前端：获取数据集(扫描仪扫描试卷上传至从阿里云，然后从阿里云获取数据集)；
图像处理：对获取的数据集进行处理，实现自动识别判卷，生成学情(学生信息、得分、错题题号等)；yolov5模型+opencv
后端：(对学情进行统计并发布)
一：yolov5模型训练
1.使用yolov5s对答题卡信息(考号、单选、多选、判断、填空和主观题)等进行分类训练
①.以PASCALVOC的格式构建数据；
②.数据集格式转换，格式为x1，y1，x2，y2，type。(x1，y1)(x2，y2)分别表示左上角和右下角，type用0-5的整数对应；主要库os，cv2；
③.训练集、验证集、测试集的数据划分，比例3：1：1；
④.修改配置文件：新建一个.yaml文件(train.txt、val.txt、test.txt)
二、OpenCV对yolo模型预测结果进行后处理：
Ⅰ、第一步拿到图片，根据二维码进行正反面排序；
Ⅱ、每个考生和图片数量进行对应，再根据答题卡的左上角小黑块进行旋转，保证正面图片进入模型；
Ⅲ、根据yolov5模型预测返回的类别标签和相应的坐标，然后使用np.lexsort根据坐标(x，y)值进行排序，返回升序后元素对应的索引，根据索引匹配相应的labels；再根据坐标进行裁剪；
Ⅳ、各个题目类别的处理：
1、识别二维码(主要依赖第三方包pyzbar)，返回学生信息(年级、姓名和考场号，判断是否为本场考试)：
①.对ROI图片进行灰度处理，然后使用pyzbar进行识别获取二维码中的内容数据，
②.对得到的内容数据解密：使用PBKDF2生成解密私钥，然后使用AES进行解密。
2、是否缺考处理
①.拿到ROI图片size；
②.使用GaussianBlur和Cannny进行去噪边缘检测；
③.findContours，boundingRect进行轮廓查找并计算外接矩形，获取(x，y，w，h)，通过切片获取涂卡区域；
④.使用np.logical_or(thresh，mask)*np.where(thresh==0，mask，thresh)对比两个数组，取非零值；
⑤.cv2.countNonZero统计黑色像素，然后和总像素值求比值，再根据设定的阈值得到是否填涂缺考标记；