CN112926412A - 自适应教学课堂监控方法及系统 - Google Patents

自适应教学课堂监控方法及系统 Download PDF

Info

Publication number
CN112926412A
CN112926412A CN202110152415.0A CN202110152415A CN112926412A CN 112926412 A CN112926412 A CN 112926412A CN 202110152415 A CN202110152415 A CN 202110152415A CN 112926412 A CN112926412 A CN 112926412A
Authority
CN
China
Prior art keywords
students
classroom
student
examination
teaching
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
CN202110152415.0A
Other languages
English (en)
Inventor
张丽媛
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.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
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 Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202110152415.0A priority Critical patent/CN112926412A/zh
Publication of CN112926412A publication Critical patent/CN112926412A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q50/205—Education administration or guidance
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V40/107—Static hand or arm
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Human Computer Interaction (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了自适应教学课堂监控方法及系统，其能够在课堂教学过程中拍摄相应的课堂影像，并对课堂影像进行处理而确定不同学生各自的肢体动作，再根据该肢体动作将学生划分为专注听课学生和不专注听课学生，然后对不专注听课学生的历史考试记录信息进行处理，以此确定不专注听课学生的知识点掌握程度和学习优劣状态，最后提醒教师在课堂教学过程对相应学生进行关注，这样能够在课堂教学过程中借助影像监控的方式对学生进行自动识别区分，从而使教师能够自动获得对不同学生进行关注的提醒消息，以此提高课堂教学的效率和降低教师课堂教学的负担。

Description

自适应教学课堂监控方法及系统
技术领域
本发明涉及智能教学的技术领域，特别涉及自适应教学课堂监控方法及系统。
背景技术
目前，教师在课堂教学中都按照备课资料来进行程序化的教学，并且课堂教学涉及的学生人数众多，教师在教学过程中无法针对每一个学生进行个性化的教学，这严重地影响课堂教学的效率和质量。可见，现有技术需要能够在课堂教学过程中对不同学生进行自适应的监控，并且结合学生的历史考试记录，提醒教师在课堂教学中对学生进行有针对性的教学，以此提高课堂教学的效率和降低教师课堂教学的负担。
发明内容
针对现有技术存在的缺陷，本发明提供自适应教学课堂监控方法及系统，其通过拍摄教学课堂当前的课堂影像，并对该课堂影像进行预处理，以此将该学生影像转换为若干课堂图像，再对该课堂图像进行识别处理，从而确定该教学课堂中不同学生各自的肢体动作信息，再根据该肢体动作信息，区分该教学课堂中学生的听课状态，从而将该学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取该不专注听课学生集合中所有学生学生的历史考试记录信息，最后从该历史考试记录信息中提取相应的考试知识点数据，并对该考试知识点数据进行分析处理，以此确定该不专注听课学生集合中所有学生的学习优劣状态，最后根据该不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息；可见，该自适应教学课堂监控方法及系统能够在课堂教学过程中拍摄相应的课堂影像，并对课堂影像进行处理而确定不同学生各自的肢体动作，再根据该肢体动作将学生划分为专注听课学生和不专注听课学生，然后对不专注听课学生的历史考试记录信息进行处理，以此确定不专注听课学生的知识点掌握程度和学习优劣状态，最后提醒教师在课堂教学过程对相应学生进行关注，这样能够在课堂教学过程中借助影像监控的方式对学生进行自动识别区分，从而使教师能够自动获得对不同学生进行关注的提醒消息，以此提高课堂教学的效率和降低教师课堂教学的负担。
本发明提供自适应教学课堂监控方法，其特征在于，其包括如下步骤：
步骤S1，拍摄教学课堂当前的课堂影像，并对所述课堂影像进行预处理，以此将所述学生影像转换为若干课堂图像，再对所述课堂图像进行识别处理，从而确定所述教学课堂中不同学生各自的肢体动作信息；
步骤S2，根据所述肢体动作信息，区分所述教学课堂中学生的听课状态，从而将所述学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取所述不专注听课学生集合中所有学生的历史考试记录信息；
