毕业设计 基于python的答题卡识别评分系统

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

🧿 项目分享:见文末!

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
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
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

🧿 项目分享:见文末!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值