CN112329643B - 一种学习效率检测方法、系统、电子设备及介质 - Google Patents

一种学习效率检测方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN112329643B
CN112329643B CN202011232153.0A CN202011232153A CN112329643B CN 112329643 B CN112329643 B CN 112329643B CN 202011232153 A CN202011232153 A CN 202011232153A CN 112329643 B CN112329643 B CN 112329643B
Authority
CN
China
Prior art keywords
eyes
acquiring
eye
visual field
learning
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.)
Active
Application number
CN202011232153.0A
Other languages
English (en)
Other versions
CN112329643A (zh
Inventor
杨宇孛
郭莉滨
牟文余
蒋曼
余瑶
姚富光
聂磊
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.)
Chongqing University of Education
Original Assignee
Chongqing University of Education
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 Chongqing University of Education filed Critical Chongqing University of Education
Priority to CN202011232153.0A priority Critical patent/CN112329643B/zh
Publication of CN112329643A publication Critical patent/CN112329643A/zh
Application granted granted Critical
Publication of CN112329643B publication Critical patent/CN112329643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Human Computer Interaction (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Ophthalmology & Optometry (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种学习效率检测方法、系统、电子设备及介质，方法包括：获取位于屏幕前的眼睛图像信息，并通过眼睛图像信息获取眼睛的开合度及视野范围；根据眼睛的可合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长；当等效时长大于或者等于预设的时长阈值时，学习效率合格。通过开合度和视野范围作为衡量学生学习效率的参考指标，避免学生精力不集中，也避免了通过刷学习时长冒充学习进度的情况发生，便于应用到远程教育中，提高学生的学习效率。

