Machine-based recognition of student identifiers from matrix template

Ovaj diplomski rad predstavlja novi pristup identifikaciji studenata tijekom ispita i provjera znanja. Predložena metoda koristi matrični predložak na ispitu, gdje studenti selektivno označavaju kvadratiće, unoseći znamenke koje odgovaraju njihovom jedinstvenom matičnom broju akademskog građanina (JMBAG). Razvijen je specijalizirani model dubokog učenja temeljen na modificiranoj U-Net arhitekturi, koji precizno prepoznaje i interpretira označene kvadratiće unutar matričnog predloška. Razvijeni model postiže visoku točnost u identifikaciji unesenih JMBAG-a unutar predloška uz zanemarivanje šuma u podacima. Nadalje, razvijena je aplikacija koja koristi model kako bi omogućila predviđanje osobnih brojeva studenata na temelju skeniranih dijelova ispita koji sadrže predložak. Uvođenje ovog inovativnog sustava identifikacije predstavlja značajan napredak u području ispita i provjere znanja, zamjenjujući konvencionalni ručni unos osobnih podataka učinkovitim, brzim i točnim postupkom identifikacije.This master’s thesis introduces a novel approach to student identification during exams and knowledge tests. The proposed method utilizes a matrix template on the exam sheet, where students selectively mark squares by entering digits corresponding to their unique academic citizen identification number. A specialized deep learning model, based on a modified U-Net architecture, has been developed to accurately recognize and interpret the marked squares within the matrix template. The designed model achieves high accuracy in identifying the entered student IDs within the template while disregarding data noise. Furthermore, an application has been developed that utilizes the trained model to provide the functionality of predicting student identification numbers based on scanned sections of the exam containing the template. The introduction of this innovative identification system represents a notable advancement in the field of exams and knowledge tests, replacing the conventional manual entry of personal data with an efficient, fast, and accurate identification procedure