CN115529439A - 教育资源处理方法、装置、计算机设备和存储介质 - Google Patents
教育资源处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115529439A CN115529439A CN202211109207.3A CN202211109207A CN115529439A CN 115529439 A CN115529439 A CN 115529439A CN 202211109207 A CN202211109207 A CN 202211109207A CN 115529439 A CN115529439 A CN 115529439A
- Authority
- CN
- China
- Prior art keywords
- teaching
- supervision
- class
- class hour
- parameters
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 57
- 230000001815 facial effect Effects 0.000 claims description 41
- 230000006399 behavior Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 10
- 206010000117 Abnormal behaviour Diseases 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 abstract description 6
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000036760 body temperature Effects 0.000 description 33
- 230000008569 process Effects 0.000 description 14
- 238000012790 confirmation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Acoustics & Sound (AREA)
- General Business, Economics & Management (AREA)
Abstract
本申请涉及人工智能领域的语音识别,提供一种教育资源处理方法、装置、计算机设备和存储介质。所述方法包括:获取摄像设备发送的教学视频数据和摄像设备的标识信息,基于摄像设备的标识信息,确定教学视频数据对应的课时编号,根据教学视频数据和课时编号,生成教学监管参数,根据教学监管参数,释放与课时编号对应的教育资源,其中,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。采用本方法,将线下教学监管与一课一消相结合,实现了监管闭环,且无需学员手动确认消课,也无需监管人员到现场进行核实,提高了教育资源的处理效率。
Description
技术领域
本申请涉及人工智能的语音识别技术领域,特别是涉及一种教育资源处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
目前,各地已陆续推出教学机构的教育资源监管政策,主要是联合各个平台采取相应监管措施对教学机构的教育资源进行监管。常见的监管措施包括监管部门的工作人员以现场抽查的方式监管教学机构的教学行为,进而确定教育资源的发放;还包括“一课一消”监管模式,即指在教育资源进入监管平台的监管账户后,按照教育资源与课程同进度拨付的模式。教育资源与课程同进度拨付即指学员在每完成一个课时的课程后,由学员或其家长在手机端进行消课确认,确认后与该节次课时对应的教育资源从监管账户释放,确保教育资源与课程同进度释放,以此保障消费者的权益。
然而,上述监管方式存在如下问题:一方面,教育资源的监管主要依赖于监管人员的现场抽查或学员的手动消课确认,耗费时间;另一方面,在实际监管过程中,往往存在一些客观因素(比如忘记确认、故意不确认等)使得教育资源不能及时释放或者无法释放,如此,需要经过后期的协商沟通才能完成教育资源的释放,处理效率太低。
因此,需要提供一种能够提高教育资源处理效率的监管方案。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高教育资源的处理效率的教育资源处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种教育资源处理方法。所述方法包括:
获取摄像设备发送的教学视频数据和摄像设备的标识信息;
基于摄像设备的标识信息,确定教学视频数据对应的课时编号;
根据教学视频数据和课时编号,生成教学监管参数;
根据教学监管参数,释放与课时编号对应的教育资源;
其中,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
在一个实施例中,基于摄像设备的标识信息,确定教学视频数据对应的课时编号包括:
基于摄像设备的标识信息,在预设数据库中查找出与摄像设备的标识信息相关联的课程信息集合,课程信息集合包括多个课时编号以及各课时编号对应的课时时间;
获取教学视频数据的时间信息,遍历各课时编号对应的课时时间,查找出时间信息所在的课时时间;
将查找出的课时时间对应的课时编号确定为课时编号。
在一个实施例中,根据教学视频数据和课时编号,生成教学监管参数包括:
对教学视频数据进行目标检测,识别得到第一课时人数;
获取预存的与课时编号对应的第二课时人数;
定期比对第一课时人数和第二课时人数,根据课时人数比对结果,生成课时人数监管参数。
在一个实施例中,摄像设备包括部署于教学场景后方的后方摄像设备;
根据教学视频数据和课时编号,生成教学监管参数包括:
提取教学视频数据中由后方摄像设备采集的后视角教学视频数据;
对后视角教学视频数据进行面部识别,识别出第一授课教师面部图像数据;
获取预存的与课时编号对应的第二授课教师面部图像数据;
比对第一授课教师面部图像数据和第二授课教师面部图像数据,根据授课教师面部图像比对结果,生成授课教师监管参数。
在一个实施例中,授课内容监管参数包括授课内容异常参数;
根据教学视频数据和课时编号,生成教学监管参数包括:
抽离教学视频数据的音频数据;
获取预存的与课时编号对应的超纲关键词;
识别音频数据是否存在超纲关键词;
若识别出的超纲关键词的数量超过预设的数量阈值,则生成授课内容异常参数。
在一个实施例中,摄像设备包括部署于教学场景前方的前方摄像设备;
根据教学视频数据和课时编号,生成教学监管参数包括:
提取教学视频数据中由前方摄像设备采集的前视角教学视频数据;