Description

一种学习效率检测方法、系统、电子设备及介质
技术领域
本发明涉及电子技术领域，特别是涉及一种学习效率检测方法、系统、电子设备及介质。
背景技术
远程教育越来越得到普及，而在学习过程中，学生往往缺乏自制力，不能较好地自主学习，造成远程教育的学习效率及学习效果较低的情况发生。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种学习效率检测方法、系统、电子设备及介质，用于解决现有技术中远程教育学习效率低下的问题。
为实现上述目的及其他相关目的，本发明提供一种学习效率检测方法，包括：
获取位于屏幕前的眼睛图像信息，并通过眼睛图像信息获取眼睛的开合度及视野范围；
根据眼睛的可合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长；
当等效时长大于或者等于预设的时长阈值时，学习效率合格。
可选的，获取位于终端前的眼睛图像信息的过程包括：
采集眼睛图像并对眼睛图像中的眼睛进行标注，确定数据集及训练集；
通过神经网络对训练集进行训练，获取训练模块；
并通过所述数据集及训练模型确定眼睛图像信息。
可选的，通过眼睛图像信息获取眼睛的开合度的步骤包括：
对眼睛图像进行二值化，获取眼珠位置坐标；
通过眼睛图像信息，获取眼睛位置坐标；
通过眼珠位置坐标确定眼珠面积，并通过眼睛位置坐标确定眼睛面积；
并根据眼珠面积与眼睛面积的比值确定眼睛的开合度。
可选的，获取视野范围的步骤包括：
通过眼睛图像信息，获取眼睛位置坐标，并确定眼睛的中心点；
获取眼睛对应的半个屏幕的位置坐标；
通过眼睛的中心点、眼睛的焦点以及半个屏幕的位置坐标，确定视野范围。
可选的，视野范围的数学表达为：
F＝K*(∑xi,∑yi,∑zi)+(x1,y1,z1)
K＝L/z0
其中，F为视野范围，K为比例系数，∑xi为半个屏幕的位置坐标中x坐标的集合，∑yi为半个屏幕的位置坐标中y坐标的集合，∑zi为半个屏幕的位置坐标中z坐标的集合，(x1,y1,z1)为眼睛的中心的坐标，L为眼睛的中心与眼睛的焦点的距离，z0为眼睛的中心与书本之间的在z坐标轴上的高度。
可选的，根据眼睛的可合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长的步骤包括：
间隔采集眼睛的开合度及视野范围，并采集学习期间眼睛的开合度低于预设开合度的次数m，采集学习期间眼睛不在视野范围内的次数n，强度系数的数学表达为：
k＝(2s-m-n)/2s
等效时长的数学表达为：
q＝kt
其中，k为强度系数，s为学习期间采集眼睛的开合度及视野范围的次数，m为学习期间眼睛的开合度低于预设开合度的次数，n为学习期间眼睛不在视野范围内的次数，q为等效时长，t为学习时长。
一种学习效率检测系统，包括：
采集模块，获取位于屏幕前的眼睛图像信息，并通过眼睛图像信息获取眼睛的开合度及视野范围；
处理模块，根据眼睛的可合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长；
判定模块，当等效时长大于或者等于预设的时长阈值时，学习效率合格。
一种电子设备，其特征在于，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。
一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行一个或多个所述的方法。
如上所述，本发明的学习效率检测方法、系统、电子设备及介质，具有以下有益效果：。
通过开合度和视野范围作为衡量学生学习效率的参考指标，避免学生精力不集中，也避免了通过刷学习时长冒充学习进度的情况发生，便于应用到远程教育中，提高学生的学习效率。
附图说明
图1显示为本发明实施例中学习效率检测方法的示意图。
图2显示为本发明实施例中眼睛的开合度的示意图。
图3显示为本发明实施例中眼睛与屏幕位置关系的示意图。
图4显示为本发明实施例中视野范围的示意图。
图5显示为本发明实施例中眼睛活动的示意图。
图6显示为本发明实施例中学习效率检测系统的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
请参阅图1至图5，本发明提供一种学习效率检测方法，包括：
S1：获取位于屏幕1前的眼睛3的眼睛图像信息，并通过眼睛图像信息获取眼睛的开合度及视野范围，可以在屏幕上设置摄像头2，并通过摄像头2获取眼睛图像信息；
S2：根据眼睛的可合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长，眼睛的开合度可以一定程度上反应学生的学习集中度，当眼睛开合度较低时，可以认为学生处于一个较低的学习状态，而且通过设定学生的视野范围，当学生的注视区域没有在设定的视野范围时，可以认为学生处于一个较低的学习状态；
S3：当等效时长大于或者等于预设的时长阈值时，学习效率合格，通过开合度和视野范围作为衡量学生学习效率的参考指标，避免学生精力不集中，也避免了通过刷学习时长冒充学习进度的情况发生，便于应用到远程教育中，提高学生的学习效率。
在一些实施过程中，获取位于终端前的眼睛图像信息的过程包括：
采集眼睛图像并对眼睛图像中的眼睛进行标注，确定数据集及训练集；
通过神经网络对训练集进行训练，获取训练模块；
并通过所述数据集及训练模型确定眼睛图像信息。
发明人发现在眼睛闭合的过程中，眼睛的面积会降低，且眼珠所在眼睛的面积的比例会增加，因此，通过眼睛图像信息获取眼睛的开合度的步骤包括：
对眼睛图像进行二值化，获取眼珠位置坐标，由于眼珠的颜色较深，可以设定二值化阈值的方式获取眼珠位置坐标的集合；
通过眼睛图像信息，获取眼睛位置坐标；
通过眼珠位置坐标确定眼珠面积，并通过眼睛位置坐标确定眼睛面积；
并根据眼珠面积与眼睛面积的比值确定眼睛的开合度。
请参考图4和图5，当眼睛的中心由第一点31转动到第二点32时，并根据眼睛的焦点5可以获取眼睛的视野范围及半个屏幕11的位置坐标，通过空间几何关系，进而可以获取眼睛的活动区域4，在一些实施过程中，获取视野范围的步骤包括：
通过眼睛图像信息，获取眼睛位置坐标，并确定眼睛4的中心点；
获取眼睛对应的半个屏幕11的位置坐标；
通过眼睛的中心点、眼睛的焦点以及半个屏幕的位置坐标，确定视野范围。
可选的，视野范围的数学表达为：
F＝K*(∑xi,∑yi,∑zi)+(x1,y1,z1)
K＝L/z0
其中，F为视野范围，K为比例系数，∑xi为半个屏幕的位置坐标中x坐标的集合，∑yi为半个屏幕的位置坐标中y坐标的集合，∑zi为半个屏幕的位置坐标中z坐标的集合，(x1,y1,z1)为眼睛的中心的坐标，L为眼睛的中心与眼睛的焦点的距离，z0为眼睛的中心与书本之间的在z坐标轴上的高度。
在一些实施过程中，根据眼睛的可合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长的步骤包括：
间隔采集眼睛的开合度及视野范围，并采集学习期间眼睛的开合度低于预设开合度的次数m，采集学习期间眼睛不在视野范围内的次数n，强度系数的数学表达为：
k＝(2s-m-n)/2s
等效时长的数学表达为：
q＝kt
其中，k为强度系数，s为学习期间采集眼睛的开合度及视野范围的次数，m为学习期间眼睛的开合度低于预设开合度的次数，n为学习期间眼睛不在视野范围内的次数，q为等效时长，t为学习时长。
请参阅图6，本发明提供一种学习效率检测系统，包括：
采集模块，获取位于屏幕前的眼睛图像信息，并通过眼睛图像信息获取眼睛的开合度及视野范围；
处理模块，根据眼睛的可合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长；
判定模块，当等效时长大于或者等于预设的时长阈值时，学习效率合格。
本发明实施例提供一种设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行一个或多个所述的方法。本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明实施例还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (6)

