博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

• 技术栈：Python语言、Django框架、pyecharts可视化、OpenCV（计算机视觉）、matplotlib、MySQL数据库（数据存储）、HTML（前端界面）、拼图滑动验证码（安全验证）
• 核心功能：答题卡图像识别与自动判分、识别记录管理、得分数据可视化分析（得分分布、识别数量统计）、用户权限管理、后台系统运维
• 研究背景：传统纸质阅卷依赖人工或光标阅读机，存在显著痛点——人工阅卷效率低、易出错，光标阅读机购买与维护成本高，普通学校与个人难以负担；随着计算机视觉技术发展，亟需基于OpenCV的低成本答题卡识别方案，解决“阅卷效率低、成本高”的问题，满足教学场景中快速判分与数据统计需求。
• 研究意义：技术层面，整合OpenCV图像处理、DjangoWeb架构与pyecharts可视化，构建“识别-判分-分析-管理”完整技术闭环；用户层面，为教师/学校降低阅卷成本（无需采购专业设备），提升判分效率（秒级识别），支持得分数据可视化；行业层面，推动计算机视觉技术在教育场景落地，为“智慧阅卷”提供轻量化解决方案，具备实际应用与学习价值（如毕业设计、教学工具开发）。

2、项目界面

1. 答题卡数据可视化分析
   

2. 答题卡识别功能
   

3. 上传图片进行识别
   

4. 答题卡识别记录管理
   

5. 后台管理
   

6. 数据面板
   

7. 注册登录
   

3、项目说明

本项目是基于Python+Django框架开发的答题卡识别及自动判分系统，核心集成OpenCV计算机视觉技术、pyecharts可视化工具与MySQL数据库，实现“答题卡上传-图像识别-自动判分-记录管理-数据分析”的全流程功能，旨在解决传统阅卷效率低、成本高的问题，适配普通学校与个人教学场景。

（1）核心技术与算法实现（OpenCV识别判分）

系统核心的答题卡识别与判分功能基于OpenCV构建，技术流程标准化：

1. 图像预处理：用户上传答题卡图片后，OpenCV自动进行图像优化——灰度化（降低色彩干扰）、二值化（区分答题区域与背景，如黑色选项框与白色背景）、降噪处理（去除图片模糊或污渍导致的干扰像素）；
2. 关键区域定位：通过轮廓检测算法，识别答题卡的答题区域（如选择题选项框、题号位置）、准考证号区域，确保仅对有效区域进行识别，避免边缘无关内容干扰；
3. 答案识别与比对：
   • 识别：通过像素值分析，判断用户选择的选项（如黑色填充的选项框即为所选答案）；
   • 比对：系统预设标准答案（管理员在后台录入），将识别结果与标准答案逐题比对，自动计算得分（如100题满分，每题1分，错1题扣1分）；
4. 结果存储：识别结果（得分、答题情况、上传时间）与原图路径同步存入MySQL数据库，为后续管理与分析提供数据支撑。

（2）核心功能模块详解

① 用户认证与安全模块

• 注册登录：
  • 功能：用户通过“注册登录界面”完成账号注册（填写姓名、密码、手机号）与登录，登录时需完成拼图滑动验证码验证，防止恶意登录与数据泄露；
  • 权限划分：系统区分普通用户（如教师，仅可上传识别、查看个人记录）与管理员（可管理所有用户、录入标准答案、监控系统数据），保障数据安全。
• 个人中心：支持普通用户修改密码、维护个人信息，管理员可通过“用户管理界面”新增/修改/删除用户账号，分配操作权限。

② 答题卡识别与判分模块

• 上传识别：用户进入“上传图片进行识别”界面，支持单张/批量上传答题卡图片（格式如JPG、PNG），点击“开始识别”后，系统调用OpenCV接口完成自动判分，1-3秒内返回得分结果；
• 识别记录查看：“答题卡识别功能”界面展示个人所有识别记录，包含原图预览、得分、识别时间，支持按“识别时间”“得分区间”筛选，快速定位目标记录；
• 结果校验：若识别结果存在异议（如因图片模糊导致识别错误），用户可查看“答题详情”（逐题比对识别答案与标准答案），管理员可手动修正得分并重新存储。

③ 答题卡管理模块

• 记录管理：“答题卡识别记录管理”界面集中展示所有用户的识别记录（含图片名称、得分、操作人员、上传时间），支持：
  • 搜索：按图片名称关键词查找特定记录；
  • 删除：普通用户仅可删除个人记录，管理员可删除所有无效记录（如重复上传、识别失败的记录）；
• 标准答案管理：管理员专属功能，通过后台录入不同试卷的标准答案（如“试卷A选择题标准答案：1.A、2.B、3.C…”），确保判分标准统一。

④ 数据可视化分析模块

• 数据面板：“数据面板”界面展示系统宏观数据，如总用户数、总识别次数、平均得分、今日新增识别量，帮助管理员快速把握系统运营状态；
• 可视化分析：“答题卡数据可视化分析”界面通过pyecharts生成多维度图表：
  • 得分分布柱状图：展示不同得分区间的记录数量（如“80-90分区间有20条记录，90-100分区间有15条记录”）；
  • 识别趋势折线图：按日期展示每日识别次数变化（如“周一识别50次，周二识别30次”）；
  • 用户识别量排行：对比不同用户的累计识别次数，辅助管理员评估系统使用频率。

⑤ 后台管理模块（管理员专属）

• 系统监控：查看系统日志（如用户登录日志、识别失败日志），排查异常问题（如某时段识别失败率高，可能因图片格式不兼容）；
• 数据维护：备份/恢复MySQL数据库，防止数据丢失；管理图片存储路径，定期清理无效图片文件，节省存储空间；
• 功能配置：调整识别参数（如OpenCV二值化阈值、识别精度），优化识别效果（如降低模糊图片的识别错误率）。

