[논문]QR 코드 인식 및 투영 변환을 이용한 OMR 인식 알고리즘

허상형; 권성근

doi:10.9717/kmms.2018.21.4.464

QR 코드 인식 및 투영 변환을 이용한 OMR 인식 알고리즘
OMR Sheet Recognition Algorithm Using QR code Recognition and Perspective Transform 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.21 no.4, 2018년, pp.464 - 470

허상형 (SpaceEdu) , 권성근 (School of Electronic Engineering, KyungIl University)

Abstract ▼ AI-Helper

With the introduction of the e-learning since 2000, the place of the education has not been limited to off-line, but the range of it has become broader in online. The e-learning market has evolved steadily over time. With the advent of the term "Edu-tech", which means a combination of education and technology, various IT technologies have incorporated education. Particularly, the Korean education market collects patterns by computerizing the learning history in classes taught according to curriculums. Because of that environment, various personalized learning services have been developed which maximize the effect of the learning. These services have qualitative differences depending on how many data is accumulated and algorithms are developed for the precise analysis. The purpose of this study is to recognize and data-ize OMR marking by the most suitable method to convert analog data into digital data without harming the Korean education system.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 논문에서는 학습자 본인이 작성한 OMR 카드를 본인의 스마트폰으로 촬영한 후 이를 자동으로 인식할 수 있는 알고리즘을 제안한다. 즉 제안한 OMR 자동 인식 알고리즘에서는 먼저 OMR 카드의 QR (quick response)코드를 인식하여 답안 영역을 인식하고, 왜곡되게 촬영되었을 수 있는 영상을 보정하기 위하여 투영 변환 (perspective transform)을 활용하여 답안 영상을 획득한다[4,5].
본 논문에서는 일선 학교에서 시행하고 있는 오프라인 교육 환경을 벗어나지 않고, 개인 맞춤 학습을 위한 디지털 데이터를 획득하기 위해 QR 코드 및 투영 변환을 이용한 답안지 인식 알고리즘을 제안하였다. 제안한 알고리즘을 검증하기 위한 실험에서 99%의 답안 마킹 인식률을 확인할 수 있었던 점을 토대로 제안한 답안 인식 알고리즘은 실제 교육 환경에서 사용 가능한 수준이라는 것을 확인할 수 있었다.

