor(t)+FP32_bias(b)，其中，FP32 Tensor(T)为原始的图片像素 32位浮点数，scale_factor(sf)是一个从32位浮点映射到8位int数据的比例，8-bit Tensor(t)为8位的int型像素值表示，FP32_bias(b)是一个常量因子。
进一步地，所述结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义的步骤包括：
根据预设指令确认实验类型，调用对应所述实验类型的推理模型；
所述推理模型识别所述优化图片中的所有特征信息数据，获得每个所述特征信息数据的具体含义信息；
将每个所述特征信息数据的具体含义信息进行总结，获得所述优化图像中的所有特征信息数据的图像含义。
进一步地，所述将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析的步骤包括：
将所有的所述图像含义进行去重和归类；获得包含整个实验过程操作者的操作步骤和实验结论的文本描述数据；
将所述文本描述数据与预设的实验评分标准逐项进行对比，若所述文本描述数据与预设的所述实验得分标准的相似度超过预设阈值，则判断所述特征信息数据为得分项；
对所述对比处理的结果进行统计和分析。
另一方面，本发明还提供一种AI自动评分系统，包括：
数据处理模块：用于获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的优化图片；
AI学习模块：用于将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据；
推理模块：用于结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义；
得分评定模块：用于将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析；
可视化模块：用于将所述统计和分析的结果进行展示。
进一步地，所述AI自动评分系统还包括API接口模块，所述API接口模块用于提供对外的交互接口。
进一步地，所述AI自动评分系统还包括嵌入式硬件平台，所述嵌入式硬件平台包括CPU、NPU和GPU，所述嵌入式硬件平台采用Android 操作系统。
本发明由于通过对评分算法的创新和本地硬件优化的设计，为了进一步降低考试评分的人力成本并提高效率，使用理化生考试AI进行自助评分，达到提高评分效率的目的，同时解决教学场景中学生接受信息有差异，考试场景中教师批改效率低、评分标准不一的问题；而且采用优化的算法部署在低成本，无需联网的低功耗嵌入式设备上，大大降低成本，极大提升安全性。
附图说明
图1是本发明实施例的AI自动评分方法的流程图；
图2是本发明实施例的AI自动评分系统的示意图。
具体实施方式
这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。
在本发明的描述中，需要理解的是，术语“中心”、“横向”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。另外，术语“包括”及其任何变形，意图在于覆盖不排他的包含。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
在图中，结构相似的单元是以相同标号表示。
下面结合附图和较佳的实施例对本发明作进一步说明。
如图1所示，本实施例公开了一种AI自动评分方法，其特征在于，包括步骤：
S10：获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的优化图片；
S11：将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据；
S12：结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义；
S13：将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析；
S14：将所述统计和分析的结果通过显示模块进行展示。
通过对评分算法的创新和本地硬件优化的设计，为了进一步降低考试评分的人力成本并提高效率，使用理化生考试AI进行自助评分，达到提高评分效率的目的，同时解决教学场景中学生接受信息有差异，考试场景中教师批改效率低、评分标准不一的问题；而且采用优化的算法部署在低成本，无需联网的低功耗嵌入式设备上，大大降低成本，极大提升安全性。
其中，获取摄像头的实验视频数据，数据处理模块对实验视频进行处理，获得实验操作的原始图片的步骤包括:IPC摄像头实时采集操作者的实验视频数据，将实验视频数据通过硬解码芯片进行实时解码，获得实验操作过程中每一帧的原始图片；将原始图片通过双线性插值算法进行优化处理，获得实验操作的优化图片。
基于rk3399pro的硬解码芯片实现高速解码，拉取IPC摄像头数据并进行解码得到深度学习模型的输入图片数据，图片数据经过初步筛选，去掉模糊和一些花屏的数据，保留操作者完整实验操作的每一帧的原始图片。其中，IPC摄像头设置4个，4个IPC摄像头分别位于操作者的试验操作台上方、前方、后方以及任一侧方，使得定制四路IPC摄像头全视角采集学生的实时实验视频。
双线性插值算法公式如下:
