Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 积分商城 国际服务 IP管家助手 科技果 科技人才 商标交易 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 江苏拓邮信息智能技术研究院有限公司刘天亮获国家专利权

江苏拓邮信息智能技术研究院有限公司刘天亮获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉江苏拓邮信息智能技术研究院有限公司申请的专利基于MixNet-YOLOv3和卷积递归神经网络CRNN的算术题智能批阅系统获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN112528963B

龙图腾网通过国家知识产权局官网在2026-03-10发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202110026927.2,技术领域涉及:G06V30/41;该发明授权基于MixNet-YOLOv3和卷积递归神经网络CRNN的算术题智能批阅系统是由刘天亮;梁聪聪;桂冠;戴修斌设计研发完成,并于2021-01-09向国家知识产权局提交的专利申请。

基于MixNet-YOLOv3和卷积递归神经网络CRNN的算术题智能批阅系统在说明书摘要公布了:本发明公开了一种基于MixNet‑YOLOv3和卷积递归神经网络CRNNConvolutionalRecurrentNeuralNetwork的算术题智能批阅系统,能够自动地识别试卷中每道算术题的含义并做出判断,以减轻传统手工批阅试卷带来的人力和时间成本,从而提高教学效率。智能批阅系统主要分为检测和识别两大模块。鉴于算术题分布密集、字体多变的特点和网络轻量化的需求,检测模块采用多尺度语义和定位特征融合的MixNet‑YOLOv3网络来实现算术题的边框信息提取;而在识别模块,前一模块抽取的算术题将通过基于联结时序分类CTCConnectionistTemporalClassification解码机制的卷积递归神经网络CRNN网络,得到算术题目的语义信息;最后通过算术逻辑运算来判断每道算术题目的正确与否。本发明创建的系统能够胜任移动设备端的算术题批阅任务。

本发明授权基于MixNet-YOLOv3和卷积递归神经网络CRNN的算术题智能批阅系统在权利要求书中公布了:1.一种基于MixNet-YOLOv3和卷积递归神经网络CRNNConvolutionalRecurrentNeuralNetwork的算术题智能批阅方法,其特征在于,包括如下步骤: 1对原始检测数据集进行预处理,通过数据增强手段增强样本的泛化性,同时利用K均值聚类算法生成适应该场景的两组先验框,用于检测网络的训练; 2将整张图像输入到轻量级的MixNet网络模型中,进行图像定位和语义特征的提取,得到表示图像全局信息的多尺度特征; 3利用特征金字塔网络FPNFeaturePyramidNetworks特征融合技术,融合不同尺度的特征,分别输送到对应的YOLOv3预测模块中,并根据两组先验框分别对产生的特征图进行计算,基于最佳的先验框来预测,并根据预测出的坐标、置信度、类别信息与标签信息进行损失函数的计算,通过迭代训练得到检测模型; 4根据检测网络输出的算术题边框,将抽取的算术题和标注的文本信息组合起来,构成识别模块的数据集; 5将抽取的算术题图像转成灰度图送入卷积递归神经网络CRNN网络,首先经过卷积神经网络CNNConvolutionalNeuralNetworks提取特征得到特征图,再转换成序列送入双向长短期记忆网络LSTMLongShort-TermMemory获取序列特征,最后经过联结时序分类CTCConnectionistTemporalClassification算法转录得到最终的语义信息; 6根据识别模块得到的即得语义信息,进行算术逻辑的运算操作,从而判断出每道算术题目的正确与否,对于做错的题目会给出正确答案; 其中,所述的步骤3通过特征金字塔FPNFeaturePyramidNetworks网络融合不同尺度的特征,采用上采样和通道拼接的方式将定位信息和语义信息有机结合,输出8倍和16倍下采样的特征图,送入到YOLOv3的预测模块,预测模块将边框的相对位置通过如下公式转换成绝对位置,便于比较预测框和先验框的交并比,基于最佳的先验框来预测: 预测模块的输入特征图通道数是,其中B代表每个单元可以预测的边界框数量,每个边界框都有5+C个属性,分别描述每个边界框的坐标尺寸、置信度和类概率,如果对象的中心位于单元格的感受野,则由该单元格负责预测对象,预测模块的损失函数主要由坐标损失、置信度损失和分类损失构成,公式如下: 其中,表示每个尺度的网格数,表示每个尺度预测的边框数,表示第个网格的第个box是否负责检测这个对象,前两项表示坐标损失,采用均方误差函数,和用于控制中心回归和宽高回归的权重,设置为1,2;三、四项表示置信度损失,采用交叉熵函数,由于不负责检测的边框比重较高,通过设置来加速置信度的收敛;最后一项表示类别损失,采用交叉熵函数,每一个负责检测的网格计算类别概率。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人江苏拓邮信息智能技术研究院有限公司,其通讯地址为:210000 江苏省南京市雨花台区宁双路19号云密城10号10楼先锋创业087;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。