步骤S3，从所述历史考试记录信息中提取相应的考试知识点数据，并对所述考试知识点数据进行分析处理，以此确定所述不专注听课学生集合中所有学生的学习优劣状态，最后根据所述不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息；
进一步，在所述步骤S1中，拍摄教学课堂当前的课堂影像，并对所述课堂影像进行预处理，以此将所述学生影像转换为若干课堂图像，再对所述课堂图像进行识别处理，从而确定所述教学课堂中不同学生各自的肢体动作信息具体包括：
步骤S101，对教学课程所在的环境场所进行全景扫描拍摄，从而获得相应的课堂全景影像，并对所述课堂全景影像依次进行卡尔曼降噪滤波预处理和图像帧提取处理，从而获得与所述课堂全景影像转换为若干课堂图像；
步骤S102，从所述课堂图像中识别得到相应的图像轮廓信息，并根据所述图像轮廓信息，确定学生在所述课堂图像中的肢体轮廓信息；
步骤S103，根据所述肢体轮廓信息，确定学生的头部俯仰状态和手部位姿状态，以此作为所述肢体动作信息；
进一步，在所述步骤S2中，根据所述肢体动作信息，区分所述教学课堂中学生的听课状态，从而将所述学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取所述不专注听课学生集合中学生的历史考试记录信息具体包括：
步骤S201，根据所述肢体动作信息中的头部俯仰状态和手部位姿状态，确定学生的头部俯仰角度和手部举起高度，若所述头部俯仰角度位于预设角度范围和所述手部举起高度位于预设高度范围，则确定学生当前处于专注听课状态，并将学生划分为属于专注听课学生集合中，否则，确定学生当前处于不专注听课状态，并将学生划分为属于不专注听课学生集合中；
步骤S202，识别所述不专注听课学生集合中学生的脸部图像，再根据所述脸部图像的识别结果，从预设考试记录数据库中提取得到与学生对应的历史考试记录信息；
进一步，在所述步骤S3中，从所述历史考试记录信息中提取相应的考试知识点数据，并对所述考试知识点数据进行分析处理，以此确定所述不专注听课学生集合中所有学生的学习优劣状态，最后根据所述不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息具体包括：
步骤S301，从所述历史考试记录信息中提取历次考试对应的考试知识点数据，并利用下面公式(1)，对所述考试知识点数据进行归一化处理，从而得到所述所有学生对所述考试知识点数据的平均掌握程度值Q：
Figure BDA0002932919690000031
在上述公式(1)中，exp表示以自然数e为底的指数函数，x表示所述考试知识点数据的知识点总数目，s′n表示所述所有学生在第n次考试中的平均得分值，t′n表示所述所有学生在第n次考试中的考试平均耗时，p′n表示预设的第n次考试对应的考试难度评价值、pn′且的取值范围为[1，4]、p′n的取值越大表明第n次考试的难度越大；N表示所述历史考试记录信息中考试的总次数；Smax表示预设的学生考试得分最大值；Tmin表示预设的学生考试耗时最小值；Pmax表示预设的考试难度最大值；
步骤S302，利用下面公式(2)，确定所述所有学生的历史学习优劣状态评价值F：
Figure BDA0002932919690000041
在上述公式(2)中，cr表示所述所有学生在当前时间之前的预设时间段内的第r节课堂中对第r节课堂学习任务的任务平均完成百分比；cr-1表示所述所有学生在当前时间之前的预设时间段内的第r-1节课堂中对第r节课堂学习任务的任务平均完成百分比；R为当前时间之前的预设时间段内的课堂总节数；
步骤S303，利用下面公式(3)，确定所述所有学生当前的学习异常状态系数A：
Figure BDA0002932919690000042
在上述公式(3)中，Gj表示所述所有学生中第j个学生在所述课堂图像中出现预设肢体动作的总次数，Gmax表示预设的肢体动作总次数最大值；所述肢体动作总次数最大值为在所述课堂影像对应的拍摄时长内，学生出现预设肢体动作次数的最大值；D为所述所有学生的总数目；
步骤S304，当所述学习异常状态系数A超过预设系数阈值时，则向教师推送相应的课堂教学提醒消息，否则，不向教师推送相应的课堂教学提醒消息。
本发明还提供自适应教学课堂监控系统，其特征在于，其包括课堂影像拍摄与处理模块、学生肢体动作信息确定模块、学生听课状态确定模块、历史考试记录信息获取模块和课堂教学提醒执行模块；其中，
所述课堂影像拍摄与处理模块用于拍摄教学课堂当前的课堂影像，并对所述课堂影像进行预处理，以此将所述学生影像转换为若干课堂图像；
所述学生肢体动作信息确定模块用于对所述课堂图像进行识别处理，从而确定所述教学课堂中不同学生各自的肢体动作信息；
所述学生听课状态确定模块用于根据所述肢体动作信息，区分所述教学课堂中学生的听课状态，从而将所述学生划分为属于专注听课学生集合和不专注听课学生集合；
所述历史考试记录信息获取模块用于获取所述不专注听课学生集合中所有学生的历史考试记录信息；
所述课堂教学提醒执行模块用于从所述历史考试记录信息中提取相应的考试知识点数据，并对所述考试知识点数据进行分析处理，以此确定所述不专注听课学生集合中所有学生的学习优劣状态，最后根据所述不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息；
进一步，所述课堂影像拍摄与处理模块拍摄教学课堂当前的课堂影像，并对所述课堂影像进行预处理，以此将所述学生影像转换为若干课堂图像具体包括：
对教学课程所在的环境场所进行全景扫描拍摄，从而获得相应的课堂全景影像，并对所述课堂全景影像依次进行卡尔曼降噪滤波预处理和图像帧提取处理，从而获得与所述课堂全景影像转换为若干课堂图像；
以及，
所述学生肢体动作信息确定模块对所述课堂图像进行识别处理，从而确定所述教学课堂中不同学生各自的肢体动作信息具体包括：
从所述课堂图像中识别得到相应的图像轮廓信息，并根据所述图像轮廓信息，确定学生在所述课堂图像中的肢体轮廓信息；
