CN113689093A - 基于人工智能的课堂质量评估方法及系统 - Google Patents
基于人工智能的课堂质量评估方法及系统 Download PDFInfo
- Publication number
- CN113689093A CN113689093A CN202110908998.5A CN202110908998A CN113689093A CN 113689093 A CN113689093 A CN 113689093A CN 202110908998 A CN202110908998 A CN 202110908998A CN 113689093 A CN113689093 A CN 113689093A
- Authority
- CN
- China
- Prior art keywords
- student
- value
- class
- classroom
- time interval
- 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
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 126
- 238000010586 diagram Methods 0.000 claims description 20
- 238000005452 bending Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 abstract description 7
- 210000003128 head Anatomy 0.000 description 34
- 230000009471 action Effects 0.000 description 20
- 238000000034 method Methods 0.000 description 17
- 230000033001 locomotion Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 210000001331 nose Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- 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—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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及人工智能技术领域,提供了一种基于人工智能的课堂质量评估方法及系统:根据课堂图像数据,获取每个学生的听课状态值和课堂整体参与积极程度值;根据教师的语音信息,计算当前评价时间间隔内的教学内容冗余程度值;根据教学内容冗余程度值和每个学生的听课状态值,计算当前评价时间间隔内每个学生的听课状态阈值,进而确定当前评价时间间隔内的课堂整体听课状态值;根据课堂整体听课状态值和课堂整体参与积极程度值,计算当前评价时间间隔内的课堂质量评分值。本发明通过对教师的语音信息进行分析计算教学内容冗余程度值,并根据该教学内容冗余程度值针对不同学生确定其对应的听课状态阈值,有效提高了课堂质量评估结果的准确性。
Description
技术领域
本发明涉及教育教学技术领域,具体涉及一种基于人工智能的课堂质量评估方法及系统。
背景技术
目前,课堂教学是教育教学最有效的方式,而课堂教学评价是促进学生成长、教师专业发展和提高课堂教学质量的一种重要手段。所以,如何科学准确地对教师的课堂教学质量进行评价,也成为课堂教学的一个重要组成部分。
现有常见的课堂质量评估方式主要有两种:1、课后由学生对教师的课堂质量进行评价,这种方式虽然能够体现学生的听课感受,但是通常会掺杂学生个人对教师本人喜恶的主观感情,喜欢的老师评分较高,不喜欢的老师评分较低,导致评价不够客观;2、通过获取课堂教学的视频信息,由机器对教师的课堂质量进行量化评分,这种方式通常是根据视频信息对学生的眼睛、表情、声音等特征信息进行提取,并将提取的特征信息与标准数据库中的特征进行比较,虽然是比较客观,但是由于实际课堂情况的多变性和复杂性,会导致评估方法鲁邦性较低,并不能完全反应实际情况下的课堂质量,评价结果不准确。
发明内容
本发明的目的在于提供一种基于人工智能的课堂质量评估方法及系统,用于解决现有的课堂质量评估准确性较差的问题。
为解决上述技术问题,本发明所采用的技术方案具体如下:
本发明提供了一种基于人工智能的课堂质量评估方法,包括以下步骤:
获取当前评价时间间隔内的课堂图像数据和课堂音频数据;
根据获取的课堂图像数据,获取每个学生的低抬头信息、背部弯曲信息和举手信息;
根据每个学生的低抬头信息和背部弯曲信息,计算当前评价时间间隔内每个学生的听课状态值;
根据每个学生的举手信息,计算当前评价时间间隔内的课堂整体参与积极程度值;
根据获取的课堂音频数据,获取教师的语音信息,并根据教师的语音信息,计算当前评价时间间隔内的教学内容冗余程度值;
根据教学内容冗余程度值和每个学生的听课状态值,计算当前评价时间间隔内每个学生的听课状态阈值;
根据每个学生的听课状态值和听课状态阈值,确定当前评价时间间隔内的课堂整体听课状态值;
根据课堂整体听课状态值和课堂整体参与积极程度值,计算当前评价时间间隔内的课堂质量评分值。
