CN115223179A - 基于答题码的课堂教学数据处理方法和系统 - Google Patents
基于答题码的课堂教学数据处理方法和系统 Download PDFInfo
- Publication number
- CN115223179A CN115223179A CN202110416865.6A CN202110416865A CN115223179A CN 115223179 A CN115223179 A CN 115223179A CN 202110416865 A CN202110416865 A CN 202110416865A CN 115223179 A CN115223179 A CN 115223179A
- Authority
- CN
- China
- Prior art keywords
- classroom
- answer
- answer code
- image
- students
- 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
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
Abstract
本申请涉及一种基于答题码的课堂教学数据处理方法和系统。所述方法涉及人工智能,包括:针对课堂教学的课堂题目,提取对应的课堂教学场景图像,获取课堂教学场景图像中各学生对课堂题目的答题码图像。提取答题码图像对应的像素特征,根据像素特征进行解码,获取答题码编号和各答题码编号对应的答案,确定与答题码编号匹配的学生,得到各学生对课堂题目的答案。采用本方法直接对课堂教学场景图像进行识别和解码,获得各学生的答题码编号以及不同课堂题目的答案,了解学生答题情况,实现课堂教学时老师和学生间的灵活互动,无需为每个学生配备相应的电子设备,在实现课堂灵活互动的基础上,减少教学成本,提升了智能教学在不同教学环境下的普适性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于答题码的课堂教学数据处理方法和系统。
背景技术
随着计算机技术的发展,以及对于线下课堂教学的教学质量要求日益提升,出现了智能教学技术。其中,智能教学技术的基本思想为:通过引进电子设备,分为教师端和学生端,每个学生通过分配的电子设备,根据老师发布的问题选择自己的作答结果,在电子设备上进行反馈,以实现师生之间的问答实时交互,并记录相应的互动结果,提升教学质量。
但是传统的智能教学技术,需要人手配备电子设备,教学成本较高,同时由于电子设备之间通过网络交互,还需配置较好的网络环境,并不适应于某些地区学校网络差、覆盖范围狭窄或教学经费紧张的情况。因此,传统的智能教学技术仍存在教学成本高,导致普适性不足的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低课堂教学成本,以提升智能教学普适性的基于答题码的课堂教学数据处理方法和系统。
一种基于答题码的课堂教学数据处理方法,所述方法包括:
针对课堂教学的课堂题目,提取对应的课堂教学场景图像;
获取所述课堂教学场景图像中各学生对所述课堂题目的答题码图像;
提取所述答题码图像对应的像素特征,并根据所述像素特征进行解码,获取答题码编号和各所述答题码编号对应的答案;
确定与所述答题码编号匹配的学生,得到各所述学生对所述课堂题目的答案。
一种答题码库的生成方法,所述方法包括:
获取随机生成的答题码;
计算所述答题码和预存答题码库中各历史答题码之间的第一距离;
判断所述第一距离是否不小于预设距离阈值;
当确定所述第一距离不小于所述预设距离阈值时,将随机生成的答题码添加至所述预存答题码库中,得到更新后的预存答题码库;
返回所述获取随机生成的答题码的步骤,直至更新后的所述预存答题码库中的答题码数达到预设数值。
在一个实施例中,所述方法还包括:
当确定所述第一距离小于所述预设距离阈值时,将所生成的所述答题码确定为失败答题码并剔除;
统计所述失败答题码的个数;
判断所述失败答题码的个数是否达到预设个数阈值;
当检测到所述失败答题码的个数达到预设个数阈值时,从各所述失败答题码对应的第一距离中,确定出最大的第一距离阈值;
将所述第一距离阈值确定为预设距离阈值,得到更新后的预设距离阈值;
返回所述获取随机生成的答题码的步骤,直至更新后的所述预存答题码库中的答题码数达到预设数值。
一种基于答题码的课堂教学数据处理系统,其特征在于,所述系统包纸制答题码、摄像头和服务器;其中:
所述纸制答题码,用于提供给学生针对课堂题目进行作答;
所述摄像头,用于对课堂教学过程进行视频采集;
所述服务器用于:针对课堂教学的课堂题目,提取对应的课堂教学场景图像;获取所述课堂教学场景图像中各学生对所述课堂题目的答题码图像;提取所述答题码图像对应的像素特征,并根据所述像素特征进行解码,获取答题码编号和各所述答题码编号对应的答案;确定与所述答题码编号匹配的学生,得到各所述学生对所述课堂题目的答案。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
针对课堂教学的课堂题目,提取对应的课堂教学场景图像;
获取所述课堂教学场景图像中各学生对所述课堂题目的答题码图像;
提取所述答题码图像对应的像素特征,并根据所述像素特征进行解码,获取答题码编号和各所述答题码编号对应的答案;
确定与所述答题码编号匹配的学生,得到各所述学生对所述课堂题目的答案。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
针对课堂教学的课堂题目,提取对应的课堂教学场景图像;
获取所述课堂教学场景图像中各学生对所述课堂题目的答题码图像;
提取所述答题码图像对应的像素特征,并根据所述像素特征进行解码,获取答题码编号和各所述答题码编号对应的答案;
确定与所述答题码编号匹配的学生,得到各所述学生对所述课堂题目的答案。
上述基于答题码的课堂教学数据处理方法和系统中,针对课堂教学的课堂题目,提取对应的课堂教学场景图像,并获取课堂教学场景图像中各学生对课堂题目的答题码图像。通过提取答题码图像对应的像素特征,并根据像素特征进行解码,获取答题码编号和各答题码编号对应的答案,进一步可确定与答题码编号匹配的学生,得到各学生对课堂题目的答案。该方法通过对课堂教学的课堂题目对应的课堂教学场景图像,直接进行识别和解码,即可获得各学生对应的答题码编号以及对不同课堂题目的答案,获知学生的答题情况,实现了课堂教学进程中老师和学生之间的灵活互动,由于无需为每个学生配备相应的电子设备,同时也无需配置网络来实现教师和学生间的课堂互动,在实现课堂灵活互动的基础上,进一步减少了教学成本,提升了智能教学在不同教学环境下的普适性。
附图说明
图1为一个实施例中基于答题码的课堂教学数据处理方法的应用环境图;
图2为一个实施例中基于答题码的课堂教学数据处理方法的流程示意图;
图3为一个实施例中答题码图像的像素特征生成示意图;
图4为一个实施例中答题码库的生成方法的流程示意图;
图5为另一个实施例中答题码库的生成方法的流程示意图;
图6为一个实施例中主观题答题纸模板示意图;
图7为一个实施例中主观题区域识别示意图;
图8为另一个实施例中基于答题码的课堂教学数据处理方法的流程示意图;
图9为一个实施例中基于答题码的课堂教学数据处理系统的结构框图;
