CN111754368A - 一种高校教学评估方法及基于边缘智能的高校教学评估系统 - Google Patents

一种高校教学评估方法及基于边缘智能的高校教学评估系统 Download PDF

Info

Publication number
CN111754368A
CN111754368A CN202010054507.0A CN202010054507A CN111754368A CN 111754368 A CN111754368 A CN 111754368A CN 202010054507 A CN202010054507 A CN 202010054507A CN 111754368 A CN111754368 A CN 111754368A
Authority
CN
China
Prior art keywords
face
human body
image
student
data
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
Application number
CN202010054507.0A
Other languages
English (en)
Inventor
冯为嘉
韩宇臻
刘宇彤
于文清
潘梦远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Tianjin Normal University
Original Assignee
Tianjin Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Normal University filed Critical Tianjin Normal University
Priority to CN202010054507.0A priority Critical patent/CN111754368A/zh
Publication of CN111754368A publication Critical patent/CN111754368A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Technology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高校教学评估方法及基于边缘智能的高校教学评估系统，通过教室内前置的摄像头获取教室上课视频并按帧截取图像，对图像进行人脸识别和学生身份辨别，计算脸部朝向；根据人脸特征数据进行表情识别；对图像进行人体状态识别，并将人脸识别所得到的人脸边框坐标数据与人体边框坐标数据利用最短距离算法比对进行匹配，再结合人脸辨别得到的学生身份数据，将学生人体状态与学生身份进行一一匹配；最后根据人脸朝向权重分值、表情权重分值以及人体状态权重分值，并结合班级平均数据，计算得出相应学生的上课专注度。

