毕业设计基于python的答题卡识别评分系统

KomoGee121

于 2024-04-30 15:22:36 发布

阅读量394

点赞数 17

文章标签： python

本文链接：https://blog.csdn.net/KomoGee121/article/details/138347008

版权

文章目录

0 简介
课题简介
什么是机器视觉
实现步骤
详细设计
最后

0 简介

今天学长向大家分享一个毕业设计项目

毕业设计基于python的答题卡识别评分系统

项目运行效果：

毕业设计基于opencv的答题卡识别

项目获取：

https://gitee.com/assistant-a/project-sharing

课题简介

今天我们来介绍一个与机器视觉相关的毕业设计

基于机器视觉的答题卡识别系统

多说一句, 现在越来越多的学校以及导师选题偏向于算法类, 这几年往往做web系统的同学很难通过答辩, 仔细一想这也在情理之中, 毕业设计是大学四年技术水平的体现, 只做出个XXX管理系统未免太寒酸, 而且web系统选题每年都是那几个老师看着也吐了, 不卡学生才怪

所以同学们, 毕设选题要慎重, 最好先找已经毕业了的学长学姐们了解一下, 至少弄清自己做的系统会被老师问到什么问题, 不然只会为自己的毕业挖坑而已

什么是机器视觉

答题卡识别使用的是机器视觉识别算法, 那什么是机器视觉算法呢?

机器视觉，并不是视觉，他不具有人类的视觉理解能力，说穿了他只是图像处理技术的工程应用，都是由工程师开发的算法来完成任务，并且是特定的算法完成特定的任务，互相之间没有通用性。

废话不多说, 学长到大家看看, 这项技术实现的效果如何.

实现步骤

答题卡识别步骤:

Step #1: 检测到图片中的答题卡
Step #2: 应用透视变换来提取图中的答题卡（以自上向下的鸟瞰视图）
Step #3: 从透视变换后的答题卡中提取 the set of 气泡/圆点 (答案选项)
Step #4: 将题目/气泡排序成行
Step #5: 判断每行中被标记/涂的答案
Step #6: 在我们的答案字典中查找正确的答案来判断答题是否正确
Step #7: 为其它题目重复上述操作

首先，打开摄像头扫描答题卡
在这里插入图片描述

对摄像头获取到的答题卡图片进行二值化腐蚀膨胀边缘检测
在这里插入图片描述

轮廓计算，进行顶点对齐，得到下图

在这里插入图片描述

对图像进行倾斜变换和仿射变换，得到下图

在这里插入图片描述

开始对图像进行二值化，边缘检测等操作，最终得到结果
在这里插入图片描述

在这里插入图片描述

详细设计

图片读取

主要采用了python+opencv
因为要做后续分割，所以肯定要用到边缘检测，所以先灰度化再二值化

    #读取图片
    img=cv2.imread('images/5.png')
    #转换为灰度图
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    #高斯滤波
    blurred=cv2.GaussianBlur(gray,(3,3),0)
    #增强亮度
    blurred=imgBrightness(blurred,1.5,3）
    #自适应二值化
    blurred=cv2.adaptiveThreshold(blurred,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,51,2)
'''
adaptiveThreshold函数：第一个参数src指原图像，原图像应该是灰度图。
    第二个参数x指当像素值高于（有时是小于）阈值时应该被赋予的新的像素值
    第三个参数adaptive_method 指： CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C
    第四个参数threshold_type  指取阈值类型：必须是下者之一  
                        • CV_THRESH_BINARY,
                        • CV_THRESH_BINARY_INV
    第五个参数 block_size 指用来计算阈值的象素邻域大小: 3, 5, 7, ...
    第六个参数param1    指与方法有关的参数。对方法CV_ADAPTIVE_THRESH_MEAN_C 和 CV_ADAPTIVE_THRESH_GAUSSIAN_C， 它是一个从均值或加权均值提取的常数, 尽管它可以是负数。
'''    
   blurred=cv2.copyMakeBorder(blurred,5,5,5,5,cv2.BORDER_CONSTANT,value=(255,255,255))

处理结果如下
在这里插入图片描述

canny边缘检测

根据轮廓大小，将要处理的几部分分割出来
如果提取效果不好，可能是因为拍摄光线原因，导致图片亮度不好，增强一下亮度，二值化后的图片效果会好一点，这样canny边缘检测结果也会好一点

#增强亮度
def imgBrightness(img1, c, b): 
    rows, cols= img1.shape
    blank = np.zeros([rows, cols], img1.dtype)
    rst = cv2.addWeighted(img1, c, blank, 1-c, b)
    return rst

  #canny边缘检测
    edged = cv2.Canny(blurred,0,255)
    cnts,hierarchy=cv2.findContours(edged,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    docCnt = []
    count=0
    #确保至少有一个轮廓被找到
    if len(cnts)>0:
        #将轮廓按照大小排序
        cnts=sorted(cnts,key=cv2.contourArea,reverse=True)
    #对排序后的轮廓进行循环处理
    for c in cnts:
        #获取近似的轮廓
        peri = cv2.arcLength(c,True)
        approx = cv2.approxPolyDP(c,0.02*peri,True)
        #如果近似轮廓有四个顶点，那么就认为找到了答题卡
        if len(approx) == 4:
            docCnt.append(approx)
            count+=1
            if count==3:
                break

