[发明专利]一种AI自动评分的方法及其系统

权利要求书

1.一种AI自动评分方法，其特征在于，包括步骤：

获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的优化图片；

将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据；

结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义；

将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析；

将所述统计和分析的结果通过显示模块进行展示。

2.如权利要求1所述的一种AI自动评分方法，其特征在于，所述获取摄像头的实验视频数据，数据处理模块对所述实验视频进行处理，获得实验操作的原始图片的步骤包括:

IPC摄像头实时采集操作者的实验视频数据，将所述实验视频数据通过硬解码芯片进行实时解码，获得实验操作过程中每一帧的原始图片；

将所述原始图片通过双线性插值算法进行优化处理，获得实验操作的优化图片；

其中，所述IPC摄像头设置4个，4个IPC摄像头分别位于操作者的试验操作台上方、前方、后方以及任一侧方。

3.如权利要求2所述的一种AI自动评分方法，其特征在于，所述双线性插值算法公式为：

f(x_i+x_d,y_i+y_d)＝(1-x_d)(1-y_d)f(x_i,y_i)+(1-x_d)y_df(x_i,y_i+1)+x_d(1-y_d)f(x_i+1,y_i)+x_dy_df(x_i+1,y_i+1)，其中，x_i、y_i均为浮点坐标的整数部分，x_d、y_d为浮点坐标的小数部分，是取值[0,1)区间的浮点数。

4.如权利要求1所述的一种AI自动评分方法，其特征在于，所述将所述优化图片通过AI学习模块进行分析，获得优化图像上所有的特征信息数据之前还包括步骤：

根据不同的实验类型对CNN模型进行针对性的训练，获得训练好的CNN模型；

将训练好的所述CNN模型进行INT8量化，将INT8量化后的所属CNN模型存储到嵌入式硬件平台的NPU中；

其中，所述嵌入式硬件平台的处理芯片采用RK3399Pro。

5.如权利要求1所述的一种AI自动评分方法，其特征在于，所述INT8量化原理公式为：FP32 Tensor(T)＝scale_factor(sf)*8-bit Tensor(t)+FP32_bias(b)，其中，FP32Tensor(T)为原始的图片像素32位浮点数，scale_factor(sf)是一个从32位浮点映射到8位int数据的比例，8-bit Tensor(t)为8位的int型像素值表示，FP32_bias(b)是一个常量因子。

6.如权利要求1所述的一种AI自动评分方法，其特征在于，所述结合实验类型通过推理模块对所述特征信息数据进行识别，获得所述优化图像中的所有特征信息数据的图像含义的步骤包括：

根据预设指令确认实验类型，调用对应所述实验类型的推理模型；

所述推理模型识别所述优化图片中的所有特征信息数据，获得每个所述特征信息数据的具体含义信息；

将每个所述特征信息数据的具体含义信息进行总结，获得所述优化图像中的所有特征信息数据的图像含义。

7.如权利要求1所述的一种AI自动评分方法，其特征在于，所述将所述图像含义与预设的实验评分标准进行对比处理，判断当前所述优化图片上所述对应的实验操作是否得分，对所述对比处理的结果进行统计和分析的步骤包括：

将所有的所述图像含义进行去重和归类；获得包含整个实验过程操作者的操作步骤和实验结论的文本描述数据；

将所述文本描述数据与预设的实验评分标准逐项进行对比，若所述文本描述数据与预设的所述实验得分标准的相似度超过预设阈值，则判断所述特征信息数据为得分项；

对所述对比处理的结果进行统计和分析。