제안 방법

C#에서 기존 Java 코드 호출하고 자동 바인딩 생성기를 사용하여 Xamarin 앱에서 기존 Java 코드, 프레임 워크 및 사용자 정의 컨트롤을 사용할 수 있다. Net 환경에서 개발된 ZXing 라이브러리 또한 Xamarin Android에서 사용할 수 있기 때문에 본 논문에서는 이를 활용한다. Xamarin Android 크로스 플랫폼의 동작 과정은 Fig.
3에서와 같이 변형될 수 있다. 따라서 제안한 방법에서는 각각의 마커와 답안 영역의 좌표간의 비율을 이용하여 최종좌표를 측정한다.
본 과정에서는 적응적 문턱값의 최적치를 찾기 위한 실험을 진행하였는데, 먼저 첫 번째 시험으로는 블록 크기는 고정하고 문턱값을 조정하여 가장 인식률이 높은 값의 확인하였다. 이때 블록 크기는 해당픽셀을 제외한 연산에 참여하는 가로 및 세로 픽셀의 개수를 의미하고 있다.
이를 통해 먼저 최적화된 문턱값을 설정한 후 블록크기를 조정하여 최종 결과물을 얻는다. 본 과정은 Fig. 9에서와 같이 테스트 답안지에 제안한 알고리즘이 반영된 스마트폰 앱을 사용하여 문턱값과 블록크기를 조정했을 때 정답 여부가 인식되는지를 눈으로 확인하여 진행하였다.
이때 블록 크기는 해당픽셀을 제외한 연산에 참여하는 가로 및 세로 픽셀의 개수를 의미하고 있다. 이 과정에서 블록 크기를 25로 유지하고 문턱값을 조정하면서 각각 10회 테스트하였다. 즉 해당 픽셀을 기준으로 가로로 좌우 12픽셀, 세로로 상하 12픽셀이 각각 연산에 사용되었다.
4에서와 같이 QR 코드 마커의 좌측 하단, 좌측 상단, 및 우측 상단에 존재하는 마커를 각각 A, B, 및 C로 설정한다. 이때 A 및 B 간의 거리와 B 및 C 간의 거리를 기준인 1로 설정하고, 답안영역의 네 모서리를 마커간 거리의 비율로 계산하여 영상에서 답안 영역 좌표 D, E, F, 및 G의 비율을 계산한다. 이와 같이 계산된 비율에 A, B, C의 좌표를 대입하여 실제 영상에서 답안 영역의 좌표를 계산하여 Fig.
본 실험 결과로부터 블록 크기 31 및 33에서 인식률 90%를 보이는 결과를 얻을 수 있었다. 이와 같은 방법으로 문턱값을 57 및 블록 크기를 31 혹은 33으로 고정하여 최종 테스트를 진행하였는데, 테스트는 수집한 샘플을 대상으로 외부 조명 및 카메라 내장플래시 등을 이용하여 여러 환경을 준비하고 인식방식 또한 다양한 각도로 인식을 진행함으로써 실제 환경과 유사하도록 설정하였다. 이와 같은 방법에 의해 실시된 답안 인식 실험에서 100개의 문항 중 99개의 문항에 대하여 인식을 성공하였음을 확인하였다.
따라서 OMR 리더기를 통한 중앙 집중식의 데이터 수집 방법보다는 학습자 개개인이 직접 자신이 학습한 데이터를 자신의 스마트폰 앱을 통해 서버로 전송하는 방식이 요구되고 있다. 제안한 QR 코드 인식 및 투영 변환을 이용한 답안 인식 알고리즘에서는 Fig. 2에서와 같이, 먼저 QR 코드의 위치를 인식한 후 이를 이용하여 답안 영역을 추출하고, 인식된 영상의 이진화, 마킹 인식, 및 마킹 데이터 추출 및 저장한다.
제안한 방법에서는 먼저 QR 코드 인식 라이브러리인 ZXing을 이용하여 QR Code 마커의 위치를 획득한 후, Fig. 4에서와 같이 QR 코드 마커의 좌측 하단, 좌측 상단, 및 우측 상단에 존재하는 마커를 각각 A, B, 및 C로 설정한다. 이때 A 및 B 간의 거리와 B 및 C 간의 거리를 기준인 1로 설정하고, 답안영역의 네 모서리를 마커간 거리의 비율로 계산하여 영상에서 답안 영역 좌표 D, E, F, 및 G의 비율을 계산한다.
따라서 렌즈와 답안지의 접사 각도에 의해 왜곡된 영상을 평면으로 변환하는 작업이 필요하게 된다. 제안한 방법에서는 원본 영상의 네 점을 결과 영상에 매핑하는 투영 변환을 이용한다.
따라서 본 논문에서는 학습자 본인이 작성한 OMR 카드를 본인의 스마트폰으로 촬영한 후 이를 자동으로 인식할 수 있는 알고리즘을 제안한다. 즉 제안한 OMR 자동 인식 알고리즘에서는 먼저 OMR 카드의 QR (quick response)코드를 인식하여 답안 영역을 인식하고, 왜곡되게 촬영되었을 수 있는 영상을 보정하기 위하여 투영 변환 (perspective transform)을 활용하여 답안 영상을 획득한다[4,5]. 본 논문은 2장에서 QR 코드 기반의 답안 인식 알고리즘, 3장에서 QR코드 인식 및 투영 변환을 활용한 제안한 답안 인식알고리즘, 4장에서 실험 결과 및 고찰, 5장에서 결론을 기술하는 것으로 구성되어 있다.
최적의 문턱값을 57로 선정하여 고정한 후 블록크기를 결정하는 테스트를 진행하였는데, 이 과정에서도 각 10회씩 진행하였다. 블록 크기를 결정하는 테스트의 결과는 Table 3에서와 같고, 이 과정에서 가장 높은 인식률을 보이는 수치로 최종 실험을 진행하고자 한다.

대상 데이터

이 과정에서 블록 크기를 25로 유지하고 문턱값을 조정하면서 각각 10회 테스트하였다. 즉 해당 픽셀을 기준으로 가로로 좌우 12픽셀, 세로로 상하 12픽셀이 각각 연산에 사용되었다. 이를 통해 먼저 최적화된 문턱값을 설정한 후 블록크기를 조정하여 최종 결과물을 얻는다.