进一步的,根据教学内容冗余程度值和每个学生的听课状态值,计算当前评价时间间隔内每个学生的听课状态阈值的步骤包括:
获取根据每个学生的学习能力所确定的每个学生对应的教学内容冗余接受程度值,学习能力越强,则教学内容冗余接受程度值越小;
判断当前评价时间间隔内每个学生的听课状态值是否大于初始的听课状态阈值;
若学生的听课状态值不大于初始的听课状态阈值,则将初始的听课状态阈值作为该学生最终的听课状态阈值;
若学生的听课状态值大于初始的听课状态阈值,则判断该学生的教学内容冗余接受程度值是否小于教学内容冗余程度值;
若小于教学内容冗余程度值,则根据该学生的教学内容冗余接受程度值和教学内容冗余程度值之间的差值大小,增大初始的听课状态阈值,并将增大后的听课状态阈值作为最终的听课状态阈值;否则将初始的听课状态阈值作为该学生最终的听课状态阈值。
进一步的,当前评价时间间隔内的课堂整体听课状态值的计算公式为:
其中,S为课堂整体听课状态值,n为听课状态值不大于听课状态阈值的学生人数,m为课堂内的学生总人数,Fj为听课状态值大于听课状态阈值的第j个学生的听课状态值,Mj为听课状态值大于听课状态阈值的第j个学生的听课状态阈值。
进一步的,根据教师的语音信息,计算当前评价时间间隔内的教学内容冗余程度值的步骤包括:
根据教师讲课的停顿次数,将当前评价时间间隔内的教师语音信息划分为多个教师语音信息段;
对每个教师语音信息段分别进行语义分析,得到每个教师语音信息段对应的语义特征向量;
对当前评价时间间隔内相邻的语义特征向量进行相似度判断,确定当前评价时间间隔内为相同教学内容的教师语音信息段的累计次数及对应的持续总时间;
根据各相同教学内容的累计次数及对应的持续总时间,确定当前评价时间间隔内的教学内容冗余程度值。
进一步的,根据获取的课堂图像数据,获取每个学生的低抬头信息、背部弯曲信息和举手信息的步骤包括:
对获取的课堂图像数据进行分割,得到每个学生座位区域图像;
对每个学生座位区域图像进行关键点检测,得到每个学生的关键点热力图;
根据每个学生的关键点热力图中的脸部关键点的数目,确定在当前评价时间间隔内每个学生的低抬头信息,所述低抬头信息包括:低头严重程度、低头或扭头总次数、抬头总次数、每次低头或扭头的持续时间以及每次抬头的持续时间;
根据每个学生的关键点热力图中的颈部中心点关键点和背部关键点,确定当前评价时间间隔内每个学生的背部弯曲信息,所述背部弯曲信息包括:背部曲线曲率;
根据每个学生的关键点热力图中的手部关键点、肘部关键点和肩部关键点,确定当前评价时间间隔内每个学生的举手信息,所述举手信息包括:举手次数。
进一步的,所述当前评价时间间隔内每个学生的听课状态值的计算公式为:
其中,Fi为课堂中第i个学生在当前评价时间间隔内的听课状态值,Ninow为课堂中第i个学生在当前评价时间间隔内每次低头动作发生时的关键点遮挡数目的均值,Ni为课堂中第i个学生的脸部关键点总数目,为课堂中第i个学生在当前评价时间间隔内的低头严重程度,li为归一化后的课堂中第i个学生在当前评价时间间隔内的所有背部曲线曲率的均值,Cit为课堂中第i个学生在当前评价时间间隔内的抬头总次数,Tit为课堂中第i个学生在当前评价时间间隔内的抬头持续时间,Cid为课堂中第i个学生在当前评价时间间隔内的低头或扭头总次数,Tid为课堂中第i个学生在当前评价时间间隔内的低头或扭头持续时间。
进一步的,当前评价时间间隔内的课堂整体参与积极程度值的计算公式为:
其中,P为课堂整体参与积极程度值,m为课堂内的学生总人数,m1为课堂内举手学生的总人数,fi为课堂中第i个学生的举手次数与当前评价时间间隔的比值。
进一步的,当前评价时间间隔内的课堂质量评分值的计算公式为:
Score=(αS+βP)×100
其中,Score为课堂质量评分值,S为课堂整体听课状态值,P为课堂整体参与积极程度值,α、β分别为S、P对应的权重值。
为解决上述技术问题,本发明还提供了一种基于人工智能的课堂质量评估系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现上述的基于人工智能的课堂质量评估方法。
本发明具有如下有益效果:本发明通过教师的语音信息进行分析计算教学内容冗余程度值,根据该教学内容冗余程度值和每个学生的听课状态值,计算当前评价时间间隔内每个学生的听课状态阈值,根据每个学生的听课状态值及其对应的听课状态阈值来确定课堂整体听课状态值,进而确定课堂质量评分值。由于本发明根据课堂的教学内容冗余程度值和每个学生的听课状态值,可以根据学生的差异情况为每一个学生自适应确定一个听课状态阈值,效提高了课堂质量评估结果的准确性。
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和优点,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的介绍,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它附图。
图1为本发明的基于人工智能的课堂质量评估方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效进行如下说明。
方法实施例:
本实施例提供了一种基于人工智能的课堂质量评估方法,其对应的流图如图1所示,包括如下步骤:
(1)获取当前评价时间间隔内的课堂图像数据和课堂音频数据。