（3）系统价值与应用场景

• 目标用户：中小学教师（日常作业/小测验判分）、培训机构（模拟考试快速阅卷）、个人学习者（自测后自动核对答案）；
• 核心价值：相比传统人工阅卷，效率提升80%以上；相比光标阅读机，零设备采购成本，普通学校与个人均可免费使用；
• 扩展性：支持后续新增“批量导出报表”功能（将得分数据导出为Excel）、“错题统计”功能（分析高频错题，辅助教学重点突破）。

4、核心代码

# 导入工具包
import numpy as np
import argparse
import imutils
import cv2

# 正确答案
ANSWER_KEY = {0: 0, 1: 0, 2: 0, 3: 0, 4: 0}


def order_points(pts):
    # 一共4个坐标点
    rect = np.zeros((4, 2), dtype="float32")

    # 按顺序找到对应坐标0123分别是 左上，右上，右下，左下
    # 计算左上，右下
    s = pts.sum(axis=1)
    rect[0] = pts[np.argmin(s)]
    rect[2] = pts[np.argmax(s)]

    # 计算右上和左下
    diff = np.diff(pts, axis=1)
    rect[1] = pts[np.argmin(diff)]
    rect[3] = pts[np.argmax(diff)]

    return rect


def four_point_transform(image, pts):
    # 获取输入坐标点
    rect = order_points(pts)
    (tl, tr, br, bl) = rect

    # 计算输入的w和h值
    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))

    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
    maxHeight = max(int(heightA), int(heightB))

    # 变换后对应坐标位置
    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")

    # 计算变换矩阵
    M = cv2.getPerspectiveTransform(rect, dst)
    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

    # 返回变换后结果
    return warped


def sort_contours(cnts, method="left-to-right"):
    reverse = False
    i = 0
    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1
    boundingBoxes = [cv2.boundingRect(c) for c in cnts]
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes),
                                        key=lambda b: b[1][i], reverse=reverse))
    return cnts, boundingBoxes

def main(path):
    # 预处理
    image = cv2.imread(path)
    contours_img = image.copy()
    # print(contours_img)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    edged = cv2.Canny(blurred, 75, 200)

    # 轮廓检测
    cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,
                            cv2.CHAIN_APPROX_SIMPLE)[0]
    # print(contours_img)
    cv2.drawContours(contours_img, cnts, -1, (0, 0, 255), 3)
    # cv2.drawContours(contours_img,cnts.reshape(-1,1,2),-1,(0,0,255),3)

    # cv_show('contours_img', contours_img)
    docCnt = None

    # 确保检测到了
    if len(cnts) > 0:
        # 根据轮廓大小进行排序
        cnts = sorted(cnts, key=cv2.contourArea, reverse=True)

        # 遍历每一个轮廓
        for c in cnts:
            # 近似
            peri = cv2.arcLength(c, True)
            approx = cv2.approxPolyDP(c, 0.02 * peri, True)

            # 准备做透视变换
            if len(approx) == 4:
                docCnt = approx
                break

    # 执行透视变换

    warped = four_point_transform(gray, docCnt.reshape(4, 2))
    # cv_show('warped', warped)
    # Otsu's 阈值处理
    thresh = cv2.threshold(warped, 0, 255,
                           cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)[1]
    # cv_show('thresh', thresh)
    thresh_Contours = thresh.copy()
    # 找到每一个圆圈轮廓
    cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
                            cv2.CHAIN_APPROX_SIMPLE)[0]
    cv2.drawContours(thresh_Contours, cnts, -1, (0, 0, 255), 3)
    # cv_show('thresh_Contours', thresh_Contours)
    questionCnts = []

    # 遍历
    for c in cnts:
        # 计算比例和大小
        (x, y, w, h) = cv2.boundingRect(c)
        ar = w / float(h)

        # 根据实际情况指定标准
        if w >= 20 and h >= 20 and ar >= 0.9 and ar <= 1.1:
            questionCnts.append(c)

    # 按照从上到下进行排序
    questionCnts = sort_contours(questionCnts,
                                 method="top-to-bottom")[0]
    correct = 0

    # 每排有5个选项
    for (q, i) in enumerate(np.arange(0, len(questionCnts), 5)):
        # 排序
        cnts = sort_contours(questionCnts[i:i + 5])[0]
        bubbled = None

        # 遍历每一个结果
        for (j, c) in enumerate(cnts):
            # 使用mask来判断结果
            mask = np.zeros(thresh.shape, dtype="uint8")
            cv2.drawContours(mask, [c], -1, 255, -1)  # -1表示填充
            # cv_show('mask', mask)
            # 通过计算非零点数量来算是否选择这个答案
            mask = cv2.bitwise_and(thresh, thresh, mask=mask)
            total = cv2.countNonZero(mask)

            # 通过阈值判断
            if bubbled is None or total > bubbled[0]:
                bubbled = (total, j)

        # 对比正确答案
        color = (0, 0, 255)
        k = ANSWER_KEY[q]

        # 判断正确
        if k == bubbled[1]:
            color = (0, 255, 0)
            correct += 1

        # 绘图
        cv2.drawContours(warped, [cnts[k]], -1, color, 3)

    score = (correct / 5.0) * 100
    print("--------------------------------------------")
    print("答题卡得分为: {:.2f}分".format(score))
    print("正确率: {:.2f}%".format(score))
    return score

if __name__ == '__main__':
    main()

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