图10为一个实施例中基于答题码的课堂教学数据处理系统的班级界面示意图;
图11为一个实施例中基于答题码的课堂教学数据处理系统的学生信息界面示意图;
图12为一个实施例中基于答题码的课堂教学数据处理系统的课堂题目界面示意图;
图13为一个实施例中基于答题码的课堂教学数据处理系统的答题结果界面示意图;
图14为一个实施例中基于答题码的课堂教学数据处理系统的学生分数排行界面示意图;
图15为一个实施例中基于答题码的课堂教学数据处理系统的学生维度的学情分析界面示意图;
图16为一个实施例基于答题码的课堂教学数据处理系统的主观题审核界面示意图;
图17为一个实施例中基于答题码的课堂教学数据处理系统的题目维度的学情分析界面示意图;
图18为一个实施例中基于答题码的课堂教学数据处理系统的综合学情分析界面示意图;
图19为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于答题码的课堂教学数据处理方法,涉及了人工智能技术,其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。其中,人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中,人工智能软件技术中的计算机视觉技术(Computer Vision,CV),是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
而随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服以及智能课堂等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请提供的基于答题码的课堂教学数据处理方法,可以应用于如图1所示的应用环境中。其中,教室的摄像头102对课堂教学过程中的教室里各学生的答题情况进行视频采集,并通过网络与教师端的服务器104进行通信。针对课堂教学的课堂题目,服务器104从摄像头采集的视频图像中提取对应的课堂教学场景图像,并获取课堂教学场景图像中各学生对课堂题目的答题码图像,并提取答题码图像对应的像素特征,进而根据像素特征进行解码,获取答题码编号和各答题码编号对应的答案,以及确定与答题码编号匹配的学生,得到各学生对课堂题目的答案。其中,摄像头102可以是与教师端的服务器104建立通讯连接的不同型号的摄像头,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于答题码的课堂教学数据处理方法,以该方法应用于图1中的教师端的服务器为例进行说明,包括以下步骤:
步骤S202,针对课堂教学的课堂题目,提取对应的课堂教学场景图像。
其中,教师端的服务器检测到教师触发的课堂题目发布操作时,获取教师提交的待作答的课堂题目,而待作答的课堂题目可由教师自行编辑或从预存试题库中选定。在获取到教师提交的待作答的课堂题目后,进一步获取在教师在课堂教学过程中,触发的针对待作答的课堂题目的作答时间。其中,针对不同课堂题目的作答时间可以由教师实时设置或更改。
具体地,通过获取课堂教学的进程中针对不同课堂题目的作答时间,并提取相应作答时间内的课堂教学场景图像,分别得到对应课堂题目的课堂教学场景图像。
进一步地,设置在教室的摄像头对课堂教学进程中各学生的答题情况进行视频采集,通过从摄像头所采集的视频图像中,提取各作答时间内的课堂教学场景图像,即分别得到不同课堂题目对应的课堂教学场景图像。
步骤S204,获取课堂教学场景图像中各学生对课堂题目的答题码图像。
具体地,通过对课堂教学场景图像进行图像处理和轮廓检测,从课堂教学场景图像中提取矩形轮廓对应的初始图像,进而对初始图像进行透视变换,映射为正方形轮廓对应的各学生的答题码图像。
其中,针对课堂教学场景图像进行的图像处理包括局部伽马校正、灰度处理以及去噪处理,对经图像处理后的课堂教学场景图像进行轮廓检测,去除非凸多边形以及非矩形轮廓。其中,可采用不同轮廓检测算法对经图像处理后的课堂教学场景图像进行轮廓检测,比如,采用Canny算子、或Sobel算子、或Laplacian算子等,实现对课堂教学场景图像的轮廓检测。
进一步地,对课堂教学场景图像进行图像处理和轮廓检测后,进一步从课堂教学场景图像中提取矩形轮廓对应的初始图像,进而对初始图像进行透视变换,映射为正方形轮廓对应的各学生的答题码图像。其中,答题码图像可以是Aruco码图像,通过对进行透视变换后的答题码图像,即Aruco码图像,进行二值化处理,避免噪声或者光照对Aruco码图像的识别过程产生影响。其中,可通过采用Ostu(大津法)对Aruco码图像进行二值化处理。
在一个实施例中,对课堂教学场景图像进行图像处理,包括:
对课堂教学场景图像求反色,得到相应的反色计算结果,并根据反色计算结果对课堂教学场景图像的每个像素值求取对应的伽马值;根据求取得到的伽马值,对课堂教学场景图像进行局部伽马变换,得到变换后的课堂教学场景图像;对变换后的课堂教学场景图像进行灰度化处理,并对灰度化后的课堂教学场景图像进行去噪处理,得到去噪处理后的空调教学场景图像。
其中,可以采用以下公式(1)对课堂教学结果的每个像素值求取对应的伽马值:
γ[i,j,N(i,j)]=2[128-mask(i,j)/128]; (1)
其中,mask(i,j)表示对课堂教学场景图像求反色,得到相应的反色计算结果,γ[i,j,N(i,j)]表示对每个像素值求取得到的伽马值。其中,mask获取方式为:先对原图进行反色处理,然后进行一定半径的高斯模糊,如果mask的值大于128,说明该像素点是暗像素同时周边也是暗像素,因此γ值需要小于0以便将其增亮,mask值小于128,对应的说明该像素点是亮像素,且周边像素也较亮,mask值为128时则不产生任何变化,同时,mask值离128越远,则校正的量就越大。
进一步地,采用以下公式(2)对课堂教学场景图像进行局部伽马变换,得到变换后的课堂教学场景图像:
其中,O(i,j)表示变换后的课堂教学场景图像,γ[i,j,N(i,j)]表示对每个像素值求取得到的伽马值,I(i,j)表示原始的输入图像,即原始的课堂教学场景图像,表示传统的伽马校正的标准计算公式,则通过引入一种γ随图像局部区域信息变化的算法,即引入对每个像素值求取得到的伽马值,来实现对课堂教学场景图像进行局部伽马变换,以得到变换后的课堂教学场景图像。
步骤S206,提取答题码图像对应的像素特征,并根据像素特征进行解码,获取答题码编号和各答题码编号对应的答案。
具体地,通过对答题码图像进行识别,提取答题码图像对应的像素特征,并对像素特征进行校验解码,生成解码后的答题码图像。进而根据预存答题码库,对解码后的答题码图像进行识别,匹配出与答题码图像对应的答题码编号,并获取各答题码编号对应的答案。
其中,不同学生的答题码图像对应不同的像素特征,通过对所提取的答题码图像的像素特征进行奇偶校验解码,得到解码后的答题码图像,进而根据预存答题码库对解码后的答题码图像进行识别,从预存答题码库中匹配出与答题码图像对应的答题码编号,并获取答题码编号对应的答案。
在一个实施例中,对答题码图像进行识别,提取答题码图像对应的像素特征,包括:
对答题码图像进行区域划分,得到预设数量的单元格;获取各单元格的像素值;基于各单元格的像素值,生成与答题码图像对应的像素特征。