f(x_i+x_d,y_i+y_d)＝(1-x_d)(1-y_d)f(x_i,y_i)+(1-x_d)y_df(x_i, y_i+1)+x_d(1-y_d)f(x_i+1,y_i)+x_dy_df(x_i+1,y_i+1)，(其中，x_i、 y_i均为浮点坐标的整数部分，x_d、y_d为浮点坐标的小数部分，是取值 [0,1)区间的浮点数)。公式原理如下：对于一个目的像素，坐标通过反向变换得到的浮点坐标为(x_i+x_d,y_i+y_d)，则这个像素得值f(x_i+x_d,y_i+y_d)可由原图像中坐标为(x_i,y_i)、(x_i+1,y_i)、 (x_i,y_i+1)、(x_u+1,y_i+1)所对应的周围四个像素的值决定，即： f(x_i+x_d,y_i+y_d)＝(1-x_d)(1-y_d)f(x_i,y_i)+(1-x_d)y_df(x_i,y_i+ 1)+x_d(1-y_d)f(x_i+1,y_i)+x_dy_df(x_i+1,y_i+1)，其中f(x_i,y_i)表示源图像(x_i,y_i)处的像素值，以此类推。
在图像处理的时候，我们先根据src_x＝dst_x* (src_width/dst_width),src_y＝dst_y*(src_height/dst_height)来计算目标像素在源图像中的位置，这里的src_x和src_y一般都是浮点数，例如f(2.3,4.5)这个像素点是虚拟存在的，先找到与它临近的四个实际存在的像素点(2，4)、(3，4)、(2，5)、(3，5)写成f(x_i+x_d,y_i+y_d) 的形式，则x_d＝0.3,y_d＝0.5,x_i＝2,y_i＝4。
其中，将优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据之前还包括步骤：根据不同的实验类型对CNN模型进行针对性的训练，获得训练好的CNN模型；将训练好的CNN模型进行INT8量化，将INT8量化后的所属CNN模型存储到嵌入式硬件平台的NPU中；其中，嵌入式硬件平台的处理芯片采用RK3399Pro。采用优化的算法进行unit8量化推理，快速得到图片的输出结果将训练好的cnn模型进行int8量化，减小模型尺寸，fp32量化到int8后模型速度提升3倍，用嵌入式平台 rk3399pro的npu进行推理，速度可以到达实时。
其中，INT8量化原理公式为：
FP32Tensor(T)＝scale_factor(sf)*8-bitTensor(t)+FP32_bias(b)，其中，FP32Tensor(T)为原始的图片像素32位浮点数，scale_factor(sf) 是一个从32位浮点映射到8位int数据的比例，8-bitTensor(t)为8位的 int型像素值表示，FP32_bias(b)是一个常量因子。比如32位浮点值 T＝1024.68我们需要将T转为范围在0-255之间的值，我们通过对训练集图片用相对熵进行标定，计算得到sf＝8.2,b＝10，这样计算得到t＝124。
其中，结合实验类型通过推理模块对特征信息数据进行识别，获得优化图像中的所有特征信息数据的图像含义的步骤包括：根据预设指令确认实验类型，调用对应实验类型的推理模型；推理模型识别优化图片中的所有特征信息数据，获得每个特征信息数据的具体含义信息；将每个特征信息数据的具体含义信息进行总结，获得优化图像中的所有特征信息数据的图像含义。理解当前实验视频的内容，得到实验的操作结果，算法计算直接在嵌入式一体机上，无需服务器，数据安全，部署方便。
其中，将图像含义与预设的实验评分标准进行对比处理，判断当前优化图片上对应的实验操作是否得分，对对比处理的结果进行统计和分析的步骤包括：将所有的图像含义进行去重和归类；获得包含整个实验过程操作者的操作步骤和实验结论的文本描述数据；将文本描述数据与预设的实验评分标准逐项进行对比，若文本描述数据与预设的实验得分标准的相似度超过预设阈值，则判断特征信息数据为得分项；对对比处理的结果进行统计和分析。根据每个实验的得分要求，单独进行评分逻辑处理每个实验包括若干得分点，得分点要求包括动作正确，结论正确，测量小灯泡的电功率实验中，要求电路连接完整，通过对比处理的输出的文本描述数据，判断图中的电路连接关系，如果检测到所有器件都通过导线连接起来了，就认为该得分点操作者操作正确。
另一方面，如图2所示，本发明还提供一种AI自动评分系统，包括：
数据处理模块：用于获取摄像头的实验视频数据，数据处理模块对实验视频进行处理，获得实验操作的优化图片；
AI学习模块：用于将优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据；
推理模块：用于结合实验类型通过推理模块对特征信息数据进行识别，获得优化图像中的所有特征信息数据的图像含义；
得分评定模块：用于将图像含义与预设的实验评分标准进行对比处理，判断当前优化图片上对应的实验操作是否得分，对对比处理的结果进行统计和分析；
可视化模块：用于将统计和分析的结果进行展示。
通过对评分算法的创新和本地硬件优化的设计，为了进一步降低考试评分的人力成本并提高效率，使用理化生考试AI进行自助评分，达到提高评分效率的目的，同时解决教学场景中学生接受信息有差异，考试场景中教师批改效率低、评分标准不一的问题；而且采用优化的算法部署在低成本，无需联网的低功耗嵌入式设备上，大大降低成本，极大提升安全性。
成本上，采用嵌入式设备，大大降低方案成本，由于采用了模型裁枝技术，以及模型量化技术，使算法的时间复杂度大大降低，但是最终效果没有明显下降；安全性上，系统算法部分无需联网，完全本机计算处理，安全性非常高。
其中，AI自动评分系统还包括API接口模块，API接口模块用于提供对外的交互接口，通过提供对外的交互接口，可以实现与教师端交互，方便老师查看每个人实验的过程。
其中，AI自动评分系统还包括嵌入式硬件平台，嵌入式硬件平台包括 CPU、NPU和GPU，嵌入式硬件平台采用Android操作系统，嵌入式硬件平台，提供算力，实现本地模型快速推理，实现去服务器安全本地部署，必须要有高算力的嵌入式平台进行深度学习的算法推理，实现节省成本，数据安全的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种AI自动评分方法，其特征在于，包括步骤：