再根据所述肢体轮廓信息，确定学生的头部俯仰状态和手部位姿状态，以此作为所述肢体动作信息；
进一步，所述学生听课状态确定模块根据所述肢体动作信息，区分所述教学课堂中学生的听课状态，从而将所述学生划分为属于专注听课学生集合和不专注听课学生集合具体包括：
根据所述肢体动作信息中的头部俯仰状态和手部位姿状态，确定学生的头部俯仰角度和手部举起高度，若所述头部俯仰角度位于预设角度范围和所述手部举起高度位于预设高度范围，则确定学生当前处于专注听课状态，并将学生划分为属于专注听课学生集合中，否则，确定学生当前处于不专注听课状态，并将学生划分为属于不专注听课学生集合中；
以及，
所述历史考试记录信息获取模块获取所述不专注听课学生集合中学生的历史考试记录信息具体包括：
识别所述不专注听课学生集合中学生的脸部图像，再根据所述脸部图像的识别结果，从预设考试记录数据库中提取得到与学生对应的历史考试记录信息；
进一步，所述课堂教学提醒执行模块从所述历史考试记录信息中提取相应的考试知识点数据，并对所述考试知识点数据进行分析处理，以此确定所述不专注听课学生集合中所有学生的学习优劣状态，最后根据所述不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息具体包括：
从所述历史考试记录信息中提取历次考试对应的考试知识点数据，并利用下面公式(1)，对所述考试知识点数据进行归一化处理，从而得到所述所有学生对所述考试知识点数据的平均掌握程度值Q：
Figure BDA0002932919690000061
在上述公式(1)中，exp表示以自然数e为底的指数函数，x表示所述考试知识点数据的知识点总数目，s′n表示所述所有学生在第n次考试中的平均得分值，t′n表示所述所有学生在第n次考试中的考试平均耗时，p′n表示预设的第n次考试对应的考试难度评价值、p′n且的取值范围为[1，4]、p′n的取值越大表明第n次考试的难度越大；N表示所述历史考试记录信息中考试的总次数；Smax表示预设的学生考试得分最大值；Tmin表示预设的学生考试耗时最小值；Pmax表示预设的考试难度最大值；
再利用下面公式(2)，确定所述所有学生的历史学习优劣状态评价值F：
Figure BDA0002932919690000071
在上述公式(2)中，cr表示所述所有学生在当前时间之前的预设时间段内的第r节课堂中对第r节课堂学习任务的任务平均完成百分比；cr-1表示所述所有学生在当前时间之前的预设时间段内的第r-1节课堂中对第r节课堂学习任务的任务平均完成百分比；R为当前时间之前的预设时间段内的课堂总节数；
最后利用下面公式(3)，确定所述所有学生当前的学习异常状态系数A：
Figure BDA0002932919690000072
在上述公式(3)中，Gj表示所述所有学生中第j个学生在所述课堂图像中出现预设肢体动作的总次数，Gmax表示预设的肢体动作总次数最大值；所述肢体动作总次数最大值为在所述课堂影像对应的拍摄时长内，学生出现预设肢体动作次数的最大值；D为所述所有学生的总数目；
当所述学习异常状态系数A超过预设系数阈值时，则向教师推送相应的课堂教学提醒消息，否则，不向教师推送相应的课堂教学提醒消息。
相比于现有技术，该自适应教学课堂监控方法及系统通过拍摄教学课堂当前的课堂影像，并对该课堂影像进行预处理，以此将该学生影像转换为若干课堂图像，再对该课堂图像进行识别处理，从而确定该教学课堂中不同学生各自的肢体动作信息，再根据该肢体动作信息，区分该教学课堂中学生的听课状态，从而将该学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取该不专注听课学生集合中所有学生学生的历史考试记录信息，最后从该历史考试记录信息中提取相应的考试知识点数据，并对该考试知识点数据进行分析处理，以此确定该不专注听课学生集合中所有学生的学习优劣状态，最后根据该不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息；可见，该自适应教学课堂监控方法及系统能够在课堂教学过程中拍摄相应的课堂影像，并对课堂影像进行处理而确定不同学生各自的肢体动作，再根据该肢体动作将学生划分为专注听课学生和不专注听课学生，然后对不专注听课学生的历史考试记录信息进行处理，以此确定不专注听课学生的知识点掌握程度和学习优劣状态，最后提醒教师在课堂教学过程对相应学生进行关注，这样能够在课堂教学过程中借助影像监控的方式对学生进行自动识别区分，从而使教师能够自动获得对不同学生进行关注的提醒消息，以此提高课堂教学的效率和降低教师课堂教学的负担。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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作简单地介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的自适应教学课堂监控方法的流程示意图。
图2为本发明提供的自适应教学课堂监控系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的自适应教学课堂监控方法的流程示意图。该自适应教学课堂监控方法包括如下步骤：
步骤S1，拍摄教学课堂当前的课堂影像，并对该课堂影像进行预处理，以此将该学生影像转换为若干课堂图像，再对该课堂图像进行识别处理，从而确定该教学课堂中不同学生各自的肢体动作信息；
步骤S2，根据该肢体动作信息，区分该教学课堂中学生的听课状态，从而将该学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取该不专注听课学生集合中所有学生的历史考试记录信息；
步骤S3，从该历史考试记录信息中提取相应的考试知识点数据，并对该考试知识点数据进行分析处理，以此确定该不专注听课学生集合中所有学生的学习优劣状态，最后根据该不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息。