其中,为了获取教师在课堂教学过程中的课堂图像数据和课堂音频数据,在教室中设置有课堂图像采集模块和课堂语音采集模块。在本实施例中,课堂图像采集模块为摄像头,课堂语音采集模块为麦克风。由于本实施例要获取的课堂图像数据主要为学生上课时的图像数据,因此在教室前、后、左、右位置均设置有课堂图像采集模块;而获取的课堂音频数据主要为教师讲课的语音数据,因此可以只在教室讲台处设置课堂语音采集模块。
在上课开始后,各课堂图像采集模块和课堂语音采集模块实时地对教室内的课堂图像数据和课堂音频数据进行采集,并对采集到的视频图像进行间隔帧采集,每隔0.5s提取一帧图像,将提取到的图像进行中值滤波去噪,以有效去除图像中的椒盐噪声;对采集到的音频数据进行自适应滤波降噪,具体算法可以采用最小均方算法(LMS)算法,利用前一时刻已获得的滤波器参数,自动调节当前滤波器参数,以适应信号和噪声未知的或随机变化的统计特性,从而实现最优滤波进行音频去噪。由于中值滤波算法和LMS算法为均为本领域的公知算法,其具体实现步骤此处不在赘述。
通过对视频图像和语音数据进行去噪预处理,能够提高数据的质量,提高系统的运算和收敛速度。将预处理后的视频图像和语音数据每隔一段时间间隔发送给课堂质量评估模块。由课堂质量评估模块对每一段时间间隔的课堂质量情况进行评估。当然,作为其他的实施方式,也可以直接将预处理后的视频图像和语音数据发送给课堂质量评估模块,当需要对某一段时间间隔的课堂质量情况进行评估时,课堂质量评估模块直接利用该段时间间隔内的视频图像和语音数据进行评估。
(2)根据获取的课堂图像数据,获取每个学生的低抬头信息、背部弯曲信息和举手信息。
其中,通过对预处理后的课堂图像数据进行特征提取,就可以得到图像中学生的动作特征,即得到每个学生的低抬头信息、背部弯曲信息和举手信息,具体步骤如下:
(2-1)对获取的课堂图像数据进行分割,得到每个学生座位区域图像。
其中,由于图像数据有不仅有学生本身的信息,还有书桌、过道等背景图像信息,因此首先利用语义分割网络,将图像中学生区域图像和该区域的背景图像提取出来,具体算法步骤如下:通过对图像像素进行标注,图像中每个学生座位区域图像标注为1,其他区域标注为0,得到mask标签图像,将mask标签图像与原图像相乘得到分割后的图像,也就是学生座位区域图像,排除背景区域信息对特征提取造成的影响。
(2-2)对每个学生座位区域图像进行关键点检测,得到每个学生的关键点热力图。
其中,对分割后的学生座位区域图像进行关键点检测,关键点检测算法为:3DPose Estimation。通过对学生的头部包括双耳、鼻子、嘴巴、双眼、双肩、双肘、双手、颈部中心点、背部关键点等14个关键点进行标注,通过关键点编码器对标注后的图像进行卷积、下采样等操作得到关键点特征图,然后解码器对特征图进行上采样得到关键点的热图Heatmap,网络采用的loss函数为均方差,最终得到每个学生的关键点热力图。
需要进行说明的是,此处仅是简要地给出了对图像人物的关键点进行检测以得到人物的关键点热力图的步骤进行介绍,其具体实现过程可以参考现有技术。
另外,在进行人体关键点检测的过程中,会因为学生之间的遮挡导致关键点信息的缺失。本实施例针对手部关键点、肘部关键点和肩部关键点可能会出现遮挡的情况,根据人体的结构,各个部位关键点为近似刚体结构,利用手臂刚体结构这一特点,遮挡关键点位置进行预测,此时分为两种情况:
情况1:手部关键点被遮挡,肘部关键点未被遮挡。
根据小臂遮挡区域边缘的中心点P到肘部关键点的距离,计算当前帧中未被遮挡的小臂长度。根据手臂为刚体结构这一特点,手部关键点所处的位置一定在肘部关键点和小臂遮挡区域边缘的中心点P的延长线上,此时根据预先获取的学生手臂长度(可以由前面获取的学生手部关键点和肘部关键点的位置计算得到),就可以确定手部关键点的位置。
情况2:手部关键点、肘部关键点和肩部关键点出现完全遮挡。
根据图像获取当前帧关键点遮挡区域,并根据前序帧图像中提取遮挡关键点的三维空间维度的自由度和运动趋势,估计当前遮挡帧中遮挡关键点所在的位置。当肘部关键点和手部关键点的运动维度只在(x,y)维度上,其中,(x,y)维度表示x,y坐标系下运动,即在水平面上运动,则根据当前维度下的运动速度、相关刚体结构的实时状态来确定当前帧遮挡关键点所在的位置。当遮挡点在同一维度下运动过程中,相关刚体结构应保持同一自由度运动,当遮挡关键点在运动过程中变换维度时,相关刚体结构一定出现自由度间旋转,根据旋转角ω的大小,来确定遮挡关键点的维度的变化位置。其中,自由度间旋转判定规则如下:
当手肘结构只在(x,y)维度上做水平运动时,根据手肘结构运动速度V,旋转角ω=0,和完全遮挡帧和未遮挡帧之间的时间差Δt2得到运动距离VΔt2,最后通过未遮挡的初始位置确定当前帧遮挡关键点的位置。
当手肘结构不单是在(x,y)维度上运动时,根据手肘结构或者肘肩结构在空间维度上的旋转角ω和旋转角的旋转方向,手肘结构在各维度下运动的单位速度V′以及完全遮挡帧和未遮挡帧之间的时间差Δt,得到空间中的运动距离L·sin(ω0Δt1)+V′Δt2,其中,L表示刚体结构长度,ω0表示单位时间内的旋转角度,Δt1表示在两维度间旋转运动的时间,Δt2表示在水平运动的时间,V′表示单一维度下水平运动的单位速度。
例如,当手部关键点和肘部关键点发生完全遮挡,当肘部和肩部关键点之间的刚体结构发生(x,y)维度向(x,z)维度旋转移动,旋转角ω=5°,则此时遮挡关键点应从初始预测位置向同样空间维度进行移动。
(2-3)根据每个学生的关键点热力图中的脸部关键点的数目,确定在当前评价时间间隔内每个学生的低抬头信息,低抬头信息包括:低头严重程度、低头或扭头总次数、抬头总次数、每次低头或扭头的持续时间以及每次抬头的持续时间。
