CN114549993B - 实验中线段图像的评分方法、系统、设备及可读存储介质 - Google Patents

Abstract

本发明涉及信息技术领域，具体而言，涉及一种实验中线段图像的评分方法、系统、设备及可读存储介质，所述方法获取线段的图像信息和历史的线段图像信息；将所述线段的图像信息和历史的线段图像信息发送输入训练模型训练，得到所述线段的图像信息中的所有清晰图像；提取所述所有清晰图像中的像素点并过滤得到过滤后的线段像素点信息；再对所述过滤后的线段像素点信息预处理得到线段的端点信息和线段的交叉点信息；然后按照预设评分规则对所述实验图像进行评分得到每个实验图像的评分信息。本发明通过缩小了需要检测线段的区域，避免环境可能对线段状态检测造成的干扰，提高了检测的精度，并且减少降噪难度，增加线段检测的精度。

Description

实验中线段图像的评分方法、系统、设备及可读存储介质

技术领域

本发明涉及信息技术领域，具体而言，涉及一种实验中线段图像的评分方法、系统、设备及可读存储介质。

背景技术

当前中学实验考试主要采取人工现场评分方式，由专业教师现场判断学生实验操作步骤的正确性，该方法存在专业师资调配难、监考工作量大、主观评分差异大等缺点，所以实现人工智能阅卷尤为迫切；并且许多实验中，包含有让考生用纸笔作图连线的步骤，例如“平面镜成像”实验就有需要作图的步骤，而对“平面镜成像”的作图图像进行自动评分，就需要一种能够对考生所作图中的线段状态进行自动判断的系统。

发明内容

本发明的目的在于提供一种实验中线段图像的评分方法、系统、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

一方面，本申请提供了一种实验中线段图像的评分方法，所述方法包括：获取第一信息，所述第一信息为摄像头采集到的实验过程中的所有图像信息；将所述第一信息发送至预处理模型进行处理，得到第二信息，所述预处理模型为对所述第一信息进行预处理，并将预处理得到的模糊图像进行删除的模型，所述第二信息为所述第一信息中的所有清晰图像；将所述第二信息发送至聚类模型进行处理，得到第三信息，所述聚类模型为对所述第二信息中的像素点进行聚类分析和二值化处理的模型，所述第三信息为二值化的像素点信息；将所述第三信息发送至细化模型进行处理，得到第四信息，所述细化模型为对所述第三信息进行至少一次膨胀处理和至少一次腐蚀处理的模型，所述第四信息为宽度只有一个像素点的线段像素点信息；将所述第四信息按照预设评分规则进行评分，得到第五信息，所述第五信息为每个实验图像的分值信息。

第二方面，本申请提供了一种实验中线段图像的检测系统，所述系统包括：

第一获取单元，用于获取第一信息，所述第一信息为摄像头采集到的实验过程中的所有图像信息；

第一处理单元，用于将所述第一信息发送至预处理模型进行处理，得到第二信息，所述预处理模型为对所述第一信息进行预处理，并将预处理得到的模糊图像进行删除的模型，所述第二信息为所述第一信息中的所有清晰图像；

第一聚类单元，用于将所述第二信息发送至聚类模型进行处理，得到第三信息，所述聚类模型为对所述第二信息中的像素点进行聚类分析和二值化处理的模型，所述第三信息为二值化的像素点信息；

第二处理单元，用于将所述第三信息发送至细化模型进行处理，得到第四信息，所述细化模型为对所述第三信息进行至少一次膨胀处理和至少一次腐蚀处理的模型，所述第四信息为宽度只有一个像素点的线段像素点信息；

第三处理单元，用于将所述第四信息按照预设评分规则进行评分，得到第五信息，所述第五信息为每个实验图像的分值信息。

第三方面，本申请实施例提供了一种实验中线段图像的检测设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述实验中线段图像的评分方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实验中线段图像的评分方法的步骤。