1.一种学习效率检测方法，其特征在于，包括：
获取位于屏幕前的眼睛图像信息，并通过眼睛图像信息获取眼睛的开合度及视野范围；
根据眼睛的开合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长；
当等效时长大于或者等于预设的时长阈值时，学习效率合格；
获取视野范围的步骤包括：
通过眼睛图像信息，获取眼睛位置坐标，并确定眼睛的中心点；
获取眼睛对应的半个屏幕的位置坐标；
通过眼睛的中心点、眼睛的焦点以及半个屏幕的位置坐标，确定视野范围；
视野范围的数学表达为：
F＝K*(∑xi,∑yi,∑zi)+(x1,y1,z1)
K＝L/z0
其中，F为视野范围，K为比例系数，∑xi为半个屏幕的位置坐标中x坐标的集合，∑yi为半个屏幕的位置坐标中y坐标的集合，∑zi为半个屏幕的位置坐标中z坐标的集合，(x1,y1,z1)为眼睛的中心的坐标，L为眼睛的中心与眼睛的焦点的距离，z0为眼睛的中心与书本之间的在z坐标轴上的高度；
根据眼睛的开合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长的步骤包括：
间隔采集眼睛的开合度及视野范围，并采集学习期间眼睛的开合度低于预设开合度的次数m，采集学习期间眼睛不在视野范围内的次数n，强度系数的数学表达为：
k＝(2s-m-n)/2s
等效时长的数学表达为：
q＝kt
其中，k为强度系数，s为学习期间采集眼睛的开合度及视野范围的次数，m为学习期间眼睛的开合度低于预设开合度的次数，n为学习期间眼睛不在视野范围内的次数，q为等效时长，t为学习时长。
2.根据权利要求1所述的学习效率检测方法，其特征在于，获取位于终端前的眼睛图像信息的过程包括：
采集眼睛图像并对眼睛图像中的眼睛进行标注，确定数据集及训练集；
通过神经网络对训练集进行训练，获取训练模型；
并通过所述数据集及训练模型确定眼睛图像信息。
3.根据权利要求1所述的学习效率检测方法，其特征在于，通过眼睛图像信息获取眼睛的开合度的步骤包括：
对眼睛图像进行二值化，获取眼珠位置坐标；
通过眼睛图像信息，获取眼睛位置坐标；
通过眼珠位置坐标确定眼珠面积，并通过眼睛位置坐标确定眼睛面积；
并根据眼珠面积与眼睛面积的比值确定眼睛的开合度。
4.一种学习效率检测系统，其特征在于，包括：
采集模块，获取位于屏幕前的眼睛图像信息，并通过眼睛图像信息获取眼睛的开合度及视野范围；
处理模块，根据眼睛的开合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长；
判定模块，当等效时长大于或者等于预设的时长阈值时，学习效率合格；
获取视野范围的步骤包括：
通过眼睛图像信息，获取眼睛位置坐标，并确定眼睛的中心点；
获取眼睛对应的半个屏幕的位置坐标；
通过眼睛的中心点、眼睛的焦点以及半个屏幕的位置坐标，确定视野范围；
视野范围的数学表达为：
F＝K*(∑xi,∑yi,∑zi)+(x1,y1,z1)
K＝L/z0
其中，F为视野范围，K为比例系数，∑xi为半个屏幕的位置坐标中x坐标的集合，∑yi为半个屏幕的位置坐标中y坐标的集合，∑zi为半个屏幕的位置坐标中z坐标的集合，(x1,y1,z1)为眼睛的中心的坐标，L为眼睛的中心与眼睛的焦点的距离，z0为眼睛的中心与书本之间的在z坐标轴上的高度；
根据眼睛的开合度及视野范围获取强度系数，并根据强度系数和学习时长确定等效时长的步骤包括：
间隔采集眼睛的开合度及视野范围，并采集学习期间眼睛的开合度低于预设开合度的次数m，采集学习期间眼睛不在视野范围内的次数n，强度系数的数学表达为：
k＝(2s-m-n)/2s
等效时长的数学表达为：
q＝kt
其中，k为强度系数，s为学习期间采集眼睛的开合度及视野范围的次数，m为学习期间眼睛的开合度低于预设开合度的次数，n为学习期间眼睛不在视野范围内的次数，q为等效时长，t为学习时长。
5.一种设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-3中一个或多个所述的方法。
6.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-3中一个或多个所述的方法。
CN202011232153.0A 2020-11-06 2020-11-06 一种学习效率检测方法、系统、电子设备及介质 Active CN112329643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011232153.0A CN112329643B (zh) 2020-11-06 2020-11-06 一种学习效率检测方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011232153.0A CN112329643B (zh) 2020-11-06 2020-11-06 一种学习效率检测方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN112329643A CN112329643A (zh) 2021-02-05
CN112329643B true CN112329643B (zh) 2021-06-04

