基于深度學習的智能作業批改系統設計與實現

引言

隨著高等教育規模的擴張，教師作業批改壓力日漸增加，既耗費教師的時間與精力，也影響教師對學生個性化輔導的投入。同時，教育信息化的發展使數字化教育開始普及，對作業批改智能化提出了迫切需求，傳統人工批改已難以適應時代發展步伐1]。在此背景下，一些學者積極開展研究，利用圖像識別、大數據提取等技術嘗試創建智能作業批改系統。例如，鄭克松提出了智能化eNSP實訓自動批改技術，利用VRP配置文件解析算法與多尺度圖像模板匹配算法實現了實時評估與批改[2；劉代雄等開發了一套通用性系統，實現了自動規整作業格式、以圖形化交互方式的批閱過程，提高了完成單次作業批改全流程的效率[3。這些研究雖提供了一些有效方法，但在面對字跡模糊、不規則圖形等作業圖像時的適應性略有不足。有的研究雖引入機器學習方法，但在識別精度上難以滿足現實所需。鑒于此，本文設計一種基于深度學習的智能作業批改系統，以期進一步提升作業批改效率與質量。

1.基于深度學習的智能作業批改系統算法介紹

本系統主要采用圖像識別、圖像處理等技術路徑。在圖像識別上，通過邊緣輪廓檢測、圖文掃描、文字識別三階段處理，結合Laplacian算子、SCAN算法與卷積神經網絡（convolutionalneuralnetworks，CNN）將作業圖像轉化為可識別的文本信息；在圖像處理上，綜合運用二值化處理、濾波處理和旋轉變換處理等技術對原始作業圖像進行降噪、增強和校正。這些算法的結合既保障了圖像高效提取，又提升了系統對復雜作業場景的適應性。

1.1作業圖像識別

利用TensorFlow圖像掃描識別字符時，流程一般為邊緣輪廓檢測、圖文掃描、文字識別等。

1.1.1邊緣輪廓檢測

在作業紙圖像中，文字、圖形等元素的邊緣信息蘊含著豐富特征，通過Laplacian算子進行邊緣檢測計算可提取圖像邊緣輪廓[4]。該算法基于圖像灰度值的梯度變化，首先計算圖像的梯度幅值和方向；其次對梯度幅值進行非極大值抑制，去除非邊緣的偽邊緣點；再次通過雙閾值檢測確定真正邊緣點與可能邊緣點；最后對可能邊緣點進行邊緣連接，從而得到清晰邊緣輪廓，可將其表示為

式中， G（x，y） 表示梯度幅值， 表示圖像在x方向上的梯度， 表示圖像在y方向上的梯度。邊緣輪廓檢測為后續圖文掃描提供了基礎，使掃描過程能更有針對性地聚焦有效信息區域。

1.1.2圖文掃描

完成邊緣輪廓檢測后進入圖文掃描階段，此時利用SCAN算法沿著邊緣輪廓界定區域進行逐行或逐列掃描。在本系統中，從圖像頂部開始，按照固定行距依次向下掃描，記錄每行像素變化。對于文字區域，因文字像素與背景像素存在顯著差異，所以通過設定閾值區分出文字像素點。在灰度圖像中，如果像素值高于閾值128則判定為文字像素，低于該閾值則為背景像素。通過這種掃描，能夠將圖像中的圖文信息轉化為可進一步處理的像素序列。

1.1.3文字識別

經過邊緣輪廓檢測與圖文掃描后，得到的像素序列需要被識別為具體文字。使用基于深度學習的卷積神經網絡（convolutional neural networks，CNN）構建卷積層、池化層和全連層，自動學習文字圖像的特征。卷積層利用卷積核在圖像上滑動進行卷積，提取筆畫方向等圖像局部特征；池化層則對卷積層輸出的特征圖進行下采樣，減少數據量的同時保留主要特征；全連層將經過多次卷積和池化后的特征進行整合，通過softmax函數輸出文字類別概率，由此確定輸入圖像對應內容，可將其表示為

式中， x 表示圖像數據， 表示各層權重， 表示各層偏置，ReLU表示激活函數，y表示最終文字類別概率分布。通過大量標注數據對模型進行訓練，使其能夠準確識別不同書寫風格。

1.2作業圖像處理

1.2.1二值化處理

二值化處理是將彩色圖像或灰度圖像轉化為僅有黑白二色的圖像，以便進行后續處理。本系統在處理作業圖像時采用閾值分割，設圖像 I（x，y） 為輸入灰度圖像，灰度值范圍限制在[0，255]，選擇合適閾值T ，則二值化后的圖像 B（x，y） 為