本发明的有益效果为：

1、本发明通过对整张图片中的图像利用目标检测模型进行裁剪，缩小了需要检测线段的区域，避免环境可能对线段状态检测造成的干扰，提高了检测的精度。

2、本发明通过将检测为清晰的图片输入语义分割模型进行语义分割，再进行二值化处理，降低了对拍摄环境的要求，提高了在复杂环境下对线段状态检测的精度。

3、本发明通过对所述图片进行膨胀预处理，腐蚀预处理和细化预处理，然后通过聚类算法滤除噪点、干扰点，并且还将由拍摄机器、拍摄环境造成的误识别像素点一并滤除，进一步提高了线段状态检测的鲁棒性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的一种实验中线段图像的评分方法流程示意图；

图2为本发明实施例中所述的一种实验中线段图像的检测系统结构示意图；

图3是本发明实施例中所述的一种实验中线段图像的检测设备结构示意图。

图中标记：701、第一获取单元；702、第一处理单元；703、第一聚类单元；704、第二处理单元；705、第三处理单元；7021、第一处理子单元；7022、第二处理子单元；7023、第三处理子单元；7031、第一过滤子单元；7032、第四处理子单元；7033、第一聚类子单元；7034、第五处理子单元；7041、第六处理子单元；7042、第七处理子单元；7051、第八处理子单元；7052、第一标记子单元；7053、第一判断子单元；7054、第一对比子单元；7055、第二标记子单元；70511、第三判断子单元；70512、第三判断子单元；70513、第四判断子单元70513；800、实验评分设备；801、处理器；802、存储器；803、多媒体组件；804、输入/输出(I/O)接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

如图1所示，本实施例提供了一种实验中线段图像的评分方法，其所述方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。

步骤S1、获取第一信息，所述第一信息为摄像头采集到的实验过程中的所有图像信息；

可以理解的是本发明通过在实验时通过摄像头采集实验数据，所述实验数据为实验人员根据实验作出的图像数据，并将所述实验数据发送至本发明的预处理模块进行预处理。

步骤S2、将所述第一信息发送至预处理模型进行处理，得到第二信息，所述预处理模型为对所述第一信息进行预处理，并将预处理得到的模糊图像进行删除的模型，所述第二信息为所述第一信息中的所有清晰图像；

可以理解的是本发明通过对第一信息中的图像进行灰度处理和边缘检测，获取到只包含线段的图像信息，然后将只包含线段的清晰图像进行提取。

步骤S3、将所述第二信息发送至聚类模型进行处理，得到第三信息，所述聚类模型为对所述第二信息中的像素点进行聚类分析和二值化处理的模型，所述第三信息为二值化的像素点信息；

可以理解的是本发明通过第二信息内的像素点进行过滤，然后基于语义分割将像素点分为背景像素点和线段像素点，然后通过聚类模型将线段像素点进行聚类，然后提取最多的聚类簇，由于实验需要作出的线段为连在一起的，所以有其他个别误画的线段通过聚类算法进行过滤。

步骤S4、将所述第三信息发送至细化模型进行处理，得到第四信息，所述细化模型为对所述第三信息进行至少一次膨胀处理和至少一次腐蚀处理的模型，所述第四信息为宽度只有一个像素点的线段像素点信息；

可以理解的是本发明进行多次膨胀处理和腐蚀处理将所述线段像素点进行细化，得到宽度只有一个像素点的线段像素点信息，进而得到一个清晰的像素点图像。

步骤S5、将所述第四信息按照预设评分规则进行评分，得到第五信息，所述第五信息为每个实验图像的分值信息。

可以理解的是本发明通过对将整张图片中的图像进行图像处理，缩小了需要检测线段的区域，避免环境可能对线段状态检测造成的干扰，提高了检测的精度。

可以理解的是本发明通过将检测为清晰的图片转为灰度图，然后输入语义分割模型进行语义分割，再根据阈值二值化相比，降低了对拍摄环境的要求，提高了在复杂环境下对线段状态检测的精度。

可以理解的是本发明通过对所述图片进行膨胀预处理，腐蚀预处理和细化预处理，然后通过聚类算法滤除噪点、干扰点，并且还将由拍摄机器、拍摄环境造成的误识别像素点一并滤除，进一步提高了线段状态检测的鲁棒性。

在本公开的一种具体实施方式中，所述步骤S2包括步骤S21、步骤S22和步骤S23。

步骤S21、对所述第一信息中的每一帧图像分别进行灰度处理，得到灰度化处理的图像，所述灰度化处理的图像包括将每一帧图像的三个RGB分量亮度的平均值作为灰度值的图像；