Description

一种高校教学评估方法及基于边缘智能的高校教学评估系统
技术领域
本发明属于人工智能领域，具体涉及一种高校教学评估方法及基于边缘智能的高校教学评估系统。
背景技术
课堂教学环节是学生接受系统教育最重要的一环，而现行的教学过程中，传统的签到环节耗时耗力、课堂授课中无法得知每位学生具体状态、课后对学生的评价也缺乏客观依据、学院学风检查也存在不便和盲区，学生们无法对自己的上课状态进行反思，老师也更加没法因材施教，学生、教师、院校急需利用一套系统，能够全方位了解到学生个体、班级、学院整体教学情况，对教学环节进行针对性的调整和优化。
全球云指数的预估，到2019年，物联网产生数据的45％将在网络边缘存储、处理、分析，到2020年连接到网络的无线设备数量将达到500亿台。基于万物互联平台的应用服务需要更短的响应时间。边缘计算的兴起，提高了数据处理效率，减少了数据上传量，降低了大量数据上云所带来的传输和存储成本。具有低成本、低延时、高效处理的优点。新颖的人工智能和其他数据驱动的应用程序需要汇集至边缘终端进行处理计算。加之近来AI芯片的格局日趋火热，Google、地平线、Nvidia等公司纷纷加入AI芯片的研发制造中，AI芯片的强大使得更多的人工智能算法在边缘运行已具备成熟的条件。
发明内容
本发明的目的在于克服现有技术的不足，提供一种高校教学评估方法及基于边缘智能的高校教学评估系统，其采用多种人工智能算法，用来检测人脸、识别表情及人体姿态，并且系统使用边缘计算的核心思想，使得传输成本和存储成本更低，响应速度更快，同时也为云端减负。
本发明是通过以下技术方案实现的：
一种高校教学评估方法，具体实施步骤如下：
步骤1：通过教室内前置的摄像头获取教室上课视频，并按帧截取图像；
步骤2：对步骤1截取的图像进行人脸与非人脸分类、人脸边框回归及相关坐标获取、人脸特征点获取，根据人脸特征点数据，计算其映射在三维空间的欧拉角，进而计算出脸部朝向，并给予不同权重分值；
步骤3：对步骤2中检测出的人脸特征点数据与已知的学生人脸数据库中的人脸特征点数据进行比对，辨别人脸所对应的学生身份；
步骤4：对步骤2检测出的人脸特征点数据进行表情识别，根据不同表情给与不同权重分值；
步骤5：对步骤1截取的图像进行人体与非人体识别、人体边框回归及相关坐标获取、人体状态识别，根据不同人体状态给予不同权重分值；
步骤6：将步骤2中人脸识别所得到的人脸边框坐标数据与步骤5中的人体边框坐标数据利用最短距离算法比对进行匹配，再结合步骤3的人脸辨别得到的学生身份数据，将步骤5得到的学生上课时的人体状态与学生身份进行一一匹配；
步骤7：根据步骤2获取的人脸朝向权重分值、步骤4获取的表情权重分值以及步骤5获取的人体状态权重分值，并结合班级平均数据，计算得出相应学生的上课专注度。
在上述技术方案中，所述上课视频是指上课时对学生的视频文件，该视频文件可以是实时正在录制的，也可以是已经录制完成的。上课视频文件包含有多帧图像，每帧图像中包含有不同的图像信息，如图像模糊度、图像人脸完整度、图像分辨率等，通过图像信息可确定图像质量，当图像质量不满足要求时，可认为该帧图像为无效图像。
在上述技术方案中，步骤2中，采用MTCNN(多任务级联卷积网络)人脸检测算法。
在上述技术方案中，步骤2中，人脸特征点映射在三维空间的欧拉角包括俯仰角φ、偏航角θ、翻滚角ψ，人脸特征点映射公式为：
Figure BDA0002372348580000021
朝向判定算法公式为：
Figure BDA0002372348580000031
在上述技术方案中，步骤3中，采用FaceNet人脸分辨算法。
在上述技术方案中，步骤4中，采用Keras卷积神经网络框架下训练得到表情识别模型，对步骤2检测出的人脸特征点数据进行表情识别。
在上述技术方案中，步骤5中，采用Tensorflow框架及目标检测的预训练模型，训练自主标注的图像数据集，得到自主训练的人体状态识别模型，通过该人体状态识别模型，处理步骤1截取的图像。
