Details

Объектом исследования является процесс автоматизированной проверки бланков ответов обучающихся. Цель работы – разработка интеллектуальной системы автоматизированной проверки бланков ответов обучающихся на основе технологий компьютерного зрения и оптического распознавания текста. В рамках выполнения данной работы были решены следующие задачи: 1) Выполнен анализ предметной области и существующих подходов к автоматизированной проверке бланков (OMR, OCR, гибридные системы). 2) Разработано математическое обеспечение обработки изображений бланков: геометрическая нормализация через матрицу гомографии, глобальная и локальная предобработка, удаление линий сетки, морфологическая сегментация символов. 3) Проведён сравнительный анализ четырёх OCR– систем (Tesseract, EasyOCR, PaddleOCR, TrOCR) на реальные бланкы и предложен каскадный алгоритм распознавания с порогом уверенности. 4) Построена математическая модель серверной обработки запросов на основе теории массового обслуживания (СМО M/M/c) и обоснован выбор числа рабочих процессов RabbitMQ. 5) Спроектирована и реализована клиент– серверная система (Spring Boot, Python/OpenCV, React, PostgreSQL, RabbitMQ, Docker). 6) Проведена экспериментальная оценка качества работы системы по метрикам точности распознавания и времени обработки. Результатом работы является программная система автоматизированной проверки бланков ответов, обеспечивающая: геометрическую нормализацию произвольно сфотографированного бланка, извлечение и предобработку областей ответов, каскадное распознавание текста (Tesseract → TrOCR) с автоматической обработкой ~90% полей, маркировку ненадёжных результатов для ручной проверки, сравнение ответов с эталоном и хранение результатов в базе данных. Система развёрнута в Docker– контейнерах и допускает горизонтальное масштабирование через очередь сообщений RabbitMQ.

The object of research is the process of automated grading of student answer sheets. The goal of the work is to design and implement an intelligent system for automated grading of student answer sheets based on computer vision and optical character recognition technologies. The following tasks were completed in the course of this work: 1) The subject domain and existing approaches to automated answer sheet grading (OMR, OCR, hybrid systems) were analyzed. 2) A mathematical framework for answer sheet image processing was developed: geometric normalization via homography matrix, global and local preprocessing, grid line removal, and morphological symbol segmentation. 3) A comparative analysis of four OCR systems (Tesseract, EasyOCR, PaddleOCR, TrOCR) was conducted on answer sheets, and a cascade recognition algorithm with a confidence threshold was proposed. 4) A mathematical model of server– side request processing based on queueing theory (M/M/c) was constructed, and the number of RabbitMQ worker processes was justified. 5) A client– server system was designed and implemented (Spring Boot, Python/OpenCV, React, PostgreSQL, RabbitMQ, Docker). 6) An experimental evaluation of the system was performed using recognition accuracy and processing time metrics. The result of this work is a software system for automated answer sheet grading that provides: geometric normalization of arbitrarily photographed answer sheets, extraction and preprocessing of answer regions, cascade text recognition (Tesseract → TrOCR) with automatic processing of approximately 90% of fields, flagging of unreliable results for manual review, comparison of answers with a reference key, and storage of results in a database. The system is deployed in Docker containers and supports horizontal scaling through the RabbitMQ message queue.