对前视角教学视频数据进行面部识别,识别得到第一学员面部图像数据;
获取预存的与课时编号对应的第二学员面部图像数据;
比对第一学员图像数据和第二学员面部图像数据,根据学员面部图像数据比对结果,更新学员签到参数。
在一个实施例中,根据教学监管参数,释放与课时编号对应的教育资源包括:
针对每一学员,根据学员签到参数,更新课时编号对应的教育资源的状态,教育资源的状态包括待释放状态和冻结状态;
根据课时人数监管参数、授课教师监管参数和授课内容监管参数,判断与课时编号关联的教学机构的教学行为是否存在异常;
若与课时编号关联的教学机构的教学行为不存在异常且课时编号对应的教育资源的状态为待释放状态,则根据释放与课时编号对应的教育资源。
第二方面,本申请还提供了一种教育资源处理装置。所述装置包括:
数据获取模块,用于获取摄像设备发送的教学视频数据和摄像设备的标识信息;
课时编号确定模块,用于基于摄像设备的标识信息,确定教学视频数据对应的课时编号;
教学监管参数生成模块,用于根据教学视频数据和课时编号,生成教学监管参数;
教育资源释放模块,用于根据教学监管参数,释放与课时编号对应的教育资源;
其中,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
第三方面,本申请还提供了一种计算机设备。所述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:
获取摄像设备发送的教学视频数据和摄像设备的标识信息;
基于摄像设备的标识信息,确定教学视频数据对应的课时编号;
根据教学视频数据和课时编号,生成教学监管参数;
根据教学监管参数,释放与课时编号对应的教育资源;
其中,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
第四方面,本申请还提供了一种计算机可读存储介质。所述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:
获取摄像设备发送的教学视频数据和摄像设备的标识信息;
基于摄像设备的标识信息,确定教学视频数据对应的课时编号;
根据教学视频数据和课时编号,生成教学监管参数;
根据教学监管参数,释放与课时编号对应的教育资源;
其中,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取摄像设备发送的教学视频数据和摄像设备的标识信息;
基于摄像设备的标识信息,确定教学视频数据对应的课时编号;
根据教学视频数据和课时编号,生成教学监管参数;
根据教学监管参数,释放与课时编号对应的教育资源;
其中,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
上述教育资源处理方法、装置、计算机设备、存储介质和计算机程序产品,获取摄像设备发送的教学视频数据和摄像设备的标识信息,然后,基于摄像设备的标识信息,确定与获取到的教学视频数据对应的课时编号,再根据教学视频数据和课时编号,从多个监管维度出发,生成教学监管参数,包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数,进而根据课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数,释放与课时编号对应的教育资源,以达到对教育资源自动监管。上述过程,通过摄像设备能够得到线下真实的教学数据,并且,通过教学视频数据生成学员签到参数,能够实现学员线下上课自动签到,无需在手机端手动签到及消课确认,通过教学视频数据生成课时人数监管参数、授课教师监管参数、授课内容监管参数,能够从多个角度监管教学机构的教学行为是否存在异常,得到自动对教学机构进行客观合理的监管。整个方案,将线下教学监管与一课一消模式相结合,为监管部门提供线下监管的解决方案,且通过课时人数监管参数、授课教师监管参数和授课内容监管参数,对教学机构进行多维度的合理监管,实现线上线下监管闭环,监管过程实现学员线下上课后的自动签到,无需学员手动进行消课确认,也无需监管人员到现场进行核实,省略了繁琐的操作,节省人力和时力,全面提高了教育资源的处理效率。
附图说明
图1为一个实施例中教育资源处理方法的应用环境图;
图2为一个实施例中教育资源处理方法的流程示意图;
图3为一个实施例中确定课时编号步骤的流程示意图;
图4为一个实施例中生成授课教师监管参数步骤的流程示意图;
图5为一个实施例中生成授课内容异常参数步骤的流程示意图;
图6为一个实施例中学员签到参数更新步骤的流程示意图;
图7为一个实施例中释放与课时编号对应的教育资源步骤的流程示意图;
图8为一个实施例中教育资源处理方法的详细流程示意图;
图9为一个实施例中教育资源处理装置的结构框图;
图10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。
需要说明的是,本申请技术方案中所涉及的用户信息和数据、以及设备信息,均为经用户授权或者经过各方充分授权的信息和数据,对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本申请实施例提供的教育资源处理方法,可以应用于如图1所示的应用环境中。其中,摄像设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。具体的,可以是摄像设备102在上课期间内定期将拍摄的各个教学场景中的教学视频数据和自身的设备标识信息发送给服务器104,服务器104获取教学视频数据和摄像设备的设备标识信息,基于摄像设备的标识信息,确定与教学视频数据对应的课时编号,再根据教学视频数据和课时编号,从多个监管维度出发,生成教学监管参数,包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数,进而根据课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数,释放与课时编号对应的教育资源,以达到对教育资源自动监管。其中,摄像设备102可以但不限于是摄像头、摄像机、智能摄像设备以及其他具备摄像功能的设备等。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,提供了一种教育资源处理方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤100,获取摄像设备发送的教学视频数据和摄像设备的标识信息。