获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的优化图片；
将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据；
结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义；
将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析；
将所述统计和分析的结果通过显示模块进行展示。
2.如权利要求1所述的一种AI自动评分方法，其特征在于，所述获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的原始图片的步骤包括:
IPC摄像头实时采集操作者的实验视频数据，将所述实验视频数据通过硬解码芯片进行实时解码，获得实验操作过程中每一帧的原始图片；
将所述原始图片通过双线性插值算法进行优化处理，获得实验操作的优化图片；
其中，所述IPC摄像头设置4个，4个IPC摄像头分别位于操作者的试验操作台上方、前方、后方以及任一侧方。
3.如权利要求2所述的一种AI自动评分方法，其特征在于，所述双线性插值算法公式为：
f(x_i+x_d,y_i+y_d)＝(1-x_d)(1-y_d)f(x_i,y_i)+(1-x_d)y_df(x_i,y_i+1)+x_d(1-y_d)f(x_i+1,y_i)+x_dy_df(x_i+1,y_i+1)，其中，x_i、y_i均为浮点坐标的整数部分，x_d、y_d为浮点坐标的小数部分，是取值[0,1)区间的浮点数。
4.如权利要求1所述的一种AI自动评分方法，其特征在于，所述将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据之前还包括步骤：
根据不同的实验类型对CNN模型进行针对性的训练，获得训练好的CNN模型；
将训练好的所述CNN模型进行INT8量化，将INT8量化后的所属CNN模型存储到嵌入式硬件平台的NPU中；
其中，所述嵌入式硬件平台的处理芯片采用RK3399Pro。
5.如权利要求1所述的一种AI自动评分方法，其特征在于，所述INT8量化原理公式为：FP32 Tensor(T)＝scale_factor(sf)*8-bit Tensor(t)+FP32_bias(b)，其中，FP32Tensor(T)为原始的图片像素32位浮点数，scale_factor(sf)是一个从32位浮点映射到8位int数据的比例，8-bit Tensor(t)为8位的int型像素值表示，FP32_bias(b)是一个常量因子。
6.如权利要求1所述的一种AI自动评分方法，其特征在于，所述结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义的步骤包括：
根据预设指令确认实验类型，调用对应所述实验类型的推理模型；
所述推理模型识别所述优化图片中的所有特征信息数据，获得每个所述特征信息数据的具体含义信息；
将每个所述特征信息数据的具体含义信息进行总结，获得所述优化图像中的所有特征信息数据的图像含义。
7.如权利要求1所述的一种AI自动评分方法，其特征在于，所述将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析的步骤包括：
将所有的所述图像含义进行去重和归类；获得包含整个实验过程操作者的操作步骤和实验结论的文本描述数据；
将所述文本描述数据与预设的实验评分标准逐项进行对比，若所述文本描述数据与预设的所述实验得分标准的相似度超过预设阈值，则判断所述特征信息数据为得分项；
对所述对比处理的结果进行统计和分析。
8.一种AI自动评分系统，其特征在于，包括：
数据处理模块：用于获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的优化图片；
AI学习模块：用于将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据；
推理模块：用于结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义；
得分评定模块：用于将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析；
可视化模块：用于将所述统计和分析的结果进行展示。
9.如权利要求8所述的一种AI自动评分系统，其特征在于，所述AI自动评分系统还包括API接口模块，所述API接口模块用于提供对外的交互接口。
10.如权利要求8所述的一种AI自动评分系统，其特征在于，所述AI自动评分系统还包括嵌入式硬件平台，所述嵌入式硬件平台包括CPU、NPU和GPU，所述嵌入式硬件平台采用Android操作系统。
CN202110763268.0A 2021-07-06 2021-07-06 一种ai自动评分的方法及其系统 Pending CN113435379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110763268.0A CN113435379A (zh) 2021-07-06 2021-07-06 一种ai自动评分的方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110763268.0A CN113435379A (zh) 2021-07-06 2021-07-06 一种ai自动评分的方法及其系统