在上述技术方案中，步骤6中，最短距离算法比对算法公式如下：
Figure BDA0002372348580000032
其中，A(x1,y1)表示人脸边框正下方坐标，B(x2,y2)表示人体边框正中央位置坐标，AB值最小时所对应的人体边框坐标与人脸边框坐标即认为是同一一个学生的人脸和人体坐标数据。由于步骤3已经得到了人脸所对应的学生身份数据，因此结合人脸--学生身份数据即可辨别人体对应的学生身份，也就实现了步骤5得到的学生上课时的人体状态与学生身份匹配。
在上述技术方案中，步骤7中，包括以下步骤：
7.1：权重求和：
(Di)＝(Ai)*权重系数1+(Bi)*权重系数2+(Ci)*权重系数3
其中，Ai为面部朝向权重分值，Bi为表情权重分值，Ci为人体状态权重分值，上述权重系数1、权重系数2、权重系数3可由学校根据自身教学评估需要自定义配置；
7.2：计算班级平均因子：
Figure BDA0002372348580000033
n为班级总人数，即教室内学生总人数；
7.3：计算专注度：
专注度＝(Di)*(1+a)一种能够实现上述方法的基于边缘智能的高校教学评估系统，该系统包括：
图像采集摄像头，用于获取教室内学生的上课情况视频；
边缘计算端，边缘计算端即设置在教室本地的计算端，用来对摄像头获取到的视频进行图像处理，以及运行实施例一中相应的人工智能算法，计算出每个学生的上课专注度；
云平台，边缘计算端将学生的上课专注度数据上传至云平台；
可视化终端，用于调取云平台数据，对云平台存储的学生上课专注度数据进行显示，用于评估教学质量。
在上述技术方案中，所述边缘计算端采用具有四核CPU的树莓派，树莓派通过USB接口与摄像头连接，并且树莓派还通过另一USB接口连接神经网络加速器(型号为谷歌Coral USB神经网络加速棒)，树莓派通过与神经网络加速器结合进行算法提速。
在上述技术方案中，所述可视化终端可以是web端或者移动终端，通过可视化终端为院校管理者、教师、家长、学生提供登录端口，显示学生的上课专注度情况，并能够进行丰富的功能扩展，实现微信登录、收发消息、数据统计等功能。
本发明的优点和有益效果为：
本发明的系统采用边缘计算的核心思想，并融合多种人工智能算法，同时具备图像处理功能、人脸检测与识别功能、表情识别功能、人体姿态检测与识别，通过权重比算法，得出相应学生的上课专注度。
并且，本系统采用云平台，由边缘计算端将学生的上课专注度数据上传至云平台，并通过可视化终端调取云平台数据，对云平台存储的学生上课专注度数据进行显示，用于评估教学质量。
附图说明
图1是数据标注过程及模型识别效果图。
图2是数据标注过程及模型识别效果图。
图3是计算上课专注度的示意图。
图4是本发明实施例二的神经网络加速器的电控系统图。
图5是本发明实施例二的系统算法全过程流程图。
对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
实施例一
一种高校教学评估方法，具体实施步骤如下：
步骤1：通过教室内前置的摄像头获取教室上课视频，并按帧截取图像。所述上课视频是指上课时对学生的视频文件，该视频文件可以是实时正在录制的，也可以是已经录制完成的。上课视频文件包含有多帧图像，每帧图像中包含有不同的图像信息，如图像模糊度、图像人脸完整度、图像分辨率等，通过图像信息可确定图像质量，当图像质量不满足要求时，可认为该帧图像为无效图像。
步骤2：采用MTCNN(多任务级联卷积网络)人脸检测算法，实现对图像中人脸与非人脸分类、人脸边框回归及相关坐标获取、人脸特征点获取，根据人脸特征点数据，计算出相对映射在三维空间的欧拉角，包括俯仰角φ、偏航角θ、翻滚角ψ，由此计算与讲台正前方构成的角度，进行脸部朝向判定，并给予不同权重分值，相关算法及评分标准如下所示。
人脸特征点映射公式：
Figure BDA0002372348580000051
