(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210232073.8 (22)申请日 2022.03.10 (65)同一申请的已公布的文献号 申请公布号 CN 114419736 A (43)申请公布日 2022.04.29 (73)专利权人 成都西交智汇大 数据科技有限公 司 地址 610073 四川省成 都市高新区西芯大 道3号3栋6层602号 (72)发明人 权伟　 (74)专利代理 机构 北京集智东方知识产权代理 有限公司 1 1578 专利代理师 刘林　陈攀 (51)Int.Cl. G06V 40/20(2022.01) G06V 20/40(2022.01) G06V 10/75(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111221939 A,2020.0 6.02 CN 110334932 A,2019.10.15 CN 112949428 A,2021.0 6.11 CN 102263951 A,201 1.11.30 赵红丹等.基 于K-means算法分割遥感图像 的阈值确定方法研究. 《科 学技术与工程》 .2017, 第17卷(第9期), 刘方蕾等.基 于差值计算法的系统分区惯量 评估方法. 《电力系统自动化》 .2020,第4 4卷(第 20期), Doshi K等.Fast unsupervised an omaly detection in traffic videos. 《Proce edings of the IE EE/CVF >.2020, 审查员 乔君 (54)发明名称 一种实验评分方法、 系统、 设备及可读存储 介质 (57)摘要 本申请涉及信息技术领域， 具体而言， 涉及 一种实验评分方法、 系统、 设备及可读 存储介质， 所述方法包括根据未评分的实验考试视频和每 个评分点的关键帧图像确定评分点的图像， 然后 将已评分的实验考试视频信息和每个评分点的 参考视频输入神经网络模型进行训练， 得到匹配 度计算模型； 将所述评分点的图像和每个所述评 分点的参考视频输入所述匹配度计算模型， 得到 第二匹配度值； 分别将每个所述第二匹配度值与 预设的匹配度阈值进行对比， 得到每个未评分的 实验考试视频所包含的评分点的评分值。 本申请 通过匹配度计算模型对实验评分点是否得分进 行判定， 实现对中学实验考试的评分， 实现自动化评分， 减少人力物力的投入。 权利要求书3页 说明书9页 附图3页 CN 114419736 B 2022.07.15 CN 114419736 B 1.一种实验评分方法， 其特 征在于， 包括： 获取第一信息， 所述第一信息包括每个评分点的关键帧图像、 每个评分点的参考视频、 已评分的实验考试视频信息和未评 分的实验考试视频； 所述已评分的实验考试视频信息包 括至少一个包含有一个评分点的第一视频片段， 和每个所述第一视频片段与对应的参考视 频的第一匹配度值； 根据所述未评分的实验考试视频和每个所述评分点的关键帧图像， 得到第 二视频片段 集合， 所述第二视频片段集合包括至少一个第二视频片段， 每个所述第二视频片段包括一 个评分点， 每 个所述第二视频片段均为所述未评分的实验考试视频中的视频片段； 将所述已评分的实验考试视频信息和每个所述评分点的参考视频输入神经网络模型 进行训练， 得到匹配度计算模型； 将所述第二视频片段集合和每个所述评分点的参考视频输入所述匹配度计算模型， 得 到每个所述第二视频片段与对应的参 考视频的第二匹配度值； 将每个所述第 二匹配度值进行聚类， 并将每个所述第 二匹配度值分别与聚类得到的匹 配度阈值进行对比， 得到每 个所述第二视频片段 所包含的评分点的评分值； 将所述未评分的实验考试视频进行关键点处理， 得到第 四信息， 所述第 四信息为所述 未评分的实验考试视频的每一帧中所包 含的人体头 部轮廓的关键点信息； 采用贝塞尔曲线对所述关键点信 息进行运动轨迹拟合， 得到拟合后的人体头部轮廓动 作曲线； 将所述拟合后的人体头部轮廓动作曲线进行角度计算， 判断所述人体头部的旋转角度 是否大于90 °； 若所述人体头部的旋转角度是否大于90 °， 则将所述视频信息进行标记为疑似违规操 作， 并将所述视频信息发送至检测老师的电脑中让老师判断是否违规； 其中， 所述将每个所述第二匹配度值进行聚类， 并将每个所述第二匹配度值分别与聚 类得到的匹配度阈值进行对比， 