深度学习在中小学书法评价系统中的 应用实践

王舒　冯俊青

【摘 要】当下，书法教育已经成为中小学教育的重要环节，而书法教育评价体系还不太完善。现在主要运用两种评价方式：一是按照一定的鉴赏标准来设计评分要点，由评阅专家进行主观评分，但是由于不同专家的个人喜好、审美有所不同，所以很难解决公平、公正的问题;二是采用德尔菲法进行评价，其大致流程是在对所要预测的问题征求专家意见之后，进行整理、归纳、统计，再匿名反馈给各专家，再次征求意见，再集中，再反馈，直至得到一致的意见。目前，深度学习在文字识别领域已经取得了很大的突破，并得到了广泛的应用，而深度学习在中小学书法评价体系中的应用还需教育科研人员进一步探索实践。

【关键词】书法评价;深度学习;数据集

【中图分类号】G471  【文献标志码】B  【文章编号】1005-6009（2021）30-0014-03

【作者简介】1.王舒，江苏省盐城市日月路小学（江苏盐城，224005）教师，二级教师，江苏省书法优质课比赛特等奖获得者;2.冯俊青，盐城工学院（江苏盐城，224005）讲师，江苏省“六大人才高峰”高层次人才培养对象。

一、可行性分析

从艺术鉴赏的角度审视，书法属于艺术作品，人们对艺术作品的评价是主观的，不适合利用一个模型给一个作品贴标签说它是好或不好。对于一件艺术作品，我们或许昨天看它不顺眼，但说不定过些天换种心情再去欣赏它，就越看越喜欢了。从这个角度来讲，任何以人的主观意识对书法的评价都是具有不确定性的。

但是从技术上讲，借助机器用深度学习进行书法评价是可行的。例如，从判定书法的笔法和布局优劣来说，机器的深度学习功能可以给出确定的结果，没有什么不确定性的特征。

二、实现方法

目前云服务功能强大，机器的深度学习功能的具体实现方法可以采用阿里云机器学习平台PAI（如下页图1）搭建基于机器学习的书法评分体系，将采集的书法图片和教师的打分上传至在阿里云建立的专用数据集，选用适合的模型进行训练，将书法作品的结构、书写、章法三个方面，各项按10分的标准评分，再将得到的三个分数加权综合评分，给出最终评分结果。这样的书法评分系统很好地解决了公平公正和评判速度等问题。

阿里云机器操作平台在中小学书法评价系统中的应用：

1.首先按照阿里云深度学习的介绍进行相关服务的开通和充值。

这个文档中有TensorFlow做图像分类的案例，只是应用到具体模型中还存在着一些问题。

2.注册专用数据集calligraphy。

a.登录PAI控制台。

b.在PAI控制台首页，选择数据准备，再选择数据集管理。

c.在数据集管理页面，单击注册数据集（如图2）。

3.电脑和阿里云端配置过程如下：

确保电脑有Python 3.5及以上的版本。（TensorFlow从1.2开始支持 Python3.6，之前的版本官方是不支持的。（如图3]

4.在阿里云端购买机器学习相关产品。

因为每一件书法作品已经有一个人工分值，所以本系统采用有监督机器学习。每个样本都有对应的期望值，通过搭建模型，实现从输入特征向量到目标值的映射。

5.TensorFlow训练具体操作过程如下：

系统使用阿里云服务器的自建calligraphy数据集，该数据集包含3万张彩色图片，共6个类别，分别为小学六个年级的硬笔书法作品，如图4、5和下页图6。

[图5 原始采集硬笔书法照片（部分）]

使用过程中将该数据集拆分为训练数据集（2万张图片）和预测数据集（1万张图片）。其中5万张图片的训练数据集又被拆分为5个data_batch，1万张图片的预测数据集组成test_batch，如下页图7所示。

6.使用TensorFlow实现书法打分。

登录PAI控制台。在左侧导航栏选择模型开发和训练，再选择Studio-可视化建模。在PAI可视化建模页面，进入机器学习。系统根据预置的模板，自动构建实验，如图8所示。

在上传任意书法作品后，系统可以实现自动打分，如文末图9所示。

本文梳理的这种不依赖于标准模板的机器学习书法评价系统的实现方法，有很高的实用价值。但是由于系统采用有监督机器学习，每个样本都有对应的期望值，而样本总数还不够多，算法还不够完美，所以目前机器学习系统打出来的分数还不够准确，需要进一步增加样本，改进算法模型和训练过程，来取得更好的效果。

【参考文献】

[1]尹成娟. 基于深度学习的手写汉字集识别方法的研究[D].天津：天津科技大学，2019.

[2]邵荣堂. 基于机器学习的书法字识别与智能评判[D].武汉：湖北工业大学，2020.

[3]温佩芝，姚航，沈嘉煒.基于卷积神经网络的石刻书法字识别方法[J].计算机工程与设计，2018，39（3）：867-872.

[4]汪潇，章夏芬，韩德志.基于视觉特征的书法风格识别[J].现代计算机（专业版），2016（21）：39-46.

[5]戴琼，周明全，付倩.小篆文字的自动识别[J].计算机技术与发展，2016，26（3）：1-4.

[6]王民，曾宝莹，要趁红，等.中国书法的特征提取及识别[J].信息通信，2015（7）：19-20.

[7]郭鹏. 深度卷积神经网络及其在手写体汉字识别中的应用研究[D].成都：四川师范大学，2016.