本实施例中,摄像设备可以是智能摄像设备,摄像设备的标识信息可以是设备编号,教学视频数据可以是摄像设备录制的上课期间的教学视频数据。具体实施时,该摄像设备被配置为在上课时间段内定期传送教学视频数据至服务器,该传送周期可以根据具体情况而定,默认为30分钟。具体的,智能摄像设备具备基本功能:人脸识别、测温、人数检测以及录像监控等功能。每一个智能摄像设备都有专属设备编号,且支持联网。基于上述线下智能摄像设备的基本功能,可以在实现如下线下监管的场景:对学员进行人脸识别进行上课签到确认、对教师进行人脸识别确保上课教师跟教师报备信息一致、对上课的学员或教师进行测温,可根据测量的体温及时发现体温异常的人员、人数检测用于检测上课人员是否大幅变动、录像监控用于录制教学内容,以监管授课内容。
在实际应用中,教学机构在完成智能摄像设备的部署后,在监管平台完成入驻得到其专属的机构编号。随后,进行信息录入,在平台录入教室信息和教室已部署的摄像设备编号,后台将智能摄像的设备编号和教室编号、机构编号进行关联,这样可以快速识别智能摄像设备对应的主体。接着,录入课程的课时信息(包括所在教室编号、课程名称、课时时间、课时人数)、学员信息(包括学员姓名、学员高清照片)以及授课教师信息包括(教师姓名、教师高清照片)等。平台会为每一个课时生成一个课时编号,为每一个学员生成学员编号,为每个教师生成教师编号,再将教室信息与课时信息、学员信息和教师信息进行绑定,建立教室与课时、学员和教师的关联关系。如此,监管平台里的每一个机构编号,对应多个教室编号,每个教室编号对应多个课时编号,每个课时编号都对应了学员编号和教师编号。通过上述信息录入和信息关联的操作,摄像设备的设备编号均与教学机构信息(包括教室、课程、学员、教师、课时)建立起联系,即通过摄像设备的设备编号能够查找到相应的教学机构信息、教室信息、课程信息、学员信息、教师信息以及课时信息。
步骤200,基于摄像设备的标识信息,确定教学视频数据对应的课时编号。
如上述实施例所述,由于摄像设备的设备编号与课时信息已建立关联关系,因此,可以根据摄像设备的设备编号,对应查找到与教学视频数据对应的课时编号,即识别教学视频数据录制的是哪一节课时的视频。具体实施时,可以是根据教学视频数据的时间信息,对应确定教学视频数据所属的课时编号,即确定该教学视频数据录制的是具体哪一课时的视频数据。
步骤300,根据教学视频数据和课时编号,生成教学监管参数,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
在确定教学视频数据的课时编号后,可以是对教学视频数据进行人脸识别、语音识别等处理,再结合课时编号以及课时编号相关联的学员信息、教师信息以及课程信息等,生成多个维度的教学监管参数。具体的,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数,在其他实施例中,教学监管参数还可以包括体温监管参数。如前述实施例所述,智能摄像设备具备人脸识别、人数统计、测温和录像等功能,在另一个实施例中,可以是教学视频数据携带智能摄像设备识别出的课时人数、学员面部图像数据、教师面部图像数据以及学员和教师的体温数据等,进而可以根据课时编号获取对应的课时人数、学员高清照片、教师高清照片,然后,将课时人数、学员高清照片、教师高清照片与智能摄像设备识别出的课时人数、学员面部图像数据、教师面部图像数据、学员和教师的体温数据以及拍摄的录像数据,生成课时人数监管参数、授课教师监管参数、授课内容监管参数、学员签到参数和体温监管参数等。具体可根据实际情况而定,在此不做限定。
步骤400,根据教学监管参数,释放与课时编号对应的教育资源。
实际应用中,每一学员的每一课时编号对应的教育资源是按照一课一消的监管模式进行释放,因此,可以理解的是,在根据教学监管参数实施监管之前,每一学员未进行上课签到的课时编号对应的教育资源应处于“冻结”状态。具体实施时,在得到包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数在内的多维度教学监管参数后,可以是根据上述教学监管参数判定学员是否完成该课时编号的课程学习,判定教学机构的教学行为是否满足预设的教育资源监管要求,教育资源监管要求主要用于监管教学机构的教学行为是否存在异常,若判定教学监管参数满足预设的教育资源监管要求,即教学行为未存在异常,则可释放该课时编号对应的教育资源。具体的,教育资源的释放过程可以是基于每一学员的签到监管参数进行,即若签到监管参数表征该学员的课时编号的课程为已签到,则对应发送资源释放消息至资源监管方,以使资源监管方将该学员该课时编号对应的教育资源发放至对应的教学机构。可以理解的是,上述方法仅以一段教学视频数据进行实例性说明,本方法在实际应用中,可以同时处理多段教学视频数据,对每一段教学视频数据均按照上述方式进行处理,释放与每一教学视频数据所属的课时编号对应的教育资源。
上述教育资源处理方法中,获取摄像设备发送的教学视频数据和摄像设备的标识信息,然后,基于摄像设备的标识信息,确定与获取到的教学视频数据对应的课时编号,再根据教学视频数据和课时编号,从多个监管维度出发,生成教学监管参数,包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数,进而根据课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数,释放与课时编号对应的教育资源,以达到对教育资源自动监管。上述过程,通过摄像设备能够得到线下真实的教学数据,并且,通过教学视频数据生成学员签到参数,能够实现学员线下上课自动签到,无需在手机端手动签到及消课确认,通过教学视频数据生成课时人数监管参数、授课教师监管参数、授课内容监管参数,能够从多个角度监管教学机构的教学行为是否存在异常,得到自动对教学机构进行客观合理的监管。整个方案,将线下教学监管与一课一消模式相结合,为监管部门提供线下监管的解决方案,且监管过程实现学员线下上课后自动签到,无需学员手动消课确认,也无需监管人员到现场进行核实,并通过课时人数监管参数、授课教师监管参数和授课内容监管参数,对教学机构进行多维度的合理监管,实现线上线下监管闭环,全面提高了教育资源的处理效率。
如图3所示,在一个实施例中,步骤200包括:
步骤220,基于摄像设备的标识信息,在预设数据库中查找出与摄像设备的标识信息相关联的课程信息集合,课程信息集合包括多个课时编号以及各课时编号对应的课时时间。
步骤240,获取教学视频数据的时间信息,遍历各课时编号对应的课时时间,查找出时间信息所在的课时时间。
步骤260,将查找出的课时时间对应的课时编号确定为课时编号。
