CN109359521A - 基于深度学习的课堂质量双向评估系统 - Google Patents
基于深度学习的课堂质量双向评估系统 Download PDFInfo
- Publication number
- CN109359521A CN109359521A CN201811032067.8A CN201811032067A CN109359521A CN 109359521 A CN109359521 A CN 109359521A CN 201811032067 A CN201811032067 A CN 201811032067A CN 109359521 A CN109359521 A CN 109359521A
- Authority
- CN
- China
- Prior art keywords
- classroom
- teacher
- student
- terminal
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Technology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种基于深度学习的课堂质量双向评估系统,包括教室终端、教师终端、教务终端、学生终端以及云服务器,其中,教师终端采集处理和发送课堂图片和视频;教师终端发送文字信息和图像至云服务器以实现作业发布、考试时间和地点通知,接收和显示分析结果;教务终端接收和显示各教师的教学班的基本信息、历史教学情况和学生学习情况;学生终端接收和显示课堂作业通知、考试时间和地点通知、个人课堂表现以及各个任课教师的教学质量评价结果;云服务器基于接收的课堂图片和帧图像,利用目标检测模型、人脸检测模型和人脸分割模型对课堂图片和帧图像进行考勤分析、听课率分析、课堂行为分析、课堂表情分析、课堂座位分析,并反馈分析结果。
Description
技术领域
本发明涉及教学管理信息技术领域,具体涉及一种基于深度学习的课 堂教学质量双向评估系统。
背景技术
随着近几年来高校教育制度不断改革,如何有效提高课堂的教学质量 早已成为教学管理者的焦点。良好的高校课堂教学管理不仅对对高校的教 师实现教学目标以及完成教学任务具有重要的意义,而且对于协调师生间 的关系以及培养优秀的人才同样具有重要的作用。但是,如今的高校课堂 存在许多问题,如学生经常逃课、课堂出勤率低,上课睡觉玩手机等现象 普遍以及学生消极上课打发时间。尽管高校的教学管理者制定了一些制度 来解决这些问题,如增加了课堂点名,无手机化课堂,但也出现了代签到、 代课团等学生所谓的应对措施。而对于有些高校课堂的教师台上授课、学 生安静地记笔记的现象看似和谐,却不符合当代的大学生素质教育要求。 这种缺乏互动的知识的单方面灌输会使得学生没有空间去发现问题和创 新,同时教师也不能获得学生学习情况的反馈,进而导致高校的课堂效率 低下并且难以提高。
为此,智能教学系统应运而生,它们通过多项技术、互联网以及计算 机系统提供有效的、全面的学习和诊断以及针对性教学等功能,被广泛运 用于高校课堂。如好未来集团研发的魔镜系统,通过摄像头等视频录取设 备捕捉学生上课时的状态和面部表情变化情况;同济大学的多模态学生课 堂行为分析系统和方法,通过人脸识别和麦克风检测学生与老师的听课授 课状态;以及较为普遍的通过人脸识别实现课堂点名和语音识别实现实时 板书的教学系统。根据文献查阅显示,当前智能教学系统大多着重于课堂 教学水平,但是以通过高校课堂的智能教学管理以及质量分析来对学生的 学习情况以及教师的教学质量进行双向评估的相关教育产品尚不多见。
现有的智能教学系统大多以图像识别、AR/VR技术、语音识别等技 术为基础推进课堂的革新,缺少深度学习的应用,且对图像的识别与分类 准确性不高。而目前人脸识别技术、行为识别技术、微表情识别技术已经 成功应用于许多领域,因此开发以这些技术为基础并加以改进和创新的课 堂质量双向评估系统,可以节约大量宝贵的时间成本,为学生提供课堂学 习情况的分析以及反馈信息以便于学生对自己的学习行为进行全面地反 思和改进,促进学习效率的提高,还能为教师提供课堂教学质量的反馈信 息以便于了解学生对知识的掌握情况和对教学方法的评估以便于改进不 足的地方,提高教学效率,对课堂质量的提高具有深刻的意义和价值。
发明内容
针对高校课堂教学管理存在的相关问题,本发明的目的是提供一种基 于深度学习的课堂质量双向评估系统,通过课堂信息数据来实现对高校教 学质量和学生学习行为的评价和反馈,该系统不仅获取信息的渠道方便快 捷,而且能够减少大量的时间成本,有效提高教师的教学效率。
为实现上述发明目的,本发明提供如下技术方案:
一种基于深度学习的课堂质量双向评估系统,包括教室终端、教师终 端、教务终端、学生终端以及云服务器,其中,教室终端、教师终端、教 务终端以及学生终端均与云服务器通信连接,
所述教师终端受所述云服务器控制采集课堂图片和视频,并对视频进 行帧裁剪后,将课堂图片、视频以及帧图像发送至云服务器;
所述教师终端发送文字信息和图像至所述云服务器以实现作业发布、 考试时间和地点通知,接收和显示基于课堂图片和帧图像反馈的分析结果;
所述教务终端接收和显示各教师的教学班的基本信息、历史教学情况 和学生学习情况,发送文字信息至学生终端和教师终端;
所述学生终端接收和显示课堂作业通知、考试时间和地点通知、个人 课堂表现以及各个任课教师的教学质量评价结果,发送选课结果至云服务 器;
所述云服务器基于接收的课堂图片和帧图像,利用目标检测模型、人 脸检测模型和人脸分割模型对课堂图片和帧图像进行考勤分析、听课率分 析、课堂行为分析、课堂表情分析、课堂座位分析,并将分析结果反馈给 教师终端、教务终端以及学生终端。
其中,所述教室终端包括:
网络通信单元,与云服务器通信,接收云服务器发送的控制信号,将 帧处理单元处理后的帧图像和采集的课堂图片和视频发送至所述云服务 器以存储和处理;
数据采集单元,受终端控制单元控制采集课堂图片和视频;
终端控制单元,根据网络通信单元接收到控制信号,控制数据采集单 元采集课堂图片和视频;
帧处理单元,将采集的视频按照时间顺序截取成帧图像,对于当前帧 图像进行判断,若当前帧图像与前一帧图像的相似度大于所设定的相似度 阈值,则将当前帧图像删除,实现对视频流的帧加速与处理。
其中,所述云服务器包括:
接收单元,接收教室终端发送的课堂图片和帧图像、教师终端和学生 终端发送的文字信息或图像;
管理单元,将教师终端的图片与文字信息更新至存储单元的学生反馈 信息,将学生终端的评价更新到存储单元的教师课程信息;
处理单元,利用目标检测模型、人脸检测模型和人脸分割模型对课堂 图片和帧图像进行考勤分析、听课率分析、课堂行为分析、课堂表情分析、 课堂座位分析;
存储单元,存储课堂图片和帧图像,存储目标检测模型、人脸检测模 型和人脸分割模型,存储处理单元输出的所有分析结果;
