明阅 OMR：让批改从重复劳动变成可复核的流程

明阅 OMR 是一款面向老师和学校场景的本地答题卡批改工具。老师可以一次上传整班扫描件、多页 PDF 或 ZIP，系统会拆分答卷、识别学生信息和选择题、按答案计分，再把不确定的项目集中交给人工复核。我们希望它缩短机械式登分的时间，同时保留每次识别、修改和导出的可追溯记录。

• 批改任务首页：用状态和进度区分正在处理、待复核和可导出的任务。

它能做什么

• 批量导入答卷：支持 PNG、JPEG、PDF 和 ZIP；一个 PDF 可包含多份答卷，每份可设置为 1–4 页。
• 识别并计分客观题：支持单选、多选和 A–G 选项，可导入 Excel/CSV 答案和分值规则。
• 识别学生信息：在本机识别学号、准考证号、姓名和班级；低置信度结果不会被静默采用。
• 集中复核问题答卷：擦改、多涂、身份信息不确定等情况会进入复核界面，老师可对照原图确认。
• 处理主观题：可裁出简答题和作文区域；老师可以关闭主观题自动批改，也可配置兼容 OpenAI 接口的第三方多模态模型按参考答案、分值、字数要求和评分提示辅助评分。
• 导出成绩：通过预检后导出 Excel 或 CSV，包含学生成绩和逐题明细。

• 成绩页：完成识别和复核后，可直接导出 Excel 或 CSV。

一张答题卡如何被处理

1. 定位纸张和印刷外框，对拍摄角度进行透视矫正。
2. 用版面检测模型找到学生信息、客观题和主观题区域。
3. 使用本地填涂分类器判断每个选项，同时检测擦改和歧义。
4. 用答案表计分，将不确定项目交给人工复核，最后生成成绩表。

• 开发验收叠加图：蓝框表示学生信息和客观题区，紫/红框表示简答题与作文区。

使用了什么技术

部分	技术	用途
桌面应用	Electron 44	把本地 Web 工作台包装成 macOS App，管理后端进程和本地数据
操作界面	React、TypeScript、Vite、Nacre UI	批改任务、版式设置、复核和导出
本地服务	Python、FastAPI、SQLite	任务队列、成绩计算、审计记录和本机持久化
图像与 PDF	OpenCV、Pillow、PDFium	页面渲染、几何矫正、质量检测和区域裁切
答题卡模型	MobileNetV3 + ONNX Runtime、PP-DocLayout-L、RF-DETR	填涂分类、版面区域检测和学生信息定位
文字与码	RapidOCR、ZXing-C++	本地 OCR 以及一维码/二维码识别
主观题辅助	可选第三方多模态 LLM API	按老师给出的参考答案与评分提示生成建议分数和理由

核心客观题识别可在本机运行。仅当老师主动开启主观题 AI 辅助时，对应裁图才会按配置发给第三方接口。

我的本机基准测试

测试日期为 2026-10-18，环境为 Apple M4、32 GB 内存、arm64、macOS 27.0.1。数字均来自当天在项目工作区中实际执行的命令。

项目	结果	说明
核心功能回归	71/71 通过	批量导入、多页主观题、安全响应、明暗主题、Electron 打包配置；Pytest 用时 39.84 s，命令墙钟 41.24 s
锁定真实扫描基准回归	9/9 通过	基准文件完整性、几何校准和生产选项对齐；0.46 s
前端生产构建	2075 个模块，297 ms	TypeScript + Vite 构建成功；完整 npm 命令墙钟 1.00 s
本地健康接口	平均 1.23 ms，P95 1.41 ms	已启动服务上连续请求 20 次
本地任务列表接口	平均 202.18 ms，P95 220.32 ms	含本地任务与统计整理，连续请求 20 次
填涂分类器冷启动	0.447 s	ONNX Runtime + Core ML，模型成功可用
版面检测器冷启动	5.357 s	PP-DocLayout-L，三个模型中的主要启动耗时
学生信息定位器冷启动	1.290 s	RF-DETR，CPU 推理配置成功可用

项目中的 50 页锁定真实扫描基准记录为 A–D 选项 4492/4494（99.9555%）、heldout 898/898、学号数字 124/124。本次重新执行了该基准的 9 项产物与对齐回归，没有重跑整套 50 页推理。这组结果只说明在已锁定扫描集上的表现，不能当作陌生学校、手机拍摄和任意版式的通用准确率。

适合怎样使用

明阅 OMR 已经适合社团内部演示、固定版式的教学试验和有老师复核的试点流程。它还不应在缺少人工复核和外部学校样本验证的情况下，直接用于高风险考试成绩发布。手写姓名、严重模糊照片和陌生印刷版式仍需要更大的真实数据集与独立验证。主观题 AI 评分是辅助意见，最终分数应由老师确认。

查看明阅 OMR 项目介绍