可以理解的是本发明通过对第一信息中的每一帧图像进行灰度处理，然后将每一帧图像的三个RGB分量亮度的平均值作为灰度值的图像，得到一个灰度图。

步骤S22、将所述灰度化处理的图像采用边缘检测算法进行边缘检测，得到每个所述灰度化处理的图像的边缘信息，并基于每个所述边缘信息对所述灰度化处理的图像进行差分处理，得到边缘检测后的图像信息；

可以理解的是上述步骤是通过边缘检测算法检测所有上述灰度图里面的线段范围，进而将线段的像素点进行提取，得到每条线段的图像信息。

步骤S23、将所述第一信息和所述边缘检测后的图像信息发送至训练好的卷积神经网络分类模型进行分类，并将所述第一信息中的所有模糊图像进行删除，得到第一信息中的所有清晰图像。

可以理解的是本发明通过对所述第一信息进行灰度化处理然后用边缘检测算法进行处理，增加分类训练的维度，更加准确的确定所述图像是否清晰，亮度等是否符合要求，减少训练模型的判定失误，从而提高训练模型的精准度。

可以理解的是本发明通过将历史实验模糊图像信息、所述历史实验清晰图像信息、所述历史实验模糊图像边缘检测后的图像信息和所述历史实验清晰图像边缘检测后的图像信息进行叠加，其中叠加方式为边缘检测后的图像信息和边缘检测前的图像信息一一对应叠加，然后将叠加后的图像信息输入网络模型模型进行训练得到卷积神经网络分类模型。

在本公开的一种具体实施方式中，所述步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。

步骤S31、采用目标检测模型对所述第二信息进行过滤，得到第一子信息，所述第一子信息为将所述第二信息中没有连接在一起的像素点删除后，得到过滤后的图像信息；

步骤S32、将所述第一子信息输入至语义分割模型进行语义分割，得到第二子信息，所述第二子信息包括所述第一子信息的背景像素点和线段像素点；

可以理解的是本发明中的语义分割模型是通过用数据标注工具打开需要分割的图片，并人工标注出想要语义分割的区域，然后通过数据标注工具标注软件生成相对应的标签文件，其中所述标签文件中含有人工标注的物体的多边形坐标框，根据标签文件中的坐标得到物体的多边形绘图，然后将需要分割的图片和所述物体的多边形绘图输入训练模型进行训练，得到语义分割模型。

步骤S33、使用DBSAN聚类模型将所述第二子信息内的线段像素点进行聚类分析，得到至少一个像素点簇，将所述线段像素点数量最多的像素点簇进行标记和调用，得到线段聚类像素点，并将其他像素点簇进行删除，得到过滤后的线段像素点；

可以理解的是本发明通过对第二信息进行过滤处理，确定所述连线所在的区域，得到连线坐标并进行裁剪，然后通过对裁剪好的图像进行语义分割，将图像中的像素点分为两类，一类是背景像素点，一种是线段像素点，并将所述图像中的所有像素点进行二值化，最好使用DBSAN聚类模型对二值化后的像素点进行降噪删除，得到过滤后的线段像素点信息。

步骤S34、将所述背景像素点和过滤后的线段像素点进行二值化处理，得到第三子信息，所述第三子信息为二值化的像素点信息，并且所述第三子信息中，所述背景像素点设置为0，所述过滤后的线段像素点设置为255。

可以理解的是本发明还可以通过用数据标注工具打开需要目标检测的图片，并人工标注出想要模型检测的物体，用数据标注工具标注软件生成相对应的标签文件，其中所述标签文件中含有人工标注的物体的矩形坐标框。将两两对应的图片文件和标注文件送入目标检测模型，进行训练，得到训练好的目标检测模型。

