改进卷积神经网络的手写试卷分数识别方法

摘要

针对手写试卷分数识别中存在耗时长、错误率高的问题,提出了改进卷积神经网络(convolution neutral network,CNN)算法的手写试卷识别方法.为简化识别分数的类别,对手写试卷分数栏进行分割处理得到0～9共10类数字.为提高手写分数识别的效率,提出卷积神经网络融合贝叶斯的分类识别算法,利用构建的卷积神经网络模型提取手写数字的特征,采用主成分分析(principal component analysis,PCA)算法对特征降维,通过贝叶斯分类器对0～9的10类数字进行判别分类,在Mnist数据库中验证该算法的准确性与效率.建立试卷分数求和模型,在手写试卷分数识别后进行自动求和.实验结果表明:对3门课程的1 188份试卷手写分数的识别,相对于其他算法,该方法的识别率为98.23％,平均每份试卷识别时间为7.5s,证明了算法的实用性.