朝向判定算法公式：
Figure BDA0002372348580000061
权重打分如下表所示：
偏离角度 0-20 20-40 40-60 60-80 80-100
权重打分 100 90 60 20 0
步骤3：采用FaceNet人脸分辨算法，对步骤2中检测出的人脸特征点数据与已知的学生人脸数据库中的人脸特征点数据进行比对，辨别人脸所对应的学生身份。
步骤4：采用Keras卷积神经网络框架下训练得到表情识别模型，对步骤2检测出的人脸特征点数据进行表情识别，识别表情包括微笑、疑惑、平静、呆滞、悲伤，根据不同表情给与不同权重分值，详见下表：
表情分类 微笑 疑惑 平静 呆滞 悲伤
权重打分 100 80 70 40 20
步骤5：采用Tensorflow框架及目标检测的预训练模型，训练自主标注的图像数据集，得到自主训练的人体状态识别模型，数据标注过程及模型识别效果如图1和2所示，通过该人体状态识别模型，处理步骤1截取的图像，实现对图像中人体与非人体识别、人体边框回归及相关坐标获取、人体状态识别，可识别的人体状态包括举手、抬头听课、低头写字、低头看书、伏案睡觉，根据不同人体状态给予不同权重分值，详见下表：
状态分类 举手 抬头听课 低头写字 低头看书 伏案睡觉
权重打分 100 90 80 60 0
步骤6：将步骤2中人脸识别所得到的人脸边框坐标数据与步骤5中的人体边框坐标数据利用最短距离算法比对进行匹配，再结合步骤3的人脸辨别得到的学生身份数据，将步骤5得到的学生上课时的人体状态与学生身份进行一一匹配。
最短距离算法比对算法公式如下：
Figure BDA0002372348580000071
其中，A(x1,y1)表示人脸边框正下方坐标，B(x2,y2)表示人体边框正中央位置坐标。AB值最小时所对应的人体边框坐标与人脸边框坐标即认为是同一一个学生的人脸和人体坐标数据。由于步骤3已经得到了人脸所对应的学生身份数据，因此结合人脸--学生身份数据即可辨别人体对应的学生身份，也就实现了步骤5得到的学生上课时的人体状态与学生身份匹配。
步骤7：将步骤2获取的人脸朝向权重分值、步骤4获取的表情权重分值以及步骤5获取的人体状态权重分值，并结合班级平均数据，通过图3权重比算法，得出相应学生的上课专注度。
权重求和公式：
(Di)＝(Ai)*权重系数1+(Bi)*权重系数2+(Ci)*权重系数3
其中，Ai为面部朝向权重分值，Bi为表情权重分值，Ci为人体状态权重分值，上述权重系数1、权重系数2、权重系数3可由学校根据自身教学评估需要自定义配置。
非线性函数公式：
Figure BDA0002372348580000072
n为班级总人数，即教室内学生总人数。
专注度＝(Di)*(1+a)
实施例二
参见附图4，本实施例提供一种能够实现上述方法的基于边缘智能的高校教学评估系统，该系统包括：
图像采集摄像头，用于获取教室内学生的上课情况视频；
边缘计算端，边缘计算端即设置在教室本地的计算端，用来对摄像头获取到的视频进行图像处理，以及运行实施例一中相应的人工智能算法，计算出每个学生的上课专注度；
云平台，边缘计算端将学生的上课专注度数据上传至云平台；
可视化终端，用于调取云平台数据，对云平台存储的学生上课专注度数据进行显示，用于评估教学质量。
所述可视化终端可以是web端(例如PC)或者移动终端(例如手机)，通过可视化终端为院校管理者、教师、家长、学生提供登录端口，显示学生的上课专注度情况，并能够进行丰富的功能扩展，实现收发消息、数据统计等功能。
最为本实施例的优选方式，参见附图5，所述边缘计算端采用具有四核CPU的树莓派，树莓派通过USB接口与摄像头连接，并且树莓派还通过另一USB接口连接神经网络加速器(型号为谷歌Coral USB神经网络加速棒)，树莓派通过与神经网络加速器结合进行算法提速。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (10)