得到每个所述第二视频片段所包含的评分点的评分值， 包 括： 将所述第二匹配度值发送至聚类模型进行聚类， 得到至少一个第二匹配度值聚类簇， 并计算每 个所述第二匹配度值聚类簇中心点的值， 得到 至少一个聚类簇中心值； 将所有的所述聚类簇中心值进行均方根计算， 并将得到的均 方根值作为所述匹配度值 集合内的每 个匹配度值的匹配度阈值； 分别将每个所述第 二匹配度值与 所述匹配度阈值进行对比， 得到每个所述第 二视频片 段内评分点的得分值， 其中， 若 所述第二匹配度值大于或等于所述匹配度阈值， 则判定所述 评分点为得一分； 将每个所述第二视频片段内评分点的分值和预设的实验考试评分点的分值权重系数 进行权重计算并求和， 得到所述第二视频片段内评分点的得分总和。 2.根据权利要求1所述的实验评分方法， 其特征在于， 根据 所述未评分的实验考试视频 和每个所述评分点的关键帧图像， 得到第二视频片段集 合， 包括： 使用图像识别模块在所述未评分的实验考试视频中找到特征图像， 所述特征图像为与 所述评分点的关键帧图像相似度最高的图像； 依次提取 所述特征图像前后预设时间段内的视频内容， 得到 至少一个第二视频片段；权　利　要　求　书 1/3 页 2 CN 114419736 B 2将每个所述第二视频片段按照对应的评分点进行命名， 形成所述第二视频片段集 合。 3.根据权利要求1所述的实验评分方法， 其特征在于， 将所述已评分的实验考试视频信 息和每个所述评分点的参 考视频输入神经网络模型进行训练， 得到匹配度计算模型， 包括： 将所述第一视频片段和每个所述评分点的参考视频发送至DenseNet深度神经网络模 型对每帧图像进 行对比处理， 得到第一视频片段集合和每个所述评 分点的参考视频的匹配 度训练值； 将所述匹配度训练值分别与对应评分点的第一匹配度值进行对比， 得到对比结果； 判断所述对比结果是否小于预设的对比阈值， 若所述对比结果大于或等于预设的对比 阈值， 则调整DenseNet深度神经网络模型的匹配度计算 参数； 对所述匹配度训练值与所述第一匹配度值进行迭代对比训练， 得到匹配度计算模型。 4.一种实验评分系统， 其特 征在于， 包括： 第一获取单元， 用于获取第 一信息， 所述第一信息包括每个评分点的关键帧图像、 每个 评分点的参考视频、 已评分的实验考试视频信息和未评分的实验考试视频； 所述已评分的 实验考试视频信息包括至少一个包含有一个评 分点的第一视频片段， 和每个所述第一视频 片段与对应的参 考视频的第一匹配度值； 第一处理单元， 用于根据所述未评分的实验考试视频和每个所述评分点的关键帧图 像， 得到第二视频片段集合， 所述第二视频片段集合包括至少一个第二视频片段， 每个所述 第二视频片段包括一个评分点， 每个所述第二视频片段均为所述未评 分的实验考试视频中 的视频片段； 第一训练单元， 用于将所述已评分的实验考试视频信 息和每个所述评分点的参考视频 输入神经网络模型进行训练， 得到匹配度计算模型； 第二处理单元， 用于将所述第 二视频片段集合和每个所述评分点的参考视频输入所述 匹配度计算模型， 得到每 个所述第二视频片段与对应的参 考视频的第二匹配度值； 第一对比单元， 用于将每个所述第二匹配度值进行聚类， 并将每个所述第二匹配度值 分别与聚类得到的匹配度阈值进 行对比， 得到每个所述第二视频片段所包含的评分点的评 分值； 第二处理单元， 用于将所述第 一信息中视频信 息进行关键点处理， 得到第四信 息， 所述 第四信息为视频信息中的每帧人体头 部轮廓关键点信息； 第三处理单元， 用于采用贝塞尔曲线对所述每帧人体头部轮廓关键点信 息进行运动轨 迹拟合， 得到拟合后的人体头 部轮廓动作曲线； 第四处理单元， 用于将所述拟合后的人体头部轮廓动作曲线进行角度计算， 判断所述 人体头部的旋转角度是否大于90 °； 第一判断单元， 用于若所述人体头部的旋转角度是否大于90 °， 则将所述视频信息进行 标记为可能违规操作， 并将所述视频信息发送至检测老师的电脑中让老师判断是否违规； 所述第一对比单 元， 包括： 第一聚类子单元， 用于将所述第二匹配度值发送至聚类模型进行聚类， 得到至少一个 第二匹配度值聚类簇， 并计算每个所述第二匹配度值聚类簇中心点的值， 得到至少一个聚 类簇中心值； 第四处理子单元， 用于将所有的所述聚类簇中心值进行均方根计算， 并将得到的均方权　利　要　求　书 2/3 页 3 CN 114419736 B 3