上述技术方案的有益效果为：该自适应教学课堂监控方法能够在课堂教学过程中拍摄相应的课堂影像，并对课堂影像进行处理而确定不同学生各自的肢体动作，再根据该肢体动作将学生划分为专注听课学生和不专注听课学生，然后对不专注听课学生的历史考试记录信息进行处理，以此确定不专注听课学生的知识点掌握程度和学习优劣状态，最后提醒教师在课堂教学过程对相应学生进行关注，这样能够在课堂教学过程中借助影像监控的方式对学生进行自动识别区分，从而使教师能够自动获得对不同学生进行关注的提醒消息，以此提高课堂教学的效率和降低教师课堂教学的负担。
优选地，在该步骤S1中，拍摄教学课堂当前的课堂影像，并对该课堂影像进行预处理，以此将该学生影像转换为若干课堂图像，再对该课堂图像进行识别处理，从而确定该教学课堂中不同学生各自的肢体动作信息具体包括：
步骤S101，对教学课程所在的环境场所进行全景扫描拍摄，从而获得相应的课堂全景影像，并对该课堂全景影像依次进行卡尔曼降噪滤波预处理和图像帧提取处理，从而获得与该课堂全景影像转换为若干课堂图像；
步骤S102，从该课堂图像中识别得到相应的图像轮廓信息，并根据该图像轮廓信息，确定学生在该课堂图像中的肢体轮廓信息；
步骤S103，根据该肢体轮廓信息，确定学生的头部俯仰状态和手部位姿状态，以此作为该肢体动作信息。
上述技术方案的有益效果为：通过对教学课堂进行全景扫描拍摄能够对课堂教学中的所有学生进行全面有效的监控，并且还能够准确地和快速地识别出不同学生各自的肢体工作信息，从而为后续判断学生是否处于专注听课状态提供可靠的依据。
优选地，在该步骤S2中，根据该肢体动作信息，区分该教学课堂中学生的听课状态，从而将该学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取该不专注听课学生集合中学生的历史考试记录信息具体包括：
步骤S201，根据该肢体动作信息中的头部俯仰状态和手部位姿状态，确定学生的头部俯仰角度和手部举起高度，若该头部俯仰角度位于预设角度范围和该手部举起高度位于预设高度范围，则确定学生当前处于专注听课状态，并将学生划分为属于专注听课学生集合中，否则，确定学生当前处于不专注听课状态，并将学生划分为属于不专注听课学生集合中；
步骤S202，识别该不专注听课学生集合中学生的脸部图像，再根据该脸部图像的识别结果，从预设考试记录数据库中提取得到与学生对应的历史考试记录信息。
上述技术方案的有益效果为：由于当学生在课堂教学过程中处于注意力分散状态时，学生会做出相应的动作，而确定学生的头部俯仰角度和手部举起高度，并将该头部俯仰角度与预设角度范围进行比对以及将该手部举起高度与预设高度范围进行比对，能够对学生是否专注听课进行客观的量化判断，从而快速地和准确地将学生划分到专注听课学生集合和不专注听课学生集合中。
优选地，在该步骤S3中，从该历史考试记录信息中提取相应的考试知识点数据，并对该考试知识点数据进行分析处理，以此确定该不专注听课学生集合中所有学生的学习优劣状态，最后根据该不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息具体包括：
步骤S301，从该历史考试记录信息中提取历次考试对应的考试知识点数据，并利用下面公式(1)，对该考试知识点数据进行归一化处理，从而得到该所有学生对该考试知识点数据的平均掌握程度值Q：
Figure BDA0002932919690000111
在上述公式(1)中，exp表示以自然数e为底的指数函数，x表示该考试知识点数据的知识点总数目，s′n表示该所有学生在第n次考试中的平均得分值，t′n表示该所有学生在第n次考试中的考试平均耗时，p′n表示预设的第n次考试对应的考试难度评价值、p′n且的取值范围为[1，4]、p′n的取值越大表明第n次考试的难度越大；N表示该历史考试记录信息中考试的总次数；Smax表示预设的学生考试得分最大值；Tmin表示预设的学生考试耗时最小值；Pmax表示预设的考试难度最大值；
步骤S302，利用下面公式(2)，确定该所有学生的历史学习优劣状态评价值F：
Figure BDA0002932919690000121
在上述公式(2)中，cr表示该所有学生在当前时间之前的预设时间段内的第r节课堂中对第r节课堂学习任务的任务平均完成百分比；cr-1表示该所有学生在当前时间之前的预设时间段内的第r-1节课堂中对第r节课堂学习任务的任务平均完成百分比；R为当前时间之前的预设时间段内的课堂总节数；在实践中，该参数cr和cr-1可以通过所有学生在完成相应课堂学习任务的过程中进行对课堂作业等任务的撰写完成进度进行实时的记录，再根据记录的结果统计得到相应的任务平均完成百分比。
步骤S303，利用下面公式(3)，确定该所有学生当前的学习异常状态系数A：
Figure BDA0002932919690000122
在上述公式(3)中，Gj表示该所有学生中第j个学生在该课堂图像中出现预设肢体动作的总次数，Gmax表示预设的肢体动作总次数最大值；该肢体动作总次数最大值为在该课堂影像对应的拍摄时长内，学生出现预设肢体动作次数的最大值；D为该所有学生的总数目；在实践中，该预设肢体动作可包括但不限于是学生的头部俯仰角度位于预设角度范围内的动作或者学生的手部举起高度位于预设高度范围内的动作。
步骤S304，当该学习异常状态系数A超过预设系数阈值时，则向教师推送相应的课堂教学提醒消息，否则，不向教师推送相应的课堂教学提醒消息。在实践中，该课堂教学提醒消息可包括但不限于用于提醒教师当前的部分学生听课不认真的提醒消息或者提醒教师当前的教学效果欠佳的提醒消息。
上述技术方案的有益效果为：利用上述公式(1)，对学生在历次考试中设涉及的考试知识点数据进行归一化处理，能够快速地和精确地对学生在所有考试知识点数据的掌握程度进行量化评价；利用上述公式(2)，能够在充分考虑学生所有历史考试情况的基础上，对学生的整体学习状态进行优劣量化评价，从而提高学生整体学习状态的评价直观性；利用上述公式(3)，能够根据消息触发规则向教师推送设定的消息，提高缺乏经验、水平中等的老师提高授课和教学监督质量。