具体地,根据预设区域大小将答题码图像划分为横纵行列,得到预设数量的单元格,并获取每个单元的像素值,其中,每个单元格的像素值可以是0或1,对应单元格的颜色为黑色或白色,根据所获取的每个单元格的像素值,得到答题码图像的像素矩阵,即答题码图像对应的像素特征。
进一步地,如图3所示,提供了一种答题码图像的像素特征生成示意图,参照图3可知,根据预设区域大小对图3a所示的答题码图像划分为8X8的横纵列,得到64个单元格,分别获取每个单元格的像素值,即得到如图3b所示的只具备黑白两色的64个单元格,提取各单元格与颜色对应的像素值,包括1或0,得到答题码图像的像素矩阵。
步骤S208,确定与答题码编号匹配的学生,得到各学生对课堂题目的答案。
具体地,根据答题码编号,以及根据预设映射表中预存的答题码编号和学生编号之间的对应关系,确定与答题码编号匹配的学生,进而根据答题码编号对应的答案,得到与所确定出的各学生对课堂题目的答案。
其中,预设映射表中存储有答题码编号和学生编号的对应关系,在本实施例中,以年级为单位,每个年级内的学生和答题码编号存在对应关系,且不同年级之间的答题码可以复用。针对不同年级内的学生和答题码编号之间的对应关系,采用先储存后重新配置的方式,即先对其中一个年级的学生和答题码编号之间的对应关系进行配置并存储后,对下一个年级的学生和答题码编号进行对应关系配置时,将已有的学生和答题码编号的对应关系进行清空,重新对新的年级的学生和答题码编号之间的对应关系重新进行配置和存储。
进一步地,如果学校每个年级学生数量超过预存答题码库中的答题码数量,则可以班级为单位,每个班级内的学生和答题码编号存在对应关系,且不同班级之间答题码可以复用。针对以班级为单位进行对应关系配置的方式,和以年级为单位的对应关系的配置方法类似。
上述基于答题码的课堂教学数据处理方法和系统中,针对课堂教学的课堂题目,提取对应的课堂教学场景图像,并获取课堂教学场景图像中各学生对课堂题目的答题码图像。通过提取答题码图像对应的像素特征,并根据像素特征进行解码,获取答题码编号和各答题码编号对应的答案,进一步可确定与答题码编号匹配的学生,得到各学生对课堂题目的答案。该方法通过对课堂教学的课堂题目对应的课堂教学场景图像,直接进行识别和解码,即可获得各学生对应的答题码编号以及对不同课堂题目的答案,获知学生的答题情况,实现了课堂教学进程中老师和学生之间的灵活互动,由于无需为每个学生配备相应的电子设备,同时也无需配置网络来实现教师和学生间的课堂互动,在实现课堂灵活互动的基础上,进一步减少了教学成本,提升了智能教学在不同教学环境下的普适性。
在一个实施例中,如图4所示,提供了一种答题码库的生成方法,具体包括:
1)获取随机生成的答题码。
其中,答题码可以是Aruco码,而Aruco码预设有相应的生成规则,则可根据与答题码对应的预设生成规则,随机生成答题码。
2)计算答题码和预存答题码库中各历史答题码之间的第一距离。
具体地,通过获取预存答题码库中的各历史答题码,并计算随机生成的答题码和各历史答题码之间的第一距离。
3)判断第一距离是否不小于预设距离阈值。
其中,通过获取针对预存答题码库预设的预设距离阈值,并将预设距离阈值和计算得到的各个第一距离进行比对,判断各个第一距离是否不小于对应的预设距离阈值。
4)当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库。
具体地,当确定第一距离不小于预设距离阈值时,即随机生成的答题码和预存答题码库中的各历史答题码之间的第一距离,不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库。
其中,当预存答题码库为空时,则直接将随机生成的答题码添加至空的答题码库中。
5)返回获取随机生成的答题码的步骤,直至更新后的预存答题码库中的答题码数达到预设数值。
具体地,得到更新后的预存答题码库后,返回步骤1),重新获取随机生成的答题码,并计算随机生成的答题码和更新后的预存答题码库中各历史答题码之间的第一距离,进一步判断第一距离是否不小于预设距离阈值,当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库,并获取更新后的预存答题码库中的答题码数,直至更新后的预存答题码库中的答题码数量达到预设数值。其中,在本实施例中,预设数值可以是1500至2000。
上述答题码库的生成方法中,通过获取随机生成的答题码,计算答题码和预存答题码库中各历史答题码之间的第一距离,并判断第一距离是否不小于预设距离阈值。当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库,直至更新后的预存答题码库中的答题码数达到预设数值,即得到完整的答题码库。实现了通过随机生成大量答题码得到预存答题码库,并根据预存答题码库中的大量答题码支持多人同时答题,实现学生人手一码,满足不同地区在实际课堂教学进程中不同学生人数对答题码数量的需求,提高智能教学的普适性。
在一个实施例中,如图5所示,提供了另一种答题码库的生成方法,该方法具体包括以下步骤:
1)获取随机生成的答题码。
其中,答题码可以是Aruco码,而Aruco码预设有相应的生成规则,则可根据与答题码对应的预设生成规则,随机生成答题码。
2)计算答题码和预存答题码库中各历史答题码之间的第一距离。
具体地,通过获取预存答题码库中的各历史答题码,并计算随机生成的答题码和各历史答题码之间的第一距离。
3)判断第一距离是否不小于预设距离阈值。
其中,通过获取针对预存答题码库预设的预设距离阈值,并将预设距离阈值和计算得到的各个第一距离进行比对,判断各个第一距离是否不小于对应的预设距离阈值。
4)当确定第一距离小于预设距离阈值时,将所生成的答题码确定为失败答题码并剔除。
具体地,当确定随机生成的答题码,和预存答题码库中的各历史答题码之间的第一距离小于预设距离阈值时,则将当前生成的答题码确定为失败答题码。其中,当随机生成的答题码,和预存答题码库中的各历史答题码之间的第一距离小于预设距离阈值时,则表示当前随机生成的答题码和历史答题码存在冲突,使用过程中容易造成学生定位混乱的情况,即无法实现每个学生和答题码之间的精准对应。因此,需要将存在冲突的失败答题码进行剔除,并重新生成答题码。
5)统计失败答题码的个数。
6)判断失败答题码的个数是否达到预设个数阈值。
具体地,在随机生成答题码以及失败答题码确定过程中,实时统计失败答题码的个数,其中,在本实施例中,与失败答题码的个数对应的预设个数阈值可以是4900至5500个,即判断统计得到的失败答题码的个数,是否达到4900至5500个中的任意取值。
7)当检测到失败答题码的个数达到预设个数阈值时,从各失败答题码对应的第一距离中,确定出最大的第一距离阈值。
具体地,当检测到失败答题码的个数达到预设个数阈值时,即失败答题码的个数达到4900至5500个中的任意取值时,比如失败答题码的个数达到5000个时,则进一步获取所有的失败答题码和历史答题码之间的第一距离,并从所有失败答题码对应的第一距离中,确定出最大的第一距离阈值。
8)将第一距离阈值确定为预设距离阈值,得到更新后的预设距离阈值。
具体地,通过将确定出最大的第一距离阈值赋值给初始的预设距离阈值,得到更新后的预设距离阈值。
9)返回步骤1),直至更新后的预存答题码库中的答题码数达到预设数值。
具体地,通过重新获取随机生成的答题码,并计算答题码和预存答题码库中各历史答题码之间的第一距离,进而判断第一距离是否不小于更新后的预设距离阈值。