发送单元,发送控制信号至教室终端,发送考勤分析、听课率分析、 课堂行为分析、课堂表情分析、课堂座位分析结果至教师终端、教务终端 以及学生终端。
本发明具有的有益效果为:
移动智能终端的客户端具有较为良好的便携性、移动性,能够给忙于 授课的教师提供较为全面的课堂数据,通过该数据教师可以更为清晰地了 解学生的学习情况,同时也可以看出自己教学质量和教学方式的不足并加 以改进;所建立的数据库能够存储了所有对教师的评价,通过学生端让学 生对教师有更多的了解,便于选择课程,同时可以接收教师的重要通知以 及课堂学习的反馈内容,并调整自己的学习计划。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对 实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地, 下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员 来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是实施例提供的课堂质量双向评估系统的结构示意图;
图2是实施例提供的教室终端的结构示意图;
图3是实施例提供的云服务器的结构示意图;
图4是实施例提供的目标检测模块结构图;
图5是实施例提供的人脸检测模块的损失函数训练示意图;
图6是实施例提供的处理单元反馈结果示意图,其中,(a)为智能课 堂点名图,(b)为学生座位分析图,(c)为听课率-时间折线图,(d)为听 课学生-位置散点图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及 实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实 施方式仅仅用以解释本发明,并不限定本发明的保护范围。
本实施案例提供的课堂质量双向评估系统的发明构思为:首先,通过 移动智能终端的前台客户端以及教室终端的开发,结合云服务器的搭建与 后台数据库的建立,形成双向评估系统;其次,客户端的使用以及教室终 端的数据采集基于图像处理技术,通过使用摄像头并经过帧处理采集课堂 数据;同时,数据库的建立与维护,使用深度学习技术,通过图像目标检 测模型,人脸分割与人脸检测模型对采集的课堂信息进行识别与分析,实 现存储信息与反馈信息的完善与跟新;另外,云服务器用于客户端、教室 终端与数据库的数据传输,形成双向评估体系。
本实施例提供的课堂质量双向评估系统如图1所示,课堂质量双向评 估系统100包括教室终端101、教师终端102、教务终端103、学生终端104、云服务器105,其中,教师终端102、教务终端103以及学生终端104 构成客户端,与云服务器105通信连接。云服务器105包括接收单元1051、 处理单元1052、管理单元1053、存储单元1054以及发送单元1055。
教室终端101设置在教室中,如图2所示,由网络通信单元201、数 据采集单元202、终端控制单元203以及帧处理单元204组成;网络通信 单元201与云服务器105通信,接收云服务器105发送的控制信号;终端 控制单元203根据网络通信单元201接收到控制信号,控制数据采集单元 202采集课堂数据,该课堂数据包括图像和视频;帧处理单元204将采集的视频按照时间顺序截取成帧图像,对于当前帧图像进行判断,若当前帧 图像与前一帧图像的相似度大于所设定的相似度阈值,则将当前帧图像删 除,实现对视频流的帧加速与处理;网络通信单元201将帧处理单元204 处理后的视频帧和采集的图像和视频发送至云服务器以存储和处理。
教师终端102、教务终端103以及学生终端104作为移动客户端,主 要具有发送、接收和显示功能,即发送图像和文字信息到云服务器105, 接收和显示云服务器105返回的数据。
教师通过教师终端102登录,选择自己的班级,通过发送学生课堂图 片及上课控制信息至云服务器105,再转至教室终端1011进行后台学生考 勤和课堂数据记录和处理。课后教师可通过教师终端102查看课堂数据的 反馈结果,同时可以向学生以文字或图片形式发布作业或重要通知。
学生通过登录学生终端104可查询课堂的作业通知以及个人的课堂表 现及反馈等等,并可对任课教师的教学质量加以评价,同时可以根据系统 以及以往学生的评价结果来选择适合自己的课程老师。
教务人员通过教务终端103查询各个教师的教学班的基本信息以及历 史教学情况和学生学习情况,同时可以向教师和学生以文字信息发送重要 通知等。
云服务器105主要用于对接收的数据进行考勤分析、听课率分析、课 堂行为分析、课堂表情分析、课堂座位分析等,并将分析结果反馈给移动 客户终端。具体地,
接收单元1051接收教室终端101、教师终端102以及学生终端104 发送的课堂数据、文字信息或图像;
发送单元1055发送控制信号至教室终端101,发送分析结果至教师终 端102、教务终端103、学生终端104。
管理单元1053用于将教师终端102的图片与文字信息更新至存储单 元1054的学生反馈信息,将学生终端104的评价更新到存储单元1045的 教师课程信息;
如图3所示,处理单元1052包括考勤分析及反馈子单元301、听课率 分析及反馈子单元302、课堂行为分析及反馈子单元303、课堂表情分析 及反馈子单元304、课堂座位分析及反馈子单元305。该五个子单元均采 用深度学习模型对课堂数据进行分析及反馈。
针对考勤分析及反馈子单元301,调取并利用训练好的人脸分割模型 统计课堂图像中的人脸数量,实现课堂的人数统计,同时计算出勤率;调 取并利用训练好的人脸检测模型和基于存储单元1054中的学生人脸信息 对分割出的人脸进行识别匹配,实现学生智能考勤;将人数统计结果和出 勤率以及学生考勤结果更新到存储单元1054中的学生考勤数据中;根据 学生考勤结果绘制出勤率-时间折线图,并根据出勤率对教师的教学质量 作出初步的评估,将时间折线图和教学质量评估结果更新到存储单元1054 中的教师反馈信息中。
针对听课率分析及反馈子单元302,基于低头的学生人脸不易被识别 这一现象,调取并利用人脸分割模型检测存储单元1054中每张视频帧图 像的人脸数量后,根据人脸数量计算听课率,并绘制听课率-课堂时间曲 线图,基于计算的人脸位置坐标,绘制听课学生(即人脸)-位置散点图, 将听课率结果、听课率-课堂时间以及听课学生-位置散点图分别更新到存 储单元1054中听课率数据以及教师反馈信息中。
针对课堂行为分析及反馈子单元303,调取并利用训练好的图像目标 检测模型对存储单元1054中视频帧图像中的课堂行为(如学生举手、站 立、睡觉、教师互动)进行检测;利用人脸分割模型和人脸检测模型识别 学生位置并统计课堂行为种类与次数,将学生身份更新到课堂行为数据以 及学生反馈信息中,将有课堂行为的学生位置以及行为种类与次数更新到 课堂行为数据中;根据课堂行为数据中行为的总次数计算互动率(互动的 次数占总人数的比例),对教师的教学质量进行评估,将互动率及教学质 量评估结果更新到课堂行为数据中以及教师反馈信息中。