1.一种高校教学评估方法，其特征在于，包括以下步骤：
步骤1：通过教室内前置的摄像头获取教室上课视频，并按帧截取图像；
步骤2：对步骤1截取的图像进行人脸与非人脸分类、人脸边框回归及相关坐标获取、人脸特征点获取，根据人脸特征点数据，计算其映射在三维空间的欧拉角，进而计算出脸部朝向，并给予不同权重分值；
步骤3：对步骤2中检测出的人脸特征点数据与已知的学生人脸数据库中的人脸特征点数据进行比对，辨别人脸所对应的学生身份；
步骤4：对步骤2检测出的人脸特征点数据进行表情识别，根据不同表情给与不同权重分值；
步骤5：对步骤1截取的图像进行人体与非人体识别、人体边框回归及相关坐标获取、人体状态识别，根据不同人体状态给予不同权重分值；
步骤6：将步骤2中人脸识别所得到的人脸边框坐标数据与步骤5中的人体边框坐标数据利用最短距离算法比对进行匹配，再结合步骤3的人脸辨别得到的学生身份数据，将步骤5得到的学生上课时的人体状态与学生身份进行一一匹配；
步骤7：根据步骤2获取的人脸朝向权重分值、步骤4获取的表情权重分值以及步骤5获取的人体状态权重分值，并结合班级平均数据，计算得出相应学生的上课专注度。
2.根据权利要求1所述的高校教学评估方法，其特征在于：所述上课视频包含有多帧图像，每帧图像中包含有不同的图像信息，如图像模糊度、图像人脸完整度、图像分辨率等，通过图像信息确定图像质量，当图像质量不满足要求时，认为该帧图像为无效图像。
3.根据权利要求1所述的高校教学评估方法，其特征在于：步骤2中，采用MTCNN人脸检测算法。
4.根据权利要求1所述的高校教学评估方法，其特征在于：步骤2中，人脸特征点映射在三维空间的欧拉角包括俯仰角φ、偏航角θ、翻滚角ψ，人脸特征点映射公式为：
Figure FDA0002372348570000021
朝向判定算法公式为：
Figure FDA0002372348570000022
5.根据权利要求1所述的高校教学评估方法，其特征在于：步骤3中，采用FaceNet人脸分辨算法。
6.根据权利要求1所述的高校教学评估方法，其特征在于：步骤4中，采用Keras卷积神经网络框架下训练得到表情识别模型，对步骤2检测出的人脸特征点数据进行表情识别。
7.根据权利要求1所述的高校教学评估方法，其特征在于：步骤5中，采用Tensorflow框架及目标检测的预训练模型，训练自主标注的图像数据集，得到自主训练的人体状态识别模型，通过该人体状态识别模型，处理步骤1截取的图像。
8.根据权利要求1所述的高校教学评估方法，其特征在于：步骤6中，最短距离算法比对算法公式如下：
Figure FDA0002372348570000023
其中，A(x1,y1)表示人脸边框正下方坐标，B(x2,y2)表示人体边框正中央位置坐标，AB值最小时所对应的人体边框坐标与人脸边框坐标即认为是同一一个学生的人脸和人体坐标数据。
9.根据权利要求1所述的高校教学评估方法，其特征在于：步骤7中，包括以下步骤：
7.1：权重求和：
(Di)＝(Ai)*权重系数1+(Bi)*权重系数2+(Ci)*权重系数3
其中，Ai为面部朝向权重分值，Bi为表情权重分值，Ci为人体状态权重分值，上述权重系数1、权重系数2、权重系数3可由学校根据自身教学评估需要自定义配置；
7.2：计算班级平均因子：
Figure FDA0002372348570000031
n为班级总人数，即教室内学生总人数；
7.3：计算专注度：
专注度＝(Di)*(1+a)。
10.一种用于实现权利要求1所述的高校教学评估方法的基于边缘智能的高校教学评估系统，该系统包括：
图像采集摄像头，用于获取教室内学生的上课情况视频；
边缘计算端，用来对摄像头获取到的视频进行图像处理，以及运行实施例一中相应的人工智能算法，计算出每个学生的上课专注度；
云平台，边缘计算端将学生的上课专注度数据上传至云平台；
可视化终端，用于调取云平台数据，对云平台存储的学生上课专注度数据进行显示，用于评估教学质量。
CN202010054507.0A 2020-01-17 2020-01-17 一种高校教学评估方法及基于边缘智能的高校教学评估系统 Pending CN111754368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010054507.0A CN111754368A (zh) 2020-01-17 2020-01-17 一种高校教学评估方法及基于边缘智能的高校教学评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010054507.0A CN111754368A (zh) 2020-01-17 2020-01-17 一种高校教学评估方法及基于边缘智能的高校教学评估系统