采用自適應閾值法選取閾值，通過計算圖像灰度直方圖，將圖像分為前景與背景，以類間方差最大確定閾值。在操作過程中，設圖像灰度級為L，灰度值為i的像素個數為i，總像素數 ，則灰度值為i的像素出現概率 。設閾值為k，前景像素的平均灰度為 ，背景像素的平均灰度為 ，類間方差 可表示為

式中， 。通過查詢所有可能閾值 ，找尋使 最大的k值作為最佳閾值 T 經二值化處理后，作業圖像中的文字和背景更為分明。

1.2.2濾波處理

作業圖像采集因設備、環境等因素影響會引入部分椒鹽噪聲和高斯噪聲，其干擾會顯著影響后續圖像識別，所以需進行濾波處理。去除椒鹽噪聲應采用中值濾波，以該圖像中的像素點為中心構建n × n 窗口，并將窗口內的像素值按灰度值大小排序，取中間值作為灰度值。設窗口內的像素值集合為 排序后為 ，則將中值濾波后的像素值表示為

去除高斯噪聲時則采用高斯濾波，一般通過高斯核與圖像卷積運算實現，將高斯核表示為

式中， σ 表示高斯分布標準差，其決定了高斯核寬度。在本系統工作時，將高斯核離散化后與圖像進行卷積，可將卷積過程表示為

式中， I（x，y） 表示原始圖像， 表示濾波后圖像，M、N則決定了高斯核大小。通過濾波處理可有效降低圖像噪聲，提升圖像質量。

1.2.3旋轉變換處理

旋轉變換處理旨在將旋轉圖像校正為水平或垂直方向，設圖像點 （x，y） 繞原點旋轉 θ 角度后得到新點 ，可將旋轉變換表示為

以圖像中心為旋轉中心，將圖像坐標原點平移到圖像中心 進行旋轉變換后，再將坐標原點平移回原處。設圖像中心坐標為 ，則旋轉變換過程可表示為

通過計算圖像特征確定旋轉角度 θ ，隨后利用式（9）對圖像進行旋轉變換，使圖像能以正確方向處理。

2.基于深度學習的智能作業批改系統設計

2.1層級結構

深度學習算法是典型的從大量數據中自動學習和提取特征的人工智能算法，在作業紙圖像完成處理、特征提取后，獲取切割后的題目、題號及二維碼，隨后根據設定的二維碼自動識別題型與題號，以此調用不同題目做出輸入數據、輸出圖像的關系映射。深度學習算法的作業紙感知、大數據分析執行流程一般分為輸入層、隱藏層、輸出層等3個層級（如圖1所示）。其中，輸入層負責接收經預處理后的作業圖像數據，將其轉化為適合神經網絡處理的格式；隱藏層由多個神經元組成，通過復雜非線性變換對輸入數據進行特征提取；輸出層則根據隱藏層的輸出結果生成最終的識別與批改結果。

2.2題型處理

選擇、填空等客觀題常使用光標機答題卡，即填涂區域位置固定的作業卡紙進行答題[0]。對于此類型作業，本系統通過識別答題卡上的填涂區域來判斷答案。首先，根據預設填涂區域模板在圖像中定位填涂區域位置；然后，分析填涂區域像素值，判斷是否被填涂。如果填涂區域內的黑色像素占比超過 50% ，那么就判定該區域被填涂。通過與標準答案比較，即可得出客觀題的批改結果。這種處理模式利用了填涂區域位置固定、答案標準化的特點，可快速準確完成客觀題批改。

主觀題答案較為開放，需利用深度學習算法對輸人樣本的初始坐標、像素閾值進行迭代計算。以手寫文字識別為例，采用長短期記憶（longshort-termmemory，LSTM）網絡處理時間序列數據，捕捉筆畫間的依賴關系。在訓練時，將主觀題答案的圖像數據按筆畫順序輸入LSTM網絡中，通過調整網絡的權重和閾值，使網絡能學習到手寫文字的特征。在識別時，根據輸入圖像數據，網絡輸出不同字符的概率分布，選擇概率最大字符作為識別結果，可將其迭代計算過程表示為

