错题智能识别分析项目的开发

关注

原创 2025-11-20 14:40:44 1.5k 阅读 AI 写同款· GEO 优化 ›

# ErrorMind - 智能错题管理系统 📚

![Python](https://img.shields.io/badge/python-3.13+-blue.svg)
![Flask](https://img.shields.io/badge/flask-3.1.1+-lightgrey.svg)

## 项目简介

ErrorMind 是一个基于AI的智能错题管理系统，通过图像识别和深度学习技术，帮助学生高效整理和分析错题，提供个性化学习建议。



## 功能特性 ✨

- **智能OCR识别**：自动提取图片中的题目文本
- **AI错题分析**：深度解析错误原因和知识点
- **数据可视化**：直观展示学习弱项
- **学习建议**：生成个性化提升方案
- **多学科支持**：覆盖主流学科分类

## 📂 项目结构、
- 📁 ErrorMind/
  - 📄 app.py # Flask应用主入口
  - 📄 config.py # 应用配置文件
  - 📄 learning.db # SQLite数据库文件
  - 📁 database/ # 数据库模块
      - 📄 init.py
      - 📄 operations.py # 数据库CRUD操作
  - 📁 services/ # 业务服务
      - 📄 ai_service.py # DeepSeek AI分析服务
      - 📄 ocr_service.py # OCR文字识别服务
  - 📁 static/ # 静态资源
      - uploads/ # 用户上传文件存储
  - 📁 templates/ # Jinja2模板
      - 📄 dashboard.html # 数据看板
      - 📄 history.html # 错题历史
      - 📄 index.html # 首页
      - 📄 result.html # 分析结果

## 技术栈

| 模块       | 技术选型         | 说明                     |
|------------|------------------|--------------------------|
| 前端       | Bootstrap + jQuery | 轻量级响应式设计           |
| 后端       | Flask            | Python轻量框架             |
| 数据库     | SQLite           | 内嵌数据库，无需单独部署     |
| OCR识别    | Tesseract-OCR    | 开源解决方案               |
| AI分析     | DeepSeek API     | 直接调用云端能力            |
| 可视化     | Chart.js         | 轻量级图表库               |