可以理解的是通过上述步骤对所述像素点进行处理后需要处理的噪声点少，且难度比未处理的小。

可以理解的是本发明通过先用目标检测模型获取连线图缩小检测区域，使得聚类数量最多的一类是线段，而出现在图片边角的直尺铅笔所占像素较少，其像素点数量少于线段像素点。

在本公开的一种具体实施方式中，所述步骤S4包括步骤S41和步骤S42。

步骤S41、采用预设的第一卷积核在所述第三信息中每个二值化的像素点的边缘进行像素插值处理，得到第四子信息，并对所述第四子信息进行腐蚀处理，得到预处理后的第三信息；

步骤S42、采用迭代细化算法对所述预处理后的第三信息进行迭代膨胀处理和二次腐蚀处理，对所述处理后的第三信息进行细化，得到宽度只有一个像素点的线段像素点信息。

可以理解的是本发明通过对所述图像信息进行膨胀处理、腐蚀处理和细化处理得到只有一个像素点的线段像素点信息，并且所述线段像素点信息为一条线段，还可以求出所述线段的端点信息和所述线段的交叉点信息。

在本公开的一种具体实施方式中，所述步骤S5包括步骤S51、步骤S52、步骤S53、步骤S54和步骤S55。

步骤S51、根据所述宽度只有一个像素点的线段像素点信息，得到所述线段的端点信息和所述线段的交叉点信息；

步骤S52、将经过三个所述交叉点的线段记为第一线段，将经过两个所述端点和一个交叉点的线段记为第二线段；所述第二线段包括至少两个，至少两个所述第二线段互相平行；

步骤S53、判断所述第二线段与坐标轴Y轴的夹角是否小于预设的第一阈值，若小于所述第一阈值，则计算相邻两条所述第二线段的间距距离；

步骤S54、将任意两个所述第二线段的间距距离进行对比，判断两个所述第二线段的间距距离的差值是否小于预设的第二阈值，若小于所述第二阈值，则判断所述图像为正确图像；

可以理解的是本发明通过提取每个线段像素点的交叉点和端点信息，并通过所述交叉点和端点信息来判断所述线段像素点组成的线段是否平行或者垂直，进而确定每两条平行线段之间的直线距离，进而判断实验人员画的图是否正确。

步骤S55、将正确图像标记得一分，得到所述第一信息的评分信息。

可以理解的是本发明通过端点和交叉点判断线段状态，并根据特定的规则对所述线段状态进行打分，以此来得到物理实验的得分情况。

在本公开的一种具体实施方式中，所述步骤S51包括步骤S511、步骤S512和步骤S513。

步骤S511、遍历所有线段上像素点周围的二值化的像素点信息，判断所述线段上像素点周围的二值化的像素点信息是否为255；

步骤S512、将所述所述线段上像素点周围的二值化的像素点信息为255的数量进行计数，得到所述线段上像素点周围的二值化的像素点信息为255的数量总和；

可以理解的是本发明通过判断所述线段上像素点周围的二值化的像素点信息是否还有线段像素点，如果有，则判断周围有几个像素点，并基于所述周围有几个像素点来判断所述像素点是否为端点和交叉点。

步骤S513、判断所述数量总和是否为4个或1个，若所述线段像素点周围的像素点总值为4个，则判定所述像素点为交叉点，若所述线段像素点周围的像素点总值为1个，则判定所述像素点为端点。

可以理解的是本发明通过对每个像素点周围进行8个角度进行判断是否有相同的像素点，并按照一定的规则确定所述像素点是否为所述线段的端点和交叉点。

实施例2

如图2所示，本实施例提供了一种实验中线段图像的检测系统，所述系统包括第一获取单元701、第一处理单元702、第一聚类单元703、第二处理单元704和第三处理单元705。

第一获取单元701，用于获取第一信息，所述第一信息为摄像头采集到的实验过程中的所有图像信息；

第一处理单元702，用于将所述第一信息发送至预处理模型进行处理，得到第二信息，所述预处理模型为对所述第一信息进行预处理，并将预处理得到的模糊图像进行删除的模型，所述第二信息为所述第一信息中的所有清晰图像；

第一聚类单元703，用于将所述第二信息发送至聚类模型进行处理，得到第三信息，所述聚类模型为对所述第二信息中的像素点进行聚类分析和二值化处理的模型，所述第三信息为二值化的像素点信息；