参阅图2，为本发明实施例提供的自适应教学课堂监控系统的结构示意图。该自适应教学课堂监控系统包括课堂影像拍摄与处理模块、学生肢体动作信息确定模块、学生听课状态确定模块、历史考试记录信息获取模块和课堂教学提醒执行模块；其中，
该课堂影像拍摄与处理模块用于拍摄教学课堂当前的课堂影像，并对该课堂影像进行预处理，以此将该学生影像转换为若干课堂图像；
该学生肢体动作信息确定模块用于对该课堂图像进行识别处理，从而确定该教学课堂中不同学生各自的肢体动作信息；
该学生听课状态确定模块用于根据该肢体动作信息，区分该教学课堂中学生的听课状态，从而将该学生划分为属于专注听课学生集合和不专注听课学生集合；
该历史考试记录信息获取模块用于获取该不专注听课学生集合中所有学生的历史考试记录信息；
该课堂教学提醒执行模块用于从该历史考试记录信息中提取相应的考试知识点数据，并对该考试知识点数据进行分析处理，以此确定该不专注听课学生集合中所有学生的学习优劣状态，最后根据该不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息。
上述技术方案的有益效果为：该自适应教学课堂监控系统能够在课堂教学过程中拍摄相应的课堂影像，并对课堂影像进行处理而确定不同学生各自的肢体动作，再根据该肢体动作将学生划分为专注听课学生和不专注听课学生，然后对不专注听课学生的历史考试记录信息进行处理，以此确定不专注听课学生的知识点掌握程度和学习优劣状态，最后提醒教师在课堂教学过程对相应学生进行关注，这样能够在课堂教学过程中借助影像监控的方式对学生进行自动识别区分，从而使教师能够自动获得对不同学生进行关注的提醒消息，以此提高课堂教学的效率和降低教师课堂教学的负担。
优选地，该课堂影像拍摄与处理模块拍摄教学课堂当前的课堂影像，并对该课堂影像进行预处理，以此将该学生影像转换为若干课堂图像具体包括：
对教学课程所在的环境场所进行全景扫描拍摄，从而获得相应的课堂全景影像，并对该课堂全景影像依次进行卡尔曼降噪滤波预处理和图像帧提取处理，从而获得与该课堂全景影像转换为若干课堂图像；
以及，
该学生肢体动作信息确定模块对该课堂图像进行识别处理，从而确定该教学课堂中不同学生各自的肢体动作信息具体包括：
从该课堂图像中识别得到相应的图像轮廓信息，并根据该图像轮廓信息，确定学生在该课堂图像中的肢体轮廓信息；
再根据该肢体轮廓信息，确定学生的头部俯仰状态和手部位姿状态，以此作为该肢体动作信息。
上述技术方案的有益效果为：通过对教学课堂进行全景扫描拍摄能够对课堂教学中的所有学生进行全面有效的监控，并且还能够准确地和快速地识别出不同学生各自的肢体工作信息，从而为后续判断学生是否处于专注听课状态提供可靠的依据。
优选地，该学生听课状态确定模块根据该肢体动作信息，区分该教学课堂中学生的听课状态，从而将该学生划分为属于专注听课学生集合和不专注听课学生集合具体包括：
根据该肢体动作信息中的头部俯仰状态和手部位姿状态，确定学生的头部俯仰角度和手部举起高度，若该头部俯仰角度位于预设角度范围和该手部举起高度位于预设高度范围，则确定学生当前处于专注听课状态，并将学生划分为属于专注听课学生集合中，否则，确定学生当前处于不专注听课状态，并将学生划分为属于不专注听课学生集合中；
以及，
该历史考试记录信息获取模块获取该不专注听课学生集合中学生的历史考试记录信息具体包括：
识别该不专注听课学生集合中学生的脸部图像，再根据该脸部图像的识别结果，从预设考试记录数据库中提取得到与学生对应的历史考试记录信息。
上述技术方案的有益效果为：由于当学生在课堂教学过程中处于注意力分散状态时，学生会做出相应的动作，而确定学生的头部俯仰角度和手部举起高度，并将该头部俯仰角度与预设角度范围进行比对以及将该手部举起高度与预设高度范围进行比对，能够对学生是否专注听课进行客观的量化判断，从而快速地和准确地将学生划分到专注听课学生集合和不专注听课学生集合中。
优选地，该课堂教学提醒执行模块从该历史考试记录信息中提取相应的考试知识点数据，并对该考试知识点数据进行分析处理，以此确定该不专注听课学生集合中所有学生的学习优劣状态，最后根据该不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息具体包括：
从该历史考试记录信息中提取历次考试对应的考试知识点数据，并利用下面公式(1)，对该考试知识点数据进行归一化处理，从而得到该所有学生对该考试知识点数据的平均掌握程度值Q：
Figure BDA0002932919690000151
在上述公式(1)中，exp表示以自然数e为底的指数函数，x表示该考试知识点数据的知识点总数目，s′n表示该所有学生在第n次考试中的平均得分值，t′n表示该所有学生在第n次考试中的考试平均耗时，p′n表示预设的第n次考试对应的考试难度评价值、p′n且的取值范围为[1，4]、p′n的取值越大表明第n次考试的难度越大；N表示该历史考试记录信息中考试的总次数；Smax表示预设的学生考试得分最大值；Tmin表示预设的学生考试耗时最小值；Pmax表示预设的考试难度最大值；
再利用下面公式(2)，确定该所有学生的历史学习优劣状态评价值F：
Figure BDA0002932919690000161
在上述公式(2)中，cr表示该所有学生在当前时间之前的预设时间段内的第r节课堂中对第r节课堂学习任务的任务平均完成百分比；cr-1表示该所有学生在当前时间之前的预设时间段内的第r-1节课堂中对第r节课堂学习任务的任务平均完成百分比；R为当前时间之前的预设时间段内的课堂总节数；在实践中，该参数cr和cr-1可以通过所有学生在完成相应课堂学习任务的过程中进行对课堂作业等任务的撰写完成进度进行实时的记录，再根据记录的结果统计得到相应的任务平均完成百分比。
最后利用下面公式(3)，确定该所有学生当前的学习异常状态系数A：