Publications (1)

Publication Number Publication Date
CN113435379A true CN113435379A (zh) 2021-09-24

Family

ID=77759118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110763268.0A Pending CN113435379A (zh) 2021-07-06 2021-07-06 一种ai自动评分的方法及其系统

Country Status (1)

Country Link
CN (1) CN113435379A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241323A (zh) * 2021-12-27 2022-03-25 西安东优机电科技有限公司 一种制动阀组装考评系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674772A (zh) * 2019-09-29 2020-01-10 国家电网有限公司技术学院分公司 电力作业现场智能安全管控辅助系统及方法
CN111242131A (zh) * 2020-01-06 2020-06-05 北京十六进制科技有限公司 一种智能阅卷中图像识别的方法、存储介质及装置
CN111477214A (zh) * 2020-03-31 2020-07-31 浙江大学 一种基于端到端深度卷积神经网络的关键词检测模型
CN111753635A (zh) * 2020-03-31 2020-10-09 杭州海康威视数字技术股份有限公司 化学实验操作的智能评分方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674772A (zh) * 2019-09-29 2020-01-10 国家电网有限公司技术学院分公司 电力作业现场智能安全管控辅助系统及方法
CN111242131A (zh) * 2020-01-06 2020-06-05 北京十六进制科技有限公司 一种智能阅卷中图像识别的方法、存储介质及装置
CN111477214A (zh) * 2020-03-31 2020-07-31 浙江大学 一种基于端到端深度卷积神经网络的关键词检测模型
CN111753635A (zh) * 2020-03-31 2020-10-09 杭州海康威视数字技术股份有限公司 化学实验操作的智能评分方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241323A (zh) * 2021-12-27 2022-03-25 西安东优机电科技有限公司 一种制动阀组装考评系统

Similar Documents

Publication Publication Date Title
US10572754B2 (en) Area of interest boundary extracting method and apparatus, device and computer storage medium
CN108764352B (zh) 重复页面内容检测方法和装置
CN111738041A (zh) 一种视频分割方法、装置、设备及介质
WO2022105019A1 (zh) 一种车辆卡口设备抓拍质量评估方法、装置及可读介质
CN112989995B (zh) 文本检测方法、装置及电子设备
WO2021236939A1 (en) Recognition method, apparatus, and device, and storage medium
CN112348028A (zh) 一种场景文本检测方法、批改方法、装置、电子设备及介质
CN105678301B (zh) 一种自动识别并分割文本图像的方法、系统及装置
CN113435379A (zh) 一种ai自动评分的方法及其系统
CN110807416A (zh) 适用于移动检测装置的数字式仪表智能识别装置及方法
CN111738252A (zh) 图像中的文本行检测方法、装置及计算机系统
CN110782392B (zh) 图像处理方法、装置、电子设备及存储介质
CN112153320A (zh) 一种物品尺寸的测量方法、装置、电子设备和存储介质
CN115063785A (zh) 高速公路场景使用目标识别模型定位车牌的方法及装置
CN114120201A (zh) 一种车站计算机联锁道岔状态信息检测系统及其方法
CN117831042A (zh) 遥感影像目标检测与分割方法、装置、设备和存储介质
CN118298240A (zh) 一种变电站开关柜元件状态自动识别方法及装置
CN113099254A (zh) 分区域变分辨率的在线教学方法、系统、设备及存储介质
CN117726991A (zh) 一种高空吊篮安全带检测方法及终端
CN117854402A (zh) 显示屏的异常显示检测方法、装置、终端设备
CN111314665A (zh) 一种视频事后评分的关键视频段提取系统及方法
CN113191336B (zh) 基于图像识别的电力隐患识别方法及系统
CN116939306A (zh) 监控视频校时展示方法、系统、设备及存储介质
CN113360690A (zh) 图片筛选方法、系统、设备及存储介质
CN115050086B (zh) 样本图像生成方法、模型训练方法、图像处理方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination