🚀前言

在教育领域，答题卡的使用越来越普遍，但随之而来的却是选项识别率不高的问题。这不仅影响了评分的准确性，也对学生的考试体验产生了负面影响。随着人工智能技术的不断进步，我们有机会利用AI的强大能力来解决这一难题，提升答题卡选项的识别率。

本文将深入探讨AI如何在答题卡识别中发挥作用，包括图像处理技术、机器学习算法和深度学习模型的应用。我们将分享一些成功案例，展示AI在提升识别率、减少误差方面的显著成效。无论你是教育工作者、技术开发者，还是对教育技术感兴趣的读者，这篇文章都将为你提供有价值的见解和实用的方法。让我们一起探索AI如何助力教育行业，解决答题卡识别的各种疑难杂症，推动教育评估的精准化与智能化！

🚀一、提升答题卡选项识别率

我们公司的一个答题卡识别项目经过真实的学生答题卡选项测试，结果显示自动识别率只有83%，远未达到可以应用的程度。时间就是生命，效率就是金钱。该项目在实际学校应用中有时间要求，我们制定了项目排期，从方案设计、修改、中间的实际测试，再到最后发布，最多只有10天的时间来解决这个问题。

面对未知的挑战，我们没有确定的路径，只能在未知的领域中探索。不过，令人欣慰的是，借助于 ChatGPT，我们在两天内解决了识别率的问题。首先，利用 ChatGPT 通读全篇代码。由于 ChatGPT 对话中有 token 数的限制，不能“贴大量代码”，我们尝试将代码放在可以公开访问的服务器上，例如烟心上，然后以链接的方式让 ChatGPT 解读。

然而，经过查证，无论是通过网页版还是 API 调用 ChatGPT，ChatGPT 都不具备访问外链的能力。因此，以下的回答实际上是 ChatGPT 凭空编造的。从下面的第3段对话中可以看出破绽。

这个回答并不是特别有条理和逻辑关系，为了得到更有逻辑关系的回答，更改了一下问题，强调结合代码说明前因后果。


为了对全局代码有更充分的了解，我们想让 ChatGPT 给出函数调用关系的信息，于是这样问：


这个回答完全脱离了所给出代码的实际内容。

不过从内容层面，我们可以快速了解代码里的功能。而逻辑关系就要自己看代码进行梳理了，这也是目前 ChatGPT 在解读大段代码方面的能力限制。我们只能自己读代码，同时利用ChatGPT为我们快速解释其中的部分代码段。

在实际测试过程中，发现个别答题卡在扫描时有干扰，导致识别定位坐标点出错。如图所示，答题卡顶部出现了干扰黑线。

通过在代码将过程图像显示出来，我们发现预处理图像时没有把干扰黑线过滤掉。

我们让 ChatGPT 解释一下预处理图像的代码。

通过 ChatGPT 给出的代码解释，我们知道了这部分处理图像的代码的作用是去除噪声和不必要信息。但处理效果不太好，预处理后的图像中，除了定位坐标外，干扰的黑线也形成了两个坐标点，如图所示。

代码找出定位坐标点的方法是，对比每个坐标点，找出最外层的坐标点并将其作为定位坐标。在图中，干扰项被处理成外层坐标，从而影响了正确的定位。在该图中我们关注的是定位坐标，其他的可以视为此次处理的噪声。我们想了解一下 OpenCV有哪些处理噪声的方法。

有了这几种处理方法，我们便可以逐个试验并进行调试，找到最优解。其中找到的处理方法是用形态学滤波的效果最好，代码如下：

处理效果如图所示，定位坐标非常清晰，无任何干扰。

这里的大小和扫描的图像分辨率有关，在统一设备的情况下，滤波大小为25x25 是比较适的选择。如果扫描的图像分辨率不一样，可以处理成相对分辨率的动态大小。至此，干犹黑线的问题就解决了。