企业官网建设流程全解析

简介：一份基于Python与计算机视觉的答题卡识别及判分系统完整项目包，面向毕业设计、课程设计及论文研究场景，适合需要落地图像识别+Web应用的学生开发者。系统采用Django搭建服务端，借助OpenCV完成图像预处理、边缘检测与答案填涂识别，涵盖灰度化、二值化、轮廓定位及OCR匹配等核心环节。资源压缩包共287个文件，约9.15MB，主要包含Python源码（30个py及编译后pyc）、HTML/CSS/JS前端页面、75个gif演示图、29个png界面截图、数据库SQL文件及说明文档，目录结构完整，便于直接运行与二次开发。已有418人学习下载，配套资料能帮助快速理解答题卡判分逻辑、Django视图与模板交互流程，以及多线程/分布式处理优化思路，是完成课设或毕设的高质量参考。

1. 答题卡识别判分系统：OpenCV 加 Django，这包资源把识别到判分的链路全串好了

很多老师在校考批改时最怕的就是答题卡填涂判断模棱两可，浅一点、擦不干净一点，就得靠人眼反复核对。这套基于 Python 的计算机视觉答题卡识别及判分系统，就是奔着这个场景去的：上传答题卡照片后，OpenCV 负责找边界、切区域、判断填涂，Django 把识别结果接进 Web 服务，前端用 bootstrap 和 layui 打包好了交互界面，跑起来就是一个能上传、能判分、能查成绩的小系统。它非常适合拿来当毕业设计二次开发，也适合课程设计里做完整流程演示。下文按拆包后最实用的代码路径，把图像预处理、后端判分、参数调优和踩坑记录挨个过一遍。

2. 图像预处理流水线：灰度化、二值化、透视校正，一步都不能省

2.1 预处理三件套：为什么灰度化之后还要滤波和二值化

答题卡照片大概率来自手机或者普通扫描仪，光照、角度、纸张底色全都不受控。如果直接拿原图做轮廓检测，RGB 三个通道上的干扰信息会成倍放大，边缘检测结果里全是纹理噪点。常见做法是先把图像标准化：灰度化去色、高斯滤波去噪、大津法二值化把填涂和空白变成黑白分明的两块。这三步做完，后续轮廓检测的输入就干净很多。

import cv2 def prepare_image(image_path): # 读图 img = cv2.imread(image_path) # 灰度化：三通道转单通道，丢掉颜色干扰 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯滤波：5x5 卷积核去细碎噪点 blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 大津法二值化：阈值自动计算，填涂区变成白色 _, binary = cv2.threshold( blurred, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU ) return img, gray, binary

逻辑说明：prepare_image返回三份数据，原图留给透视变换后切彩色图用，灰度图方便人工调试，二值图是后面轮廓检测的直接输入。这里有个顺序上的讲究：先滤波再二值化，噪点会被压掉；反过来先二值化再滤波，二值化产生的椒盐点会被卷积核扩散成块，反而更难处理。

参数说明：高斯核(5, 5)是常用起点，核越大去噪越强但边缘越糊，超过 7 时小选项的边缘容易被抹平；THRESH_BINARY_INV让填涂区域为白色前景、空白为黑色背景，和直接展示用的二值图正好相反，后面统计白像素占比时逻辑更顺。THRESH_OTSU只接受单通道输入，所以必须在灰度化之后调用。

实际测试中最常见的误用是：把THRESH_BINARY和THRESH_BINARY_INV搞反，导致填涂区域变成黑色、空白变白，统计面积的数据全部反转，排查半天才发现是这里的问题。

2.2 找答题卡外轮廓并做透视变换

预处理完成后，下一步是定位答题卡本身。手机拍摄角度不可能是正俯视，卡片在图像里通常是个梯形甚至任意四边形，直接按原始坐标切题号区域必然错位。所以要先通过轮廓检测找到四边形角点，再做透视变换把卡片拉正。找轮廓这一步的核心是用面积筛掉干扰框，再用多边形逼近把轮廓简化成四个角点。

import cv2 import numpy as np def find_card_contour(binary): # 只找最外层轮廓，内部选项框不参与 contours, _ = cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) # 按面积从大到小排序，答题卡通常面积最大 contours = sorted(contours, key=cv2.contourArea, reverse=True) for cnt in contours: # 用 2% 周长作为逼近容差，把轮廓压成四边形 peri = cv2.arcLength(cnt, True) approx = cv2.approxPolyDP(cnt, 0.02 * peri, True) if len(approx) == 4: return approx return None def order_points(pts): # 四角排序：左上、右上、右下、左下 # 顺序不对，透视矩阵就错，越是右下角偏移越明显 pts = pts.reshape(4, 2) s = pts.sum(axis=1) diff = np.diff(pts, axis=1).ravel() tl = pts[np.argmin(s)] br = pts[np.argmax(s)] tr = pts[np.argmin(diff)] bl = pts[np.argmax(diff)] return np.array([tl, tr, br, bl], dtype="float32")