具体的,一般来说,课程信息课会事先安排好,即以课表的形式呈现,如202X年8月X日上午9时至上午10时在教室编号为001的教室上数学课,数学课的课时编号为0003。且每一课时的时长又是固定的,如45分钟或1小时,摄像设备录制的教学视频数据也是携带有拍摄时间信息的,且如上述实施例所述,摄像设备的设备编号与课时信息已建立关联关系。因此,具体实施时,确定教学视频数据对应的课时编号可以是:先基于摄像设备的设备编号,在预设数据库中进行查找,查找出与摄像设备的设备编号相关联的教室编号,再由教室编号查找到相关联的课程信息集合,该课程信息集合包括多个课时编号以及各课时编号对应的课时时间,然后,提取教学视频数据中的时间信息即拍摄时间,遍历各课时编号对应的课时时间,筛选出课时时间在拍摄日当天的课时编号,再将课时时间逐一与拍摄时间对比,判断拍摄时间是否落入当前的课时时间内,若是,则将当前的课时时间对应的课时编号确定为教学视频数据的课时编号。举例说明,教学视频数据的拍摄时间为2022年1月1日上午9点半,根据摄像设备的设备编号查找出2022年1月1日的课时编号和各课时编号对应的课时时间,课时编号为0002:课时时间为上午9点-上午9点45分,课时编号为0003:课时时间为上午10点-上午10点45分,然后根据拍摄时间上午9点半,最终,将课时编号锁定为0002。本实施例中,通过建立摄像设备的设备编号与课时编号的关联关系,能够便于在获取到教学视频数据和摄像设备的设备编号的时候,迅速定位到与教学视频数据对应的课时编号,实现一段教学视频数据与课时编号的“一对一”精准识别。
在一个实施例中,课时人数监管参数包括课时人数异常参数。
步骤300包括:步骤320,对教学视频数据进行目标检测,识别得到第一课时人数,获取预存的与课时编号对应的第二课时人数,定期比对第一课时人数和第二课时人数,根据课时人数比对结果,生成课时人数监管参数。
课时人数监管参数包括课时人数正常参数和课时人数异常参数。具体实施时,可以是在每个教室的前方和后方均安装有智能摄像设备。生成课时人数监管参数的过程可以是:对教学视频数据进行目标检测如人物检测,统计识别出的人物的数量,得到第一课时人数。然后,再获取预存的与课时编号对应的第二课时人数,然后,多次定期对比第一课时人数和第二课时人数,如每隔10分钟比对一次,记录每一次课时人数比对结果,若第一课时人数和第二课时人数不一致且相差甚远,如相差10,则将当前次比对结果判定为异常比对结果、并记录,若经多次比对后,出现超过2次及以上的异常比对结果,则生成课时人数异常参数,否则,生成课时人数正常参数。可以理解的是,若出现学员请假的情况,则学员可在上课前在平台申请请假,请假申请审批后,平台会自动更新该课时编号对应的课时人数。具体实施时,可以是提取由安装在教室前方的智能摄像设备拍摄的教学视频数据,对教学视频数据进行人脸检测,统计出识别出的人物的数量,得到第一课时人数。
在另一个实施例中,第一课时人数的获取还可以是:提取教学视频数据的携带的第一课时人数,由于智能摄像设备具备人数检测功能,因此,使能摄像设备可自行检测教学场景下上课的人数得到第一课时人数,并将第一课时人数发送给服务器。上述两种情况具体可实际情况而定,在此不做限定。本实施例中,通过对第一课时人数和第二课时人数进行多次定期对比,能够避免出现学员因事在上课中途离开教室而出现误判的情况,提高课时人数监管参数的准确性。
如图4所示,在一个实施例中,摄像设备包括部署于教学场景后方的后方摄像设备;
步骤300包括:
步骤342,提取教学视频数据中由后方摄像设备采集的后视角教学视频数据。
步骤344,对后视角教学视频数据进行面部识别,识别出第一授课教师面部图像数据。
步骤346,获取预存的与课时编号对应的第二授课教师面部图像数据。
步骤348,比对第一授课教师面部图像数据和第二授课教师面部图像数据,根据授课教师面部图像比对结果,生成授课教师监管参数。
授课教师监管参数包括授课教师信息异常参数和授课教师信息正常参数。如上述实施例所述,可以是在每个教室的前方和后方安装智能摄像设备,安装在教室前方的智能摄像设备(简称为前方摄像设备)可以拍摄到学员的面部信息,安装在教室后方的智能摄像设备(简称为后方摄像设备)可以拍摄得到教师的面部信息。后视角教学视频数据即指通过后方摄像设备从教师后方的视角拍摄的教学视频数据。在实际应用中,每间教室的前方摄像设备和后方摄像设备均会在上课期间传送教学视频数据。因此,本实施例中,可以是根据后方摄像设备的设备编号,提取由后方摄像设备拍摄的教学视频数据,然后,对后视角教学视频数据进行面部识别,识别出第一授课教师面部图像数据,具体的,可以是截取教学视频数据中的帧图像,该帧图像可以是只包含站在教室前方的人物的面部图像数据的图像,对帧图像进行面部识别,识别出第一授课教师面部图像数据。然后,获取预存的与课时编号对应的备案的授课教师的高清照片即第二授课教师面部图像数据,将第一授课教师面部图像数据与第二授课教师面部图像数据进行图像匹配,若二者匹配失败,判定第一授课教师面部图像数据和第二授课教师面部图像数据不一致,则生成授课教师信息异常参数,若二者匹配成功,则判定第一授课教师面部图像数据和第二授课教师面部图像数据同为一个授课教师,则生成授课教师信息正常参数。进一步的,可以只记录授课教师异常参数相关的信息。本实施例中,通过在教室前后方分别安装智能摄像设备,能够准确区分学员和教师的面部图像数据,快速识别出授课教师的面部图像数据,进而提高生成授课教师监管参数的效率。
如图5所示,在一个实施例中,授课内容监管参数包括授课内容异常参数;
步骤300包括:
步骤360,抽离教学视频数据的音频数据。
步骤362,获取预存的与课时编号对应的超纲关键词。
步骤364,识别音频数据是否存在超纲关键词。
步骤366,若识别出的超纲关键词的数量超过预设的数量阈值,则生成授课内容异常参数。
授课内容监管参数包括授课内容正常参数和授课内容异常参数,超纲关键词即指超出与各学段的教学大纲规定的教学或考试的内容范围的关键词。在实际应用中,运营人员可以是提前为每个学段(幼儿园、小学1-6年级,初中7-9年级,高中阶段)的每个科目(语文、数学、英语、历史、政治、化学、物理等)的课时编号设置超纲关键词。比如小学一年级数学的超纲关键词是“函数”、“勾股定理”等,具体的,可根据各学段的教学大纲规定的教学或考试的内容范围的关键词进行设定。具体实施时,生成授课内容监管参数的过程可以是:采用音频数据抽离方法,抽离教学视频数据的音频数据,然后,获取预存的与课时编号对应的超纲关键词,采用语音关键词识别方法,识别音频数据中是否存在超纲关键词,统计识别出超纲关键词的数量,若超纲关键词的数量超出预设数量阈值如5个,则判定当前授课内容存在异常,生成授课内容异常参数、并记录,否则,生成授课内容正常参数,可以不做记录。在其他实施例中,可以直接获取智能设备的录音数据,对录音数据进行语音关键词识别。
在另一个实施例中,授课内容监管参数的生成还可以是由监管人员对教学视频数据进行查看,若监管人员发现授课内容存在异常,如看到授课内容为初二语文的课本内容,而系统录入的课程信息为小学五年级的语文,则由监管人员在平台手动添加授课内容异常记录。
本实施例中,通过预先设置各课时编号设置超纲关键词,再抽离教学视频数据中的音频数据,结合语音关键词识别方法,识别音频数据的超纲关键词,实现授课内容的自动监管。