进一步地,当确定第一距离不小于更新后的预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库,直至更新后的预存答题码库中的答题码数达到预设数值。
10)当检测到失败答题码的个数未达到预设个数阈值时,返回步骤1)。
具体地,当检测到失败答题码的个数未达到预设个数阈值时,返回获取随机生成的答题码的步骤。
11)当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库。
具体地,当确定第一距离不小于预设距离阈值时,即随机生成的答题码和预存答题码库中的各历史答题码之间的第一距离,不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库。
12)返回步骤1),直至更新后的预存答题码库中的答题码数达到预设数值。
具体地,得到更新后的预存答题码库后,返回步骤1),重新获取随机生成的答题码,并计算随机生成的答题码和更新后的预存答题码库中各历史答题码之间的第一距离,进一步判断第一距离是否不小于预设距离阈值,当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库,并获取更新后的预存答题码库中的答题码数,直至更新后的预存答题码库中的答题码数量达到预设数值。
上述答题码库的生成方法中,通过获取随机生成的答题码,计算答题码和预存答题码库中各历史答题码之间的第一距离,当确定第一距离小于预设距离阈值时,将所生成的答题码确定为失败答题码并剔除。通过统计失败答题码的个数,并在检测到失败答题码的个数达到预设个数阈值时,从各失败答题码对应的第一距离中,确定出最大的第一距离阈值。进而通过将第一距离阈值确定为预设距离阈值,得到更新后的预设距离阈值,重新根据更新后的预设距离阈值对第一距离进行判定,当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库,直至更新后的预存答题码库中的答题码数达到预设数值,即得到完整的答题码库。实现了通过随机生成大量答题码得到预存答题码库,并根据预存答题码库中的大量答题码支持多人同时答题,实现学生人手一码,满足不同地区在实际课堂教学进程中不同学生人数对答题码数量的需求,提高智能教学的普适性。
在一个实施例中,课堂题目包括客观题,获取各答题码编号对应的答案的步骤,具体包括:
当检测到课堂题目为客观题时,获取与答题码编号对应的答题码图像的旋转角度;
根据答题选项和旋转角度之间的预设对应关系,确定出与旋转角度对应的目标答题选项,得到与答题码编号对应的答案。
其中,教师在发布课堂题目时,同时设置相应的题目类型,其中,题目类型包括客观题和主观题,教师端的服务器获取到教师提交的待作答的课堂题目时,进一步获取当前课堂题目的题目类型。
具体地,当检测到当前课堂题目的题目类型为客观题时,获取与答题码编号对应的答题码图像的旋转角度,并获取答题选项和旋转角度之间的预设对应关系。其中,答题码图像按旋转度数每90度范围,划分A、B、C、D四个选项,并预先将旋转角度和答题选项之间的对应关系进行存储。
进一步地,根据答题选项和旋转角度之间的预设对应关系,比如A选项对应初始位姿,B选项对应旋转90度,C选项对应旋转180度,D选项对应旋转270度,也可以是其他的对应关系,比如D选项对应初始位姿,C选项对应旋转90度,B选项对应旋转180度,A选项对应旋转270度,即不局限于上述例举的答题选项和旋转角度之间的预设对应关系。其中,还需预先设置旋转方向,可以是顺时针旋转方向或者逆时针旋转方向,进而根据旋转角度,可确定出与旋转角度对应的目标答题选项,进而得到与答题码编号对应的答案。
在一个实施例中,课堂题目还包括主观题,获取各答题码编号对应的答案的步骤,具体包括:
当检测到课堂题目为主观题时,提取当前答题纸中答题码图像的第一顶点坐标;
根据预存答题纸模板中答题码图像的第二顶点坐标,和第一顶点坐标,计算得到仿射变换矩阵;
基于仿射变换矩阵,根据预存答题纸模板的主观题答题区域的第三顶点坐标,进行映射计算,确定当前答题纸中主观题答题区域的第四顶点坐标;
根据当前答题纸中主观题答题区域的第四顶点坐标,提取对应主观题答题区域的答案。
具体地,当检测到当前课堂题目的题目类型为主观题时,提取当前答题纸中答题码图像的第一顶点坐标,并获取预存答题纸模板中答题码图像的第二顶点坐标,进而根据第一顶点坐标和第二顶点坐标计算得到仿射变换矩阵。进而通过获取预存答题纸模板的主观题答题区域的第三顶点坐标,并基于仿射变换矩阵和第三顶点坐标进行映射计算,计算得到当前答题纸中主观题答题区域的第四顶点坐标。从而根据当前答题纸中主观题答题区域的第四顶点坐标,提取对应主观题答题区域的答案。
在一个实施例中,如图6所示,提供了一种主观题答题纸模板,参照图6可知,主观题答题纸模板的左侧为答题码区域,而右侧则为主观题答题区域,获取主观题答题纸模板的答题码图像的第二顶点坐标、以及主观题答题区域的第三顶点坐标。
其中,如图7所示,提供了一种主观题区域识别示意图,参照图7可知,通过获取当前答题纸中左侧答题码图像的第一顶点坐标,结合当前答题纸中答题码图像的第一顶点坐标,和如图6所示的主观题答题纸模板的答题码图像的第二顶点坐标,可计算得到仿射变换矩阵。进而可基于仿射变换矩阵和第三顶点坐标进行映射计算,计算得到当前答题纸中右侧的主观题答题区域的第四顶点坐标,进一步提取出当前答题纸中主观题答题区域的答案。
上述获取各答题码编号对应的答案的步骤,针对客观题和主观题分别对应不同的答案获取方式,可分别实现客观题和主观题的答案记录,而不局限于仅对客观题的答案记录和分析,满足了不同地区的实际课堂教学需要,进一步提升智能教学的普适性。
在一个实施例中,提供了一种基于答题码的课堂教学数据处理方法,还包括:
获得学情分析结果,学情分析结果包括以下分析结果中的任意一种或多种:各学生的课堂学情分析、各课堂题目的作答分析以及各学生课堂和课后的综合学情分析;
其中,学生的课堂学情分析,通过分析学生对各课堂题目的正确率和/或学生的对各课堂题目的作答速度得到;
课堂题目的作答分析,通过分析不同学生对每个课堂题目的正确率和/或得分情况得到;综合学情分析,通过分析不同学生对各课堂题目的正确率和/或作答速度、以及各学生对课后作业的正确率和/或作答时间得到。具体地,不同学生的学情分析结果包括各学生的课堂学情分析、各课堂题目的作答分析、以及各学生课堂和课后的综合学情分析,通过对每个学生针对教师布置的各课堂题目的答案进行正确与否的评判,得到各学生对每个课堂题目的正确率,同时,还可以在确定学生针课堂题目的答案正确的基础上,进一步获取不同学生对各课堂题目的作答速度。进而对于每个学生的课堂学情分析,可通过分析学生对各课堂题目的正确率和/或学生的对各课堂题目的作答速度得到。
同样地,通过对每个学生针对教师布置的各课堂题目的答案进行正确与否的评判,得到各学生对每个课堂题目的正确率,以及相应的得分情况,可得到每个课堂题目下不同学生的答题情况。进而通过分析不同学生对每个课堂题目的正确率和/或得分情况,可得到每个课堂题目的作答分析。进一步地,为保证长期追踪了解学生的学习情况,教师还可发布课后作业,通过结合不同学生对各课堂题目的正确率和/或作答速度,以及各学生对课后作业的正确率和/或作答时间,来得到学生的综合学情分析。基于学生的综合学情分析,可进一步获知不同学生在课堂教学的学习情况,以及根据课后作业的答题情况,实现对学生学习情况的课上、课下联动分析和统计,而不仅局限于单次课堂教学的学情分析,能更全面地获知每个学生长期的学习进展。