第二处理单元704，用于将所述第三信息发送至细化模型进行处理，得到第四信息，所述细化模型为对所述第三信息进行至少一次膨胀处理和至少一次腐蚀处理的模型，所述第四信息为宽度只有一个像素点的线段像素点信息；

第三处理单元705，用于将所述第四信息按照预设评分规则进行评分，得到第五信息，所述第五信息为每个实验图像的分值信息。

在本公开的一种具体实施方式中，所述第一处理单元702包括第一处理子单元7021、第二处理子单元7022和第三处理子单元7023。

第一处理子单元7021，用于对所述第一信息中的每一帧图像分别进行灰度处理，得到灰度化处理的图像，所述灰度化处理的图像包括将每一帧图像的三个RGB分量亮度的平均值作为灰度值的图像；

第二处理子单元7022，用于将所述灰度化处理的图像采用边缘检测算法进行边缘检测，得到每个所述灰度化处理的图像的边缘信息，并基于每个所述边缘信息对所述灰度化处理的图像进行差分处理，得到边缘检测后的图像信息；

第三处理子单元7023，用于将所述第一信息和所述边缘检测后的图像信息发送至训练好的卷积神经网络分类模型进行分类，并将所述第一信息中的所有模糊图像进行删除，得到第一信息中的所有清晰图像。

在本公开的一种具体实施方式中，所述第一聚类单元703包括第一过滤子单元7031、第四处理子单元7032、第一聚类子单元7033和第五处理子单元7034。

第一过滤子单元7031，用于采用目标检测模型对所述第二信息进行过滤，得到第一子信息，所述第一子信息为将所述第二信息中没有连接在一起的像素点删除后，得到过滤后的图像信息；

第四处理子单元7032，用于将所述第一子信息输入至语义分割模型进行语义分割，得到第二子信息，所述第二子信息包括所述第一子信息的背景像素点和线段像素点；

第一聚类子单元7033，用于使用DBSAN聚类模型将所述第二子信息内的线段像素点进行聚类分析，得到至少一个像素点簇，将所述线段像素点数量最多的像素点簇进行标记和调用，得到线段聚类像素点，并将其他像素点簇进行删除，得到过滤后的线段像素点；

第五处理子单元7034，用于将所述背景像素点和过滤后的线段像素点进行二值化处理，得到第三子信息，所述第三子信息为二值化的像素点信息，并且所述第三子信息中，所述背景像素点设置为0，所述过滤后的线段像素点设置为255。

在本公开的一种具体实施方式中，所述第二处理单元704包括第六处理子单元7041和第七处理子单元7042。

第六处理子单元7041，用于采用预设的第一卷积核在所述第三信息中每个二值化的像素点的边缘进行像素插值处理，得到第四子信息，并对所述第四子信息进行腐蚀处理，得到预处理后的第三信息；

第七处理子单元7042，用于采用迭代细化算法对所述预处理后的第三信息进行迭代膨胀处理和二次腐蚀处理，对所述处理后的第三信息进行细化，得到宽度只有一个像素点的线段像素点信息。

在本公开的一种具体实施方式中，所述第三处理单元705包括第八处理子单元7051、第一标记子单元7052、第一判断子单元7053、第一对比子单元7054和第二标记子单元7055。

第八处理子单元7051，用于根据所述宽度只有一个像素点的线段像素点信息，得到所述线段的端点信息和所述线段的交叉点信息；

第一标记子单元7052，用于将经过三个所述交叉点的线段记为第一线段，将经过两个所述端点和一个交叉点的线段记为第二线段；所述第二线段包括至少两个，至少两个所述第二线段互相平行；

第一判断子单元7053，用于判断所述第二线段与坐标轴Y轴的夹角是否小于预设的第一阈值，若小于所述第一阈值，则计算相邻两条所述第二线段的间距距离；

第一对比子单元7054，用于将任意两个所述第二线段的间距距离进行对比，判断两个所述第二线段的间距距离的差值是否小于预设的第二阈值，若小于所述第二阈值，则判断所述图像为正确图像；