## 🚀 快速开始

# 📦 依赖安装指南

## 系统要求
- Python 3.13+
- pip 20.0+
- 推荐使用虚拟环境

## 基础安装

### 1. 创建虚拟环境（推荐）
```bash
python -m venv env
source env/bin/activate  # Linux/Mac
env\Scripts\activate    # Windows
```

### 2.安装依赖命令：
```bash
pip install flask pytesseract pillow requests

```

### 3. 运行项目
```bash
python app.py

一、Tesseract-OCR的安装

Tesseract-OCR是一款开源的OCR引擎，具备出色的多语言识别能力，涵盖多种常见及小众语言。其广泛应用于文档扫描、图像文字提取等任务，能高效准确地完成文字识别工作。本文将详细介绍如何在Windows平台上安装Tesseract-OCR 5.5.0版本。

（1）访问Tesseract OCR的GitHub项目页面（“https://github.com/UB-Mannheim/tesseract/wiki”），下载tesseract-ocr-w64-setup-5.5.0.20241111.exe安装包。

（2）由于网络等因素可能导致语言包下载失败。此时需要前往（https://github.com/tesseract-ocr/tessdata）语言资源页面手动下载所需的语言包（例如中文简体chi_sim.traineddata）。然后将下载的语言包文件放到Tesseract OCR安装目录下的tessdata文件夹下即可（示例路径为D:\Tesseract-OCR\tessdata）。

（3）配置Tesseract-OCR环境变量，方便后续的使用。右键点击“此电脑->属性->高级系统设置->环境变量”，在系统变量中找 Path，点击编辑，新增Tesseract-OCR的路径（如D:\Tesseract-OCR），然后点击确定保存。

二、DeepSeek API秘钥的获取

在使用DeepSeek API接口时，需要提供相应的秘钥，来进行权限的验证。获取API秘钥需要前往DeepSeek官网（https://www.deepseek.com/），通过手机号进行账号注册，然后单击官网页面中的“API开发平台”进入管理页面。然后选择API keys选项，点击“创建API key”按钮，随意输入一个秘钥名称（如，aiApi）进行秘钥的创建：

三、数据库构建

整个项目出于简化与快速实现的目的，仅需要两张表即可完成基础的功能需求，一张用来存储历史错题记录（包含题目id、图片路径、OCR识别文本等字段），一张用来存放知识点统计信息（包含知识点标签、次数、学科等字段）。

import sqlite3
from datetime import datetime
from config import Config

# 初始化数据库，用来创建相应的表结构
def init_db():
    conn = sqlite3.connect(Config.DATABASE)
    c = conn.cursor()

    # 创建错题表
    c.execute('''CREATE TABLE IF NOT EXISTS mistakes (
        id INTEGER PRIMARY KEY AUTOINCREMENT,
        question TEXT NOT NULL,
        analysis TEXT NOT NULL,
        knowledge_tags TEXT,
        difficulty INTEGER,
        subject TEXT,
        image_path TEXT,
        timestamp DATETIME DEFAULT CURRENT_TIMESTAMP
    )''')

    # 创建知识点统计表
    c.execute('''CREATE TABLE IF NOT EXISTS knowledge_stats (
        tag TEXT PRIMARY KEY,
        error_count INTEGER DEFAULT 0,
        subject TEXT,
        last_occurrence DATETIME
    )''')

    conn.commit()
    conn.close()

四、图片识别

OCR识别服务主要是用来从图片中提取出文本信息

from PIL import Image
import pytesseract

# 处理图片，转变为灰度图，并二值化处理，提高图片中文字识别的准确度
def preprocess_image(image_path):
    img = Image.open(image_path)
    img = img.convert('L')
    img = img.point(lambda x: 0 if x < 180 else 255)
    return img

# 进行OCR图片识别，提取图片上的文字
def extract_text_from_image(image_path):
    try:
        img = preprocess_image(image_path)
        text = pytesseract.image_to_string(img, lang='chi_sim+eng')
        return text.strip()
    except Exception as e:
        return str(e)

测试图片

图片识别结果：

第 1 题 : is mentioned above, it won”t be long before you regret what you have done ifyou can” t change your strategy.
站 .Which
B.That
C .As
D .Ht
【 单 选 题 ] : OA O 〇 B @Cc co

受限于语言包的性能以及图片质量等情况的显示，OCR服务有时会出现部分字符无法识别或者识别错误，但是已经正确识别出了大部分文本，能够基本满足我们的需求，若是需要识别准确度更高的OCR识别服务，可以切换一些收费的OCR服务（如百度OCR API）。

五、AI错题解析

接收OCR提取的题目文本作为输入参数，并通过调用DeepSeek API对这个题目进行分析，生成指定格式的题目解析：

# 对OCR识别的错题图片文本调用AI进行分析，并生成符合要求的内容
def analyze_with_deepseek(question):
    headers = {
        "Authorization": f"Bearer {Config.API_KEY}",
        "Content-Type": "application/json"
    }

    prompt = f"""
    你是一名专业教师，请分析以下题目：
    题目：{question}

    请按照以下结构化格式返回分析结果：
    {{
        "analysis": "详细分析错误原因、解题思路和相关知识点",
        "subject": "学科分类（数学、语文、英语、编程、物理、化学、生物、政治、历史、地理等）",
        "knowledge_tags": ["知识点1", "知识点2", "知识点3"],
        "difficulty": 难度等级(1-5的整数),
        "summary": "题目解析（需要包含正确答案，解析长度在1000字以内）"
    }}

    要求：
    1. 学科分类要准确
    2. 知识点标签不超过3个，使用中文
    3. 难度等级：1=非常简单，2=简单，3=中等，4=困难，5=非常困难
    4. 确保返回结果是合法的JSON格式
    """

    payload = {
        "model": "deepseek-chat",
        "messages": [
            {"role": "system", "content": "你是一名专业教师，请准确分析题目"},
            {"role": "user", "content": prompt}
        ],
        "temperature": 0.3
    }

    try:
        response = requests.post(Config.DEEPSEEK_API, json=payload, headers=headers)
        response.raise_for_status()
        result = response.json()
        content = result['choices'][0]['message']['content']

        json_match = re.search(r'\{[\s\S]*\}', content)
        if json_match:
            return json.loads(json_match.group(0))

        return {"analysis": content}
    except (json.JSONDecodeError, KeyError) as e:
        return {"error": f"解析失败: {str(e)}", "raw_response": content}
    except requests.exceptions.HTTPError as http_err:
        return {"error": f"HTTP错误: {http_err}"}
    except Exception as err:
        return {"error": f"其他错误: {str(err)}"}

六、存储数据

将AI生成的解析数据，存储到数据库中：

# 将错题记录到数据库中，并更新知识点统计表
def save_mistake(question, analysis, image_path):
    conn = sqlite3.connect(Config.DATABASE)
    c = conn.cursor()

    subject = analysis.get('subject', '未知')
    difficulty = analysis.get('difficulty', 3)

    knowledge_tags = analysis.get('knowledge_tags', [])
    knowledge_tags = ",".join(knowledge_tags[:3]) if isinstance(knowledge_tags, list) else "未分类"

    analysis_text = analysis.get('analysis', str(analysis))

    c.execute('''INSERT INTO mistakes 
                 (question, analysis, knowledge_tags, difficulty, subject, image_path) 
                 VALUES (?, ?, ?, ?, ?, ?)''',
              (question, analysis_text, knowledge_tags, difficulty, subject, image_path))

    for tag in knowledge_tags.split(','):
        if tag.strip():
            c.execute('''INSERT OR IGNORE INTO knowledge_stats (tag,subject, error_count) VALUES (?,?, 0)''',
                      (tag, subject))
            c.execute('''UPDATE knowledge_stats 
                         SET error_count = error_count + 1, last_occurrence = datetime('now') 
                         WHERE tag = ?''', (tag,))

    conn.commit()
    conn.close()

七、学情分析

使用DeepSeek API对根据用户最近的错题记录进行分析，生成指定格式的学习建议，具体实现代码如下所示：

def get_learning_recommendation():

    recent_errors=get_recent_mistakes()



    if not recent_errors:

        return {

            "success": False,

            "message": "暂无足够数据生成学习建议，请先上传错题"

        }



    prompt = f"""

    请根据以下学生近期错题记录，生成个性化的学习建议：



    近期错题分析：

    {''.join(recent_errors)}



    请按照以下格式提供建议：

    1. 主要薄弱知识点分析

    2. 推荐的学习路径（3-5个步骤）

    3. 3道针对性练习题（包含题目和答案）

    """



    headers = {

        "Authorization": f"Bearer {Config.API_KEY}",

        "Content-Type": "application/json"

    }



    payload = {

        "model": "deepseek-chat",

        "messages": [{"role": "user", "content": prompt}],

        "temperature": 0.5

    }



    try:

        response = requests.post(Config.DEEPSEEK_API, json=payload, headers=headers)

        response.raise_for_status()

        result = response.json()

        recommendation = str(result['choices'][0]['message']['content'])

        return {

            "success": True,

            "recommendation": recommendation

        }

    except Exception as e:

        return {

            "success": False,

            "message": f"生成学习建议时出错: {str(e)}"

        }