其中,对学生的关键点热力图进行分析可知,通过每个学生的关键点热力图中嘴巴、眼睛、鼻子的脸部4个关键点遮挡数量,可以识别当前学生低头和抬头的动作,即:当学生的两个眼睛关键点存在遮挡,即两个眼睛关键点消失的情况下,说明学生为低头动作;当学生的两个眼睛关键点遮挡恢复,说明学生为抬头动作;低头和抬头动作中双眼关键点从遮挡到恢复应该是同步的,当出现单一遮挡时,说明学生应为扭头动作,根据关键点的遮挡顺序判断扭头的方向。
因此,通过对当前评价时间间隔内获得的所有关键点热力图中的低头动作、扭头、抬头动作进行识别,就可以确定当前评价时间间隔内的低头或扭头总次数以及抬头总次数,根据某次低头或扭头动作发生时刻距离下一次抬头动作发生时刻之间的时间差,就可以得到该低头或扭头动作的持续时间,根据某次抬头动作发生时刻距离下一次低头或扭头动作发生时刻之间的时间差,就可以得到该抬头动作的持续时间。
另外,通过每个学生的关键点热力图中嘴巴、眼睛、鼻子的脸部4个关键点遮挡数量,可以来识别当前学生低头的严重程度。对每个学生每次低头动作发生时的关键点遮挡数量进行统计,并计算统计出的所有关键点遮挡数量的平均值,将该所有关键点遮挡数量的平均值与脸部4个关键点的比值,作为学生在当前评价时间间隔内的低头严重程度。
(2-4)根据每个学生的关键点热力图中的颈部中心点关键点和背部关键点,确定当前评价时间间隔内每个学生的背部弯曲信息,所述背部弯曲信息包括:背部曲线曲率。
其中,根据每个学生的关键点热力图中的颈部中心点关键点和背部关键点,在每个学生座位区域图像中对应确定颈部中心点关键点和背部关键点位置,然后对每个学生座位区域图像中的学生颈部中心点和背部关键点之间连线区域的像素点进行聚类拟合,得到背部曲线,然后结合该学生对应座位区域图像中的深度信息获取背部曲线的曲率。由于获取根据人物图像来获取人物背部曲线曲率的过程属于现有技术,此处不再做详细描述。
(2-5)根据每个学生的关键点热力图中的手部关键点、肘部关键点和肩部关键点,确定当前评价时间间隔内每个学生的举手信息,所述举手信息包括:举手次数。
其中,根据每个学生的关键点热力图中的手部关键点、肘部关键点和肩部关键点的位置,可以识别出学生是否有举手动作。通过对当前评价时间间隔内每个学生举手动作的发生次数进行统计,就可以得到在当前评价时间间隔内每个学生举手的总次数。
(3)根据每个学生的低抬头信息和背部弯曲信息,计算当前评价时间间隔内每个学生的听课状态值。
其中,首先,当学生频繁低头、扭头或低头、扭头的持续时间较长时,很有可能说明该学生的听课状态不佳,进而说明教师教学的课堂质量较差。当学生频繁抬头或抬头的持续时间较长时,很有可能说明该学生的听课状态较佳,进而说明教师教学的课堂质量较好。其次,当学生的低头程度越严重时,则说明学生的听课状态越不佳。再次,当学生的背部越弯曲,也就是学生的背部曲线曲率越大时,也说明学生的听课状态越不佳。
所以,基于上述分析可知,可以根据步骤(2)中所获得的当前评价时间间隔内每个学生的低头严重程度、低头或扭头总次数、抬头总次数、每次低头或扭头的持续时间以及每次抬头的持续时间以及背部曲线曲率,来确定当前评价时间间隔内每个学生的听课状态值,对应的计算公式如下:
其中,Fi为课堂中第i个学生在当前评价时间间隔内的听课状态值,Ninow为课堂中第i个学生在当前评价时间间隔内每次低头动作发生时的关键点遮挡数目的均值,Ni为课堂中第i个学生的脸部关键点总数目,为课堂中第i个学生在当前评价时间间隔内的低头严重程度,li为归一化后的课堂中第i个学生在当前评价时间间隔内的所有背部曲线曲率的均值,Cit为课堂中第i个学生在当前评价时间间隔内的抬头总次数,Tit为课堂中第i个学生在当前评价时间间隔内的抬头持续时间,Cid为课堂中第i个学生在当前评价时间间隔内的低头或扭头总次数,Tid为课堂中第i个学生在当前评价时间间隔内的低头或扭头持续时间。
需要说明的是,上述公式(1)具体给出了一种来确定当前评价时间间隔内每个学生的听课状态值的计算公式,在该计算公式中,听课状态值Fi与li、Cid和Tid成正比,而与Cit和Tit成反比,听课状态值Fi越大,说明听课状态越不佳,反之,学生听课状态越好。但是,需要指出的是,确定当前评价时间间隔内每个学生的听课状态值的关键在于听课状态值Fi的大小与li、Cid、Tid、Cit和Tit之间的内在规律本身,并不在于公式(1)的具体形式。
最后,对根据公式(1)计算出来的听课状态值进行归一化处理,排除量纲的影响,并将归一化处理后的听课状态值作为最终的听课状态值。
(4)根据每个学生的举手信息,计算当前评价时间间隔内的课堂整体参与积极程度值。
其中,当单个学生的举手次数越多时,说明学生的课堂参与积极程度越高。另外,当课堂中学生举手总人数越多时,同样可以说明学生的课堂参与积极程度越高。因此,可以根据每个学生的举手次数以及课堂中学生举手总人数,来确定当前评价时间间隔内的课堂整体参与积极程度值,对应的计算公式如下:
其中,P为课堂整体参与积极程度值,m为课堂内的学生总人数,m1为课堂内举手学生的总人数,fi为课堂中第i个学生的举手次数与当前评价时间间隔的比值。
需要指出的是,上述公式(2)具体给出了一种来确定课堂整体参与积极程度值的计算公式,在该计算公式中,课堂整体参与积极程度值P与fi和m1成正比,即每个学生举手次数越多、课堂内举手学生的总人数越多,课堂整体参与积极程度值越大。但是,需要指出的是,确定当前评价时间间隔内课堂整体参与积极程度值的关键在于课堂整体参与积极程度值P的大小与fi和m1之间的内在规律本身,并不在于公式(2)的具体形式。