针对课堂表情分析及反馈子单元304,利用人脸分割模型与人脸检测 模型识别存储单元1054中视频帧图像中的学生人脸,利用图像目标检测 模型对学生的表情进行识别分类,包含生气、疑惑、开心、害怕、平淡、 难过六大类;对学生表情的识别结果进行分类统计并计算每种表情出现的 占比,根据表情数据对教师的教学方式做进一步的评估,让教师能够根据 结果对教学方式做出相应的调整;同时对疑惑次数偏多的学生生成相应课 程预习提醒建议;将表情占比结果更新到课堂学生数据以及教师反馈信息 中,将提醒建议更新到学生反馈信息中。
针对课堂座位分析及反馈子单元305,利用人脸分割模型与人脸检测 模型对存储单元1054中的课堂图像进行识别,将学生的座位位置与学生 个人的学习成绩联系在一起,根据学习成绩分为优秀、良好以及普通的学 生,用三种不同的颜色的点来表示,绘制散点图,两坐标代表位置,最后 将散点图更新到学生数据以及教师反馈信息中;教师可以根据该数据全面 地、有针对性地照顾到更多的同学。
上述目标检测模型是通过Fast R-CNN网络实现的。采用Fast R-CNN 网络识别目标的步骤包括:(1)使用CNN模型提取特征;(2)候选区域 的选择与映射;(3)目标分类与边界回归。本实施例采用的Fast R-CNN 的结构示意图如图4所示。
首先,图像输入至CNN网络中,经过一些列的卷积和池化操作得到 特征图;
然后,候选区域的选择与映射,其中,候选区域的选择是指从原始图 像中预先找出可能存在目标的位置,也称为感兴趣的部分(RoI,Region of Interest)。Fast R-CNN使用Selective Search方法选择大约2000个候选区 域,该方法结合了穷举搜索和分割的方法,大幅降低了候选区域的搜索时 间,并同时提高了选择的精确度。候选区域的映射是指将原始图像中候选 区域的位置映射到特征图上。Fast R-CNN通过在卷积层后增加RoI池化层 将每个候选区域映射为单个固定尺度的特征向量,实现了计算量的降低。
最后,目标分类与边界回归,Fast R-CNN采用SVD分解将上一步得 到的特征向量经过各自的全连接层计算分别得到两个输出向量用于分类 与回归。其中,目标分类指以输出向量作为输入,使用支持向量机(SVM) 对目标进行分类。边界回归指通过输出向量对候选区域边框进行回归、修 正,以获取与目标图像位置最为吻合的边框。
Fast R-CNN相比于R-CNN减少了重复的卷积操作,并将所有特征向 量都存储在GPU显存中,无需额外的磁盘空间,实现了运行速度的提升 与训练过程的简化。
上述人脸检测模型通过FaceNet算法实现的。FaceNet基于相同人脸 照片具有高内聚性,不同人脸照片具有低耦合性使用CNN网络模型与三 元损失(Triple Loss)函数进行人脸检测。
首先进行CNN特征提取,将人脸图像输入CNN网络,通过卷积、池 化操作后得到特征向量,实现人脸到欧式空间的映射,通过计算不同人脸 照片特征的距离,基于相同个体人脸的距离总是小于不同个体人脸的距离 这一条件进行网络训练。
本实施例采用CNN具体结构如表1;
表1
其次是三元损失(Triple Loss)函数的使用,其目标为将相同个体的 人脸特征映射到空间的相同区域,以使得相同个体人脸距离小于不同个体 人脸距离,即实现类内距离小于类间距离。具体的,三元(triplet)由(Anchor, Positive,Negative)组成,其中Anchor为锚,表示数据集中的一个随机 样本,Positive表示与Anchor属于同一类的样本,Negative表示与Anchor 属于不同类别的样本,在训练过程中,三元损失函数使Anchor与Positive 间的距离尽可能小,Anchor与Negative间的距离尽可能大,并使类内与 类间距离存在一个间隔。其训练过程示意图如图5所示。
FaceNet算法通过提取人脸特征并计算距离后使用阈值即可判定两张 人脸图像是否属于相同的个体,算法更加简便且准确率较高。
人脸分割模型实现人脸分割的具体过程为:
输入原始图像,基于一定的缩放系数创建图像金字塔,得到不同尺度 与分辨率的缩放图像;
采用Resnet-101网络对所有缩放图像进行特征提取和候选框边界回 归,获得与人脸位置最为吻合的边框;
采用非最大抑制方法(NMS)对所有缩放图像对应的边框进行融合, 获得最终检测结果即人脸的坐标值;
根据返回的坐标值利用Python中的OpenCV模块cv2对人脸进行裁 剪分割以及暂时存储。
对于班级的合照来说,由于人数过多而导致人脸会比较小或者包含的 信息过少,为了尽可能减少这些情况对结果的影响,可以从周围的信息(例 如肩膀、头发等)对人脸的位置进行辅助定位,并返回每张人脸的位置坐 标。
处理单元1052的智能课堂点名图,学生座位分析图,听课率-时间折 线图以及听课学生-位置散点图如图6(a)~图6(d)所示。
具体地,听课率分析及反馈子单元302中,定义:
其中,由于听课的学生是面向黑板,因此可以通过摄像头捕捉课堂上 学生的人脸作为听课的人数Ne。同时定义:
其中,T表示教学成分评价指标,公式(2)中的0.3和0.7表示参照 指标,具体表示30%的学生独立思考时间和70%的学生认真听讲的时间, 公式(2)中N1表示实际学生独立思考时间,N2表示实际学生认真听讲 的时间,由于学生独立思考时的人脸朝下而不能被摄像头捕捉,因此N1可 用S小于0.3时的次数表示,同理,N2可用S大于0.3时的次数表示。
存储单元1054中教师信息的教师评价包括了系统评价和学生评价, 其中系统评价是系统根据课堂数据的分析处理结果进行相应的评估,具体 由课堂学生出勤情况、听课情况、学生学习情况以及课堂学生教学评价指 标等综合组成;学生评价则是三十条随机选取的学生对教师的评价内容。
在使用上述课堂质量双向评估系统前,需要先下载客户端,包括教师 端与学生端,接着进行用户注册和绑定后即可登录,登录后即可使用该系 统。其中教师端、学生端和教务端的界面针对对象不同,功能也有所区别。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详 细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制 本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等, 均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的课堂质量双向评估系统,包括教室终端、教师终端、教务终端、学生终端以及云服务器,其中,教室终端、教师终端、教务终端以及学生终端均与云服务器通信连接,其特征在于,
所述教室终端受所述云服务器控制采集课堂图片和视频,并对视频进行帧裁剪后,将课堂图片、视频以及帧图像发送至云服务器;