第二标记子单元7055，用于将正确图像标记得一分，得到所述第一信息的评分信息。

在本公开的一种具体实施方式中，所述第八处理子单元7051包括第三判断子单元70511、第九处理子单元70512和第四判断子单元70513。

第三判断子单元70511，用于遍历所有线段上像素点周围的二值化的像素点信息，判断所述线段上像素点周围的二值化的像素点信息是否为255；

第九处理子单元70512，用于将所述所述线段上像素点周围的二值化的像素点信息为255的数量进行计数，得到所述线段上像素点周围的二值化的像素点信息为255的数量总和；

第四判断子单元70513，用于判断所述数量总和是否为4个或1个，若所述线段像素点周围的像素点总值为4个，则判定所述像素点为交叉点，若所述线段像素点周围的像素点总值为1个，则判定所述像素点为端点。

需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

相应于上面的方法实施例，本公开实施例还提供了一种实验中线段图像的检测设备，下文描述的一种实验中线段图像的检测设备与上文描述的一种实验中线段图像的评分方法可相互对应参照。

图3是根据一示例性实施例示出的一种实验中线段图像的检测设备800的框图。如图3所示，该实验中线段图像的检测设备800可以包括：处理器801，存储器802。该实验中线段图像的检测设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该实验中线段图像的检测设备800的整体操作，以完成上述的实验中线段图像的评分方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该实验中线段图像的检测设备800的操作，这些数据例如可以包括用于在该实验中线段图像的检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该实验中线段图像的检测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，实验中线段图像的检测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignalProcessor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的一种实验中线段图像的评分方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的实验中线段图像的评分方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由实验中线段图像的检测设备800的处理器801执行以完成上述的实验中线段图像的评分方法。

实施例4

相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种实验中线段图像的评分方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的实验中线段图像的评分方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种实验中线段图像的评分方法，其特征在于，包括：

获取第一信息，所述第一信息为摄像头采集到的实验过程中的图像信息；

将所述第一信息发送至预处理模型进行处理，得到第二信息，所述预处理模型为对所述第一信息进行预处理，并将预处理得到的模糊图像进行删除的模型，所述第二信息为所述第一信息中的所有清晰图像；

将所述第二信息发送至聚类模型进行处理，得到第三信息，所述聚类模型为对所述第二信息中的像素点进行聚类分析和二值化处理的模型，所述第三信息为二值化的像素点信息；

将所述第三信息发送至细化模型进行处理，得到第四信息，所述细化模型为对所述第三信息进行至少一次膨胀处理和至少一次腐蚀处理的模型，所述第四信息为宽度只有一个像素点的线段像素点信息；

将所述第四信息按照预设评分规则进行评分，得到第五信息，所述第五信息为每个实验图像的分值信息；

其中，将所述第二信息发送至聚类模型进行聚类处理，得到第三信息，包括：

采用目标检测模型对所述第二信息进行过滤，得到第一子信息，所述第一子信息为将所述第二信息中没有连接在一起的像素点删除后，得到过滤后的图像信息；

将所述第一子信息输入至语义分割模型进行语义分割，得到第二子信息，所述第二子信息包括所述第一子信息的背景像素点和线段像素点；

使用DBSAN聚类模型将所述第二子信息内的线段像素点进行聚类分析，得到至少一个像素点簇，将所述线段像素点数量最多的像素点簇进行标记和调用，得到线段聚类像素点，并将其他像素点簇进行删除，得到过滤后的线段像素点；

将所述背景像素点和过滤后的线段像素点进行二值化处理，得到第三子信息，所述第三子信息为二值化的像素点信息，并且所述第三子信息中，所述背景像素点设置为0，所述过滤后的线段像素点设置为255；

其中，将所述第三信息发送至细化模型进行细化处理，得到第四信息，包括：

采用预设的第一卷积核在所述第三信息中每个二值化的像素点的边缘进行像素插值处理，得到第四子信息，并对所述第四子信息进行腐蚀处理，得到预处理后的第三信息；

采用迭代细化算法对所述预处理后的第三信息进行迭代膨胀处理和二次腐蚀处理，对所述处理后的第三信息进行细化，得到宽度只有一个像素点的线段像素点信息。

2.根据权利要求1所述的实验中线段图像的评分方法，其特征在于，将所述第一信息发送至预处理模型进行处理，得到第二信息，包括：

对所述第一信息中的每一帧图像分别进行灰度处理，得到灰度化处理的图像，所述灰度化处理的图像包括将每一帧图像的三个RGB分量亮度的平均值作为灰度值的图像；

将所述灰度化处理的图像采用边缘检测算法进行边缘检测，得到每个所述灰度化处理的图像的边缘信息，并基于每个所述边缘信息对所述灰度化处理的图像进行差分处理，得到边缘检测后的图像信息；