逻辑说明：find_card_contour用RETR_EXTERNAL只保留最外层轮廓，答题卡的边框内部还有一堆选项框，如果用RETR_TREE会把几百个内轮廓全部返回，排序和筛选都变成灾难。sorted按面积倒序后，正常情况下第一或第二个轮廓就是答题卡本体。order_points把角点按物理位置排序，这一步不能省，直接拿findContours的原始顺序去算透视矩阵，不同拍摄角度下角点顺序不一样，坐标映射就会整体错位。

参数说明：0.02 * peri是多边形逼近容差，容差偏大时角点会被拉偏，边框又粗又脏时建议加到0.03；容差偏小会留下五边形、六边形，就需要继续遍历下一个轮廓。cv2.arcLength(cnt, True)的第二个参数表示轮廓是否闭合，答题卡边框是闭合的，这里必须传 True。

拿到有序角点后做透视变换，把卡片拉成规则矩形：

def four_point_transform(img, pts, width=800, height=500): rect = order_points(pts) (tl, tr, br, bl) = rect # 计算目标矩形真实宽高，避免透视变形导致比例被压扁 w1 = np.linalg.norm(br - bl) w2 = np.linalg.norm(tr - tl) h1 = np.linalg.norm(tr - br) h2 = np.linalg.norm(tl - bl) max_w = max(int(w1), int(w2)) max_h = max(int(h1), int(h2)) dst = np.array([ [0, 0], [max_w - 1, 0], [max_w - 1, max_h - 1], [0, max_h - 1] ], dtype="float32") # 计算透视变换矩阵并应用 M = cv2.getPerspectiveTransform(rect, dst) warped = cv2.warpPerspective(img, M, (max_w, max_h)) # 统一缩放到固定尺寸，方便后续按比例切分 warped = cv2.resize(warped, (width, height)) return warped

逻辑说明：先算出目标矩形的实际宽高，再建立变换前后的点对映射，最后用warpPerspective做变换。resize到固定尺寸是为了让后续题号坐标可以用一套写死的比例去切，不需要为每张图重新标定坐标。如果你打算支持多套答题卡排版，这一行可以去掉，直接用max_w和max_h作为切分基准。

参数说明：width=800, height=500是给标准 A4 横版答题卡用的，竖版卡片必须把这两个值对调，否则长宽比会被压坏。另外要注意，warpPerspective的输出尺寸要和dst匹配，这里如果直接写死 800x500，横竖版方向就会乱。

2.3 按题号与选项坐标切分填涂区域

透视校正完成后，答题卡被拉成一个固定矩形。接下来要做的是按坐标把每个题的选项切成小块。项目里常见做法是按行遍历，把题目编号区、选项区、考号区分别切出来。坐标来源一般是先手动量一次答题卡模板，把每题的y_start和y_end记录成配置文件。

def extract_choices(warped_binary, question_config): """ question_config: list of dict 每个元素格式: {'y_start': 100, 'y_end': 140, 'options': ['A', 'B', 'C', 'D']} """ choices = {} for idx, cfg in enumerate(question_config): y1 = cfg['y_start'] y2 = cfg['y_end'] # 每行选项按 x 方向等分 row = warped_binary[y1:y2, :] h, w = row.shape opt_w = w // len(cfg['options']) for i, opt in enumerate(cfg['options']): seg = row[:, i * opt_w:(i + 1) * opt_w] choices[(idx + 1, opt)] = seg return choices

逻辑说明：这个函数按行切分，对每行在 x 方向等分。它隐含了一个前提：同一行里每个选项宽度相等，且选项在水平方向均匀排列。如果答题卡排版里 ABCD 是两行两列排列的，就不能用等分切法，要先按列分组再按行切。正常横向四选一的排版下，这套逻辑最稳。