(5)根据获取的课堂音频数据,获取教师的语音信息,并根据教师的语音信息,计算当前评价时间间隔内的教学内容冗余程度值。
其中,由于实际课堂的复杂性,步骤(3)通过低头、扭头和抬头情况来获取的听课状态值并不能够准确地去量化学生的听课状态,分析结果容易出错,最终导致课堂质量评价不准确。例如,由于当前教师教学内容较难或者教学内容为重点内容,需要花费更长的时间反复教学,以提高学生的听课效果。但是,因每个学生的学习能力不同,学习能力较强的可能在听一遍后就已经掌握了该教学内容,进而出现低头预习、睡觉等听课状态不佳的情况。因此,不能够直接将步骤(3)中获得的听课状态值作为所有学生状态判断标准,需要针对不同的学生应该自适应放宽,以提高最终课堂质量评估的准确性。
为了针对学习能力不同的学生,自适应设定不同的状态判断标准,本实施例通过对步骤(1)中获取的课堂音频数据进行特征提取,以得到课堂中教师的语音信息。然后通过对该语音信息进行分析,并根据分析结果对当前评价时间间隔内的教学内容冗余程度值进行计算,以便于后面根据计算出的教学内容冗余程度值来确定课堂整体听课状态值,从而最终提高课堂质量评估结果的准确性。
具体的,通过对预处理后的课堂音频数据进行特征提取,得到教师教学的语音信息的步骤如下:
(5-1)针对特定教师预先获取的其对应的音色特征,并根据该音色特征将预处理后的课堂音频数据中包含教师的音频数据保留,属于学生的音频数据进行剔除,对课堂音频数据中教师的音频数据进行筛选。
(5-2)针对特定教师预先获取的其对应的声音振幅,并获取教师到最近课堂语音采集模块的距离,根据该声音振幅和距离来设定振幅阈值,对空域上音频波段进行截取,将低于该振幅阈值的音频信号进行保留,从而可以得到教师音频和低于此振幅的音频信号。
其中,由于本实施例中仅在教室讲台处设置了一个课堂语音采集模块,因此可以直接根据教师的讲课声音振幅和教师到该课堂语音采集模块的距离来设定振幅阈值,以消除干扰。
(5-3)针对特定教师预先获取的其对应的振动频率,并根据该振动频率来设定振动频率阈值,进一步对时域上的音频波段进行截断,最终获得教师的语音信息。
通过上述步骤(5-1)-(5-3),分别从音色、响度、音调三个特征出发,对预处理后的课堂音频数据进行截取,就可以获取教师的语音信息。在获取的教师的语音信息的基础上,计算当前评价时间间隔内的教学内容冗余程度值的步骤包括:
(5-4)根据教师讲课的停顿次数,即将教师讲课的停顿时间作为语音信息分割条件,将当前评价时间间隔内的教师语音信息划分为多个教师语音信息段。
(5-5)对每个教师语音信息段分别进行语义分析,得到每个教师语音信息段对应的语义特征向量。
其中,在本实施例中,将经过步骤(5-4)所获取的多个教师语音信息段分别输入到深度学习语音识别CLDNN网络,通过对教师语音信息卷积池化-LSTM等处理,输出教师课堂语义文本信息,也就是语义特征向量序列。由于利用深度学习语音识别CLDNN网络对语义特征向量进行识别的具体过程属于现有急速,此处不再详细赘述。
(5-6)对当前评价时间间隔内相邻的语义特征向量进行相似度判断,即对比不同当前评价时间间隔内各相邻语义特征向量之间的相似度ρ,当相似度ρ大于设定相似度阈值ε时,则认为是相同教学内容,否则不是相同教学内容。根据相似度判断结果,确定当前评价时间间隔内为相同教学内容的教师语音信息段的累计次数及对应的持续总时间。
(5-7)根据各相同教学内容的累计次数及对应的持续总时间,确定当前评价时间间隔内的教学内容冗余程度值。
其中,根据各相同教学内容的累计次数及对应的持续总时间,构建教学内容冗余程度模型:
其中,为当前评价时间间隔内的教学内容冗余程度值,f(*)为归一化函数,用于将*归一化到范围[0.1,1],Ci为当前评价时间间隔内的第i个为相同教学内容的教师语音信息段的累计次数,ti为当前评价时间间隔内的第i个为相同教学内容的教师语音信息段的持续总时间,ωi为当前评价时间间隔内的第i个为相同教学内容的教师语音信息段对应的权重值,ωi=ti/T,T为当前评价时间间隔的总时长,Q为当前评价时间间隔内出现多段教师语音信息为相同教学内容的总次数。
需要说明的是,上述公式(3)具体给出了一种来确定当前评价时间间隔内教师的教学内容冗余程度的计算公式,在该计算公式中,听课状态值教学内容冗余程度与Ci和ti成正比,即为相同教学内容的教师语音信息段的累计次数越多,为相同教学内容的教师语音信息段的持续总时间越长,则听课状态值教学内容冗余程度越大。换句话说,教师就相同的教学内容重复的次数越多,重复的时间越长,则听课状态值教学内容冗余程度越大。需要指出的是,确定当前评价时间间隔内的教学内容冗余程度值的关键在于教学内容冗余程度值与Ci和ti之间的内在联系本身,并不在于公式(3)的具体形式。
(6)根据教学内容冗余程度值和每个学生的听课状态值,计算当前评价时间间隔内每个学生的听课状态阈值。
其中,基于步骤(5)中的分析可知,由于每个学生的学习能力不同,其接受教学内容的快慢情况就不同。因此,对于相同的教学内容冗余程度值,需要根据每个学生学习能力高低来确定其对应的听课状态阈值,以对其听课状态的好坏情况进行界定。在本实施例中,确定当前评价时间间隔内每个学生的听课状态阈值的步骤包括:
(6-1)获取根据每个学生的学习能力所确定的每个学生对应的教学内容冗余接受程度值,学习能力越强,则教学内容冗余接受程度值越小。