式中，W表示權重； b 表示偏置； σ 表示Sigmold函數；tanh表示雙曲正切函數； t 表示代表時間步；表示輸入門，輸出i決定了當前時間步有多少輸入信息能夠流入記憶單元c； 表示輸入調制門，其輸出g，用于對輸入數據進行變換； 表示輸出門，輸出 控制著記憶單元c中的信息有多少會被輸出到隱藏狀態 ；h表示隱藏狀態；f表示遺忘門， 輸出決定了上一個時間步記憶單元 中的信息有多少會被保留到當前時間步的記憶單元 通過這種迭代計算，對主觀題答案識別進行持續優化。

2.3調整誤差

利用糾錯學習調整隱藏層與輸出層之間的連接權值、輸出層閾值，使輸出圖像數據的誤差函數值達到最小，可將誤差函數表示為

式中， 表示真實值，表示預測值，N 表示樣本數量。使用反向傳播算法將誤差從輸出層反向傳播到隱藏層，根據誤差對連接權值和閾值進行調整。例如，可將連接權值 調整表示為

式中， η 表示學習率，負責控制調整步長，通過不斷調整連接權值和閾值，使誤差函數值逐漸減小，以此提高系統識別精度。隨后，沿著相對誤差平方和的降低方向，連續調整連接權值、作業紙圖像閥值，可將殘差平方和（RSS）表示為

在訓練過程中監測RSS，當其不再持續降低時表明本系統已達到一個較好收斂狀態。為了進一步優化系統性能，還應通過調整學習率、增加訓練量、改進網絡結構等方式，沿著RSS降低的方向不斷優化，從而不斷提升本系統對各類型作業的批改能力。

3.基于深度學習的智能作業批改系統的實際應用

在落地階段，積極引人該系統進行教學實踐，針對高職一年級護理專業、藥學專業、康復治療技術專業，展開為期一學期的試點應用。護理專業涉及大量病例分析作業，系統能快速識別醫學術語，分析護理措施的合理性，給出精準評分建議，識別準確率達 86% 。例如，一份包含10個病例分析的作業人工批改需2小時，系統僅需10分鐘。藥學專業作業多圍繞藥物成分、藥理作用等，系統對客觀題識別準確率高達 93% ，藥物處方分析等主觀題能依據專業知識判斷對錯，并給出改進方向，準確率約為 181% 。在康復治療技術專業中，系統對于康復方案設計等主觀題會從康復流程、手法運用等維度評估，為教師提供參考。經統計，教師批改作業時間平均縮短 65% 。學期末，三個專業學生對作業反饋及時性滿意度顯著提升，教師也能將更多精力用于實踐指導，初步體現了系統對教學的推動性。

結語

本系統利用深度學習算法實現了對作業圖像的準確處理與自動批改，有效解決了傳統人工批改效率低下的問題，減輕了教師工作負擔。同時，為了促使系統有效落地，已逐步擬定完善的推進方案。展望未來，應進一步探索更先進的深度學習模型，如引入循環神經網絡強化模型，加強對復雜作業的處理能力，以此助力教育智能化邁向更高水平。

參考文獻：

[1]杜孟航.人工智能在智能批改中的應用分析[J].科技傳播，2019，11（4）：133-134.

[2]鄭克松.智能化eNSP實訓自動批改技術[J].長江工程職業技術學院學報，2024，41（3）：26-29.

[3]劉代雄，萬彪.基于Python的作業批閱系統設計與實現[J].長江信息通信，2023，36（4）：166-168.

[4]師連鑫，張永恒，劉紅霞，等.基于JavaWeb的在線作業批改系統設計與實現[]現代計算機，2024，30（23）：182-186.

[5]楊勤民，江志松.大學數學作業自動批改系統的設計與實踐[J].華東師范大學學報（自然科學版），2022（2）：76-83.

[6]何佳穎，熊峰，潘永平.基于程序題的自動批改系統設計[J].信息技術與信息化，2022（4）：54-57.

[7]陳磊，李澤世，王銘晗，等.基于學習者視角的AWE系統與ChatGPT作文批改反饋及改進效果比較[J].科技傳播，2023，15（17）：1-5.

[8]陳冬英，嚴瓊.應用數據分析的在線作業管理教學改革[J].福建電腦，2021，37（12）：137-140.

[9]劉淇，李瑞陽，李雨盈，等.基于文字識別技術的作業自動批改系統[J].電子技術與軟件工程，2020（19）：31-33.

[10]童映紅，張玲.Access作業自動批改系統開發研究[J].無線互聯科技，2018，15（9）：54-56.

作者簡介：辛翠平，本科，講師，xincuiping99@163.com，研究方向：計算機技術。