参数说明：y_start和y_end是透视变换后的像素坐标，模板变了就要重新量一次。opt_w = w // len(options)直接取整除，如果答题卡印刷有偏差，边缘选项可能会切到相邻选项，这时可以给每个选项留 2-3 像素的 margin 再统计。

2.4 填涂判定：白像素占比才是硬指标

每个选项切出来后是一小块二值图，填涂与否看白像素占比就行。占比高说明这块区域被铅笔灰覆盖，占比低说明是空白。这里有个容易被新手忽略的细节：判定不能只设一个阈值，还要结合整张卡的填涂占比分布来看。

def is_marked(seg, threshold=0.2): # 填涂区域是白色，统计白色像素占比 h, w = seg.shape total = h * w if total == 0: return False, 0.0 white = cv2.countNonZero(seg) ratio = white / total return ratio > threshold, ratio

逻辑说明：cv2.countNonZero统计的是非零像素数，在二值图里就是白色像素数，也就是填涂覆盖的区域。返回值是(是否填涂, 占比)，占比留着后面做置信度用。正常用 2B 铅笔填涂时，覆盖率通常在 0.3-0.6 之间；完全没填的选项，残留噪声的占比一般在 0.05 以下，所以 0.2 是个比较安全的初始阈值。

参数说明：threshold=0.2是全局阈值。如果考试允许用 HB 铅笔，填涂会比 2B 浅，阈值要降到 0.12 左右；如果答题卡纸印刷的底色偏灰，阈值要反向调高到 0.25。具体怎么调，第 5 章有专门展开。

3. Django 后端接住识别结果：路由、视图、ORM 三层配合

3.1 模型设计：学生、答题卡、标准答案三张表

识别功能跑通之后，要把结果落到 Web 系统里。Django 负责接收上传请求、调用识别函数、保存成绩。数据模型按功能拆三张表：学生信息、答题卡记录、标准答案。这里的核心设计是AnswerSheet表把识别结果存成 JSON 文本，而不是逐题建行，避免表结构被题目数量绑死。

from django.db import models class Student(models.Model): # 考号，答题卡上通常用涂块表示 student_id = models.CharField(max_length=32, unique=True) name = models.CharField(max_length=64, blank=True) created_at = models.DateTimeField(auto_now_add=True) class AnswerSheet(models.Model): # 一张答题卡对应一次提交 student = models.ForeignKey(Student, on_delete=models.CASCADE) image = models.ImageField(upload_to="sheets/") # 识别结果：{"1": "A", "2": "C", ...} recognized = models.TextField(blank=True) score = models.IntegerField(default=0) submitted_at = models.DateTimeField(auto_now_add=True) class AnswerKey(models.Model): # 标准答案，按场次区分 exam_name = models.CharField(max_length=64) answer_json = models.TextField() total_score = models.IntegerField(default=100)

逻辑说明：Student和AnswerSheet是一对多关系，一个学生可以有多条提交记录，方便统计多次测验。recognized用TextField存 JSON，是因为题目数量可能变化，用固定字段存 A/B/C/D 会限制扩展性。AnswerKey单独建表是为了支持多场考试各自的标准答案。

参数说明：student_id设置unique=True时要注意，如果同一考号重复提交，直接建Student会报唯一约束错误。更稳妥的做法是先get_or_create，再关联到AnswerSheet。

3.2 视图函数：把上传、识别、判分串成一条链路

视图函数的关键是注意请求方法判断、文件字段校验、识别结果落库。识别函数必须放在项目内可复用的模块里，视图只做流程编排，不写图像处理逻辑。

import json from django.http import JsonResponse from .models import AnswerSheet, AnswerKey from .recognition import recognize_sheet def grade_sheet(request): if request.method != "POST": return JsonResponse({"error": "请使用 POST 上传图片"}, status=405) image_file = request.FILES.get("sheet_image") if not image_file: return JsonResponse({"error": "缺少 sheet_image 字段"}, status=400) student_id = request.POST.get("student_id", "") exam_name = request.POST.get("exam_name", "") # 创建答题卡记录，保存图片 sheet = AnswerSheet.objects.create( student_id=student_id, image=image_file ) # 调用识别函数，返回 {题号: 答案} recognized = recognize_sheet(sheet.image.path) # 读取标准答案并逐题判分 key = AnswerKey.objects.filter(exam_name=exam_name).first() if key is None: return JsonResponse({"error": "找不到标准答案"}, status=404) key_map = json.loads(key.answer_json) score = 0 per_question = key.total_score // len(key_map) for q_no, ans in recognized.items(): if key_map.get(str(q_no)) == ans: score += per_question sheet.recognized = json.dumps(recognized, ensure_ascii=False) sheet.score = score sheet.save() return JsonResponse({ "score": score, "recognized": recognized, "detail": "判分完成" })

逻辑说明：视图先校验请求方法和文件字段，然后创建答题卡记录并把图片落盘，sheet.image.path是 Django 根据MEDIA_ROOT拼接出的本地路径，传给识别函数用。判分逻辑是逐题比对，标准答案 JSON 的 key 是题号字符串，识别结果的 key 是整数，比较前需要统一格式。

参数说明：per_question = key.total_score // len(key_map)是均分算法，100 分 20 题就是每题 5 分。如果你的评分规则不平均，改成在AnswerKey里加一个score_json字段按题号存分值。

3.3 前端模板：引入 bootstrap 和 layui 静态资源

Django 模板系统负责渲染上传页面和成绩页面。项目包里已经打包好了bootstrap.min.css、bootstrap-theme.min.css、font-awesome.css、layui.css这些静态文件，放在static目录下直接引用即可，不需要自己再下载 CDN 版本。

{% load static %} <!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <title>答题卡判分系统</title> <link rel="stylesheet" href="{% static 'css/bootstrap.min.css' %}"> <link rel="stylesheet" href="{% static 'css/layui.css' %}"> <link rel="stylesheet" href="{% static 'css/font-awesome.min.css' %}"> </head> <body> <form id="uploadForm" enctype="multipart/form-data"> <input type="file" name="sheet_image" accept="image/*"> <input type="text" name="student_id" placeholder="考号"> <button type="submit" class="btn btn-primary">上传判分</button> </form> </body> </html>

逻辑说明：bootstrap 负责页面布局和按钮样式，layui 负责上传组件和结果展示表格。上传方式建议用 layui 的upload.render组件做异步上传，避免整页刷新。如果只做课程设计演示，直接用 form 同步提交也能跑通。

3.4 识别函数模块化：把图像逻辑统一切到一个文件里

整套系统里最容易乱的地方是图像识别代码和 Django 代码混在一起。我一般会把所有 OpenCV 相关函数放到单独的recognition.py里，视图只调用一个入口函数。这样做的好处是，后续想换模板匹配或者加深度学习模型，只改这一个文件。

import cv2 from .preprocess import prepare_image, four_point_transform from .extract import extract_choices, is_marked def recognize_sheet(image_path, question_config, threshold=0.2): # 预处理：原图、灰度图、二值图 img, gray, binary = prepare_image(image_path) # 找外轮廓并透视变换 cnt = find_card_contour(binary) if cnt is None: return {"error": "未检测到答题卡边框"} warped = four_point_transform(img, cnt) warped_gray = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY) _, warped_binary = cv2.threshold( warped_gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU ) # 切分选项并判定 choices = extract_choices(warped_binary, question_config) result = {} for key, seg in choices.items(): marked, ratio = is_marked(seg, threshold=threshold) if marked: result[key[0]] = key[1] return result

逻辑说明：这个入口函数把预处理、找轮廓、透视变换、切分、判定五个步骤串成一条流水线。question_config由前端或配置文件传入，threshold作为参数暴露出来，方便压测时批量调整。返回的result直接给 Django 视图用，格式是{题号: 选项字母}。

参数说明：这里有一个需要注意的地方，透视变换后的warped是彩色图，所以需要再做一次灰度化和二值化，不能直接复用最初那张binary。原因是透视变换会引入插值噪声，重新二值化可以消除这部分影响。

4. 避坑指南：识别翻车最多的五个环节

4.1 填涂太浅被判成空题

现象：2B 铅笔轻轻涂一遍，肉眼能看清颜色，系统却报“未填涂”。原因：光线不足时，浅色填涂的灰度值接近纸张底色，大津法算出的阈值偏高，把浅涂区域直接划成背景。解决思路有两个方向，一是做预处理增强，二是降低判定阈值。建议先用 CLAHE 做局部对比度增强，再把is_marked的threshold从 0.2 降到 0.12。如果降阈值后空白选项也开始误判，就需要结合第 6 章的置信度机制来兜底。