所述教师终端发送文字信息和图像至所述云服务器以实现作业发布、考试时间和地点通知,接收和显示基于课堂图片和帧图像反馈的分析结果;
所述教务终端接收和显示各教师的教学班的基本信息、历史教学情况和学生学习情况,发送文字信息至学生终端和教师终端;
所述学生终端接收和显示课堂作业通知、考试时间和地点通知、个人课堂表现以及各个任课教师的教学质量评价结果,发送选课结果至云服务器;
所述云服务器基于接收的课堂图片和帧图像,利用目标检测模型、人脸检测模型和人脸分割模型对课堂图片和帧图像进行考勤分析、听课率分析、课堂行为分析、课堂表情分析、课堂座位分析,并将分析结果反馈给教师终端、教务终端以及学生终端。
2.如权利要求1所述的基于深度学习的课堂质量双向评估系统,其特征在于,所述教室终端包括:
网络通信单元,与云服务器通信,接收云服务器发送的控制信号,将帧处理单元处理后的帧图像和采集的课堂图片和视频发送至所述云服务器以存储和处理;
数据采集单元,受终端控制单元控制采集课堂图片和视频;
终端控制单元,根据网络通信单元接收到控制信号,控制数据采集单元采集课堂图片和视频;
帧处理单元,将采集的视频按照时间顺序截取成帧图像,对于当前帧图像进行判断,若当前帧图像与前一帧图像的相似度大于所设定的相似度阈值,则将当前帧图像删除,实现对视频流的帧加速与处理。
3.如权利要求1所述的基于深度学习的课堂质量双向评估系统,其特征在于,所述云服务器包括:
接收单元,接收教室终端发送的课堂图片和帧图像、教师终端和学生终端发送的文字信息或图像;
管理单元,将教师终端的图片与文字信息更新至存储单元的学生反馈信息,将学生终端的评价更新到存储单元的教师课程信息;
处理单元,利用目标检测模型、人脸检测模型和人脸分割模型对课堂图片和帧图像进行考勤分析、听课率分析、课堂行为分析、课堂表情分析、课堂座位分析;
存储单元,存储课堂图片和帧图像,存储目标检测模型、人脸检测模型和人脸分割模型,存储处理单元输出的所有分析结果;
发送单元,发送控制信号至教室终端,发送考勤分析、听课率分析、课堂行为分析、课堂表情分析、课堂座位分析结果至教师终端、教务终端以及学生终端。
4.如权利要求3所述的基于深度学习的课堂质量双向评估系统,其特征在于,所述处理单元包括:
考勤分析及反馈子单元,调取并利用训练好的人脸分割模型统计课堂图像中的人脸数量,实现课堂的人数统计,同时计算出勤率;调取并利用训练好的人脸检测模型和基于存储单元中的学生人脸信息对分割出的人脸进行识别匹配,实现学生智能考勤;将人数统计结果和出勤率以及学生考勤结果更新到存储单元中的学生考勤数据中;根据学生考勤结果绘制出勤率-时间折线图,并根据出勤率对教师的教学质量作出初步的评估,将时间折线图和教学质量评估结果更新到存储单元中的教师反馈信息中;
听课率分析及反馈子单元,调取并利用人脸分割模型检测存储单元1054中每张视频帧图像的人脸数量后,根据人脸数量计算听课率,并绘制听课率-课堂时间曲线图,基于计算的人脸位置坐标,绘制听课学生-位置散点图,将听课率结果、听课率-课堂时间以及听课学生-位置散点图分别更新到存储单元1054中听课率数据以及教师反馈信息中;
课堂行为分析及反馈子单元,调取并利用训练好的图像目标检测模型对存储单元中视频帧图像中的课堂行为进行检测;利用人脸分割模型和人脸检测模型识别学生位置并统计课堂行为种类与次数,将学生身份更新到课堂行为数据以及学生反馈信息中,将有课堂行为的学生位置以及行为种类与次数更新到课堂行为数据中;根据课堂行为数据中行为的总次数计算互动率,对教师的教学质量进行评估,将互动率及教学质量评估结果更新到课堂行为数据中以及教师反馈信息中;
课堂表情分析及反馈子单元,利用人脸分割模型与人脸检测模型识别存储单元中视频帧图像中的学生人脸,利用图像目标检测模型对学生的表情进行识别分类,包含生气、疑惑、开心、害怕、平淡、难过六大类;对学生表情的识别结果进行分类统计并计算每种表情出现的占比,根据表情数据对教师的教学方式做进一步的评估,让教师能够根据结果对教学方式做出相应的调整;同时对疑惑次数偏多的学生生成相应课程预习提醒建议;将表情占比结果更新到课堂学生数据以及教师反馈信息中,将提醒建议更新到学生反馈信息中;
课堂座位分析及反馈子单元,利用人脸分割模型与人脸检测模型对存储单元中的课堂图像进行识别,将学生的座位位置与学生个人的学习成绩联系在一起,根据学习成绩分为优秀、良好以及普通的学生绘制散点图,两坐标代表位置,最后将散点图更新到学生数据以及教师反馈信息中;教师可以根据该数据全面地、有针对性地照顾到更多的同学。
5.如权利要求4所述的基于深度学习的课堂质量双向评估系统,其特征在于,所述目标检测模型是通过Fast R-CNN网络实现。
6.如权利要求4所述的基于深度学习的课堂质量双向评估系统,其特征在于,所述人脸检测模型通过FaceNet算法实现。
7.如权利要求4所述的基于深度学习的课堂质量双向评估系统,其特征在于,所述人脸分割模型实现人脸分割的具体过程为:
输入原始图像,基于一定的缩放系数创建图像金字塔,得到不同尺度与分辨率的缩放图像;
采用Resnet-101网络对所有缩放图像进行特征提取和候选框边界回归,获得与人脸位置最为吻合的边框;
采用非最大抑制方法对所有缩放图像对应的边框进行融合,获得最终检测结果,即人脸的坐标值;
根据返回的坐标值利用Python中的OpenCV模块cv2对人脸进行裁剪分割以及暂时存储。
8.如权利要求3所述的基于深度学习的课堂质量双向评估系统,其特征在于,存储单元1054中还包括了教师信息的教师评价,具体包括了系统评价和学生评价,其中:
系统评价是系统根据课堂数据的分析处理结果进行相应的评估,由课堂学生出勤情况、听课情况、学生学习情况以及课堂学生教学评价指标组成;
学生评价是三十条随机选取的学生对教师的评价内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811032067.8A CN109359521A (zh) | 2018-09-05 | 2018-09-05 | 基于深度学习的课堂质量双向评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811032067.8A CN109359521A (zh) | 2018-09-05 | 2018-09-05 | 基于深度学习的课堂质量双向评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359521A true CN109359521A (zh) | 2019-02-19 |
Family
ID=65350378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811032067.8A Pending CN109359521A (zh) | 2018-09-05 | 2018-09-05 | 基于深度学习的课堂质量双向评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359521A (zh) |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059961A (zh) * | 2019-04-19 | 2019-07-26 | 河南应用技术职业学院 | 以教学周期内教学区上座率数据分析为依据的校园学风分析方法及配套的数据采集设备 |
CN110110958A (zh) * | 2019-03-18 | 2019-08-09 | 深圳市深网视界科技有限公司 | 一种学情分析方法、电子设备及存储介质 |
CN110232346A (zh) * | 2019-06-06 | 2019-09-13 | 南京睦泽信息科技有限公司 | 一种基于深度学习的视频智能分析系统 |
CN110245591A (zh) * | 2019-05-30 | 2019-09-17 | 宋西军 | 课堂监督系统及与之关联的作业评判系统 |
CN110322134A (zh) * | 2019-06-26 | 2019-10-11 | 刘玉静 | 基于学生学习收获的教师教学质量评估系统 |
CN110349063A (zh) * | 2019-07-16 | 2019-10-18 | 广州市教育研究院 | 一种学业成长曲线测试方法和系统 |
CN110390614A (zh) * | 2019-05-07 | 2019-10-29 | 首都经济贸易大学 | 基于情感监护与实时互动的身临其境教学方法与系统 |
CN110782717A (zh) * | 2019-11-15 | 2020-02-11 | 安徽天勤盛创信息科技股份有限公司 | 一种税务管理培训用学习平台 |
CN110782185A (zh) * | 2019-11-09 | 2020-02-11 | 上海光数信息科技有限公司 | 一种课堂行为识别分析方法 |
CN110826510A (zh) * | 2019-11-12 | 2020-02-21 | 电子科技大学 | 一种基于表情情感计算的三维教学课堂实现方法 |
CN110837960A (zh) * | 2019-11-01 | 2020-02-25 | 广州云蝶科技有限公司 | 学生情感分析方法 |
CN110889672A (zh) * | 2019-11-19 | 2020-03-17 | 哈尔滨理工大学 | 一种基于深度学习的学生打卡及上课状态的检测系统 |
CN110929991A (zh) * | 2019-10-31 | 2020-03-27 | 深圳大学 | 一种基于课堂学生行为分析的学习质量评估系统和方法 |
CN111079113A (zh) * | 2019-12-13 | 2020-04-28 | 柳州铁道职业技术学院 | 一种人工智能控制的教学系统及其使用方法 |
CN111126297A (zh) * | 2019-12-25 | 2020-05-08 | 淮南师范学院 | 一种基于学习者表情的体验分析方法 |
CN111144261A (zh) * | 2019-12-19 | 2020-05-12 | 无锡融合大数据创新中心有限公司 | 一种基于大数据的智能管理系统 |
CN111160277A (zh) * | 2019-12-31 | 2020-05-15 | 深圳中兴网信科技有限公司 | 行为识别分析方法和系统、计算机可读存储介质 |
CN111241926A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 考勤与学情分析方法、系统、设备及可读存储介质 |
CN111275345A (zh) * | 2020-01-22 | 2020-06-12 | 重庆大学 | 一种基于深度学习的课堂信息化评价及管理的系统及方法 |
CN111275592A (zh) * | 2020-01-16 | 2020-06-12 | 浙江工业大学 | 一种基于视频图像的课堂行为分析方法 |
CN111507227A (zh) * | 2020-04-10 | 2020-08-07 | 南京汉韬科技有限公司 | 基于深度学习的多学生个体分割及状态自主识别方法 |
CN111563697A (zh) * | 2020-05-21 | 2020-08-21 | 上海复岸网络信息科技有限公司 | 一种线上课堂学生情绪分析方法和系统 |
CN111598746A (zh) * | 2020-04-15 | 2020-08-28 | 北京大米科技有限公司 | 教学交互控制方法、装置、终端及存储介质 |
CN111639565A (zh) * | 2020-05-19 | 2020-09-08 | 重庆大学 | 音视频结合的课堂质量综合评估方法 |
CN111652588A (zh) * | 2020-06-05 | 2020-09-11 | 上海电机学院 | 一种课堂学情互动教学研究系统 |
CN111666809A (zh) * | 2020-04-20 | 2020-09-15 | 阜阳师范大学 | 一种测评学生课堂表现的智能系统 |
CN111796752A (zh) * | 2020-05-15 | 2020-10-20 | 四川科华天府科技有限公司 | 一种基于pc的互动教学系统 |
CN111882305A (zh) * | 2020-05-09 | 2020-11-03 | 北京文香信息技术有限公司 | 一种行为分析装置及行为监控分析系统 |
CN112001275A (zh) * | 2020-08-09 | 2020-11-27 | 成都未至科技有限公司 | 用于采集学生信息的机器人 |
CN112132009A (zh) * | 2020-09-22 | 2020-12-25 | 湖南惟楚有才教育科技有限公司 | 课堂行为分析方法、系统及电子设备 |
CN112270231A (zh) * | 2020-10-19 | 2021-01-26 | 北京大米科技有限公司 | 一种确定目标视频属性特征的方法、存储介质、电子设备 |
CN112309191A (zh) * | 2019-07-30 | 2021-02-02 | 长沙市慧而乐科技有限公司 | 一种电子班牌机用于学生作业的核查系统 |
CN112382151A (zh) * | 2020-11-16 | 2021-02-19 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
CN112380937A (zh) * | 2020-11-04 | 2021-02-19 | 浙江工业大学 | 移动端眼动跟踪驱动的智慧课堂教学可视分析方法和系统 |
CN112465339A (zh) * | 2020-11-25 | 2021-03-09 | 宁波阶梯教育科技有限公司 | 一种教学质量评价方法、装置、系统及可读存储介质 |
CN112465260A (zh) * | 2020-12-10 | 2021-03-09 | 成都寻道科技有限公司 | 基于校园数据的学生教学管理系统 |
CN112487928A (zh) * | 2020-11-26 | 2021-03-12 | 重庆邮电大学 | 基于特征模型的课堂学情实时监测方法与系统 |
CN112733806A (zh) * | 2021-02-18 | 2021-04-30 | 北京工商大学 | 基于表情识别的课堂中学生实时分类与遴选方法 |
CN112819665A (zh) * | 2021-01-29 | 2021-05-18 | 上海商汤科技开发有限公司 | 课堂状态的评估方法和相关装置、设备 |
CN112990723A (zh) * | 2021-03-24 | 2021-06-18 | 武汉伽域信息科技有限公司 | 基于用户学习行为深度分析的在线教育平台学生学习力分析反馈方法 |
CN113065441A (zh) * | 2021-03-25 | 2021-07-02 | 开放智能机器(上海)有限公司 | 一种基于边缘设备的图像处理系统及方法 |
CN113450369A (zh) * | 2021-04-20 | 2021-09-28 | 广州铁路职业技术学院(广州铁路机械学校) | 一种基于人脸识别技术的课堂分析系统及方法 |
CN113743379A (zh) * | 2021-11-03 | 2021-12-03 | 杭州魔点科技有限公司 | 一种多模态特征的轻量活体识别方法、系统、装置和介质 |
CN114007105A (zh) * | 2021-10-20 | 2022-02-01 | 浙江绿城育华教育科技有限公司 | 在线课程互动方法、装置、设备和存储介质 |
CN114898449A (zh) * | 2022-07-13 | 2022-08-12 | 电子科技大学成都学院 | 一种基于大数据的外语教学辅助方法及装置 |
CN115330568A (zh) * | 2022-10-14 | 2022-11-11 | 北京师范大学 | 一种智能教室教学质量评测系统及方法 |
CN115424363A (zh) * | 2022-08-30 | 2022-12-02 | 新励成教育科技股份有限公司 | 一种教学管理方法、装置及计算机可读存储介质 |
CN116227968A (zh) * | 2022-12-13 | 2023-06-06 | 广州华翰教育科技股份有限公司 | 根据实时监控信息反馈分析的网络教育效果检验系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945624A (zh) * | 2012-11-14 | 2013-02-27 | 南京航空航天大学 | 基于云计算模型和表情信息反馈的智能化视频教学系统 |
CN105118344A (zh) * | 2015-09-23 | 2015-12-02 | 成都往来教育科技有限公司 | 智能教室系统 |
CN106204780A (zh) * | 2016-07-04 | 2016-12-07 | 武汉理工大学 | 一种基于深度学习和云服务的人脸识别考勤系统及方法 |
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
CN107316261A (zh) * | 2017-07-10 | 2017-11-03 | 湖北科技学院 | 一种基于人脸分析的教学质量评估系统 |
CN107958351A (zh) * | 2017-12-26 | 2018-04-24 | 重庆大争科技有限公司 | 教学质量评估云服务平台 |
-
2018
- 2018-09-05 CN CN201811032067.8A patent/CN109359521A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945624A (zh) * | 2012-11-14 | 2013-02-27 | 南京航空航天大学 | 基于云计算模型和表情信息反馈的智能化视频教学系统 |
CN105118344A (zh) * | 2015-09-23 | 2015-12-02 | 成都往来教育科技有限公司 | 智能教室系统 |
CN106204780A (zh) * | 2016-07-04 | 2016-12-07 | 武汉理工大学 | 一种基于深度学习和云服务的人脸识别考勤系统及方法 |
CN107239736A (zh) * | 2017-04-28 | 2017-10-10 | 北京智慧眼科技股份有限公司 | 基于多任务级联卷积神经网络的人脸检测方法及检测装置 |
CN107316261A (zh) * | 2017-07-10 | 2017-11-03 | 湖北科技学院 | 一种基于人脸分析的教学质量评估系统 |
CN107958351A (zh) * | 2017-12-26 | 2018-04-24 | 重庆大争科技有限公司 | 教学质量评估云服务平台 |
Cited By (62)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110958A (zh) * | 2019-03-18 | 2019-08-09 | 深圳市深网视界科技有限公司 | 一种学情分析方法、电子设备及存储介质 |
CN110059961A (zh) * | 2019-04-19 | 2019-07-26 | 河南应用技术职业学院 | 以教学周期内教学区上座率数据分析为依据的校园学风分析方法及配套的数据采集设备 |
CN110390614A (zh) * | 2019-05-07 | 2019-10-29 | 首都经济贸易大学 | 基于情感监护与实时互动的身临其境教学方法与系统 |
CN110390614B (zh) * | 2019-05-07 | 2023-02-10 | 首都经济贸易大学 | 基于情感监护与实时互动的身临其境教学方法与系统 |
CN110245591A (zh) * | 2019-05-30 | 2019-09-17 | 宋西军 | 课堂监督系统及与之关联的作业评判系统 |
CN110245591B (zh) * | 2019-05-30 | 2022-09-13 | 宋西军 | 课堂监督系统及与之关联的作业评判系统 |
CN110232346A (zh) * | 2019-06-06 | 2019-09-13 | 南京睦泽信息科技有限公司 | 一种基于深度学习的视频智能分析系统 |
CN110322134A (zh) * | 2019-06-26 | 2019-10-11 | 刘玉静 | 基于学生学习收获的教师教学质量评估系统 |
CN110349063A (zh) * | 2019-07-16 | 2019-10-18 | 广州市教育研究院 | 一种学业成长曲线测试方法和系统 |
CN112309191A (zh) * | 2019-07-30 | 2021-02-02 | 长沙市慧而乐科技有限公司 | 一种电子班牌机用于学生作业的核查系统 |
CN110929991A (zh) * | 2019-10-31 | 2020-03-27 | 深圳大学 | 一种基于课堂学生行为分析的学习质量评估系统和方法 |
CN110837960A (zh) * | 2019-11-01 | 2020-02-25 | 广州云蝶科技有限公司 | 学生情感分析方法 |
CN110782185A (zh) * | 2019-11-09 | 2020-02-11 | 上海光数信息科技有限公司 | 一种课堂行为识别分析方法 |
CN110826510A (zh) * | 2019-11-12 | 2020-02-21 | 电子科技大学 | 一种基于表情情感计算的三维教学课堂实现方法 |
CN110782717A (zh) * | 2019-11-15 | 2020-02-11 | 安徽天勤盛创信息科技股份有限公司 | 一种税务管理培训用学习平台 |
CN110889672A (zh) * | 2019-11-19 | 2020-03-17 | 哈尔滨理工大学 | 一种基于深度学习的学生打卡及上课状态的检测系统 |
CN110889672B (zh) * | 2019-11-19 | 2022-04-12 | 哈尔滨理工大学 | 一种基于深度学习的学生打卡及上课状态的检测系统 |
CN111079113A (zh) * | 2019-12-13 | 2020-04-28 | 柳州铁道职业技术学院 | 一种人工智能控制的教学系统及其使用方法 |
CN111079113B (zh) * | 2019-12-13 | 2023-02-24 | 柳州铁道职业技术学院 | 一种人工智能控制的教学系统及其使用方法 |
CN111144261A (zh) * | 2019-12-19 | 2020-05-12 | 无锡融合大数据创新中心有限公司 | 一种基于大数据的智能管理系统 |
CN111126297A (zh) * | 2019-12-25 | 2020-05-08 | 淮南师范学院 | 一种基于学习者表情的体验分析方法 |
CN111126297B (zh) * | 2019-12-25 | 2023-10-31 | 淮南师范学院 | 一种基于学习者表情的体验分析方法 |
CN111241926A (zh) * | 2019-12-30 | 2020-06-05 | 新大陆数字技术股份有限公司 | 考勤与学情分析方法、系统、设备及可读存储介质 |
CN111160277A (zh) * | 2019-12-31 | 2020-05-15 | 深圳中兴网信科技有限公司 | 行为识别分析方法和系统、计算机可读存储介质 |
CN111275592A (zh) * | 2020-01-16 | 2020-06-12 | 浙江工业大学 | 一种基于视频图像的课堂行为分析方法 |
CN111275592B (zh) * | 2020-01-16 | 2023-04-18 | 浙江工业大学 | 一种基于视频图像的课堂行为分析方法 |
CN111275345A (zh) * | 2020-01-22 | 2020-06-12 | 重庆大学 | 一种基于深度学习的课堂信息化评价及管理的系统及方法 |
CN111275345B (zh) * | 2020-01-22 | 2023-08-08 | 重庆大学 | 一种基于深度学习的课堂信息化评价及管理的系统及方法 |
CN111507227B (zh) * | 2020-04-10 | 2023-04-18 | 南京汉韬科技有限公司 | 基于深度学习的多学生个体分割及状态自主识别方法 |
CN111507227A (zh) * | 2020-04-10 | 2020-08-07 | 南京汉韬科技有限公司 | 基于深度学习的多学生个体分割及状态自主识别方法 |
CN111598746A (zh) * | 2020-04-15 | 2020-08-28 | 北京大米科技有限公司 | 教学交互控制方法、装置、终端及存储介质 |
CN111666809A (zh) * | 2020-04-20 | 2020-09-15 | 阜阳师范大学 | 一种测评学生课堂表现的智能系统 |
CN111882305A (zh) * | 2020-05-09 | 2020-11-03 | 北京文香信息技术有限公司 | 一种行为分析装置及行为监控分析系统 |
CN111796752A (zh) * | 2020-05-15 | 2020-10-20 | 四川科华天府科技有限公司 | 一种基于pc的互动教学系统 |
CN111639565A (zh) * | 2020-05-19 | 2020-09-08 | 重庆大学 | 音视频结合的课堂质量综合评估方法 |
CN111563697A (zh) * | 2020-05-21 | 2020-08-21 | 上海复岸网络信息科技有限公司 | 一种线上课堂学生情绪分析方法和系统 |
CN111652588A (zh) * | 2020-06-05 | 2020-09-11 | 上海电机学院 | 一种课堂学情互动教学研究系统 |
CN112001275A (zh) * | 2020-08-09 | 2020-11-27 | 成都未至科技有限公司 | 用于采集学生信息的机器人 |
CN112132009A (zh) * | 2020-09-22 | 2020-12-25 | 湖南惟楚有才教育科技有限公司 | 课堂行为分析方法、系统及电子设备 |
CN112270231A (zh) * | 2020-10-19 | 2021-01-26 | 北京大米科技有限公司 | 一种确定目标视频属性特征的方法、存储介质、电子设备 |
CN112380937A (zh) * | 2020-11-04 | 2021-02-19 | 浙江工业大学 | 移动端眼动跟踪驱动的智慧课堂教学可视分析方法和系统 |
CN112380937B (zh) * | 2020-11-04 | 2024-02-13 | 浙江工业大学 | 移动端眼动跟踪驱动的智慧课堂教学可视分析方法和系统 |
CN112382151B (zh) * | 2020-11-16 | 2022-11-18 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