Publications (1)

Publication Number Publication Date
CN111754368A true CN111754368A (zh) 2020-10-09

Family

ID=72672979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010054507.0A Pending CN111754368A (zh) 2020-01-17 2020-01-17 一种高校教学评估方法及基于边缘智能的高校教学评估系统

Country Status (1)

Country Link
CN (1) CN111754368A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258026A (zh) * 2020-10-21 2021-01-22 国网江苏省电力有限公司信息通信分公司 基于视频身份识别的动态定位调度方法及系统
CN112307920A (zh) * 2020-10-22 2021-02-02 东云睿连(武汉)计算技术有限公司 一种高风险工种作业人员行为预警装置及方法
CN112381448A (zh) * 2020-11-30 2021-02-19 深圳云天励飞技术股份有限公司 基于人脸时空特征的教学质量评估方法、装置及电子设备
CN112735198A (zh) * 2020-12-31 2021-04-30 深兰科技（上海）有限公司 实验教学系统及方法
CN112766192A (zh) * 2021-01-25 2021-05-07 北京市地铁运营有限公司地铁运营技术研发中心 一种智能列车监控系统
CN113506005A (zh) * 2021-07-16 2021-10-15 牡丹江医学院 一种ct教学模拟方法、系统、存储介质及电子设备
CN113544701A (zh) * 2020-12-29 2021-10-22 商汤国际私人有限公司 关联对象的检测方法及装置
CN113610676A (zh) * 2021-07-08 2021-11-05 湖南电子科技职业学院 一种基于云平台的计算机教学授课系统
WO2022144601A1 (en) * 2020-12-29 2022-07-07 Sensetime International Pte. Ltd. Method and apparatus for detecting associated objects
WO2022144600A1 (en) * 2020-12-29 2022-07-07 Sensetime International Pte. Ltd. Object detection method and apparatus, and electronic device
CN115311606A (zh) * 2022-10-08 2022-11-08 成都华栖云科技有限公司 一种课堂录制视频有效性检测方法
CN116563797A (zh) * 2023-07-10 2023-08-08 安徽网谷智能技术有限公司 一种用于智慧校园的监控管理系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150044657A1 (en) * 2013-08-07 2015-02-12 Xerox Corporation Video-based teacher assistance
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
CN108805009A (zh) * 2018-04-20 2018-11-13 华中师范大学 基于多模态信息融合的课堂学习状态监测方法及系统
CN109522815A (zh) * 2018-10-26 2019-03-26 深圳博为教育科技有限公司 一种专注度评估方法、装置及电子设备
CN109614934A (zh) * 2018-12-12 2019-04-12 易视腾科技股份有限公司 在线教学质量评估参数生成方法及装置
CN109740446A (zh) * 2018-12-14 2019-05-10 深圳壹账通智能科技有限公司 课堂学生行为分析方法及装置
CN109740516A (zh) * 2018-12-29 2019-05-10 深圳市商汤科技有限公司 一种用户识别方法、装置、电子设备及存储介质
CN110287790A (zh) * 2019-05-23 2019-09-27 华中师范大学 一种面向静态多人场景的学习状态混合分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150044657A1 (en) * 2013-08-07 2015-02-12 Xerox Corporation Video-based teacher assistance
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
CN108805009A (zh) * 2018-04-20 2018-11-13 华中师范大学 基于多模态信息融合的课堂学习状态监测方法及系统
CN109522815A (zh) * 2018-10-26 2019-03-26 深圳博为教育科技有限公司 一种专注度评估方法、装置及电子设备
CN109614934A (zh) * 2018-12-12 2019-04-12 易视腾科技股份有限公司 在线教学质量评估参数生成方法及装置
CN109740446A (zh) * 2018-12-14 2019-05-10 深圳壹账通智能科技有限公司 课堂学生行为分析方法及装置
CN109740516A (zh) * 2018-12-29 2019-05-10 深圳市商汤科技有限公司 一种用户识别方法、装置、电子设备及存储介质
CN110287790A (zh) * 2019-05-23 2019-09-27 华中师范大学 一种面向静态多人场景的学习状态混合分析方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258026A (zh) * 2020-10-21 2021-01-22 国网江苏省电力有限公司信息通信分公司 基于视频身份识别的动态定位调度方法及系统
CN112258026B (zh) * 2020-10-21 2023-12-15 国网江苏省电力有限公司信息通信分公司 基于视频身份识别的动态定位调度方法及系统
CN112307920A (zh) * 2020-10-22 2021-02-02 东云睿连(武汉)计算技术有限公司 一种高风险工种作业人员行为预警装置及方法
CN112307920B (zh) * 2020-10-22 2024-03-22 东云睿连(武汉)计算技术有限公司 一种高风险工种作业人员行为预警装置及方法
CN112381448B (zh) * 2020-11-30 2023-10-13 深圳云天励飞技术股份有限公司 基于人脸时空特征的教学质量评估方法、装置及电子设备
CN112381448A (zh) * 2020-11-30 2021-02-19 深圳云天励飞技术股份有限公司 基于人脸时空特征的教学质量评估方法、装置及电子设备
CN113544701A (zh) * 2020-12-29 2021-10-22 商汤国际私人有限公司 关联对象的检测方法及装置
WO2022144601A1 (en) * 2020-12-29 2022-07-07 Sensetime International Pte. Ltd. Method and apparatus for detecting associated objects
WO2022144600A1 (en) * 2020-12-29 2022-07-07 Sensetime International Pte. Ltd. Object detection method and apparatus, and electronic device
CN112735198A (zh) * 2020-12-31 2021-04-30 深兰科技（上海）有限公司 实验教学系统及方法
CN112766192A (zh) * 2021-01-25 2021-05-07 北京市地铁运营有限公司地铁运营技术研发中心 一种智能列车监控系统
CN113610676B (zh) * 2021-07-08 2022-10-04 湖南电子科技职业学院 一种基于云平台的计算机教学授课系统
CN113610676A (zh) * 2021-07-08 2021-11-05 湖南电子科技职业学院 一种基于云平台的计算机教学授课系统
CN113506005B (zh) * 2021-07-16 2022-09-23 牡丹江医学院 一种ct教学模拟方法、系统、存储介质及电子设备
CN113506005A (zh) * 2021-07-16 2021-10-15 牡丹江医学院 一种ct教学模拟方法、系统、存储介质及电子设备
CN115311606A (zh) * 2022-10-08 2022-11-08 成都华栖云科技有限公司 一种课堂录制视频有效性检测方法
CN116563797A (zh) * 2023-07-10 2023-08-08 安徽网谷智能技术有限公司 一种用于智慧校园的监控管理系统
CN116563797B (zh) * 2023-07-10 2023-10-27 安徽网谷智能技术有限公司 一种用于智慧校园的监控管理系统