4.2 橡皮擦不干净导致多选误判

现象：擦除后残留的痕迹被识别成“已填涂”，同一题判出 A 和 C 两个答案。原因：残留的铅笔灰在白像素统计里和正常填涂没有本质区别，只是占比低一些。解决：统计每个选项占比后，先取最大值和次大值，只有当两者的差值大于设定幅度时才判为有效单选。差值太小说明可能是涂抹残留或误擦，标记为“存疑题”交给人工复核。

4.3 透视变换后坐标系统错位

现象：变换前轮廓看着正常，变换后题目区域整体偏移，越靠近右下角偏移越严重。原因：四个角点的顺序没有按左上、右上、右下、左下排好，或者卡片边框上有干扰线导致角点被approxPolyDP拉偏。解决：先检查order_points的输出顺序，再检查找到的四边形是不是答题卡的真实外框。如果外框带阴影，先用cv2.erode腐蚀一次再去逼近多边形，能去掉大部分干扰。

4.4 同一学生重复提交，成绩被覆盖

现象：同一个考号提交两次，数据库里只有最后一次的记录，查不到第一次的成绩。原因：视图里用AnswerSheet.objects.create每次新建记录，前端却没有提示用户已经提交过。解决：提交前先按(student_id, exam_name)查重，存在记录时返回“该生已有成绩”的提示，或者提供“覆盖提交”的确认入口，至少不能在用户不知情的情况下静默覆盖。

4.5 手机拍摄的竖版照片被旋转

现象：手机默认竖拍的照片在浏览器里看着正常，识别结果却全是乱的。原因：Django 的ImageField保存图片时保留了 EXIF 方向信息，而 OpenCV 的cv2.imread不会自动旋转。解决：在prepare_image里读图后检查 EXIF orientation 字段，值为 6 就顺时针旋转 90 度，值为 8 就逆时针旋转 90 度。这个坑最容易在移动端测试时出现，电脑上模拟器传的图通常没带 EXIF，所以不容易发现。

4.6 一次标准排查路径

遇到识别结果不对的时候，我一般按下面的顺序排查，而不是东改一个参数西改一个阈值：

这条路径走一遍，能定位掉八成以上的识别错误。剩下两成基本是答题卡排版本身的问题，放到第 5 章讲。

5. 参数调优与答题卡排版：识别的上限由设计决定

5.1 关键参数速查表

图像识别这套流程里，真正会影响结果的参数不超过六个。把这六个数记清楚，遇到问题基本能猜到是哪个环节出的问题。

这里特别提一下二值化阈值。很多人以为THRESH_OTSU是万能的，实际上它假设图像直方图是双峰分布，一张纸上有大量空白、少量填涂正好符合这个假设。但如果答题卡背面有透印的图形，直方图会变成多峰，OTSU 算出来的阈值就会偏向其中一个大峰。这种情况下，改成固定阈值加局部自适应是更稳的选择，虽然牺牲了一点通用性。

5.2 答题卡排版规范：识别率在印刷时就决定了

识别率的上限不是由算法决定的，而是由答题卡排版决定的。项目里踩过的最深的坑是：拿到一张设计精美的答题卡，配色花哨、选项间距小、背景带底纹，算法怎么调都拉不回来。后来总结出一条经验：系统的识别能力在答题卡设计阶段就已经被框死了。

答题卡设计需要遵守以下几个规则。选项间距不能太窄，每个选项区域在 800x500 的变换后图像里至少要占 30 像素宽，否则切分时容易切到相邻选项。题号区和选项区之间要留白，避免题号数字的笔画和选项的填涂区域连在一起。纸张底色不能用深灰或彩色底纹，大津法会把底纹当成前景，二值化后整个画面都是白的。边框线要清晰且粗细均匀，最好用连续的矩形框而不是四个分开的 L 形角标，后者在拍摄角度偏大时容易被轮廓检测漏掉。

如果答题卡是网上找的 PDF 模板转成图片，务必先打印一张实测，不要直接在屏幕上看着好看就下单印刷。印刷机的墨量偏差会影响边框粗细，复印机的缩放比例会影响坐标切分，这些误差在算法里都会放大成错位。

5.3 阈值调优看反馈曲线，不要拍脑袋改数字

调参最忌讳的就是“感觉不对就改一下”。正确的做法是把填涂和未填涂两个类别的白像素占比分布画出来，找到两个分布之间的分割点。这个分割点才是当前光照、打印质量下的最优阈值。

import numpy as np from collections import defaultdict # choices: dict {(题号, 选项字母): 二值图} # 先统计所有选项的白像素占比 ratios = {} for key, seg in choices.items(): _, ratio = is_marked(seg, threshold=0.0) # threshold 传 0 只看占比 ratios[key] = ratio # 按题目维度聚合，观察已填选和未填选的分界 grouped = defaultdict(list) for (q_no, opt), ratio in ratios.items(): grouped[q_no].append((opt, ratio)) # 手动判断：打印每个题最大占比和次大占比 for q_no, item_list in grouped.items(): item_list = sorted(item_list, key=lambda x: -x[1]) print(f"题 {q_no}: 最大 {item_list[0][1]:.3f}, 次大 {item_list[1][1]:.3f}")

逻辑说明：这段代码把所有选项的占比都算出来，然后按题打印最大值和次大值。你拿 30 张真实答题卡跑一遍，会看到填涂选项的占比集中在 0.3-0.6，空白选项集中在 0.05 以下。两道分布之间的缝隙就是最优阈值位置，而不是想当然的 0.2。

参数说明：threshold=0.0表示不筛掉任何选区，只为了拿到原始占比数据。如果某张图的填涂区域占比普遍偏低，比如 0.2-0.35 之间，另一张图却普遍偏高，说明手机拍照角度不一致，需要先统一拍摄规范，而不是改阈值硬扛。

6. 进阶技巧：给每个答案加置信度，区分“真会”和“蒙对”

前面讲的判分逻辑是硬判定：占比超过阈值就算填涂，没超过就不算。这套逻辑在填涂干净时表现很好，但遇到浅涂、残留、涂改就会暴露出边界问题。一个实用的进阶方案是给每个答案算一个置信度分数，把“认真填涂的确定性回答”和“模棱两可的猜测”区分开。

置信度的计算不复杂：每个选项都有一个白像素占比，把这些占比从高到低排序。占比最高的选项大概率是被选中的，占比第二高的选项可能是残留或误涂。如果最高和第二高之间差距很大，说明填涂非常明确；如果两者接近，说明这个题的填涂状态存疑。把这两个信息合成一个置信度指标：

def confidence_score(ratios): """ ratios: dict {选项字母: 白像素占比} 返回 0-1 之间的置信度，越高越确定 """ ranked = sorted(ratios.items(), key=lambda x: -x[1]) top1 = ranked[0][1] top2 = ranked[1][1] # 差距部分：最高占比与次高占比的差 diff = min(top1 - top2, 1.0) # 绝对值部分：最高占比本身 return round(0.6 * top1 + 0.4 * diff, 3)

逻辑说明：top1是最可能被填涂的选项占比，top2是第二可能的占比。top1高说明填涂覆盖充分，diff大说明唯一性强。两个指标加权合成，占比高但差距小的题目会得到中等置信度，这种题目往往就是橡皮擦没擦干净的区域。

实际使用时的操作是：置信度高于 0.45 的题目直接采信最高占比选项；置信度在 0.2-0.45 之间的标记为“存疑题”，导出列表交给老师人工确认；低于 0.2 的按未填涂处理。这个阈值不是固定的，跑 50 张历史答题卡，统计识别结果与人工复核结果的匹配率，找到拐点作为当前批次的最优值。

把置信度落进 Django 视图也很简单，在AnswerSheet表加一个report_json字段，存每道题的置信度明细。前端收到后，用 layui 的表格组件展示时把存疑题标成黄色背景。实际试用时我发现，加了这一层之后，老师复核的工作量直接减少了大概七成，因为真正需要看的只有那些存疑题，其他题目系统判错的概率极低。

这套系统现在给我的使用感受是：只要答题卡排版按第 5 章的规范来，识别率就稳得住；只要置信度机制在，边界情况就不会变成漏网之鱼。从那以后我每次跑识别流程都会强制生成一份带置信度的报告，把低分题导出 CSV 复盘，从算法参数到相机角度全部过一遍。这个习惯帮我避免了很多“这次能跑通、下次换一批图就翻车”的尴尬。希望这套拆解能帮你在课程设计或毕业设计里少走几个弯路。

本文还有配套的精品资源，点击获取