경량 딥러닝과 구조화된 답안지 설계를 활용한 웹캠 기반 OMR 자동 채점 시스템
A Webcam-based Automated OMR Grading System Utilizing Lightweight Deep Learning and Structured Answer Sheet Design
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
상용 OMR 시스템은 대규모 학습자 평가에서 효율성과 신뢰성을 인정받으며 널리 사용되어 왔다. 본 연구는 이러한 자동 평 가 시스템의 강점을 소규모 또는 실습형 교육 환경에도 확장하기 위해, 누구나 쉽게 접할 수 있는 웹캠을 활용한 OMR 자동 채 점 시스템을 구현하였다. 제안하는 시스템은 경량 딥러닝 모델을 사용해 라즈베리파이 등 저사양 장치에서도 원활하게 동작하 며, 네 모서리에 배치한 고유 태그와 구조화된 답안지 설계를 통해 문서 정렬 오류를 최소화하고, 다양한 촬영 환경에서도 안정 적인 인식 결과를 얻을 수 있다. 객관식 문항은 MobileNet 기반 경량 CNN으로 온디바이스에서 처리하고, 주관식 문항은 높은 인식률을 위하여 클라우드 OCR 서비스를 병렬로 적용하는 이원화 구조를 채택했다. 별도의 화질 개선 전처리 없이 다양한 이 미지 증강 기법을 활용해 데이터 일반화 성능을 강화하였으며, 실제 실험에서는 다양한 필기구로 작성된 답안지에 대해서도 높 은 인식률과 라즈베리파이 5 기준 약 2초/장 수준의 실용적 처리 속도를 보였다. 이를 통해 소규모 교육 환경에서도 웹캠과 딥러 닝 기술을 바탕으로 신뢰도 높은 자동 채점이 가능함을 실험적으로 보여주었다.
Abstract
Commercial optical mark recognition (OMR) systems have been widely used for their efficiency and reliability in large-scale educa tional assessment. To extend the benefits of automated grading to small-scale or practice-oriented educational environments, this study presents a webcam-based automated OMR grading system that is easily accessible and cost-effective. The proposed system employs a lightweight deep learning model, enabling operation even on low-specification devices such as Raspberry Pi. A structured answer sheet design with unique tags placed at the four corners of the answer sheet is used to minimize document alignment errors and ensure robust recognition under various imaging conditions. Multiple-choice questions are processed on-device using a MobileNet-based lightweight convolutional neural network (CNN), while subjective questions are handled in parallel through cloud-based optical character recognition (OCR) services, resulting in a dual processing architecture for high overall recognition accuracy. The use of diverse image augmentation techniques improves model generalization without explicit image enhancement preprocessing. Experimental results demonstrate that the system achieves high recognition rates and practical processing speeds (approximately 2 seconds per sheet in Raspberry Pi 5), even when answer sheets are marked with various writing instruments. These findings empirically demonstrate that reliable automatic grading based on webcams and deep learning technology is feasible and practical in small-scale educational environments.