上述基于答题码的课堂教学数据处理方法中,通过从各学生的课堂学情分析、各课堂题目的作答分析、以及各学生课堂和课后的综合学情分析等,多方面对不同学生的学习情况进行分析和统计,全面地获知每个学生长期的学习情况和学习进展,更好地实现对不同学生的针对性教学,提升教学效果。
在一个实施例中,如图8所示,提供了一种基于答题码的课堂教学数据处理方法,具体包括以下步骤:
1)获取在课堂教学的进程中触发的针对课堂题目的作答时间。
2)从教室的摄像头所采集的视频图像中,提取作答时间内的课堂教学场景图像。
3)对课堂教学场景图像进行图像处理和轮廓检测,从课堂教学场景图像中提取矩形轮廓对应的初始图像。
4)对初始图像进行透视变换,映射为正方形轮廓对应的各学生的答题码图像。
5)对答题码图像进行区域划分,得到预设数量的单元格。
6)获取各单元格的像素值,并基于各单元格的像素值,生成与答题码图像对应的像素特征。
7)对像素特征进行校验解码,生成解码后的答题码图像。
8)根据预存答题码库,对解码后的答题码图像进行识别,匹配出与答题码图像对应的答题码编号。
9)获取检测到的课堂题目的题目类型。
10)当检测到课堂题目为客观题时,获取与答题码编号对应的答题码图像的旋转角度。
11)根据答题选项和旋转角度之间的预设对应关系,确定出与旋转角度对应的目标答题选项,得到与答题码编号对应的答案。
12)当检测到课堂题目为主观题时,提取当前答题纸中答题码图像的第一顶点坐标。
13)根据预存答题纸模板中答题码图像的第二顶点坐标,和第一顶点坐标,计算得到仿射变换矩阵。
14)基于仿射变换矩阵,根据预存答题纸模板的主观题答题区域的第三顶点坐标,进行映射计算,确定当前答题纸中主观题答题区域的第四顶点坐标。
15)根据当前答题纸中主观题答题区域的第四顶点坐标,提取对应主观题答题区域的答案。
16)确定与答题码编号匹配的学生,得到各学生对课堂题目的答案。
17)分析学生对各课堂题目的正确率和/或学生的对各课堂题目的作答速度,得到学生的课堂学情分析。
18)分析不同学生对每个课堂题目的正确率和/或得分情况,得到课堂题目的作答分析。
19)分析不同学生对各课堂题目的正确率和/或作答速度、以及各学生对课后作业的正确率和/或作答时间,得到综合学情分析。
上述基于答题码的课堂教学数据处理方法,实现了通过随机生成大量答题码得到预存答题码库,并根据预存答题码库中的大量答题码支持多人同时答题,实现学生人手一码,满足不同地区在实际课堂教学进程中不同学生人数对答题码数量的需求,同时针对客观题和主观题分别对应不同的答案获取方式,可分别实现客观题和主观题的答案记录,而不局限于仅对客观题的答案记录和分析,进而实现在课堂教学进程中老师和学生之间的灵活互动。后续通过从各学生的课堂学情分析、各课堂题目的作答分析、以及各学生课堂和课后的综合学情分析等,多方面对不同学生的学习情况进行分析和统计,全面地获知每个学生长期的学习情况和学习进展,更好地实现对不同学生的针对性教学,由于无需为每个学生配备相应的电子设备,以及专门配置网络来实现教师和学生间的课堂互动,在实现课堂灵活互动和针对性教学的基础上,进一步减少了教学成本,提升了智能教学在不同教学环境下的普适性。
如本申请所公开的基于答题码的课堂教学数据处理方法,其中涉及的课堂教学场景图像、答题码图像、答题码编号和对应的答案等数据,可保存于区块链上。
应该理解的是,虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种基于答题码的课堂教学数据处理系统,该系统可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,所述系统包纸制答题码902、摄像头904和服务器906;其中:
所述纸制答题码902,用于提供给学生针对课堂题目进行作答。
所述摄像头904,用于对课堂教学过程进行视频采集。
所述服务器906用于:针对课堂教学的课堂题目,提取对应的课堂教学场景图像;获取所述课堂教学场景图像中各学生对所述课堂题目的答题码图像;提取所述答题码图像对应的像素特征,并根据所述像素特征进行解码,获取答题码编号和各所述答题码编号对应的答案;确定与所述答题码编号匹配的学生,得到各所述学生对所述课堂题目的答案。
其中,教师可通过教师端,比如安装有基于答题码的课堂教学数据处理系统的教室公用电脑,从如图10所示的基于答题码的课堂教学数据处理系统的班级界面中,选择自己教学的班级,比如可从图10所示的三年级一班和三年级二班中选定其中一个班级,开始当前课堂教学。
而当教师从图10所示的基于答题码的课堂教学数据处理系统的班级界面中,选定对应的班级,比如选定三年级一班后,跳转至如图11所示的基于答题码的课堂教学数据处理系统的学生信息界面。参照图11可知,在学生信息界面可展示选定的三年级一班包括的所有学生的学生信息,包括学生名字、以及各学生的学生座位等。
具体地,当与教室公用电脑连接的服务器904,检测到教师触发的课堂题目发布操作时,获取教师提交的待作答的课堂题目,并将提交的课堂题目在教室的大屏幕进行展示,或通过与教室公用电脑连接的投影仪设备进行展示。其中,待作答的课堂题目可由教师自行编辑或从预存试题库中选定。
进一步地,在服务器904获取到教师提交的待作答的课堂题目后,进一步获取在教师在课堂教学过程中,触发的针对待作答的课堂题目的作答时间。其中,针对不同课堂题目的作答时间可以由教师实时设置或更改。通过设置在教室的摄像头902对课堂教学进程中各学生的答题情况进行视频采集,进而从摄像头902所采集的视频图像中,可提取出各作答时间内的课堂教学场景图像,即分别得到不同课堂题目对应的课堂教学场景图像。
在一个实施例中,摄像头904和服务器906可处于同一局域网内,而无需重新配置网络以实现摄像头904和服务器906的数据通讯。由于摄像头904和服务器906不受网络限制,即摄像头904可支持对纸质答题码902的“无网环境”扫码,即没有互联网连接时,摄像头也能采集到学生的作答数据,并反馈至同一局域网内的服务器906,进而实时显示学生针对不同课堂题目的作答情况。其中,还可将摄像头904所采集的存储在本地的数据同步至云端,和学生的其他数据,比如课后作业的作答情况等,进行整合以进行进一步分析。
在一个实施例中,在获取不同课堂题目对应的课堂教学场景图像后,服务器904还用于:对各课堂教学场景图像进行图像处理和轮廓检测,从课堂教学场景图像中提取矩形轮廓对应的初始图像,进而对初始图像进行透视变换,映射为正方形轮廓对应的各学生的答题码图像。
具体地,服务器904通过对答题码图像进行识别,提取答题码图像对应的像素特征,并对像素特征进行校验解码,生成解码后的答题码图像。进而根据预存答题码库,对解码后的答题码图像进行识别,匹配出与答题码图像对应的答题码编号,并获取各答题码编号对应的答案。
其中,设置在教室的摄像头902对课堂教学进程中各学生的答题情况进行视频采集,即在对应的作答时间内,学生通过手举纸质答题码,面向摄像头,以便于摄像头就答题情况进行视频采集。