Similar Documents

Publication Publication Date Title
CN111754368A (zh) 一种高校教学评估方法及基于边缘智能的高校教学评估系统
CN110889672B (zh) 一种基于深度学习的学生打卡及上课状态的检测系统
CN110097003A (zh) 基于神经网络的课堂考勤方法、设备、存储介质及装置
JP2020525965A (ja) 教学補助方法およびその方法を採用する教学補助システム
CN111507592B (zh) 一种面向服刑人员的主动改造行为的评估方法
CN109145871B (zh) 心理行为识别方法、装置与存储介质
CN107808376B (zh) 一种基于深度学习的举手检测方法
CN112541422B (zh) 光照和头部姿态鲁棒的表情识别方法、设备及存储介质
CN109902912B (zh) 一种基于性格特征的个性化图像美学评价方法
CN112183238B (zh) 一种远程教育注意力检测方法及系统
CN107832740B (zh) 一种远程教学的教学质量评估方法及系统
CN110837947B (zh) 一种基于音视频分析技术的教师授课专注度的评估方法
CN111563452A (zh) 一种基于实例分割的多人体姿态检测及状态判别方法
CN109711356B (zh) 一种表情识别方法和系统
CN111611854B (zh) 一种基于模式识别的课堂情况评价方法
CN114898460B (zh) 一种基于图卷积神经网络的教师非言语行为检测方法
CN112883867A (zh) 一种基于图像情感分析的学生在线学习评估方法及系统
CN114170672A (zh) 一种基于计算机视觉的课堂学生行为识别的方法
CN111507227A (zh) 基于深度学习的多学生个体分割及状态自主识别方法
Xu et al. Classroom attention analysis based on multiple euler angles constraint and head pose estimation
CN113486700A (zh) 一种教学场景下基于注意力机制的面部表情分析方法
CN113139481A (zh) 基于yolov3的教室人数统计方法
CN111178263A (zh) 一种实时表情分析方法及其装置
CN114821742A (zh) 一种实时识别儿童或青少年面部表情的方法和装置
CN114187640A (zh) 一种基于线上课堂的学情观察方法、系统、设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201009