其中,针对每个学生的学习能力设定一个自适应系数γ,也就是教学内容冗余接受程度值,此系数对不同学生是不相同的,学习能力强的学生系数γ较小,学习能力弱的学生系数γ较大,系数γ的取值范围为[0.1,1],与通过步骤(5)计算出来的教学内容冗余程度值的取值范围保持一致。
(6-2)判断当前评价时间间隔内每个学生的听课状态值是否大于初始的听课状态阈值。
其中,设置一个初始的听课状态阈值M0=0.5,并利用该初始的听课状态阈值M0对经过步骤(3)计算出来的当前评价时间间隔内每个学生的听课状态值进行分类,当课堂中第i个学生在当前评价时间间隔内的听课状态值Fi>M0,认为该学生听课状态较差;当Fi≤M0,则认为该学生听课状态不错。
(6-3)若学生的听课状态值不大于初始的听课状态阈值,则将初始的听课状态阈值作为该学生最终的听课状态阈值。
其中,当课堂中第i个学生在当前评价时间间隔内的听课状态值Fi≤M0时,说明此时该学生的听课状态较佳,不存在由于教学内容冗余程度值较大而导致该学生听课状态不佳的情况,因此这时直接将初始的听课状态阈值作为该学生最终的听课状态阈值。
(6-4)若学生的听课状态值大于初始的听课状态阈值,则判断该学生的教学内容冗余接受程度值是否小于教学内容冗余程度值。若小于教学内容冗余程度值,则根据该学生的教学内容冗余接受程度值和教学内容冗余程度值之间的差值大小,增大初始的听课状态阈值,并将增大后的听课状态阈值作为最终的听课状态阈值;否则将初始的听课状态阈值作为该学生最终的听课状态阈值。
其中,当课堂中第i个学生在当前评价时间间隔内的听课状态值Fi>M0时,说明此时该学生的听课状态较差,此时有可能是由于教学内容冗余程度值较大而该学生的学习能力将强,进而导致该学生听课状态不佳的情况。那么,此时则将该学生的教学内容冗余接受程度值与教学内容冗余程度值进行比较。若该学生的教学内容冗余接受程度值不小于教学内容冗余程度值,则说明该生学习能力较弱,不存在由于教学内容冗余程度值较大而导致该学生听课状态不佳的情况,此时则直接将初始的听课状态阈值作为该学生最终的听课状态阈值。另一方面,若该学生的教学内容冗余接受程度值小于教学内容冗余程度值,则说明该生学习能力较强,存在由于教学内容冗余程度值较大而导致该学生听课状态不佳的情况,此时则根据该学生的教学内容冗余接受程度值和教学内容冗余程度值之间的差值大小,对初始的听课状态阈值M0进行调节,即根据二者差值的大小,增大初始的听课状态阈值,差值越大,初始的听课状态阈值增大的幅度就大;差值越小,初始的听课状态阈值增大的幅度就小。在本实施例中,对初始的听课状态阈值M0进行调节对应的公式为:
其中,Mj为经过调节后的听课状态值大于初始的听课状态阈值的第j个学生的听课状态阈值,M0为初始的听课状态阈值,k为调节系数,用于控制Mj小于课堂内第i个学生在当前评价时间间隔内的听课状态值Fi,为当前评价时间间隔内的教学内容冗余程度值,γi为听课状态值大于初始的听课状态阈值的第j个学生的教学内容冗余接受程度值。
通过上述的步骤(6)可以得到课堂中每个学生的听课状态值,即当学生的听课状态值不大于初始的听课状态阈值时,则初始的听课状态阈值即为最终的听课状态阈值;而当学生的听课状态值大于初始的听课状态阈值时,则会增大初始的听课状态阈值,且增大后的听课状态阈值会依旧小于学生的听课状态值,并将增大后的听课状态阈值作为最终的听课状态阈值。
(7)根据每个学生的听课状态值和听课状态阈值,确定当前评价时间间隔内的课堂整体听课状态值。
其中,在本实施例中,当前评价时间间隔内的课堂整体听课状态值的计算公式为:
其中,S为课堂整体听课状态值,n为学生的听课状态值不大于听课状态阈值的学生人数,m为课堂内的学生总人数,Fj为听课状态值大于听课状态阈值的第j个学生的听课状态值,Mj为听课状态值大于听课状态阈值的第j个学生的听课状态阈值。
需要说明的是,上述公式(5)具体给出了一种来确定当前评价时间间隔内的课堂整体听课状态值的计算公式,在该计算公式中,课堂整体听课状态S会随n的增大而增大,会随(Fj-Mj)的增大而减小。换句话说,一方面,听课状态较佳的学生人数越多,课堂整体听课状态值就会越大。另一方面,对于计算出的听课状态较佳的学生,当其对应听课状态阈值变大时,课堂整体听课状态也会相对变大。需要指出的是,当前评价时间间隔内的课堂整体听课状态值的关键在于课堂整体听课状态值与n、Fj和Mj之间的内在联系本身,并不在于公式(5)具体形式。
(8)课堂整体听课状态值和课堂整体参与积极程度值,计算当前评价时间间隔内的课堂质量评分值。
其中,通过对每个学生的上课状态进行统计分析,得到当前评价时间间隔内的课堂质量评分值:
Score=(αS+βP)×100 (6)
其中,Score为课堂质量评分值,m为课堂内的学生总数目,S为课堂整体听课状态值,P为课堂整体参与积极程度值,α、β分别为S、P对应的权重值,α=0.7,β=0.3。
需要说明的是,步骤(8)的目的是从课堂整体听课状态值和课堂整体参与积极程度值两个方面考虑,并参考两个方面对课堂质量的影响程度差异,来对前评价时间间隔内的教师教学质量情况进行评估。因此,公式(6)仅仅是给出了实现这一目的的具体表达形式,但是并不考虑量纲问题。另外,考虑到课堂整体听课状态值和课堂整体参与积极程度值之间有可能存在量级差异、课堂质量评分值Score的取值范围必须在[0,100%内等情况,在计算当前评价时间间隔内的课堂质量评分值之前,可以根据实际情况对二者进行统一量级、数值缩放等处理。
系统实施例:
本实施例提供了一种基于人工智能的课堂质量评估系统,包括处理器和存储器,该处理器用于处理存储在存储器中的指令,以实现上述方法实施例中的基于人工智能的课堂质量评估方法。由于该基于人工智能的课堂质量评估方法已经在上述的方法实施例中进行详细介绍,此处不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的课堂质量评估方法,其特征在于,包括以下步骤:
获取当前评价时间间隔内的课堂图像数据和课堂音频数据;
根据获取的课堂图像数据,获取每个学生的低抬头信息、背部弯曲信息和举手信息;
根据每个学生的低抬头信息和背部弯曲信息,计算当前评价时间间隔内每个学生的听课状态值;
根据每个学生的举手信息,计算当前评价时间间隔内的课堂整体参与积极程度值;
根据获取的课堂音频数据,获取教师的语音信息,并根据教师的语音信息,计算当前评价时间间隔内的教学内容冗余程度值;
根据教学内容冗余程度值和每个学生的听课状态值,计算当前评价时间间隔内每个学生的听课状态阈值;
根据每个学生的听课状态值和听课状态阈值,确定当前评价时间间隔内的课堂整体听课状态值;
根据课堂整体听课状态值和课堂整体参与积极程度值,计算当前评价时间间隔内的课堂质量评分值。
2.根据权利要求1所述的基于人工智能的课堂质量评估方法,其特征在于,根据教学内容冗余程度值和每个学生的听课状态值,计算当前评价时间间隔内每个学生的听课状态阈值的步骤包括:
获取根据每个学生的学习能力所确定的每个学生对应的教学内容冗余接受程度值,学习能力越强,则教学内容冗余接受程度值越小;
判断当前评价时间间隔内每个学生的听课状态值是否大于初始的听课状态阈值;
若学生的听课状态值不大于初始的听课状态阈值,则将初始的听课状态阈值作为该学生最终的听课状态阈值;
若学生的听课状态值大于初始的听课状态阈值,则判断该学生的教学内容冗余接受程度值是否小于教学内容冗余程度值;
若小于教学内容冗余程度值,则根据该学生的教学内容冗余接受程度值和教学内容冗余程度值之间的差值大小,增大初始的听课状态阈值,并将增大后的听课状态阈值作为最终的听课状态阈值;否则将初始的听课状态阈值作为该学生最终的听课状态阈值。
4.根据权利要求1或2所述的基于人工智能的课堂质量评估方法,其特征在于,根据教师的语音信息,计算当前评价时间间隔内的教学内容冗余程度值的步骤包括:
根据教师讲课的停顿次数,将当前评价时间间隔内的教师语音信息划分为多个教师语音信息段;
对每个教师语音信息段分别进行语义分析,得到每个教师语音信息段对应的语义特征向量;
对当前评价时间间隔内相邻的语义特征向量进行相似度判断,确定当前评价时间间隔内为相同教学内容的教师语音信息段的累计次数及对应的持续总时间;
根据各相同教学内容的累计次数及对应的持续总时间,确定当前评价时间间隔内的教学内容冗余程度值。
5.根据权利要求1或2所述的基于人工智能的课堂质量评估方法,其特征在于,根据获取的课堂图像数据,获取每个学生的低抬头信息、背部弯曲信息和举手信息的步骤包括:
对获取的课堂图像数据进行分割,得到每个学生座位区域图像;
对每个学生座位区域图像进行关键点检测,得到每个学生的关键点热力图;
根据每个学生的关键点热力图中的脸部关键点的数目,确定在当前评价时间间隔内每个学生的低抬头信息,所述低抬头信息包括:低头严重程度、低头或扭头总次数、抬头总次数、每次低头或扭头的持续时间以及每次抬头的持续时间;
根据每个学生的关键点热力图中的颈部中心点关键点和背部关键点,确定当前评价时间间隔内每个学生的背部弯曲信息,所述背部弯曲信息包括:背部曲线曲率;
根据每个学生的关键点热力图中的手部关键点、肘部关键点和肩部关键点,确定当前评价时间间隔内每个学生的举手信息,所述举手信息包括:举手次数。
6.根据权利要求5所述的基于人工智能的课堂质量评估方法,其特征在于,所述当前评价时间间隔内每个学生的听课状态值的计算公式为:
8.根据权利要求1-3中任一项所述的基于人工智能的课堂质量评估方法,其特征在于,当前评价时间间隔内的课堂质量评分值的计算公式为:
Score=(αS+βP)×100
其中,Score为课堂质量评分值,S为课堂整体听课状态值,P为课堂整体参与积极程度值,α、β分别为S、P对应的权重值。
9.一种基于人工智能的课堂质量评估系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-8中任一项所述的基于人工智能的课堂质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908998.5A CN113689093A (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能的课堂质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908998.5A CN113689093A (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能的课堂质量评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689093A true CN113689093A (zh) | 2021-11-23 |
Family