Figure BDA0002932919690000162
在上述公式(3)中，Gj表示该所有学生中第j个学生在该课堂图像中出现预设肢体动作的总次数，Gmax表示预设的肢体动作总次数最大值；该肢体动作总次数最大值为在该课堂影像对应的拍摄时长内，学生出现预设肢体动作次数的最大值；D为该所有学生的总数目；在实践中，该预设肢体动作可包括但不限于是学生的头部俯仰角度位于预设角度范围内的动作或者学生的手部举起高度位于预设高度范围内的动作。
当该学习异常状态系数A超过预设系数阈值时，则向教师推送相应的课堂教学提醒消息，否则，不向教师推送相应的课堂教学提醒消息。
从上述实施例的内容可知，该自适应教学课堂监控方法及系统通过拍摄教学课堂当前的课堂影像，并对该课堂影像进行预处理，以此将该学生影像转换为若干课堂图像，再对该课堂图像进行识别处理，从而确定该教学课堂中不同学生各自的肢体动作信息，再根据该肢体动作信息，区分该教学课堂中学生的听课状态，从而将该学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取该不专注听课学生集合中所有学生学生的历史考试记录信息，最后从该历史考试记录信息中提取相应的考试知识点数据，并对该考试知识点数据进行分析处理，以此确定该不专注听课学生集合中所有学生的学习优劣状态，最后根据该不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息；可见，该自适应教学课堂监控方法及系统能够在课堂教学过程中拍摄相应的课堂影像，并对课堂影像进行处理而确定不同学生各自的肢体动作，再根据该肢体动作将学生划分为专注听课学生和不专注听课学生，然后对不专注听课学生的历史考试记录信息进行处理，以此确定不专注听课学生的知识点掌握程度和学习优劣状态，最后提醒教师在课堂教学过程对相应学生进行关注，这样能够在课堂教学过程中借助影像监控的方式对学生进行自动识别区分，从而使教师能够自动获得对不同学生进行关注的提醒消息，以此提高课堂教学的效率和降低教师课堂教学的负担。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.自适应教学课堂监控方法，其特征在于，其包括如下步骤：
步骤S1，拍摄教学课堂当前的课堂影像，并对所述课堂影像进行预处理，以此将所述学生影像转换为若干课堂图像，再对所述课堂图像进行识别处理，从而确定所述教学课堂中不同学生各自的肢体动作信息；
步骤S2，根据所述肢体动作信息，区分所述教学课堂中学生的听课状态，从而将所述学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取所述不专注听课学生集合中所有学生的历史考试记录信息；
步骤S3，从所述历史考试记录信息中提取相应的考试知识点数据，并对所述考试知识点数据进行分析处理，以此确定所述不专注听课学生集合中所有学生的学习优劣状态，最后根据所述不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息。
2.如权利要求1所述的自适应教学课堂监控方法，其特征在于：
在所述步骤S1中，拍摄教学课堂当前的课堂影像，并对所述课堂影像进行预处理，以此将所述学生影像转换为若干课堂图像，再对所述课堂图像进行识别处理，从而确定所述教学课堂中不同学生各自的肢体动作信息具体包括：
步骤S101，对教学课程所在的环境场所进行全景扫描拍摄，从而获得相应的课堂全景影像，并对所述课堂全景影像依次进行卡尔曼降噪滤波预处理和图像帧提取处理，从而获得与所述课堂全景影像转换为若干课堂图像；
步骤S102，从所述课堂图像中识别得到相应的图像轮廓信息，并根据所述图像轮廓信息，确定学生在所述课堂图像中的肢体轮廓信息；
步骤S103，根据所述肢体轮廓信息，确定学生的头部俯仰状态和手部位姿状态，以此作为所述肢体动作信息。
3.如权利要求1所述的自适应教学课堂监控方法，其特征在于：
在所述步骤S2中，根据所述肢体动作信息，区分所述教学课堂中学生的听课状态，从而将所述学生划分为属于专注听课学生集合和不专注听课学生集合，通过获取所述不专注听课学生集合中学生的历史考试记录信息具体包括：
步骤S201，根据所述肢体动作信息中的头部俯仰状态和手部位姿状态，确定学生的头部俯仰角度和手部举起高度，若所述头部俯仰角度位于预设角度范围和所述手部举起高度位于预设高度范围，则确定学生当前处于专注听课状态，并将学生划分为属于专注听课学生集合中，否则，确定学生当前处于不专注听课状态，并将学生划分为属于不专注听课学生集合中；
步骤S202，识别所述不专注听课学生集合中学生的脸部图像，再根据所述脸部图像的识别结果，从预设考试记录数据库中提取得到与学生对应的历史考试记录信息。
4.如权利要求1所述的自适应教学课堂监控方法，其特征在于：
在所述步骤S3中，从所述历史考试记录信息中提取相应的考试知识点数据，并对所述考试知识点数据进行分析处理，以此确定所述不专注听课学生集合中所有学生的学习优劣状态，最后根据所述不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息具体包括：
步骤S301，从所述历史考试记录信息中提取历次考试对应的考试知识点数据，并利用下面公式(1)，对所述考试知识点数据进行归一化处理，从而得到所述所有学生对所述考试知识点数据的平均掌握程度值Q：
Figure FDA0002932919680000031
在上述公式(1)中，exp表示以自然数e为底的指数函数，x表示所述考试知识点数据的知识点总数目，s′n表示所述所有学生在第n次考试中的平均得分值，t′n表示所述所有学生在第n次考试中的考试平均耗时，p′n表示预设的第n次考试对应的考试难度评价值、p′n且的取值范围为[1，4]、p′n的取值越大表明第n次考试的难度越大；N表示所述历史考试记录信息中考试的总次数；Smax表示预设的学生考试得分最大值；Tmin表示预设的学生考试耗时最小值；Pmax表示预设的考试难度最大值；
步骤S302，利用下面公式(2)，确定所述所有学生的历史学习优劣状态评价值F：
Figure FDA0002932919680000032
在上述公式(2)中，cr表示所述所有学生在当前时间之前的预设时间段内的第r节课堂中对第r节课堂学习任务的任务平均完成百分比；cr-1表示所述所有学生在当前时间之前的预设时间段内的第r-1节课堂中对第r节课堂学习任务的任务平均完成百分比；R为当前时间之前的预设时间段内的课堂总节数；
步骤S303，利用下面公式(3)，确定所述所有学生当前的学习异常状态系数A：
Figure FDA0002932919680000033
在上述公式(3)中，Gj表示所述所有学生中第j个学生在所述课堂图像中出现预设肢体动作的总次数，Gmax表示预设的肢体动作总次数最大值；所述肢体动作总次数最大值为在所述课堂影像对应的拍摄时长内，学生出现预设肢体动作次数的最大值；D为所述所有学生的总数目；
步骤S304，当所述学习异常状态系数A超过预设系数阈值时，则向教师推送相应的课堂教学提醒消息，否则，不向教师推送相应的课堂教学提醒消息。
5.自适应教学课堂监控系统，其特征在于，其包括课堂影像拍摄与处理模块、学生肢体动作信息确定模块、学生听课状态确定模块、历史考试记录信息获取模块和课堂教学提醒执行模块；其中，
所述课堂影像拍摄与处理模块用于拍摄教学课堂当前的课堂影像，并对所述课堂影像进行预处理，以此将所述学生影像转换为若干课堂图像；
所述学生肢体动作信息确定模块用于对所述课堂图像进行识别处理，从而确定所述教学课堂中不同学生各自的肢体动作信息；
所述学生听课状态确定模块用于根据所述肢体动作信息，区分所述教学课堂中学生的听课状态，从而将所述学生划分为属于专注听课学生集合和不专注听课学生集合；
所述历史考试记录信息获取模块用于获取所述不专注听课学生集合中所有学生的历史考试记录信息；
所述课堂教学提醒执行模块用于从所述历史考试记录信息中提取相应的考试知识点数据，并对所述考试知识点数据进行分析处理，以此确定所述不专注听课学生集合中所有学生的学习优劣状态，最后根据所述不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息。
6.如权利要求5所述的自适应教学课堂监控系统，其特征在于：
所述课堂影像拍摄与处理模块拍摄教学课堂当前的课堂影像，并对所述课堂影像进行预处理，以此将所述学生影像转换为若干课堂图像具体包括：
对教学课程所在的环境场所进行全景扫描拍摄，从而获得相应的课堂全景影像，并对所述课堂全景影像依次进行卡尔曼降噪滤波预处理和图像帧提取处理，从而获得与所述课堂全景影像转换为若干课堂图像；
以及，
所述学生肢体动作信息确定模块对所述课堂图像进行识别处理，从而确定所述教学课堂中不同学生各自的肢体动作信息具体包括：
从所述课堂图像中识别得到相应的图像轮廓信息，并根据所述图像轮廓信息，确定学生在所述课堂图像中的肢体轮廓信息；
再根据所述肢体轮廓信息，确定学生的头部俯仰状态和手部位姿状态，以此作为所述肢体动作信息。
7.如权利要求5所述的自适应教学课堂监控系统，其特征在于：
所述学生听课状态确定模块根据所述肢体动作信息，区分所述教学课堂中学生的听课状态，从而将所述学生划分为属于专注听课学生集合和不专注听课学生集合具体包括：
根据所述肢体动作信息中的头部俯仰状态和手部位姿状态，确定学生的头部俯仰角度和手部举起高度，若所述头部俯仰角度位于预设角度范围和所述手部举起高度位于预设高度范围，则确定学生当前处于专注听课状态，并将学生划分为属于专注听课学生集合中，否则，确定学生当前处于不专注听课状态，并将学生划分为属于不专注听课学生集合中；
以及，
所述历史考试记录信息获取模块获取所述不专注听课学生集合中学生的历史考试记录信息具体包括：
识别所述不专注听课学生集合中学生的脸部图像，再根据所述脸部图像的识别结果，从预设考试记录数据库中提取得到与学生对应的历史考试记录信息。
8.如权利要求5所述的自适应教学课堂监控系统，其特征在于：
所述课堂教学提醒执行模块从所述历史考试记录信息中提取相应的考试知识点数据，并对所述考试知识点数据进行分析处理，以此确定所述不专注听课学生集合中所有学生的学习优劣状态，最后根据所述不专注听课学生集合中所有学生的学习优劣状态向教师推送相应的课堂教学提醒消息具体包括：
从所述历史考试记录信息中提取历次考试对应的考试知识点数据，并利用下面公式(1)，对所述考试知识点数据进行归一化处理，从而得到所述所有学生对所述考试知识点数据的平均掌握程度值Q：
Figure FDA0002932919680000061
在上述公式(1)中，exp表示以自然数e为底的指数函数，x表示所述考试知识点数据的知识点总数目，s′n表示所述所有学生在第n次考试中的平均得分值，t′n表示所述所有学生在第n次考试中的考试平均耗时，p′n表示预设的第n次考试对应的考试难度评价值、p′n且的取值范围为[1，4]、p′n的取值越大表明第n次考试的难度越大；N表示所述历史考试记录信息中考试的总次数；Smax表示预设的学生考试得分最大值；Tmin表示预设的学生考试耗时最小值；Pmax表示预设的考试难度最大值；
再利用下面公式(2)，确定所述所有学生的历史学习优劣状态评价值F：
Figure FDA0002932919680000062
在上述公式(2)中，cr表示所述所有学生在当前时间之前的预设时间段内的第r节课堂中对第r节课堂学习任务的任务平均完成百分比；cr-1表示所述所有学生在当前时间之前的预设时间段内的第r-1节课堂中对第r节课堂学习任务的任务平均完成百分比；R为当前时间之前的预设时间段内的课堂总节数；
最后利用下面公式(3)，确定所述所有学生当前的学习异常状态系数A：
Figure FDA0002932919680000071