如图6所示,在一个实施例中,摄像设备包括部署于教学场景前方的前方摄像设备,步骤300包括:
步骤380,提取教学视频数据中由前方摄像设备采集的前视角教学视频数据;
步骤382,对教学视频数据进行面部识别,识别得到第一学员面部图像数据;
步骤384,获取预存的与课时编号对应的第二学员面部图像数据;
步骤386,比对第一学员图像数据和第二学员面部图像数据,根据学员面部图像数据比对结果,更新学员签到参数。
学员签到参数即为表征学员是否已签到的参数,本实施例中,学员签到参数默认为“未签到”。在实际应用中,根据教学视频数据进行上课签到确认可以是:根据前方摄像设备的设备编号,提取由前方摄像设备采集的前视角教学视频数据,然后,对前视角教学视频数据进行面部识别,识别得到第一学员面部图像,接着,获取预存的与课时编号对应的学员高清照片即第二学员面部图像数据,比对第一学员图像数据和第二学员面部图像数据,针对比对成功的学员,对应将其该课时编号的学员签到参数由“未签到”更新为“已签到”,针对未能比对成功的学员,则反馈签到失败消息至学员的账户,以使其进行确认,若为平台判断失误,则提交相关上课证明文件至平台即可,平台进一步审核该上课证明文件,以更新学员签到参数。在其他实施例中,学员签到参数的更新还可以是获取智能摄像设备发送的各学员的面部图像数据,将获取到的学员的面部图像数据与预存的与课时编号对应的第二学员面部图像数据进行比对,进而为比对成功的学员更新学员签到参数。本实施例中,通过提取前方摄像设备采集的前视角教学视频数据,进而对前视角教学视频数据进行面部识别,实现学员的自动上课签到确认,无需学员进行手动上课签到确认,既智能又便捷,提高了签到确认的效率。
在一个实施例中,所述方法还包括:获取摄像设备发送的学员和授课教师的面部图像数据和体温数据,将体温数据与预设的体温阈值进行比较,根据体温比较结果,生成体温监管参数。
体温监管参数包括体温正常参数和体温异常参数。具体实施时,学员和授课教师的面部图像数据和体温数据是一一对应的,体温阈值可以设定为37.3摄氏度,逐一将获取到的体温数据和37.3摄氏度进行比较,若学员和教师的体温数据小于37.3摄氏度,则生成体温正常参数,若学员和教师的体温数据大于或等于37.3摄氏度,则生成体温异常数据,并通过比对体温存在异常的学员或教师的面部图像数据与预存的学员或教师的面部图像数据,从而得到体温异常的学员或教师相应的学员编号或教师编号。本实施例中,通过对教室内的学员或教师进行测温,并进行体温异常检测,能够及时发现体温存在异常的学员或教师,保证学员或教师的身心健康。
如图7所示,在一个实施例中,步骤400包括:
步骤420,针对每一学员,根据学员签到参数,更新课时编号对应的教育资源的状态,教育资源的状态包括待释放状态和冻结状态。
步骤422,若课时编号对应的教育资源的状态为待释放状态,根据课时人数监管参数、授课教师监管参数和授课内容监管参数判断与课时编号关联的教学机构的教学行为是否存在异常。
步骤424,若与课时编号关联的教学机构的教学行为不存在异常且课时编号对应的教育资源的状态为待释放状态,则释放与课时编号对应的教育资源。
每一学员的每一课时编号的教育资源的状态默认为“冻结”状态。具体实施时,课时编号的教育资源的释放过程可以是:针对每一学员,根据其学员签到参数确定针对该课时编号学员是否已签到,若确定学员已签到,则将该学员的课时编号对应的教育资源的状态由“冻结”状态更新为“待释放”,若确定学员未签到成功,则该学员的课时编号对应的教育资源的状态继续保持为“冻结”。更新课时编号对应的教育资源的状态后,根据课时人数监管参数、授课教师监管参数和授课内容监管参数,判断与课时编号关联的教学机构的教学行为是否存在异常。具体的,教学行为是否存在异常的过程可以是:若存在课时人数异常的记录,则发出预警消息,若授课教师信息异常参数的记录超过2条,则判定与课时编号关联的教学机构的教学行为存在异常,若授课内容异常参数的记录2条,则判定与课时编号关联的教学机构的教学行为存在异常,若存在体温异常参数,则判定与课时编号关联的教学机构的教学行为存在异常,针对上述情况,可以是出现至少一种情况,则判定与课时编号关联的教学机构的教学行为存在异常。具体可根据监管部门的具体要求进行设定,在此不做限定。若与课时编号关联的教学机构的教学行为不存在异常且课时编号对应的教育资源的状态为待释放状态,则发送资源释放消息至监管账户,以使监管账户释放与课时编号对应的教育资源至教学机构的账户,否则,推送教育资源释放失败消息,以使教学机构及时整改,规范其教学行为。教学机构在完成整改后,可以提交相应的整改证明文件至平台,审核该证明文件是否符合预设的整改要求,信息是否真实有效,该整改证明文件审核通过后,则发送教育资源解冻消息至监管账户,以释放该课时编号对应的教育资源至教学机构的账户。本实施例中,基于教学监管参数,从多个维度以线上的方式达到了教学机构的线下监管的效果,且实现了课时编号对应的教育资源的自动释放,提高了教育资源的处理效率。
为了对本申请提供的教育资源处理方法做出更为清楚的说明,下面结合图8和一个具体实施例进行说明,该具体实施例可以包括以下步骤:
步骤1:获取摄像设备发送的教学视频数据和摄像设备的标识信息。
步骤2:基于摄像设备的标识信息,在预设数据库中查找出与摄像设备的标识信息相关联的课程信息集合,课程信息集合包括多个课时编号以及各课时编号对应的课时时间,获取教学视频数据的时间信息,遍历各课时编号对应的课时时间,查找出时间信息所在的课时时间,将查找出的课时时间对应的课时编号确定为课时编号。
步骤3:对教学视频数据进行目标检测,识别得到第一课时人数,获取预存的与课时编号对应的第二课时人数,定期比对第一课时人数和第二课时人数,若第一课时人数和第二课时人数的误差超过预设阈值的次数大于或等于2次,则生成课时人数异常参数,否则,生成课时人数正常参数。
步骤4:提取教学视频数据中由后方摄像设备采集的后视角教学视频数据,对后视角教学视频数据进行面部识别,识别出第一授课教师面部图像数据,获取预存的与课时编号对应的第二授课教师面部图像数据,将第一授课教师面部图像数据与第二授课教师面部图像数据进行图像匹配,若二者匹配失败,判定第一授课教师面部图像数据和第二授课教师面部图像数据不一致,则生成授课教师信息异常参数,若二者匹配成功,则判定第一授课教师面部图像数据和第二授课教师面部图像数据同为一个授课教师,则生成授课教师信息正常参数。
步骤5:抽离教学视频数据的音频数据,获取预存的与课时编号对应的超纲关键词,识别音频数据是否存在超纲关键词,识别音频数据是否存在超纲关键词,若超纲关键词的数量超出预设数量阈值如5个,则判定当前授课内容存在异常,生成授课内容异常参数、并记录,否则,生成授课内容正常参数。