ID=78579244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110908998.5A Pending CN113689093A (zh) | 2021-08-09 | 2021-08-09 | 基于人工智能的课堂质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689093A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219224A (zh) * | 2021-11-24 | 2022-03-22 | 慧之安信息技术股份有限公司 | 一种用于智慧教室的教学质量检测方法和系统 |
CN115880111A (zh) * | 2023-02-22 | 2023-03-31 | 山东工程职业技术大学 | 基于图像的虚拟仿真实训课堂教学管理方法及系统 |
CN116029871A (zh) * | 2023-01-04 | 2023-04-28 | 广州市慧诚计算机系统科技有限公司 | 一种智慧教室可视化管理方法及系统 |
CN117079338A (zh) * | 2023-10-17 | 2023-11-17 | 山东惠通科技有限公司 | 基于人工智能的教学质量监测方法及系统 |
-
2021
- 2021-08-09 CN CN202110908998.5A patent/CN113689093A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219224A (zh) * | 2021-11-24 | 2022-03-22 | 慧之安信息技术股份有限公司 | 一种用于智慧教室的教学质量检测方法和系统 |
CN116029871A (zh) * | 2023-01-04 | 2023-04-28 | 广州市慧诚计算机系统科技有限公司 | 一种智慧教室可视化管理方法及系统 |
CN115880111A (zh) * | 2023-02-22 | 2023-03-31 | 山东工程职业技术大学 | 基于图像的虚拟仿真实训课堂教学管理方法及系统 |
CN117079338A (zh) * | 2023-10-17 | 2023-11-17 | 山东惠通科技有限公司 | 基于人工智能的教学质量监测方法及系统 |
CN117079338B (zh) * | 2023-10-17 | 2024-01-09 | 山东惠通科技有限公司 | 基于人工智能的教学质量监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689093A (zh) | 基于人工智能的课堂质量评估方法及系统 | |
CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
CN106878677B (zh) | 基于多传感器的学生课堂掌握程度评估系统和方法 | |
CN106599881A (zh) | 学生状态的确定方法、装置及系统 | |
CN108460334A (zh) | 一种基于声纹和人脸图像特征融合的年龄预测系统及方法 | |
CN113537005B (zh) | 一种基于姿态估计的线上考试学生行为分析方法 | |
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 | |
CN109147763A (zh) | 一种基于神经网络和逆熵加权的音视频关键词识别方法和装置 | |
CN109299690B (zh) | 一种可提高视频实时人脸识别精度的方法 | |
CN102750964A (zh) | 基于表情的背景音乐控制方法及装置 | |
CN112597814A (zh) | 一种基于改进的Openpose课堂多人异常行为及口罩佩戴检测方法 | |
CN112766413A (zh) | 一种基于加权融合模型的鸟类分类方法及系统 | |
CN114708658A (zh) | 一种在线学习专注度识别方法 | |
US20240135956A1 (en) | Method and apparatus for measuring speech-image synchronicity, and method and apparatus for training model | |
CN110879985B (zh) | 一种抗噪声数据的人脸识别模型训练方法 | |
CN114582003B (zh) | 一种基于云计算服务的睡眠健康管理系统 | |
CN109543629A (zh) | 一种眨眼识别方法、装置、设备及可读存储介质 | |
CN107977622B (zh) | 基于瞳孔特征的眼睛状态检测方法 | |
CN114155512A (zh) | 一种基于3d卷积网络多特征融合的疲劳检测方法及系统 | |
CN109522865A (zh) | 一种基于深度神经网络的特征加权融合人脸识别方法 | |
CN111950480A (zh) | 一种基于人工智能的英语发音自检方法和自检系统 | |
CN114943924B (zh) | 基于人脸表情视频的疼痛评估方法、系统、设备及介质 | |
CN110287759A (zh) | 一种基于简化输入卷积神经网络o-cnn的眼部疲劳检测方法 | |
CN202855297U (zh) | 基于表情的背景音乐控制装置 | |
CN112232166B (zh) | 基于人工智能的讲师动态评价方法、装置、计算机设备 |
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 |