在上述公式(3)中，Gj表示所述所有学生中第j个学生在所述课堂图像中出现预设肢体动作的总次数，Gmax表示预设的肢体动作总次数最大值；所述肢体动作总次数最大值为在所述课堂影像对应的拍摄时长内，学生出现预设肢体动作次数的最大值；D为所述所有学生的总数目；当所述学习异常状态系数A超过预设系数阈值时，则向教师推送相应的课堂教学提醒消息，否则，不向教师推送相应的课堂教学提醒消息。
CN202110152415.0A 2021-02-04 2021-02-04 自适应教学课堂监控方法及系统 Pending CN112926412A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110152415.0A CN112926412A (zh) 2021-02-04 2021-02-04 自适应教学课堂监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110152415.0A CN112926412A (zh) 2021-02-04 2021-02-04 自适应教学课堂监控方法及系统

Publications (1)

Publication Number Publication Date
CN112926412A true CN112926412A (zh) 2021-06-08

Family

ID=76170214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110152415.0A Pending CN112926412A (zh) 2021-02-04 2021-02-04 自适应教学课堂监控方法及系统

Country Status (1)

Country Link
CN (1) CN112926412A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255572A (zh) * 2021-06-17 2021-08-13 华中科技大学 一种课堂注意力评估方法及系统
CN113409635A (zh) * 2021-06-17 2021-09-17 上海松鼠课堂人工智能科技有限公司 基于虚拟现实场景的互动教学方法与系统
CN113963586A (zh) * 2021-09-29 2022-01-21 华东师范大学 一种可移动穿戴式授课工具及其应用
CN115205764A (zh) * 2022-09-15 2022-10-18 深圳市企鹅网络科技有限公司 基于机器视觉的在线学习专注度监测方法、系统及介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255572A (zh) * 2021-06-17 2021-08-13 华中科技大学 一种课堂注意力评估方法及系统
CN113409635A (zh) * 2021-06-17 2021-09-17 上海松鼠课堂人工智能科技有限公司 基于虚拟现实场景的互动教学方法与系统
CN113963586A (zh) * 2021-09-29 2022-01-21 华东师范大学 一种可移动穿戴式授课工具及其应用
CN115205764A (zh) * 2022-09-15 2022-10-18 深圳市企鹅网络科技有限公司 基于机器视觉的在线学习专注度监测方法、系统及介质
CN115205764B (zh) * 2022-09-15 2022-11-25 深圳市企鹅网络科技有限公司 基于机器视觉的在线学习专注度监测方法、系统及介质

Similar Documents

Publication Publication Date Title
CN112926412A (zh) 自适应教学课堂监控方法及系统
CN110991381B (zh) 一种基于行为和语音智能识别的实时课堂学生状态分析与指示提醒系统和方法
CN109522815B (zh) 一种专注度评估方法、装置及电子设备
CN110826538B (zh) 一种用于电力营业厅的异常离岗识别系统
CN111242049B (zh) 一种基于面部识别的学生网课学习状态评价方法及系统
CN110945522B (zh) 一种学习状态的判断方法、装置及智能机器人
CN108648757A (zh) 一种基于多维度课堂信息的分析方法
CN107958351A (zh) 教学质量评估云服务平台
CN112183238B (zh) 一种远程教育注意力检测方法及系统
CN108171414A (zh) 教学质量评估系统
CN108009754A (zh) 教学质量评估方法
CN113537005B (zh) 一种基于姿态估计的线上考试学生行为分析方法
CN107895336A (zh) 一种基于多方位动态捕捉的在线考试监考系统及工作方法
CN109460727A (zh) 一种基于人体行为识别的考场监控系统及方法
CN109410098A (zh) 一种学生课堂行为分析及监控方法
CN113657168B (zh) 基于卷积神经网络的学生学习情绪的识别方法
CN111860203B (zh) 基于图像和音频混合的异常猪只识别装置、系统和方法
CN111523444A (zh) 基于改进的Openpose模型和面部微表情的课堂行为检测的方法
CN112132009A (zh) 课堂行为分析方法、系统及电子设备
CN112085883A (zh) 一种智慧监考反作弊系统
CN112101074A (zh) 一种在线教育辅助评分方法和系统
CN111523445A (zh) 一种基于改进的Openpose模型和面部微表情的考试行为检测方法
CN113706348A (zh) 基于人脸识别的在线自动监考系统及方法
CN117122324A (zh) 基于多模态情感数据融合的从业人员心理健康检测方法
CN115359421A (zh) 基于全程视频监控的游泳考试监管控制系统

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