성능/효과

본 실험 결과로부터 블록 크기 31 및 33에서 인식률 90%를 보이는 결과를 얻을 수 있었다. 이와 같은 방법으로 문턱값을 57 및 블록 크기를 31 혹은 33으로 고정하여 최종 테스트를 진행하였는데, 테스트는 수집한 샘플을 대상으로 외부 조명 및 카메라 내장플래시 등을 이용하여 여러 환경을 준비하고 인식방식 또한 다양한 각도로 인식을 진행함으로써 실제 환경과 유사하도록 설정하였다.
이와 같은 방법으로 문턱값을 57 및 블록 크기를 31 혹은 33으로 고정하여 최종 테스트를 진행하였는데, 테스트는 수집한 샘플을 대상으로 외부 조명 및 카메라 내장플래시 등을 이용하여 여러 환경을 준비하고 인식방식 또한 다양한 각도로 인식을 진행함으로써 실제 환경과 유사하도록 설정하였다. 이와 같은 방법에 의해 실시된 답안 인식 실험에서 100개의 문항 중 99개의 문항에 대하여 인식을 성공하였음을 확인하였다.
인식 성공의 경우 정상적인 마킹 뿐 아니라, Fig.10에서와 같이 답안 영역을 변형하거나 여러 개를 마킹하는 등의 변화를 주었을 때도 정상적으로 인식되는 것을 확인할 수 있었다. 반면 실패 경우는 Fig.
본 논문에서는 일선 학교에서 시행하고 있는 오프라인 교육 환경을 벗어나지 않고, 개인 맞춤 학습을 위한 디지털 데이터를 획득하기 위해 QR 코드 및 투영 변환을 이용한 답안지 인식 알고리즘을 제안하였다. 제안한 알고리즘을 검증하기 위한 실험에서 99%의 답안 마킹 인식률을 확인할 수 있었던 점을 토대로 제안한 답안 인식 알고리즘은 실제 교육 환경에서 사용 가능한 수준이라는 것을 확인할 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	이러닝 산업은 무엇인가?	이러닝 (e-learning) 산업은 시간과 공간적인 제약사항으로부터 벗어나 다양한 방식의 교육 활동을 의미하는데, 미국은 2010년 국가교육기술계획(National Education Technology Plan, NETP)을 통해 도입되어 실리콘 밸리 뿐 아니라 LA, 뉴욕 등지에서산업 클러스터를 형성하였다. 영국에서는 BECTA(British Educational Communications and Technology Agency)를 중심으로 교육용 콘텐츠 개발과 민간 산업 활동을 지원하였으나 2011년 해체되어 현재는 민간과 교육기관이 자율적으로 이러닝을 지원하고 있다.
	QR 코드와 바코드의 차이점은 무엇인가?	QR 코드는 1994년 일본의 자동차 제조사인 도요타에서 물류용으로 처음 고안된 이후 텍스트, 음악, 이미지, 소프트웨어, 연락처 등의 다양한 정보를 인코딩하는 용도로 확장되어, 최근에는 스마트폰 카메라를 통한 인식으로 인해 대중화되었다. 바코드는 숫자만 입력 가능했지만, QR 코드에서는 숫자 뿐 아니라 문자까지 입력되는 등 많은 양의 데이터를 하나의 QR 코드에 입력할 수 있다. 또한 QR 코드 내부의 패턴 및 중복 데이터를 통해 최대 30%의 패턴이 손상되어도 인식 속도가 떨어지지 않으면서 인식이 가능하다[5].
	답안지의 카메라 인식을 위해 별도의 답안지 양식이 필요한 이유는 무엇인가?	카메라 촬영을 통해 답안지를 인식하는 방법에서는 답안지가 휘거나 구겨지는 등의 이유로 인식 영역이 변형되어 촬영될 수 있고, 촬영 당시 렌즈 및 조명상태 등 환경적 요인에 의해 왜곡된 영상이 획득될 수 있다. 따라서 답안지의 카메라 인식을 위해서는 별도의 답안지 양식이 필요한데, 여러 문항을 한꺼번에 인식하는 것보다는 한 번에 인식할 수 있는 문항의 수를 최소화하고 별도의 인식 용지 없이 문항 하단에 마킹하고 인식할 수 있는 영역을 배치함으로써 학습과 인식을 통한 자연스럽게 연결할 수 있는 방법이 가장 보편적이다.

참고문헌 (9)

Ministry of Education, 2016 White Paper on ICT in Education Korea, 2016.
L.D. Mesa, A.M. Fleras, K.P. Pagdato, and M.R. Yu, "Design and Development of an Intranet-based IT Asset Management System with Mobile Application," International Journal of Innovation, Management and Technology, Vol. 5, No. 6, pp. 460-464, 2014.
H.Y. Cheon and M.G. Park, "Fault Tree Analysis and Failure Mode Effects and Criticality Analysis for Security Improvement of Smart Learning System," Journal of Korea Multimedia Society, Vol. 20, No. 11, pp. 1793-1802, 2017.
J. Rikala and M. Kankaanranta, "Blending Classroom Teaching and Learning with QR Codes," Proceeding of Interanational Conference Mobile Learning, pp. 141-148, 2014.
V. Sharma, "QR Codes in Education-A Study on Innovative Approach in Classroom Teaching," International Organization of Scientific Research Journal of Research and Method in Education, Vol. 3, Issue 1, pp. 62-70, 2013.
K.Y. Chen, K.F. Lee, and Y.L. Chen, "Impact on Student Motivation by Using a QR-based U-learning Material Production System to Create Authentic Learning Experiences," IEEE Transactions on Learning Technologies, Vol. 8, Issue 4, pp. 367-382, 2015.

상세보기
Y.J. Jeon, "A Study on Technology Embedded English Classes Using QR Codes," International Journal of Contents, Vol. 11, No. 1, pp. 1-6, 2015.

원문보기 상세보기
M.H. Vala and A. Baxi, "A Review on Otsu Image Segmentation Algorithm," International Journal of Advanced Research in Computer Engineering and Technology, Vol. 2, Issue 2, pp.387-389, 2013.
P. Jonathan, Xarmarin Cross-platform Application Development, Packt Publishers, Birmingham, United Kingdom, 2015.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증