Family

ID=74316736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011232153.0A Active CN112329643B (zh) 2020-11-06 2020-11-06 一种学习效率检测方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN112329643B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107272200A (zh) * 2017-05-02 2017-10-20 北京奇艺世纪科技有限公司 一种焦距控制设备、方法及vr眼镜
CN108171152A (zh) * 2017-12-26 2018-06-15 深圳大学 深度学习人眼视线估计方法、设备、系统及可读存储介质
CN109313509A (zh) * 2016-04-21 2019-02-05 奇跃公司 视野周围的视觉光环

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930693B (zh) * 2012-11-06 2015-01-21 深圳市艾大机器人有限公司 安全驾驶预警方法
CN106056092B (zh) * 2016-06-08 2019-08-20 华南理工大学 基于虹膜与瞳孔的用于头戴式设备的视线估计方法
CN106599881A (zh) * 2016-12-30 2017-04-26 首都师范大学 学生状态的确定方法、装置及系统
CN108108684B (zh) * 2017-12-15 2020-07-17 杭州电子科技大学 一种融合视线检测的注意力检测方法
CN110276231B (zh) * 2018-03-15 2023-11-28 厦门歌乐电子企业有限公司 一种眼睛开合度的检测装置、设备及方法
CN108492648A (zh) * 2018-03-16 2018-09-04 何戴娆 一种远程在线教学学生状态确定方法及系统
CN108720851B (zh) * 2018-05-23 2021-06-29 释码融和（上海）信息科技有限公司 一种驾驶状态检测方法、移动终端及存储介质
CN111008542A (zh) * 2018-10-08 2020-04-14 上海风创信息咨询有限公司 对象专注度分析方法、装置、电子终端及存储介质
CN109522815B (zh) * 2018-10-26 2021-01-15 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
CN109919079A (zh) * 2019-03-05 2019-06-21 百度在线网络技术（北京）有限公司 用于检测学习状态的方法和装置
CN110148075A (zh) * 2019-06-19 2019-08-20 重庆工商职业学院 一种基于人工智能的学习评价方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109313509A (zh) * 2016-04-21 2019-02-05 奇跃公司 视野周围的视觉光环
CN107272200A (zh) * 2017-05-02 2017-10-20 北京奇艺世纪科技有限公司 一种焦距控制设备、方法及vr眼镜
CN108171152A (zh) * 2017-12-26 2018-06-15 深圳大学 深度学习人眼视线估计方法、设备、系统及可读存储介质

Also Published As

Publication number Publication date
CN112329643A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN109359539B (zh) 注意力评估方法、装置、终端设备及计算机可读存储介质
CN110567510B (zh) 大气污染监测方法、系统、计算机设备和存储介质
Sharma Information Measure Computation and its Impact in MI COCO Dataset
CN109583449A (zh) 字符识别方法及相关产品
CN110070101A (zh) 植物种类的识别方法及装置、存储介质、计算机设备
CN107622240A (zh) 人脸检测方法和装置
CN113538574B (zh) 位姿定位方法、装置、设备及计算机可读存储介质
CN110176072A (zh) 细化用于将二维图像应用于三维模型的局部参数化
CN109345553A (zh) 一种手掌及其关键点检测方法、装置和终端设备
CN110298569B (zh) 基于眼动识别的学习评价方法及装置
CN112613440A (zh) 一种姿态检测的方法、装置、电子设备及存储介质
CN104537705A (zh) 基于增强现实的移动平台三维生物分子展示系统和方法
CN109740585A (zh) 一种文本定位方法及装置
CN104881526A (zh) 一种基于3d的物品穿戴方法及眼镜试戴方法
CN111209882A (zh) 一种全向运动装置的步态信息获取方法、系统及可读存储介质
CN111339902A (zh) 一种数显仪表的液晶屏示数识别方法及装置
CN112183492A (zh) 一种人脸模型精度矫正方法、装置及存储介质
CN110287831A (zh) 一种基于地标的控制点的获取方法、装置和电子设备
Sidenko et al. Eye-tracking technology for the analysis of dynamic data
CN112329643B (zh) 一种学习效率检测方法、系统、电子设备及介质
Brown et al. Efficient dataflow modeling of peripheral encoding in the human visual system
CN112101109B (zh) 人脸关键点检测模型训练方法、装置、电子设备和介质
CN113762062A (zh) 专注度评估方法、装置、计算机设备和存储介质
CN111724338B (zh) 一种转盘异常识别方法、系统、电子设备及介质
CN110174714B (zh) 基于机器学习的街道空间日照时数批量化测量方法及系统

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
GR01 Patent grant
GR01 Patent grant