步骤6:提取教学视频数据中由前方摄像设备采集的前视角教学视频数据,对教学视频数据进行面部识别,识别得到第一学员面部图像数据,获取预存的与课时编号对应的第二学员面部图像数据,比对第一学员图像数据和第二学员面部图像数据,针对比对成功的学员,对应将其该课时编号的学员签到参数由“未签到”更新为“已签到”,针对未能比对成功的学员,则反馈签到失败消息给学员的账户。
步骤7:获取摄像设备发送的学员和授课教师的面部图像数据和体温数据,逐一将获取到的体温数据和37.3摄氏度进行比较,若学员和教师的体温数据小于37.3摄氏度,则生成体温正常参数,若学员和教师的体温数据大于或等于37.3摄氏度,则生成体温异常数据,并通过比对体温存在异常的学员或教师的面部图像数据与预存的学员或教师的面部图像数据,从而得到体温异常的学员或教师相应的学员编号或教师编号。
步骤8:针对每一学员,根据学员签到参数,更新课时编号对应的教育资源的状态,教育资源的状态包括待释放状态和冻结状态,若课时编号对应的教育资源的状态为待释放状态,根据课时人数监管参数、授课教师监管参数和授课内容监管参数判断与课时编号关联的教学机构的教学行为是否存在异常,若与课时编号关联的教学机构的教学行为不存在异常且课时编号对应的教育资源的状态为待释放状态,则释放与课时编号对应的教育资源,否则,该学员的课时编号对应的教育资源的状态继续保持为“冻结”,并推送教育资源释放失败消息,以使教学机构及时整改,规范其教学行为。教学机构在完成整改后,可以提交相应的整改证明文件至平台,审核该证明文件是否符合预设的整改要求,信息是否真实有效,该整改证明文件审核通过后,则发送教育资源解冻消息至监管账户,以释放该课时编号对应的教育资源至教学机构的账户。
应该理解的是,虽然如上所述的各实施例所涉及的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,这些步骤可以其它的顺序执行。而且,如上所述的各实施例所涉及的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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的教育资源处理方法的教育资源处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个教育资源处理装置实施例中的具体限定可以参见上文中对于教育资源处理方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种教育资源处理装置,包括:数据获取模块910、课时编号确定模块920、教学监管参数生成模块930和教育资源释放模块940,其中:
数据获取模块910,用于获取摄像设备发送的教学视频数据和摄像设备的标识信息。
课时编号确定模块920,用于基于摄像设备的标识信息,确定教学视频数据对应的课时编号。
教学监管参数生成模块930,用于根据教学视频数据和课时编号,生成教学监管参数,其中,教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
教育资源释放模块940,用于根据教学监管参数,释放与课时编号对应的教育资源。
在一个实施例中,课时编号确定模块920还用于基于摄像设备的标识信息,在预设数据库中查找出与摄像设备的标识信息相关联的课程信息集合,课程信息集合包括多个课时编号以及各课时编号对应的课时时间,获取教学视频数据的时间信息,遍历各课时编号对应的课时时间,查找出时间信息所在的课时时间,将查找出的课时时间对应的课时编号确定为课时编号。
在一个实施例中,教学监管参数生成模块930还用于对教学视频数据进行目标检测,识别得到第一课时人数,获取预存的与课时编号对应的第二课时人数,定期比对第一课时人数和第二课时人数,根据课时人数比对结果,生成课时人数监管参数。
在一个实施例中,摄像设备包括部署于教学场景后方的后方摄像设备;
教学监管参数生成模块930还用于提取教学视频数据中由后方摄像设备采集的后视角教学视频数据,对后视角教学视频数据进行面部识别,识别出第一授课教师面部图像数据,获取预存的与课时编号对应的第二授课教师面部图像数据,比对第一授课教师面部图像数据和第二授课教师面部图像数据,根据授课教师面部图像比对结果,生成授课教师监管参数。
在一个实施例中,授课内容监管参数包括授课内容异常参数;
教学监管参数生成模块930还用于抽离教学视频数据的音频数据,获取预存的与课时编号对应的超纲关键词,识别音频数据是否存在超纲关键词,若识别出的超纲关键词的数量超过预设的数量阈值,则生成授课内容异常参数。
在一个实施例中,摄像设备包括部署于教学场景前方的前方摄像设备;
教学监管参数生成模块930还用于提取教学视频数据中由前方摄像设备采集的前视角教学视频数据,对前视角教学视频数据进行面部识别,识别得到第一学员面部图像数据,获取预存的与课时编号对应的第二学员面部图像数据,比对第一学员图像数据和第二学员面部图像数据,根据学员面部图像数据比对结果,更新学员签到参数。
在一个实施例中,教育资源释放模块940还用于针对每一学员,根据学员签到参数,更新课时编号对应的教育资源的状态,教育资源的状态包括待释放状态和冻结状态,根据课时人数监管参数、授课教师监管参数和授课内容监管参数,判断与课时编号关联的教学机构的教学行为是否存在异常,若与课时编号关联的教学机构的教学行为不存在异常且课时编号对应的教育资源的状态为待释放状态,则根据释放与课时编号对应的教育资源。
上述教育资源处理装置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10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和内存储器。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摄像设备的标识信息、教学视频数据、教学监管参数等数据。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教育资源处理方法。
本领域技术人员可以理解,图10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,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教育资源处理方法中的步骤。
在一个实施例中,处理器执行计算机程序时还实现上述教育资源处理方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述教育资源处理方法中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现教育资源处理方法中的步骤。
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,所述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、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、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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。
以上所述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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (17)
1.一种教育资源处理方法,其特征在于,所述方法包括:
获取摄像设备发送的教学视频数据和所述摄像设备的标识信息;
基于所述摄像设备的标识信息,确定所述教学视频数据对应的课时编号;
根据所述教学视频数据和所述课时编号,生成教学监管参数;
根据所述教学监管参数,释放与所述课时编号对应的教育资源;
其中,所述教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
2.根据权利要求1所述的教育资源处理方法,其特征在于,所述基于所述摄像设备的标识信息,确定所述教学视频数据对应的课时编号包括:
基于所述摄像设备的标识信息,在预设数据库中查找出与所述摄像设备的标识信息相关联的课程信息集合,所述课程信息集合包括多个课时编号以及各课时编号对应的课时时间;
获取所述教学视频数据的时间信息,遍历各课时编号对应的课时时间,查找出所述时间信息所在的课时时间;
将查找出的课时时间对应的课时编号确定为所述课时编号。
3.根据权利要求1所述的教育资源处理方法,其特征在于,所述根据所述教学视频数据和所述课时编号,生成教学监管参数包括:
对所述教学视频数据进行目标检测,识别得到第一课时人数;
获取预存的与所述课时编号对应的第二课时人数;
定期比对所述第一课时人数和所述第二课时人数,根据课时人数比对结果,生成所述课时人数监管参数。
4.根据权利要求1所述的教育资源处理方法,其特征在于,所述摄像设备包括部署于教学场景后方的后方摄像设备;
所述根据所述教学视频数据和所述课时编号,生成教学监管参数包括:
提取所述教学视频数据中由所述后方摄像设备采集的后视角教学视频数据;
对所述后视角教学视频数据进行面部识别,识别出第一授课教师面部图像数据;
获取预存的与所述课时编号对应的第二授课教师面部图像数据;
比对所述第一授课教师面部图像数据和所述第二授课教师面部图像数据,根据授课教师面部图像比对结果,生成所述授课教师监管参数。
5.根据权利要求1至4任意一项所述的教育资源处理方法,其特征在于,所述授课内容监管参数包括授课内容异常参数;
所述根据所述教学视频数据和所述课时编号,生成教学监管参数包括:
抽离所述教学视频数据的音频数据;
获取预存的与所述课时编号对应的超纲关键词;
识别所述音频数据是否存在所述超纲关键词;
若识别出的超纲关键词的数量超过预设的数量阈值,则生成所述授课内容异常参数。
6.根据权利要求1至4任意一项所述的教育资源处理方法,其特征在于,所述摄像设备包括部署于教学场景前方的前方摄像设备;
所述根据所述教学视频数据和所述课时编号,生成教学监管参数包括:
提取所述教学视频数据中由所述前方摄像设备采集的前视角教学视频数据;
对所述前视角教学视频数据进行面部识别,识别得到第一学员面部图像数据;
获取预存的与所述课时编号对应的第二学员面部图像数据;
比对所述第一学员图像数据和所述第二学员面部图像数据,根据学员面部图像数据比对结果,更新所述学员签到参数。
7.根据权利要求1至4任一项所述的教育资源处理方法,其特征在于,所述根据所述教学监管参数,释放与所述课时编号对应的教育资源包括:
针对每一学员,根据所述学员签到参数,更新所述课时编号对应的教育资源的状态,所述教育资源的状态包括待释放状态和冻结状态;
根据所述课时人数监管参数、所述授课教师监管参数和所述授课内容监管参数,判断与所述课时编号关联的教学机构的教学行为是否存在异常;
若与所述课时编号关联的教学机构的教学行为不存在异常且所述课时编号对应的教育资源的状态为待释放状态,则根据释放与所述课时编号对应的教育资源。
8.一种教育资源处理装置,其特征在于,所述装置包括:
数据获取模块,用于获取摄像设备发送的教学视频数据和所述摄像设备的标识信息;
课时编号确定模块,用于基于所述摄像设备的标识信息,确定所述教学视频数据对应的课时编号;
教学监管参数生成模块,用于根据所述教学视频数据和所述课时编号,生成教学监管参数;
教育资源释放模块,用于根据所述教学监管参数,释放与所述课时编号对应的教育资源;
其中,所述教学监管参数包括课时人数监管参数、授课教师监管参数、授课内容监管参数和学员签到参数。
9.根据权利要求8的教育资源处理装置,其特征在于,所述课时编号确定模块还用于基于所述摄像设备的标识信息,在预设数据库中查找出与所述摄像设备的标识信息相关联的课程信息集合,所述课程信息集合包括多个课时编号以及各课时编号对应的课时时间,获取当前系统时间,遍历各课时编号对应的课时时间,查找出所述当前系统时间所在的课时时间,将查找出的课时时间对应的课时编号确定为所述课时编号。
10.根据权利要求8所述的教育资源处理装置,其特征在于,所述课时人数监管参数包括课时人数异常参数;
所述教学监管参数生成模块还用于对所述教学视频数据进行目标检测,识别出当前教学场景中的课时人数,获取所述课时编号对应的课时人数,若所述当前教学场景中的课时人数和所述课时编号对应的课时人数不一致,则生成所述课时人数异常参数。
11.根据权利要求8所述的教育资源处理装置,其特征在于,所述摄像设备包括部署于教学场景后方的后方摄像设备,所述教学监管数据所述授课教师监管参数包括授课教师信息异常参数;
所述教学监管参数生成模块还用于提取所述教学视频数据中由所述后方摄像设备采集的后视角教学视频数据,对所述后视角教学视频数据进行面部识别,识别授课教师的面部图像数据,获取所述课时编号对应的授课教师面部图像数据,若识别出的授课教师的面部图像数据和所述课时编号对应的授课教师面部图像数据不一致,则生成所述授课教师信息异常参数。
12.根据权利要求8所述的教育资源处理装置,其特征在于,所述授课内容监管参数包括授课内容异常参数;
所述教学监管参数生成模块还用于获取与所述课时编号对应的超纲关键词,提取所述教学视频数据的音频数据,识别所述音频数据是否存在所述超纲关键词,若识别出的超纲关键词的数量超过预设的数量阈值,则生成所述授课内容异常参数。
13.根据权利要求8所述的教育资源处理装置,其特征在于,所述教学监管参数生成模块还用于对所述教学视频数据进行面部信息识别,识别出学员面部图像数据,获取所述课时编号对应的初始学员面部图像数据,比对识别出的学员图像数据和所述初始学员面部图像数据,根据比对结果,更新所述学员签到参数。