将所述第一信息和所述边缘检测后的图像信息发送至训练好的卷积神经网络分类模型进行分类，并将所述第一信息中的所有模糊图像进行删除，得到第一信息中的所有清晰图像。

3.一种实验中线段图像的检测系统，其特征在于，包括：

第一获取单元，用于获取第一信息，所述第一信息为摄像头采集到的实验过程中的所有图像信息；

第一处理单元，用于将所述第一信息发送至预处理模型进行处理，得到第二信息，所述预处理模型为对所述第一信息进行预处理，并将预处理得到的模糊图像进行删除的模型，所述第二信息为所述第一信息中的所有清晰图像；

第一聚类单元，用于将所述第二信息发送至聚类模型进行处理，得到第三信息，所述聚类模型为对所述第二信息中的像素点进行聚类分析和二值化处理的模型，所述第三信息为二值化的像素点信息；

第二处理单元，用于将所述第三信息发送至细化模型进行处理，得到第四信息，所述细化模型为对所述第三信息进行至少一次膨胀处理和至少一次腐蚀处理的模型，所述第四信息为宽度只有一个像素点的线段像素点信息；

第三处理单元，用于将所述第四信息按照预设评分规则进行评分，得到第五信息，所述第五信息为每个实验图像的分值信息；

其中，所述第一聚类单元包括：

第一过滤子单元，用于采用目标检测模型对所述第二信息进行过滤，得到第一子信息，所述第一子信息为将所述第二信息中没有连接在一起的像素点删除后，得到过滤后的图像信息；

第四处理子单元，用于将所述第一子信息输入至语义分割模型进行语义分割，得到第二子信息，所述第二子信息包括所述第一子信息的背景像素点和线段像素点；

第一聚类子单元，用于使用DBSAN聚类模型将所述第二子信息内的线段像素点进行聚类分析，得到至少一个像素点簇，将所述线段像素点数量最多的像素点簇进行标记和调用，得到线段聚类像素点，并将其他像素点簇进行删除，得到过滤后的线段像素点；

第五处理子单元，用于将所述背景像素点和过滤后的线段像素点进行二值化处理，得到第三子信息，所述第三子信息为二值化的像素点信息，并且所述第三子信息中，所述背景像素点设置为0，所述过滤后的线段像素点设置为255；

其中，所述第二处理单元包括：

第六处理子单元，用于采用预设的第一卷积核在所述第三信息中每个二值化的像素点的边缘进行像素插值处理，得到第四子信息，并对所述第四子信息进行腐蚀处理，得到预处理后的第三信息；

第七处理子单元，用于采用迭代细化算法对所述预处理后的第三信息进行迭代膨胀处理和二次腐蚀处理，对所述处理后的第三信息进行细化，得到宽度只有一个像素点的线段像素点信息。

4.根据权利要求3所述的实验中线段图像的检测系统，其特征在于，所述系统包括：

第一处理子单元，用于对所述第一信息中的每一帧图像分别进行灰度处理，得到灰度化处理的图像，所述灰度化处理的图像包括将每一帧图像的三个RGB分量亮度的平均值作为灰度值的图像；

第二处理子单元，用于将所述灰度化处理的图像采用边缘检测算法进行边缘检测，得到每个所述灰度化处理的图像的边缘信息，并基于每个所述边缘信息对所述灰度化处理的图像进行差分处理，得到边缘检测后的图像信息；

第三处理子单元，用于将所述第一信息和所述边缘检测后的图像信息发送至训练好的卷积神经网络分类模型进行分类，并将所述第一信息中的所有模糊图像进行删除，得到第一信息中的所有清晰图像。

5.一种实验中线段图像的检测设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述实验中线段图像的评分方法的步骤。

6.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述实验中线段图像的评分方法的步骤。

Images