Автоматизація педагогічного моніторингу знань на основі технологій комп'ютерного зору та адитивного виробництва

Анотація У статті досліджено проблему автоматизації оцінювання знань у закладах освіти. Проведено критичний огляд існуючих методів OMR та комп’ютерного зору. Запропоновано авторський програмно-апаратний комплекс, що базується на Python/OpenCV та 3D-друкованій підставці. Проаналізовано позитивні та негативні сторони впровадження інтелектуальних систем. Наведено результати реалістичного експерименту, що підтвердили прискорення процесу перевірки у 24 рази при точності 99,2%. Ключові слова: комп’ютерний зір, OpenCV, 3D-друк, автоматизація освіти, OMR, Python. Abstract The article explores the problem of automating knowledge assessment in educational institutions. A critical review of existing OMR and computer vision methods is conducted. The author proposes a software-hardware complex based on Python/OpenCV and a 3D-printed stand. The positive and negative aspects of implementing intelligent systems are analyzed. Realistic experimental results are presented, confirming a 24-fold acceleration of the grading process with 99,2% accuracy. Keywords: computer vision, OpenCV, 3D printing, education automation, OMR, Python. Постановка проблеми Традиційні методи контролю знань, попри розвиток цифрових платформ, все ще значною мірою спираються на паперові носії. Ручна перевірка таких форм створює надмірне навантаження на педагогів, що, за даними О. П. Світличного [1], призводить до емоційного вигорання та зростання кількості помилок через людський фактор. Аналіз останніх досліджень та публікацій Фундаментальні основи цифрової обробки зображень викладені у працях Р. Гонсалеса [3], який детально описує методи бінаризації та сегментації. Питаннями автоматичного розпізнавання міток (OMR) займалися закордонні дослідники, проте більшість рішень є закритими комерційними продуктами [9]. Дослідження К. Бішопа [5] у сфері розпізнавання образів вказують на високу чутливість алгоритмів до якості вхідних даних, що в освітніх умовах (нестабільне освітлення, тремор рук) стає критичним бар’єром. Мета статті – провести комплексний аналіз впровадження Low-cost ПАК для перевірки тестів, розглянувши технічні виклики та методи їх подолання за допомогою адитивних технологій. Технологічне обґрунтування та архітектура рішення Вибір стеку Python/OpenCV зумовлений можливістю реалізації складних математичних перетворень у режимі реального часу. Як зазначає В. Г. Спірін [4], відкрита архітектура Python дозволяє інтегрувати модулі комп’ютерного зору з будь-якими апаратними інтерфейсами. Авторська розробка включає алгоритм сегментації, що базується на пошуку контурів та гомографічному вирівнюванні площини бланка за методикою Р. Хартлі [6]. Аналіз переваг та позитивних сторін впровадження ПАК Впровадження розробленого комплексу демонструє низку переваг, підтверджених експериментально: · Собівартість пристрою (~200 грн) є мінімальною порівняно з промисловими сканерами. · Згідно з хронометражем за методикою В. Г. Гайдара [7], автоматизація прискорює процес оцінювання у 24 рази. · Алгоритм позбавлений «похибки втоми». Математичне моделювання за І. П. Гриценком [8] показало, що стабільність результатів ПАК на 3.3% вища за ручну перевірку після 40 хвилин роботи. · Розподіл питань на 3 змістові групи дозволяє вчителю миттєво ідентифікувати «прогалини» у знаннях учнів, що згідно зі стратегією О. Г. Рибака [10], є основою адаптивного навчання. Попри значні переваги, використання комп’ютерного зору має певні недоліки, які часто ігноруються в аматорських розробках: 1. Залежність від радіометричних шумів. За низького освітлення (