相应的,在每个课堂题目对应的作答时间内,通过是否扫码,即扫码成功与否的状态,来确定每个学生是否进行作答。其中,参照图12所示的基于答题码的课堂教学数据处理系统的课堂题目界面可知,在课堂题目界面,可具体获知教师发布的课堂题目的具体内容,以及各个学生的作答状态。其中,在对应课堂题目的作答时间内,已对学生的答题码进行扫码,则该学生的状态即为已作答,而当存在未扫码成功,即学生未举起答题码进行作答时,则该学生的状态为未作答,可在图12所示的课堂题目界面左侧,详细获取每个学生的作答状态。
举例来说,参照图12可知,教师发布的课堂题目为“冬天,宝宝怕冷,到了屋里也不肯脱帽,可是他间一个人乖乖地脱下帽,那人是谁?”,对应的选项包括:“我的不可能”、“不是”、“是的”、“可能不是的”四个选项,学生通过手举答题码,面向摄像头,提交相应的答案。
进一步地,在当前课堂题目答题结束后,跳转至如图13所示的基于答题码的课堂教学数据处理系统的答题结果界面,参照图13可知,针对当前课堂题目,可获知对该课堂题目所有选项的选择数量,所有选项的选择数量之和等于当前课堂教学的学生数量。
在一个实施例中,根据答题码编号,以及根据预设映射表中预存的答题码编号和学生编号之间的对应关系,确定与答题码编号匹配的学生,进而根据答题码编号对应的答案,得到与所确定出的各学生对课堂题目的答案。
其中,预设映射表中存储有答题码编号和学生编号的对应关系,在本实施例中,以年级为单位,每个年级内的学生和答题码编号存在对应关系,且不同年级之间的答题码可以复用。针对不同年级内的学生和答题码编号之间的对应关系,采用先储存后重新配置的方式,即先对其中一个年级的学生和答题码编号之间的对应关系进行配置并存储后,对下一个年级的学生和答题码编号进行对应关系配置时,将已有的学生和答题码编号的对应关系进行清空,重新对新的年级的学生和答题码编号之间的对应关系重新进行配置和存储。
进一步地,如果学校每个年级学生数量超过预存答题码库中的答题码数量,则可以班级为单位,每个班级内的学生和答题码编号存在对应关系,且不同班级之间答题码可以复用。针对以班级为单位进行对应关系配置的方式,和以年级为单位的对应关系的配置方法类似。
上述基于答题码的课堂教学数据处理系统中,针对课堂教学的课堂题目,提取对应的课堂教学场景图像,并获取课堂教学场景图像中各学生对课堂题目的答题码图像。通过提取答题码图像对应的像素特征,并根据像素特征进行解码,获取答题码编号和各答题码编号对应的答案,进一步可确定与答题码编号匹配的学生,得到各学生对课堂题目的答案。该方法通过对课堂教学的课堂题目对应的课堂教学场景图像,直接进行识别和解码,即可获得各学生对应的答题码编号以及对不同课堂题目的答案,获知学生的答题情况,实现了课堂教学进程中老师和学生之间的灵活互动,由于无需为每个学生配备相应的电子设备,同时也无需配置网络来实现教师和学生间的课堂互动,在实现课堂灵活互动的基础上,进一步减少了教学成本,提升了智能教学在不同教学环境下的普适性。
在一个实施例中,在当前课堂教学的所有课堂题目答题结束后,服务器904还用于:分析学生对各课堂题目的正确率和/或学生的对各课堂题目的作答速度,得到学生的课堂学情分析;分析不同学生对每个课堂题目的正确率和/或得分情况,得到课堂题目的作答分析;分析不同学生对各课堂题目的正确率和/或作答速度、以及各学生对课后作业的正确率和/或作答时间。
具体地,服务器904可通过对每个学生针对教师布置的各课堂题目的答案进行正确与否的评判,得到各学生对每个课堂题目的正确率,同时,还可以在确定学生针课堂题目的答案正确的基础上,进一步获取不同学生对各课堂题目的作答速度。进而根据不同学生对各课堂题目的正确率以及作答速度,可综合得到如图14所示基于答题码的课堂教学数据处理系统的学生分数排行界面,参照图14可知,在学生分数排行界面,可得知预设人数,比如前5名学生的得分排名。
其中,如图15所示,提供了一种基于答题码的课堂教学数据处理系统的学生维度的学情分析界面,参照图15可知,在学生维度的学情分析界面,可根据各学生对每个课堂题目的正确率,以及相应的得分情况,得到学生的课堂学情分析。其中,学生的课堂学情分析可包括答题参与人数、课堂题目平均正确率、每个学生对各课堂题目的正确率、各学生的最终得分以及未作答题目等。
进一步地,可通过条状图或者表格的形式,对每个学生对各课堂题目的正确率、各学生的最终得分以及未作答题目等,在如图15所示的学生维度的学情分析界面进行展示。在一个实施例中,教师在发布课堂题目时,同时设置相应的题目类型,其中,题目类型包括客观题和主观题,教师端的服务器904获取到教师提交的待作答的课堂题目时,进一步获取当前课堂题目的题目类型。其中,当检测到当前课堂题目的题目类型为客观题时,获取与答题码编号对应的答题码图像的旋转角度,并获取答题选项和旋转角度之间的预设对应关系,进而根据答题选项和旋转角度之间的预设对应关系,可确定出与旋转角度对应的目标答题选项,进而得到与答题码编号对应的答案。
而当检测到当前课堂题目的题目类型为主观题时,服务器904通过提取当前答题纸中答题码图像的第一顶点坐标,并获取预存答题纸模板中答题码图像的第二顶点坐标,进而根据第一顶点坐标和第二顶点坐标计算得到仿射变换矩阵。进而通过获取预存答题纸模板的主观题答题区域的第三顶点坐标,并基于仿射变换矩阵和第三顶点坐标进行映射计算,计算得到当前答题纸中主观题答题区域的第四顶点坐标。从而根据当前答题纸中主观题答题区域的第四顶点坐标,提取得到对应主观题答题区域的答案。
其中,当检测到当前课堂题目的题目类型为主观题时,可通过如图16所示基于答题码的课堂教学数据处理系统的主观题审核界面,获取学生对应的主观题答案。参照图16可知,在主观题审核界面,通过显示所有学生的姓名,当鼠标悬停在某学生名字上时,则将在主观题审核界面展示对应学生的主观题答案,以供教师进行打分、点评。
在一个实施例中,针对课堂题目的作答分析,可通过对每个学生针对教师布置的各课堂题目的答案进行正确与否的评判,得到各学生对每个课堂题目的正确率,以及相应的得分情况,进而得到每个课堂题目下不同学生的答题情况来实现。即通过分析不同学生对每个课堂题目的正确率和/或得分情况,可得到每个课堂题目的作答分析。
其中,如图17所示,提供了一种基于答题码的课堂教学数据处理系统的题目维度的学情分析界面,参照图17可知,在题目维度的学情分析界面,可根据各学生对每个课堂题目的正确率,以及相应的得分情况,得到课堂题目的作答分析。其中,课堂题目的作答分析可包括答题参与人数、课堂题目平均正确率、每个课堂题目下各学生的正确率,以及不同题目的题型、分数以及平均成绩等。
进一步地,可通过柱状图或者表格的形式,对不同课堂题目的正确率、题型、分数以及平均成绩等,在如图17所示的题目维度的学情分析界面进行展示。在一个实施例中,为保证长期追踪了解学生的学习情况,教师还可发布课后作业,则服务器904可通过结合不同学生对各课堂题目的正确率和/或作答速度,以及各学生对课后作业的正确率和/或作答时间,来得到学生的综合学情分析。基于学生的综合学情分析,可进一步获知不同学生在课堂教学的学习情况,以及根据课后作业的答题情况,实现对学生学习情况的课上、课下联动分析和统计,而不仅局限于单次课堂教学的学情分析,能更全面地获知每个学生长期的学习进展。
具体地,如图18所示,提供了一种基于答题码的课堂教学数据处理系统的综合学情分析界面,参照图18可知,在综合学情分析界面,可根据学生名字获取各学生的所有课堂题目以及课后作业的作答情况,可包括不同学生对各课堂题目的正确率和/或作答速度,以及各学生对课后作业的正确率和/或作答时间,不同课堂对应的老师等。