处理结果如下：
在这里插入图片描述

四点变换划出区域

直接用imutils包中的four_point_transform将需要的区域提取出来
彩色图便于展示
灰度图用来处理

    #四点变换，划出选择题区域
    paper = four_point_transform(img,np.array(docCnt[0]).reshape(4,2))
    warped = four_point_transform(gray,np.array(docCnt[0]).reshape(4,2))
    #四点变换，划出准考证区域
    ID_Area = four_point_transform(img,np.array(docCnt[1]).reshape(4,2))
    ID_Area_warped = four_point_transform(gray,np.array(docCnt[1]).reshape(4,2))
    #四点变换，划出科目区域
    Subject_Area = four_point_transform(img,np.array(docCnt[2]).reshape(4,2))
    Subject_Area_warped = four_point_transform(gray,np.array(docCnt[2]).reshape(4,2))

处理结果如下：
在这里插入图片描述

处理选择题区域

提取选项轮廓

 '''
    处理选择题区域统计答题结果
    '''
    thresh = cv2.threshold(warped,0,255,cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)[1]
    thresh = cv2.resize(thresh,(2400,2800),cv2.INTER_LANCZOS4)
    paper = cv2.resize(paper,(2400,2800),cv2.INTER_LANCZOS4)
    warped = cv2.resize(warped,(2400,2800),cv2.INTER_LANCZOS4)
    cnts,hierarchy = cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    questionCnts=[]
    answers=[]
    #对每一个轮廓进行循环处理
    for c in cnts:
        #计算轮廓的边界框，然后利用边界框数据计算宽高比
        (x,y,w,h) = cv2.boundingRect(c)
        ar = w/float(h)
        #判断轮廓是否是答题框
        if w>=40 and h>=15 and ar>=1 and ar<=1.8:
          M = cv2.moments(c)
          cX = int(M["m10"]/M["m00"])
          cY = int(M["m01"]/M["m00"])
          questionCnts.append(c)
          answers.append((cX,cY))
          cv2.circle(paper,(cX,cY),7,(255,255,255),-1)
    ID_Answer=judge_point(answers,mode="point")
    cv2.drawContours(paper,questionCnts,-1,(255,0,0),3)

处理结果如下：
在这里插入图片描述

判断选项

def judgeX(x,mode):
    if mode=="point":
        if x<600:
            return int(x/100)+1
        elif x>600 and x<1250:
            return int((x-650)/100)+6
        elif x>1250 and x<1900:
            return int((x-1250)/100)+11
        elif x>1900:
            return int((x-1900)/100)+16
    elif mode=="ID":
        return int((x-110)/260)+1
    elif mode=="subject":
        if x<1500:
            return False

def judge(x,y,mode):
    if judgeY(y,mode)!=False and judgeX(x,mode)!=False:
        if mode=="point":
           return (int(y/560)*20+judgeX(x,mode),judgeY(y,mode))
        elif mode=="ID":
           return (judgeX(x,mode),judgeY(y,mode))
        elif mode=="subject":
           return judgeY(y,mode)
    else:
      return 0
def judge_point(answers,mode):
    IDAnswer=[]
    for answer in answers:
        if(judge(answer[0],answer[1],mode)!=0):
          IDAnswer.append(judge(answer[0],answer[1],mode))
        else:
          continue
    IDAnswer.sort()
    return IDAnswer
def judge_ID(IDs,mode):
    student_ID=[]
    for ID in IDs:
        if(judge(ID[0],ID[1],mode)!=False):
          student_ID.append(judge(ID[0],ID[1],mode))
        else:
          continue 
    student_ID.sort()
    return student_ID
def judge_Subject(subject,mode):
    return judge(subject[0][0],subject[0][1],mode)

读取正确结果

'''
    读取结果
    '''
    df = pd.read_excel("answer.xlsx")
    index_list = df[["题号"]].values.tolist()
    true_answer_list = df[["答案"]].values.tolist()
    index=[]
    true_answer=[]
    score=0
    #去括号
    for i in range(len(index_list)):
       index.append(index_list[i][0])
    for i in range(len(true_answer_list)):
       true_answer.append(true_answer_list[i][0])
    answer_index=[]
    answer_option=[]
    for answer in ID_Answer:
       answer_index.append(answer[0])
       answer_option.append(answer[1])
    for i in range(len(index)):
        if answer_option[i]==true_answer[i]:
            score+=1
        if i+1==len(answer_option):
            break

在这里插入图片描述

最后

实现效果：

毕业设计基于opencv的答题卡识别

项目获取：

https://gitee.com/assistant-a/project-sharing

KomoGee121

关注

17
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
毕业设计基于python的答题卡识别评分系统

今天学长向大家分享一个毕业设计项目毕业设计基于python的答题卡识别评分系统毕业设计基于opencv的答题卡识别今天我们来介绍一个与机器视觉相关的毕业设计基于机器视觉的答题卡识别系统多说一句, 现在越来越多的学校以及导师选题偏向于算法类, 这几年往往做web系统的同学很难通过答辩, 仔细一想这也在情理之中, 毕业设计是大学四年技术水平的体现, 只做出个XXX管理系统未免太寒酸, 而且web系统选题每年都是那几个老师看着也吐了, 不卡学生才怪。
复制链接

扫一扫