14.根据权利要求8所述的教育资源处理装置,其特征在于,所述根据所述教学监管参数,释放与所述课时编号对应的教育资源包括:
针对每一学员,根据所述学员签到参数,更新所述课时编号对应的教育资源的状态;
若所述课时编号对应的教育资源的状态为待释放状态,根据所述课时人数监管参数、所述授课教师监管参数和所述授课内容监管参数判断所述课时编号的教学行为是否存在异常;
若判定所述课时编号的教学行为不存在异常,则释放与所述课时编号对应的教育资源;
若判定所述课时编号的教学行为存在异常,则将所述课时编号对应的教育资源的状态更新为冻结状态,并推送教学行为异常消息。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
17.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109207.3A CN115529439A (zh) | 2022-09-13 | 2022-09-13 | 教育资源处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109207.3A CN115529439A (zh) | 2022-09-13 | 2022-09-13 | 教育资源处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115529439A true CN115529439A (zh) | 2022-12-27 |
Family
ID=84697621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211109207.3A Pending CN115529439A (zh) | 2022-09-13 | 2022-09-13 | 教育资源处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115529439A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126190A (zh) * | 2023-01-18 | 2023-05-16 | 游而思(重庆)智慧科技有限公司 | 劳动实践教学多方交互方法及系统 |
-
2022
- 2022-09-13 CN CN202211109207.3A patent/CN115529439A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126190A (zh) * | 2023-01-18 | 2023-05-16 | 游而思(重庆)智慧科技有限公司 | 劳动实践教学多方交互方法及系统 |
CN116126190B (zh) * | 2023-01-18 | 2023-07-21 | 游而思(重庆)智慧科技有限公司 | 劳动实践教学多方交互方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9721080B2 (en) | Systems and methods for multi-factor authentication for administration of a computer-based test | |
CN110659397B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN112333420B (zh) | 一种智慧校园的大数据信息安全管理系统 | |
CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN110189111A (zh) | 考勤方法及装置 | |
CN112613780B (zh) | 一种学习报告生成的方法、装置、电子设备及存储介质 | |
KR102187741B1 (ko) | 메타데이터 크라우드 소싱 시스템 및 방법 | |
CN111382633A (zh) | 课堂出勤管理方法、装置、终端及计算机可读存储介质 | |
CN115529439A (zh) | 教育资源处理方法、装置、计算机设备和存储介质 | |
WO2019200737A1 (zh) | 不动产资料上传方法、装置、计算机设备和存储介质 | |
US20160180727A1 (en) | Student assessment grading engine | |
US20130302774A1 (en) | Cross-classroom and cross-institution item validation | |
CN113849560A (zh) | 基于区块链的职业技能培训相关信息存证方法及装置 | |
CN109118512A (zh) | 一种基于机器视觉的课堂迟到早退检测方法 | |
CN115331346B (zh) | 一种校园门禁管理方法、装置、电子设备及存储介质 | |
CN111680653A (zh) | 座位信息生成方法、装置、设备及存储介质 | |
CN107967660B (zh) | 一种自动面部识别的安全考试系统 | |
JP6912454B2 (ja) | 情報処理システム及び情報処理方法、クライアント、並びにコンピュータ・プログラム | |
US20180308378A1 (en) | Interactive environment for the learning process | |
CN109903410A (zh) | 基于人脸识别的点名签到方法、装置、设备和存储介质 | |
Abdalkarim et al. | A Literature Review on Smart Attendance Systems | |
CN110415110B (zh) | 进度监测方法、进度监测装置和电子设备 | |
CN114842567A (zh) | 一种视频巡查方法、装置、设备及介质 | |
Khanna et al. | Artificial intelligence based automated exam proctoring system | |
Adoga | Framework for Design of Security Systems for Monitoring Examinees and Proctors During External Offline Examinations In Nigeria |
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 |