基于图像识别技术的网络阅卷系统的研究与设计

《基于图像识别技术的网络阅卷系统的研究与设计》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、密级：公开论文类型：应用研究工程硕士学位论文基于图像识别技术的网络阅卷系统的研究与设计ResearchandDesignofNetworkScoringSystemBasedonImageRecognitionTechnology培养单位：信息科学与技术学院专业领域：计算机技术学生姓名：赵丽校内导师：王学军教授校外导师：赵卫平高工二○一八年一月独创性声明作者声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得石家庄铁道大学或其它教育机构的学位或证书而使用

2、过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：日期：___________关于论文使用授权的说明作者完全了解石家庄铁道大学有关保留、使用学位论文的规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅，同意学校将论文加入《中国优秀博硕士学位论文全文数据库》和编入《中国学位论文全文数据库》。作者授权石家庄铁道大学，可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。(保密的论文在解密后应遵守此规定)作者签名：日期：__________导师签名：日期：摘要互联网应用技术的快速起步使得网

3、络教育得到了空前的发展。目前，国际上的网络教育以虚拟化校园和实际高校虚实结合的形式为主要发展方向。网络教育在发达国家拥有着巨大的市场，这也就预示着网络阅卷这一产业也在飞速发展。试卷的自动扫描识别，网络平台上的快速阅卷，都能够加快网络在学习中的应用，成为推动整个网络教育信息化、现代化的动力。本文主要针对网络环境下的自动阅卷与识别技术进行相关研究，首先对试卷图像进行灰度化处理、目标区域图像二值化、去离散噪声及平滑处理、几何校正及图像分割、字符归一化处理等预处理操作进行了相关的研究，之后重点研究了基于神经网络的分类器的设计及在手写答案识别中的应用，并与传统分类器与神经网络的对比，

4、实验结果证明基于神经网络识别器对扫描后的手写字母（例如ABCD等）达到了理想的识别效果。本文设计的网络阅卷系统通过VC++编程实现。在实验中，通过大量的样本做测试，系统的正确识别率最高达到97.0%，平均为93.92%。关键词：网络阅卷；图像预处理；神经网络；手写体识别AbstractTherapidstartofInternetapplicationtechnologyhasmadeonlineeducationgetanunprecedenteddevelopment.Atpresent,themaindevelopmentdirectionoftheonlineedu

5、cationisbasedontheincorporationofactualuniversityandthevirtualcampus.Interneteducationhasahugemarketindevelopedcountries,whichindicatesthatthenetworkmarkingindustryisalsodevelopingrapidly.Boththeautomaticpaperscanningidentificationsystemandthefastmarkingonthenetworkplatformcanspeeduptheapp

6、licationofthenetworkinlearning,andthusbecomethedrivingforcefortheinformatizationandmodernizationoftheentirenetworkeducation.Inthisdissertation,thewriterfirstlydoespretreatmentoperationsofgrayscaleprocessingofthecharacterimages,binarizationofthetargetareaimage,discretenoiseandsmoothing,geom

7、etriccorrectionandimagesegmentation,thenormalizationofcharacters.Secondly,thewritermainlyfocusesintheresearchthatbasedonapplicationofneuralnetwork,classifier’sdesignintoscannedhandwritten.What’smore,thewritercomparestraditionalclassifiertoneuralnetworkclassifi