进一步地,可通过表格的形式,对每个学生的所有课堂题目以及课后作业的作答情况,在如图18所示的综合学情分析界面进行展示。
其中,在当前整个课堂教学完成后,教师还可根据各学生在当前课堂教学进程中的学习情况,选择优秀学生进行颁奖。
上述基于答题码的课堂教学数据处理系统中,通过从各学生的课堂学情分析、各课堂题目的作答分析、以及各学生课堂和课后的综合学情分析等,多方面对不同学生的学习情况进行分析和统计,全面地获知每个学生长期的学习情况和学习进展,更好地实现对不同学生的针对性教学,提升教学效果。
在一个实施例中,提供了一种基于答题码的课堂教学数据处理系统,其中,服务器还用于:
获取随机生成的答题码;计算答题码和预存答题码库中各历史答题码之间的第一距离;判断第一距离是否不小于预设距离阈值;当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库;返回获取随机生成的答题码的步骤,直至更新后的预存答题码库中的答题码数达到预设数值。
上述基于答题码的课堂教学数据处理系统中,通过获取随机生成的答题码,计算答题码和预存答题码库中各历史答题码之间的第一距离,并判断第一距离是否不小于预设距离阈值。当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库,直至更新后的预存答题码库中的答题码数达到预设数值,即得到完整的答题码库。实现了通过随机生成大量答题码得到预存答题码库,并根据预存答题码库中的大量答题码支持多人同时答题,实现学生人手一码,满足不同地区在实际课堂教学进程中不同学生人数对答题码数量的需求,提高智能教学的普适性。
在一个实施例中,提供了一种基于答题码的课堂教学数据处理系统,其中,服务器还用于:
当确定第一距离小于预设距离阈值时,将所生成的答题码确定为失败答题码并剔除;统计失败答题码的个数;判断失败答题码的个数是否达到预设个数阈值;当检测到失败答题码的个数达到预设个数阈值时,从各失败答题码对应的第一距离中,确定出最大的第一距离阈值;将第一距离阈值确定为预设距离阈值,得到更新后的预设距离阈值;返回获取随机生成的答题码的步骤,直至更新后的预存答题码库中的答题码数达到预设数值
上述基于答题码的课堂教学数据处理系统中,当确定第一距离小于预设距离阈值时,将所生成的答题码确定为失败答题码并剔除。通过统计失败答题码的个数,并在检测到失败答题码的个数达到预设个数阈值时,从各失败答题码对应的第一距离中,确定出最大的第一距离阈值。进而通过将第一距离阈值确定为预设距离阈值,得到更新后的预设距离阈值,重新根据更新后的预设距离阈值对第一距离进行判定,当确定第一距离不小于预设距离阈值时,将随机生成的答题码添加至预存答题码库中,得到更新后的预存答题码库,直至更新后的预存答题码库中的答题码数达到预设数值,即得到完整的答题码库。实现了通过随机生成大量答题码得到预存答题码库,并根据预存答题码库中的大量答题码支持多人同时答题,实现学生人手一码,满足不同地区在实际课堂教学进程中不同学生人数对答题码数量的需求,提高智能教学的普适性。
关于基于答题码的课堂教学数据处理系统的具体限定可以参见上文中对于基于答题码的课堂教学数据处理方法的限定,在此不再赘述。上述基于答题码的课堂教学数据处理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图19所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储课堂教学场景图像、答题码图像、答题码编号和对应的答案。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于答题码的课堂教学数据处理方法。
本领域技术人员可以理解,图19中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于答题码的课堂教学数据处理方法,其特征在于,所述方法包括:
针对课堂教学的课堂题目,提取对应的课堂教学场景图像;
获取所述课堂教学场景图像中各学生对所述课堂题目的答题码图像;
提取所述答题码图像对应的像素特征,并根据所述像素特征进行解码,获取答题码编号和各所述答题码编号对应的答案;
确定与所述答题码编号匹配的学生,得到各所述学生对所述课堂题目的答案。
2.根据权利要求1所述的方法,其特征在于,所述针对课堂教学的课堂题目,提取对应的课堂教学场景图像,包括:
获取在课堂教学的进程中触发的针对课堂题目的作答时间;
提取所述作答时间内的课堂教学场景图像。
3.根据权利要求2所述的方法,其特征在于,所述提取所述作答时间内的课堂教学场景图像,包括:从教室的摄像头所采集的视频图像中,提取所述作答时间内的课堂教学场景图像。
4.根据权利要求1所述的方法,其特征在于,所述提取所述答题码图像对应的像素特征,并根据所述像素特征进行解码,获取答题码编号和各所述答题码编号对应的答案,包括:对所述答题码图像进行识别,提取所述答题码图像对应的像素特征;
对所述像素特征进行校验解码,生成解码后的答题码图像;
根据预存答题码库,对所述解码后的答题码图像进行识别,匹配出与所述答题码图像对应的答题码编号,并获取各所述答题码编号对应的答案。
5.根据权利要求4所述的方法,其特征在于,所述对所述答题码图像进行识别,提取所述答题码图像对应的像素特征,包括:
对所述答题码图像进行区域划分,得到预设数量的单元格;
获取各所述单元格的像素值;
基于各所述单元格的像素值,生成与所述答题码图像对应的像素特征。
6.根据权利要求4所述的方法,其特征在于,所述课堂题目包括客观题;获取各所述答题码编号对应的答案,包括:
当检测到所述课堂题目为客观题时,获取与所述答题码编号对应的答题码图像的旋转角度;
根据答题选项和所述旋转角度之间的预设对应关系,确定出与所述旋转角度对应的目标答题选项,得到与所述答题码编号对应的答案。
7.根据权利要求4所述的方法,其特征在于,所述课堂题目包括主观题;获取各所述答题码编号对应的答案,包括:
当检测到所述课堂题目为主观题时,提取当前答题纸中所述答题码图像的第一顶点坐标;
根据预存答题纸模板中答题码图像的第二顶点坐标,和所述第一顶点坐标,计算得到仿射变换矩阵;
基于所述仿射变换矩阵,根据所述预存答题纸模板的主观题答题区域的第三顶点坐标,进行映射计算,确定所述当前答题纸中主观题答题区域的第四顶点坐标;
根据所述当前答题纸中主观题答题区域的第四顶点坐标,提取对应主观题答题区域的答案。
8.根据权利要求1至7任意一项所述的方法,其特征在于,所述方法还包括:获得学情分析结果,所述学情分析结果包括以下分析结果中的任意一种或多种:各学生的课堂学情分析、各课堂题目的作答分析以及各学生课堂和课后的综合学情分析;
其中,所述学生的课堂学情分析,通过分析学生对各课堂题目的正确率和/或学生的对各课堂题目的作答速度得到;
所述课堂题目的作答分析,通过分析不同学生对每个课堂题目的正确率和/或得分情况得到;所述综合学情分析,通过分析不同学生对各课堂题目的正确率和/或作答速度、以及各学生对课后作业的正确率和/或作答时间得到。
9.根据权利要求1至7任意一项所述的方法,其特征在于,所述获取所述课堂教学场景图像中各学生对所述课堂题目的答题码图像,包括:
对所述课堂教学场景图像进行图像处理和轮廓检测,从所述课堂教学场景图像中提取矩形轮廓对应的初始图像;
对所述初始图像进行透视变换,映射为正方形轮廓对应的各学生的答题码图像。
10.一种基于答题码的课堂教学数据处理系统,其特征在于,所述系统包纸制答题码、摄像头和服务器;其中:
所述纸制答题码,用于提供给学生针对课堂题目进行作答;
所述摄像头,用于对课堂教学过程进行视频采集;
所述服务器用于:针对课堂教学的课堂题目,提取对应的课堂教学场景图像;获取所述课堂教学场景图像中各学生对所述课堂题目的答题码图像;提取所述答题码图像对应的像素特征,并根据所述像素特征进行解码,获取答题码编号和各所述答题码编号对应的答案;确定与所述答题码编号匹配的学生,得到各所述学生对所述课堂题目的答案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416865.6A CN115223179A (zh) | 2021-04-19 | 2021-04-19 | 基于答题码的课堂教学数据处理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416865.6A CN115223179A (zh) | 2021-04-19 | 2021-04-19 | 基于答题码的课堂教学数据处理方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115223179A true CN115223179A (zh) | 2022-10-21 |
Family
ID=83605726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110416865.6A Pending CN115223179A (zh) | 2021-04-19 | 2021-04-19 | 基于答题码的课堂教学数据处理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223179A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117079222A (zh) * | 2023-10-17 | 2023-11-17 | 广州乐庚信息科技有限公司 | 一种基于课堂音视频智能分析的教案生成方法和系统 |
CN117095464A (zh) * | 2023-09-12 | 2023-11-21 | 广州乐庚信息科技有限公司 | 一种基于图像识别的学生课堂学习习惯分析方法及系统 |
-
2021
- 2021-04-19 CN CN202110416865.6A patent/CN115223179A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095464A (zh) * | 2023-09-12 | 2023-11-21 | 广州乐庚信息科技有限公司 | 一种基于图像识别的学生课堂学习习惯分析方法及系统 |
CN117079222A (zh) * | 2023-10-17 | 2023-11-17 | 广州乐庚信息科技有限公司 | 一种基于课堂音视频智能分析的教案生成方法和系统 |
CN117079222B (zh) * | 2023-10-17 | 2024-01-26 | 广州乐庚信息科技有限公司 | 一种基于课堂音视频智能分析的教案生成方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807451B (zh) | 人脸关键点检测方法、装置、设备及存储介质 | |
CN111563502B (zh) | 图像的文本识别方法、装置、电子设备及计算机存储介质 | |
US20120322037A1 (en) | Anomaly Detection Educational Process | |
CN110853022B (zh) | 病理切片图像的处理方法、装置、系统及存储介质 | |
CN115223179A (zh) | 基于答题码的课堂教学数据处理方法和系统 | |
CN110582783B (zh) | 训练装置、图像识别装置、训练方法和计算机可读信息存储介质 | |
CN111414948B (zh) | 目标对象检测方法和相关装置 | |
Zabulis et al. | Multicamera human detection and tracking supporting natural interaction with large-scale displays | |
CN112257665A (zh) | 图像内容的识别方法、图像识别模型的训练方法及介质 | |
CN111563449A (zh) | 一种实时课堂注意力检测方法及系统 | |
CN113689436A (zh) | 图像语义分割方法、装置、设备及存储介质 | |
CN112597909A (zh) | 一种用于人脸图片质量评价的方法与设备 | |
Damiano et al. | Mid-level feature contributions to category-specific gaze guidance | |
CN115546692A (zh) | 一种远程教育数据采集分析方法、设备及计算机存储介质 | |
CN113762274B (zh) | 一种答题卡目标区域检测方法、系统、存储介质及设备 | |
CN113822907A (zh) | 图像处理方法及装置 | |
CN117611774A (zh) | 一种基于增强现实技术的多媒体展示系统及方法 | |
Xu et al. | Wayfinding design in transportation architecture–are saliency models or designer visual attention a good predictor of passenger visual attention? | |
Jeelani et al. | Real-world mapping of gaze fixations using instance segmentation for road construction safety applications | |
CN112785741A (zh) | 签到系统和方法、计算机设备和存储设备 | |
CN115019396A (zh) | 一种学习状态监测方法、装置、设备及介质 | |
Lightner | Model testing of users' comprehension in graphical animation: The effect of speed and focus areas | |
Surong et al. | Application and effect simulation of image recognition technology based on machine vision feature parameters in art teaching | |
CN113378823A (zh) | 一种心理量表试卷生成及其自动化批阅系统 | |
Kosara et al. | Visualization viewpoints |
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 |