CN112382151A (zh) * | 2020-11-16 | 2021-02-19 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
CN112465339A (zh) * | 2020-11-25 | 2021-03-09 | 宁波阶梯教育科技有限公司 | 一种教学质量评价方法、装置、系统及可读存储介质 |
CN112487928A (zh) * | 2020-11-26 | 2021-03-12 | 重庆邮电大学 | 基于特征模型的课堂学情实时监测方法与系统 |
CN112465260A (zh) * | 2020-12-10 | 2021-03-09 | 成都寻道科技有限公司 | 基于校园数据的学生教学管理系统 |
CN112819665A (zh) * | 2021-01-29 | 2021-05-18 | 上海商汤科技开发有限公司 | 课堂状态的评估方法和相关装置、设备 |
CN112733806A (zh) * | 2021-02-18 | 2021-04-30 | 北京工商大学 | 基于表情识别的课堂中学生实时分类与遴选方法 |
CN112733806B (zh) * | 2021-02-18 | 2023-07-28 | 北京工商大学 | 基于表情识别的课堂中学生实时分类与遴选方法 |
CN112990723A (zh) * | 2021-03-24 | 2021-06-18 | 武汉伽域信息科技有限公司 | 基于用户学习行为深度分析的在线教育平台学生学习力分析反馈方法 |
CN112990723B (zh) * | 2021-03-24 | 2021-11-30 | 食安快线信息技术(深圳)有限公司 | 基于用户学习行为深度分析的在线教育平台学生学习力分析反馈方法 |
CN113065441A (zh) * | 2021-03-25 | 2021-07-02 | 开放智能机器(上海)有限公司 | 一种基于边缘设备的图像处理系统及方法 |
CN113450369A (zh) * | 2021-04-20 | 2021-09-28 | 广州铁路职业技术学院(广州铁路机械学校) | 一种基于人脸识别技术的课堂分析系统及方法 |
CN114007105A (zh) * | 2021-10-20 | 2022-02-01 | 浙江绿城育华教育科技有限公司 | 在线课程互动方法、装置、设备和存储介质 |
CN113743379B (zh) * | 2021-11-03 | 2022-07-12 | 杭州魔点科技有限公司 | 一种多模态特征的轻量活体识别方法、系统、装置和介质 |
CN113743379A (zh) * | 2021-11-03 | 2021-12-03 | 杭州魔点科技有限公司 | 一种多模态特征的轻量活体识别方法、系统、装置和介质 |
CN114898449A (zh) * | 2022-07-13 | 2022-08-12 | 电子科技大学成都学院 | 一种基于大数据的外语教学辅助方法及装置 |
CN115424363A (zh) * | 2022-08-30 | 2022-12-02 | 新励成教育科技股份有限公司 | 一种教学管理方法、装置及计算机可读存储介质 |
CN115424363B (zh) * | 2022-08-30 | 2023-07-21 | 新励成教育科技股份有限公司 | 一种教学管理方法、装置及计算机可读存储介质 |
CN115330568A (zh) * | 2022-10-14 | 2022-11-11 | 北京师范大学 | 一种智能教室教学质量评测系统及方法 |
CN116227968A (zh) * | 2022-12-13 | 2023-06-06 | 广州华翰教育科技股份有限公司 | 根据实时监控信息反馈分析的网络教育效果检验系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359521A (zh) | 基于深度学习的课堂质量双向评估系统 | |
CN109636688A (zh) | 一种基于大数据的学生行为分析系统 | |
CN108920544A (zh) | 一种基于知识图谱的个性化职位推荐方法 | |
CN109902912B (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
WO2019028592A1 (zh) | 一种教学辅助方法及采用该方法的教学辅助系统 | |
CN106204780A (zh) | 一种基于深度学习和云服务的人脸识别考勤系统及方法 | |
CN104142995B (zh) | 基于视觉属性的社会事件识别方法 | |
CN105205646A (zh) | 自动点名系统及实现自动点名系统的方法 | |
CN109359606A (zh) | 一种课堂实时监测与评估系统及其工作方法、创建方法 | |
Zeng et al. | Design of intelligent classroom attendance system based on face recognition | |
CN110647842A (zh) | 一种双摄像头课堂巡检方法及系统 | |
CN111275345B (zh) | 一种基于深度学习的课堂信息化评价及管理的系统及方法 | |
CN110619460A (zh) | 基于深度学习目标检测的教室课堂质量评估系统及方法 | |
CN206557851U (zh) | 一种教学听课情况采集装置 | |
DE112019003414T5 (de) | Videoüberwachung mit neuronalen Netzen | |
CN111160277A (zh) | 行为识别分析方法和系统、计算机可读存储介质 | |
CN110443183A (zh) | 一种上课状态监测方法、装置、存储介质及服务器 | |
CN111178263B (zh) | 一种实时表情分析方法及其装置 | |
CN109800756A (zh) | 一种用于中文历史文献密集文本的文字检测识别方法 | |
CN110740298A (zh) | 分布式教室违纪行为检测系统、方法及介质 | |
CN113705510A (zh) | 目标识别跟踪的方法、装置、设备及存储介质 | |
CN112102129A (zh) | 一种基于学生端数据处理的智能考试作弊识别系统 | |
CN108109220A (zh) | 一种基于监控摄像头的教室考勤统计系统 | |
CN110399810A (zh) | 一种辅助点名方法及装置 | |
CN112116841A (zh) | 一种基于深度学习的个性化远程教育系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |