CN116757524A - 一种教师授课质量评价方法和装置 - Google Patents
一种教师授课质量评价方法和装置 Download PDFInfo
- Publication number
- CN116757524A CN116757524A CN202310512981.7A CN202310512981A CN116757524A CN 116757524 A CN116757524 A CN 116757524A CN 202310512981 A CN202310512981 A CN 202310512981A CN 116757524 A CN116757524 A CN 116757524A
- Authority
- CN
- China
- Prior art keywords
- expression
- gesture
- information
- teacher
- human
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 39
- 230000014509 gene expression Effects 0.000 claims abstract description 198
- 238000011156 evaluation Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 description 78
- 238000004590 computer program Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种教师授课质量评价方法和装置,方法包括:获取授课场景数据,并检测授课场景数据中教师的人形位置信息和人脸信息;授课场景数据包括:在预设的授课时段内的若干帧图片数据或视频数据;根据人形位置信息,识别教师的人体关键点信息,并识别教师的行为姿势信息;根据人脸信息,计算教师的表情特征,并预测教师的表情分类信息;根据预设参数设置,将行为姿态信息转换为行为姿势参数,将表情分类信息转换为表情参数;根据姿态参数和表情参数及对应的贡献系数,生成授课质量总评分,结合表情识别和行为姿态检测对教师授课质量进行综合性评价,以实现多方面评价教师授课质量,提高教师授课质量评价精度。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种教师授课质量评价方法、装置和存储介质。
背景技术
教师的授课质量在学校对教师考核中占有很大的比重,教师的授课质量是体现该学校的教学质量以及提高教育教学质量的关键。
现有的教师授课质量评价方法采用的是通过公开课的形式,学生、学校的管理人员、教学督导或其他专业教师进行听课并人工评分。这种教师授课质量评价方法虽然方式简单,但受时间的限制,往往只能对通过一两节课堂教学进行教学质量的评价,难以对教师在整个学期的全部课堂教学活动进行观察,以及形成长期客观的分析。而且该方法还需人工统计,比较费时费力,评价的结果不能达到很客观全面。
现有的教师授课质量评价方法还基于单方面的研究,比如单独以教师的行为或以面部表情分析的评估系统。这种方法只从单一方面的研究,对教师授课质量评价而言无法全面反应出教师的上课质量。
发明内容
本发明提供了一种教师授课质量评价方法和装置,结合表情识别和行为姿态检测对教师授课质量进行综合性评价,以实现多方面评价教师授课质量,提高教师授课质量评价精度。
为了实现提高教师授课质量评价精度,本发明实施例提供了一种教师授课质量评价方法,包括:获取授课场景数据,并检测所述授课场景数据中教师的人形位置信息和人脸信息;所述授课场景数据包括:在预设的授课时段内的若干帧图片数据或视频数据;
根据所述人形位置信息,识别所述教师的人体关键点信息,并识别所述教师的行为姿势信息;根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息;
根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数;根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分。
作为优选方案,本发明通过目标检测、表情识别和人体姿态检测的方法,全面检测出教师上课过程中的行为姿态和表情,对教师授课时的视频或者图片中授课的行为姿势和表情进行综合评价。通过人工智能行为分析技术和模糊综合评价技术,实现全课程分析评价智能化和全自动化,提高授课质量评价的高效性和客观性。
作为优选方案,检测所述授课场景数据中教师的人形位置信息和人脸信息,具体为:
根据预设位置的信息,过滤非预设位置上的人物信息,将预设位置上的人形位置信息和人脸信息作为教师的人形位置信息和人脸信息。
作为优选方案,本发明具有更强的场景适应能力,通过目标检测过滤机制,可以排除非教师人员的干扰,除了对只存在教师的场景外,对还存在其他非教师人员的场景也能进行精确的目标检测。
作为优选方案,所述人形位置信息,识别所述教师的人体关键点信息,具体为:
通过检测器定位第一帧授课场景数据的第一人形位置信息中的姿态兴趣区域,通过追踪器预测第一人形位置信息中的教师的预设个人体关键点;
后一帧的第二人形位置信息根据前一帧的人体关键点,生成第二人形位置信息中的姿态兴趣区域。
作为优选方案,根据识别所述教师的行为姿势信息,具体为:
根据每一帧授课场景数据的人形位置信息中的人体关键点的位置,生成各个所述人体关键点的位置变化信息;
根据各个所述人体关键点的位置变化信息,生成所有人体关键点的组合热力图;将所述组合热力图回归到所述教师的人体各个部位的热图上,并生成行为姿态预测结果,并统计每种类型姿态预测结果的第一出现次数;
将所述姿态预测结果和所述第一出现次数作为行为姿势信息。
作为优选方案,根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息,具体为:
通过预设个特征计算模块,对每一帧授课场景数据的人脸信息依次进行图片像素大小的重构,并提取表情特征;根据各所述表情特征,生成计算损失;将所述计算损失输入得分全连接层,生成表情预测结果;根据所述表情预测结果,统计每种类型表情预测结果的第二出现次数;
将所述表情预测结果和所述第二出现次数作为表情分类信息。
作为优选方案,根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数,根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分,具体为:
根据行为姿势信息,将每种类型姿态预测结果转换为对应的行为姿势参数;根据表情分类信息,将每种类型表情预测结果转换为对应的表情参数;
根据设置的每种类型姿态预测结果的姿势贡献系数和每种类型姿态预测结果的第一出现次数,将每个所述行为姿势参数与对应的姿势贡献系数的乘积进行求和,获得行为姿态评分;
根据设置的每种类型表情预测结果的表情贡献系数和每种类型表情预测结果的第二出现次数,将每个所述表情参数与对应的表情贡献系数的乘积进行求和,获得表情评分;
将所述行为姿态评分与预设的姿态评分系数的乘积和所述表情评分与预设的表情评分系数的乘积进行求和,获得授课质量总评分。
作为优选方案,本发明通过目标检测、表情识别和人体姿态检测的方法,全面检测出教师上课过程中的行为姿态和表情,结合各自的贡献系数,对教师授课时的视频或者图片中授课的行为姿势和表情及其出现的次数进行评分,综合考虑了不同类型的行为姿态和表情对授课质量的贡献,提高授课质量评价的高效性和客观性。
相应地,本发明还提供一种教师授课质量评价装置,包括:检测模块、预测模块和评价模块;
所述检测模块用于实时获取授课场景数据,并检测所述授课场景数据中教师的人形位置信息和人脸信息;所述授课场景数据包括:在预设的授课时段内的若干帧图片数据或视频数据;
所述预测模块用于根据所述人形位置信息,识别所述教师的人体关键点信息,并识别所述教师的行为姿势信息;根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息;
所述评价模块用于根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数;根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分。
作为优选方案,本发明装置检测模块和预测模块通过目标检测、表情识别和人体姿态检测的方法,全面检测出教师上课过程中的行为姿态和表情,评价模块对教师授课时的视频或者图片中授课的行为姿势和表情进行综合评价。通过人工智能行为分析技术和模糊综合评价技术,实现全课程分析评价智能化和全自动化,提高授课质量评价的高效性和客观性。
检测模块包括:过滤单元和识别单元;
所述过滤单元用于根据预设位置的信息,过滤非预设位置上的人物信息;
所述识别单元用于将预设位置上的人形位置信息和人脸信息作为教师的人形位置信息和人脸信息。
预测模块包括:姿势预测单元和表情预测单元;
所述姿势预测单元用于通过检测器定位第一帧授课场景数据的第一人形位置信息中的姿态兴趣区域,通过追踪器预测第一人形位置信息中的教师的预设个人体关键点;后一帧的第二人形位置信息根据前一帧的人体关键点,生成第二人形位置信息中的姿态兴趣区域;
根据每一帧授课场景数据的人形位置信息中的人体关键点的位置,生成各个所述人体关键点的位置变化信息;根据各个所述人体关键点的位置变化信息,生成所有人体关键点的组合热力图;将所述组合热力图回归到所述教师的人体各个部位的热图上,并生成行为姿态预测结果,并统计每种类型姿态预测结果的第一出现次数;将所述姿态预测结果和所述第一出现次数作为行为姿势信息;
所述表情预测单元用于通过预设个特征计算模块,对每一帧授课场景数据的人脸信息依次进行图片像素大小的重构,并提取表情特征;根据各所述表情特征,生成计算损失;将所述计算损失输入得分全连接层,生成表情预测结果;根据所述表情预测结果,统计每种类型表情预测结果的第二出现次数;将所述表情预测结果和所述第二出现次数作为表情分类信息。
评价模块包括:姿势评价单元、表情评价单元和综合评价单元;
所述姿势评价单元用于根据行为姿势信息,将每种类型姿态预测结果转换为对应的行为姿势参数;根据设置的每种类型姿态预测结果的姿势贡献系数和每种类型姿态预测结果的第一出现次数,将每个所述行为姿势参数与对应的姿势贡献系数的乘积进行求和,获得行为姿态评分;
所述表情评价单元用于根据表情分类信息,将每种类型表情预测结果转换为对应的表情参数;根据设置的每种类型表情预测结果的表情贡献系数和每种类型表情预测结果的第二出现次数,将每个所述表情参数与对应的表情贡献系数的乘积进行求和,获得表情评分;
所述综合评价单元用于将所述行为姿态评分与预设的姿态评分系数的乘积和所述表情评分与预设的表情评分系数的乘积进行求和,获得授课质量总评分。
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如本发明内容所述的一种教师授课质量评价方法。
附图说明
图1是本发明提供的一种教师授课质量评价方法的一种实施例的流程示意图;
图2是本发明提供的一种教师授课质量评价方法的若干个人体关键点的一种实施例的示意图;
图3是本发明提供的一种教师授课质量评价方法的表情识别分类算法一种实施例的流程示意图;
图4是本发明提供的一种教师授课质量评价装置的一种实施例的结构示意图。
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。
实施例一
请参照图1,为本发明实施例提供的一种教师授课质量评价方法,包括步骤S101-S103:
步骤S101:获取授课场景数据,并检测所述授课场景数据中教师的人形位置信息和人脸信息;所述授课场景数据包括:在预设的授课时段内的若干帧图片数据或视频数据;
在本实施例中,在教室内安装可以覆盖教师人形采集要求的摄像头(像素≥500万像素),并对课堂上的教师全课堂活动进行实时跟踪拍摄,并配制定时任务对视频或图片进行保存并上传至服务器;根据任务需要,服务器定时扫描摄像头的图片或视频上传目录,获取最新的上传图片或视频;或者直接获取摄像头的实时视频。
本发明获取的授课场景数据可以是离线的图片数据或视频数据,还能实时的图像数据或视频数据。因此,可以实时对一节课的授课场景数据进行检测和分析,在课后实时生成授课质量评价结果;也可以在课上上传该节课的离线的授课场景数据,上传后马上生成授课质量评价结果。
在本实施例中,检测所述授课场景数据中教师的人形位置信息和人脸信息,具体为:
根据预设位置的信息,过滤非预设位置上的人物信息,将预设位置上的人形位置信息和人脸信息作为教师的人形位置信息和人脸信息。
在本实施例中,利用目标检测yoloV8目标检测算法,同时对场景中的教师的人形及人脸进行检测,并保留人形位置信息和人脸信息。通过教师的位置信息进行场景人物过滤,排除非教师人员的干扰。
在一实现方式中,可以是先对教师进行生物特征对比后,进行身份确认,再将确认为教师的人物的位置作为预设位置,并将其人形位置信息和人脸信息作为教师的人形位置信息和人脸信息。
在另一实现方式中,可以是预设的空间位置上的人作为教师进行识别,将预设的空间位置上的人形位置信息和人脸信息作为教师的人形位置信息和人脸信息。
步骤S102:根据所述人形位置信息,识别所述教师的人体关键点信息,并识别所述教师的行为姿势信息;根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息;
在本实施例中,根据所述人形位置信息,识别所述教师的人体关键点信息,具体为:
通过检测器定位第一帧授课场景数据的第一人形位置信息中的姿态兴趣区域,通过追踪器预测第一人形位置信息中的教师的预设个人体关键点;
后一帧的第二人形位置信息根据前一帧的人体关键点,生成第二人形位置信息中的姿态兴趣区域。
在本实施例中,根据识别所述教师的行为姿势信息,具体为:
根据每一帧授课场景数据的人形位置信息中的人体关键点的位置,生成各个所述人体关键点的位置变化信息;
根据各个所述人体关键点的位置变化信息,生成所有人体关键点的组合热力图;将所述组合热力图回归到所述教师的人体各个部位的热图上,并生成行为姿态预测结果,并统计每种类型姿态预测结果的第一出现次数;
将所述姿态预测结果和所述第一出现次数作为行为姿势信息。
作为优选的实施方案,在确定了教师的目标位置后,对授课场景数据使用人体姿态检测算法进行姿态检测,人体姿态检测算法的具体流程如下:
基于BlazePose模型,包括检测器和追踪器-ML-流水线。流水线使用检测器首先定位第一帧授课场景数据的第一人形位置信息中的姿态兴趣区域(ROI)。追踪器随后根据此ROI预测33个人体关键点。需要注意的是,检测器仅在第一帧上运行。后续帧将根据前一帧的人体关键点得出ROI。流水线姿势预测组件预测全部33个人体关键点的位置,每个人体关键点具有三个自由度(x、y位置和可见度),额外加上两个虚拟对齐关键点。
请参考图2,人体33个关键点代表人的整体动作状态,在预测过程中,设置采集相对坐标间隔为0.1S,根据欧式距离计算0.1S前后的这33个相对坐标点的变化值。
根据人体不同部位,设置不同的相对坐标点的距离变化标准,示例性地,人体部位为头部时,头部在0.1S前后距离大于0.5cm的定义为大变化;0.5cm-0.2cm的定义为中变化;小于0.2cm定义为小变化。人体部位还包括:手部位、腿脚部位和身体部位。
作为优选实施例,与现有技术采用计算密集型热力图预测的方法不同,本发明BlazePose模型采用回归方法,获取由所有关键点的组合热力图。利用回归方法计算每个人体关键点的相对坐标的前后变化距离。根据距离变化进行生成33个关键点的组合热力图,然后回归到人体各个部位的热图,示例性地,热图由白色-红色之间变化,红色表示位置偏移大,白色表示位置偏移小。
根据人体不同部位,根据预设的几个点或多个有关联的点上的位置偏移量,构造成多个不同的特征向量,并将特征向量进行归一化。利用使用机器学习算法对特征向量进行分类,如决策树、梯度提升等算法进行分类,识别出包括板书、讲授、演示和提问等第一行为动作。
基于提取的人体关键点数据,对预设的连续的点进行度量计算,通过预设的角度去判定存在那些行为,如指用手去指定某物等肢体角度比较明显的动作,识别出包括手摆动的姿势、双手张开程度和姿态演示等第二行为动作。
本发明还包括使用目标检测算法识别教师的一些预设的动作,检测识别出包括抬头、低头、面对学生、面对多媒体屏幕或黑板、走动的距离、板书和物品演示等第三行为动作。
将第一行为动作、第二行为动作和第三行为动作进行分析,并整合去重,作为姿态预测结果,并统计一堂课中教师的行为动作的次数。
在本实施例中,根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息,具体为:
通过预设个特征计算模块,对每一帧授课场景数据的人脸信息依次进行图片像素大小的重构,并提取表情特征;根据各所述表情特征,生成计算损失;将所述计算损失输入得分全连接层,生成表情预测结果;根据所述表情预测结果,统计每种类型表情预测结果的第二出现次数;
将所述表情预测结果和所述第二出现次数作为表情分类信息。
作为优选的实施方案,在确定了教师的目标位置后,采用resnet101构建的表情识别分类算法对授课场景数据进行表情检测,表情识别分类算法的具体流程如下:
请参考图3,特征提取使用Resnet计算模块进行计算,Resnet计算模块包括若干个Resnet模块,在本实施例中,设置了5个Resnet模块。首先对原图大小进行重构,假设原图的特征大小为224*224像素,在进入第一个Resnet模块计算后生成为特征大小为112*112像素的第一特征图,随之每个Resnet模块计算后的特征大小减半,直到第5个Resnet模块计算后生成的特征图的特征大小为7*7像素。
另外,在每两个Resnet模块之间设置了损失计算,然后进行汇总,形成总的损失。在本实施例中,在第一个Resnet模块和第二个Resnet模块之间、第三个Resnet模块和第四个Resnet模块之间以及第五个Resnet模块之后均设置了损失计算,计算出三个损失计算结果,并由监督模块对三个损失计算结果进行汇总,输入得分全连接层,形成总的损失。将总的损失输入FC模块,生成表情预测结果,表情预测结果包括:微笑、惊讶、自然、疑惑、激动和难过等,并统计这些表情预测结果的出现的时长及次数。
步骤S103:根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数;根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分。
在本实施例中,根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数,根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分,具体为:
根据行为姿势信息,将每种类型姿态预测结果转换为对应的行为姿势参数;根据表情分类信息,将每种类型表情预测结果转换为对应的表情参数;
根据设置的每种类型姿态预测结果的姿势贡献系数和每种类型姿态预测结果的第一出现次数,将每个所述行为姿势参数与对应的姿势贡献系数的乘积进行求和,获得行为姿态评分;
根据设置的每种类型表情预测结果的表情贡献系数和每种类型表情预测结果的第二出现次数,将每个所述表情参数与对应的表情贡献系数的乘积进行求和,获得表情评分;
将所述行为姿态评分与预设的姿态评分系数的乘积和所述表情评分与预设的表情评分系数的乘积进行求和,获得授课质量总评分。
在本实施例中,具体评价模型公式如下:
其中,F表示上课质量总评分,u1和u2分别是表情评分系数和姿态评分系数;i和j的取值为X是面部表情,Xi中i取不同的值时,分别带代表不同的表情参数,如,X1为微笑和X2为惊讶等;αi为对应类型的表情预测结果的表情贡献系数;V为行为姿势,Vj中j取不同的值时,分别带代表不同的行为姿势参数,如V1为板书和V2为讲授等,βi为对应类型的姿态预测结果的姿势贡献系数。
本发明针对课堂教师上课场景,同时使用或单独使用目标检测算法和人体姿态检测算法对课堂教师行为进分析,并使用模糊评价算法对授课质量进行评价的方法,生成授课质量评价结果,实现了教师教学行为智能分析与评估全程自动化,更加具有高效性和授课质量评价客观性。
实施本发明实施例,具有如下效果:
本发明通过目标检测算法、面部表情识别算法和人体姿态检测算法的人工智能行为分析技术,全面检测出教师上课过程中的行为姿态和表情,对教师授课时的视频或者图片中授课的行为姿势和表情进行综合评价。本发明除了对离线的图片数据或视频数据进行检测识别分析,还能实时的对图像数据或视频数据进行识别分析,通过人工智能行为分析技术和模糊综合评价技术,实现全课程分析评价智能化和全自动化,提高授课质量评价的高效性和客观性。
实施例二
请参照图2,为本发明实施例提供的一种教师授课质量评价装置,包括:检测模块201、预测模块202和评价模块203;
所述检测模块201用于实时获取授课场景数据,并检测所述授课场景数据中教师的人形位置信息和人脸信息;所述授课场景数据包括:在预设的授课时段内的若干帧图片数据或视频数据;
所述预测模块202用于根据所述人形位置信息,识别所述教师的人体关键点信息,并识别所述教师的行为姿势信息;根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息;
所述评价模块203用于根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数;根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分。
检测模块201包括:过滤单元和识别单元;
所述过滤单元用于根据预设位置的信息,过滤非预设位置上的人物信息;
所述识别单元用于将预设位置上的人形位置信息和人脸信息作为教师的人形位置信息和人脸信息。
预测模块202包括:姿势预测单元和表情预测单元;
所述姿势预测单元用于通过检测器定位第一帧授课场景数据的第一人形位置信息中的姿态兴趣区域,通过追踪器预测第一人形位置信息中的教师的预设个人体关键点;后一帧的第二人形位置信息根据前一帧的人体关键点,生成第二人形位置信息中的姿态兴趣区域;
根据每一帧授课场景数据的人形位置信息中的人体关键点的位置,生成各个所述人体关键点的位置变化信息;根据各个所述人体关键点的位置变化信息,生成所有人体关键点的组合热力图;将所述组合热力图回归到所述教师的人体各个部位的热图上,并生成行为姿态预测结果,并统计每种类型姿态预测结果的第一出现次数;将所述姿态预测结果和所述第一出现次数作为行为姿势信息;
所述表情预测单元用于通过预设个特征计算模块,对每一帧授课场景数据的人脸信息依次进行图片像素大小的重构,并提取表情特征;根据各所述表情特征,生成计算损失;将所述计算损失输入得分全连接层,生成表情预测结果;根据所述表情预测结果,统计每种类型表情预测结果的第二出现次数;将所述表情预测结果和所述第二出现次数作为表情分类信息。
评价模块203包括:姿势评价单元、表情评价单元和综合评价单元;
所述姿势评价单元用于根据行为姿势信息,将每种类型姿态预测结果转换为对应的行为姿势参数;根据设置的每种类型姿态预测结果的姿势贡献系数和每种类型姿态预测结果的第一出现次数,将每个所述行为姿势参数与对应的姿势贡献系数的乘积进行求和,获得行为姿态评分;
所述表情评价单元用于根据表情分类信息,将每种类型表情预测结果转换为对应的表情参数;根据设置的每种类型表情预测结果的表情贡献系数和每种类型表情预测结果的第二出现次数,将每个所述表情参数与对应的表情贡献系数的乘积进行求和,获得表情评分;
所述综合评价单元用于将所述行为姿态评分与预设的姿态评分系数的乘积和所述表情评分与预设的表情评分系数的乘积进行求和,获得授课质量总评分。
上述的教师授课质量评价装置可实施上述方法实施例的教师授课质量评价方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
实施本发明实施例,具有如下效果:
本发明装置检测模块和预测模块通过目标检测、表情识别和人体姿态检测的方法,全面检测出教师上课过程中的行为姿态和表情,评价模块对教师授课时的视频或者图片中授课的行为姿势和表情进行综合评价。通过人工智能行为分析技术和模糊综合评价技术,实现全课程分析评价智能化和全自动化,提高授课质量评价的高效性和客观性。
实施例三
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的教师授课质量评价方法。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据移动终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种教师授课质量评价方法,其特征在于,包括:
获取授课场景数据,并检测所述授课场景数据中教师的人形位置信息和人脸信息;所述授课场景数据包括:在预设的授课时段内的若干帧图片数据或视频数据;
根据所述人形位置信息,识别所述教师的人体关键点信息,并识别所述教师的行为姿势信息;根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息;
根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数;根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分。
2.如权利要求1所述的一种教师授课质量评价方法,其特征在于,所述检测所述授课场景数据中教师的人形位置信息和人脸信息,具体为:
根据预设位置的信息,过滤非预设位置上的人物信息,将预设位置上的人形位置信息和人脸信息作为教师的人形位置信息和人脸信息。
3.如权利要求2所述的一种教师授课质量评价方法,其特征在于,所述根据所述人形位置信息,识别所述教师的人体关键点信息,具体为:
通过检测器定位第一帧授课场景数据的第一人形位置信息中的姿态兴趣区域,通过追踪器预测第一人形位置信息中的教师的预设个人体关键点;
后一帧的第二人形位置信息根据前一帧的人体关键点,生成第二人形位置信息中的姿态兴趣区域。
4.如权利要求3所述的一种教师授课质量评价方法,其特征在于,所述识别所述教师的行为姿势信息,具体为:
根据每一帧授课场景数据的人形位置信息中的人体关键点的位置,生成各个所述人体关键点的位置变化信息;
根据各个所述人体关键点的位置变化信息,生成所有人体关键点的组合热力图;将所述组合热力图回归到所述教师的人体各个部位的热图上,并生成行为姿态预测结果,并统计每种类型姿态预测结果的第一出现次数;
将所述姿态预测结果和所述第一出现次数作为行为姿势信息。
5.如权利要求4所述的一种教师授课质量评价方法,其特征在于,所述根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息,具体为:
通过预设个特征计算模块,对每一帧授课场景数据的人脸信息依次进行图片像素大小的重构,并提取表情特征;根据各所述表情特征,生成计算损失;将所述计算损失输入得分全连接层,生成表情预测结果;根据所述表情预测结果,统计每种类型表情预测结果的第二出现次数;
将所述表情预测结果和所述第二出现次数作为表情分类信息。
6.如权利要求5所述的一种教师授课质量评价方法,其特征在于,所述根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数,根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分,具体为:
根据行为姿势信息,将每种类型姿态预测结果转换为对应的行为姿势参数;根据表情分类信息,将每种类型表情预测结果转换为对应的表情参数;
根据设置的每种类型姿态预测结果的姿势贡献系数和每种类型姿态预测结果的第一出现次数,将每个所述行为姿势参数与对应的姿势贡献系数的乘积进行求和,获得行为姿态评分;
根据设置的每种类型表情预测结果的表情贡献系数和每种类型表情预测结果的第二出现次数,将每个所述表情参数与对应的表情贡献系数的乘积进行求和,获得表情评分;
将所述行为姿态评分与预设的姿态评分系数的乘积和所述表情评分与预设的表情评分系数的乘积进行求和,获得授课质量总评分。
7.一种教师授课质量评价装置,其特征在于,包括:检测模块、预测模块和评价模块;
所述检测模块用于实时获取授课场景数据,并检测所述授课场景数据中教师的人形位置信息和人脸信息;所述授课场景数据包括:在预设的授课时段内的若干帧图片数据或视频数据;
所述预测模块用于根据所述人形位置信息,识别所述教师的人体关键点信息,并识别所述教师的行为姿势信息;根据所述人脸信息,计算所述教师的表情特征,并预测所述教师的表情分类信息;
所述评价模块用于根据预设参数设置,将所述行为姿态信息转换为行为姿势参数,将所述表情分类信息转换为表情参数;根据所述行为姿势参数和表情参数及对应的贡献系数,生成授课质量总评分。
8.如权利要求7所述的一种教师授课质量评价装置,其特征在于,所述检测模块包括:过滤单元和识别单元;
所述过滤单元用于根据预设位置的信息,过滤非预设位置上的人物信息;
所述识别单元用于将预设位置上的人形位置信息和人脸信息作为教师的人形位置信息和人脸信息。
9.如权利要求8所述的一种教师授课质量评价装置,其特征在于,所述预测模块包括:姿势预测单元和表情预测单元;
所述姿势预测单元用于通过检测器定位第一帧授课场景数据的第一人形位置信息中的姿态兴趣区域,通过追踪器预测第一人形位置信息中的教师的预设个人体关键点;后一帧的第二人形位置信息根据前一帧的人体关键点,生成第二人形位置信息中的姿态兴趣区域;
根据每一帧授课场景数据的人形位置信息中的人体关键点的位置,生成各个所述人体关键点的位置变化信息;根据各个所述人体关键点的位置变化信息,生成所有人体关键点的组合热力图;将所述组合热力图回归到所述教师的人体各个部位的热图上,并生成行为姿态预测结果,并统计每种类型姿态预测结果的第一出现次数;将所述姿态预测结果和所述第一出现次数作为行为姿势信息;
所述表情预测单元用于通过预设个特征计算模块,对每一帧授课场景数据的人脸信息依次进行图片像素大小的重构,并提取表情特征;根据各所述表情特征,生成计算损失;将所述计算损失输入得分全连接层,生成表情预测结果;根据所述表情预测结果,统计每种类型表情预测结果的第二出现次数;将所述表情预测结果和所述第二出现次数作为表情分类信息。
10.如权利要求9所述的一种教师授课质量评价装置,其特征在于,所述评价模块包括:姿势评价单元、表情评价单元和综合评价单元;
所述姿势评价单元用于根据行为姿势信息,将每种类型姿态预测结果转换为对应的行为姿势参数;根据设置的每种类型姿态预测结果的姿势贡献系数和每种类型姿态预测结果的第一出现次数,将每个所述行为姿势参数与对应的姿势贡献系数的乘积进行求和,获得行为姿态评分;
所述表情评价单元用于根据表情分类信息,将每种类型表情预测结果转换为对应的表情参数;根据设置的每种类型表情预测结果的表情贡献系数和每种类型表情预测结果的第二出现次数,将每个所述表情参数与对应的表情贡献系数的乘积进行求和,获得表情评分;
所述综合评价单元用于将所述行为姿态评分与预设的姿态评分系数的乘积和所述表情评分与预设的表情评分系数的乘积进行求和,获得授课质量总评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512981.7A CN116757524B (zh) | 2023-05-08 | 2023-05-08 | 一种教师授课质量评价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512981.7A CN116757524B (zh) | 2023-05-08 | 2023-05-08 | 一种教师授课质量评价方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757524A true CN116757524A (zh) | 2023-09-15 |
CN116757524B CN116757524B (zh) | 2024-02-06 |
Family
ID=87956056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310512981.7A Active CN116757524B (zh) | 2023-05-08 | 2023-05-08 | 一种教师授课质量评价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757524B (zh) |
Citations (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100141663A1 (en) * | 2008-12-04 | 2010-06-10 | Total Immersion Software, Inc. | System and methods for dynamically injecting expression information into an animated facial mesh |
US20120052468A1 (en) * | 2010-09-01 | 2012-03-01 | Doreen Granpeesheh | Methods and systems for preparation of treatment plans |
US20140154659A1 (en) * | 2012-11-21 | 2014-06-05 | Laureate Education, Inc. | Facial expression recognition in educational learning systems |
CN107169902A (zh) * | 2017-06-02 | 2017-09-15 | 武汉纺织大学 | 基于人工智能的微表情分析的课堂教学评价系统 |
CN107316261A (zh) * | 2017-07-10 | 2017-11-03 | 湖北科技学院 | 一种基于人脸分析的教学质量评估系统 |
US20170358233A1 (en) * | 2016-06-14 | 2017-12-14 | International Business Machines Corporation | Teaching plan optimization |
CN107704996A (zh) * | 2017-09-12 | 2018-02-16 | 青岛大学 | 一种基于情感分析的教师评价系统 |
WO2018044230A1 (en) * | 2016-09-02 | 2018-03-08 | Tan Meng Wee | Robotic training apparatus and system |
CN107895244A (zh) * | 2017-12-26 | 2018-04-10 | 重庆大争科技有限公司 | 课堂教学质量评估方法 |
CN108108903A (zh) * | 2017-12-26 | 2018-06-01 | 重庆大争科技有限公司 | 课堂教学质量评估系统 |
CN108109089A (zh) * | 2017-12-15 | 2018-06-01 | 华中师范大学 | 一种教育可计算方法 |
CN108428073A (zh) * | 2018-05-21 | 2018-08-21 | 刘仕博 | 一种用于教师教学质量的智能评价系统 |
CN108629715A (zh) * | 2018-06-20 | 2018-10-09 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的精准教学方法和机器人系统 |
CN108764708A (zh) * | 2018-05-25 | 2018-11-06 | 陕西国际商贸学院 | 课程教学质量评价与监控系统 |
CN108876677A (zh) * | 2018-06-20 | 2018-11-23 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的教学效果评价方法和机器人系统 |
CN108888280A (zh) * | 2018-05-24 | 2018-11-27 | 吉林大学 | 基于脑电信号分析的学生听课注意力评价方法 |
CN109165881A (zh) * | 2018-11-08 | 2019-01-08 | 四川坤翔科技有限公司 | 基于大数据的教师授课质量评估方法 |
CN109344682A (zh) * | 2018-08-02 | 2019-02-15 | 平安科技(深圳)有限公司 | 课堂监控方法、装置、计算机设备及存储介质 |
CN109376710A (zh) * | 2018-12-06 | 2019-02-22 | 温州职业技术学院 | 双镜头确定人脸数量的大数据人脸识别课堂教学棒 |
CN109377429A (zh) * | 2018-11-13 | 2019-02-22 | 广东同心教育科技有限公司 | 一种人脸识别素质教育智慧评价系统 |
CN109447050A (zh) * | 2018-12-29 | 2019-03-08 | 上海乂学教育科技有限公司 | 一种在线课堂用户情绪可视化系统 |
CN109531589A (zh) * | 2018-11-20 | 2019-03-29 | 刘明远 | 一种智能课堂学习交互机器人 |
CN109636089A (zh) * | 2018-10-25 | 2019-04-16 | 安徽创见未来教育科技有限公司 | 一种学生综合素质评价系统 |
CN109657529A (zh) * | 2018-07-26 | 2019-04-19 | 台州学院 | 基于面部表情识别的课堂教学效果评价系统 |
CN109840667A (zh) * | 2018-05-22 | 2019-06-04 | 南京邮电大学 | 一种基于脑电信号的二维心理坐标式过程性教学评价系统 |
CN109919434A (zh) * | 2019-01-28 | 2019-06-21 | 华中科技大学 | 一种基于深度学习的教师课堂表现智能评价方法 |
CN110009210A (zh) * | 2019-03-26 | 2019-07-12 | 北京师范大学珠海分校 | 一种基于关注度和专注度的学生听课水平综合评估方法 |
CN110033400A (zh) * | 2019-03-26 | 2019-07-19 | 深圳先进技术研究院 | 一种课堂监控分析系统 |
CN110232346A (zh) * | 2019-06-06 | 2019-09-13 | 南京睦泽信息科技有限公司 | 一种基于深度学习的视频智能分析系统 |
US20190295430A1 (en) * | 2018-03-20 | 2019-09-26 | Tutor Group Limited | Method of real-time supervision of interactive online education |
CN110334620A (zh) * | 2019-06-24 | 2019-10-15 | 北京大米科技有限公司 | 教学质量的评估方法、装置、存储介质及电子设备 |
CN110443487A (zh) * | 2019-07-31 | 2019-11-12 | 浙江工商职业技术学院 | 一种教学评价方法及设备 |
CN110443226A (zh) * | 2019-08-16 | 2019-11-12 | 重庆大学 | 一种基于姿态识别的学生状态评价方法及系统 |
CN110533333A (zh) * | 2019-09-02 | 2019-12-03 | 西南大学 | 一种教学评价方法及装置 |
CN110599835A (zh) * | 2019-09-25 | 2019-12-20 | 淄博职业学院 | 一种交互式计算机远程教育系统 |
CN110619267A (zh) * | 2019-08-02 | 2019-12-27 | 河南科技学院 | 一种基于深度学习的学生表情识别的方法及系统 |
CN110660285A (zh) * | 2019-09-24 | 2020-01-07 | 苏州米龙信息科技有限公司 | 场景自适应的定制化智能培训方法及系统 |
CN110659087A (zh) * | 2019-09-11 | 2020-01-07 | 旭辉卓越健康信息科技有限公司 | 一种应用于智慧医疗的人脸识别算法工程化系统 |
CN110807585A (zh) * | 2019-10-30 | 2020-02-18 | 山东商业职业技术学院 | 一种学员课堂学习状态在线评估方法及系统 |
CN110827856A (zh) * | 2019-11-01 | 2020-02-21 | 广州云蝶科技有限公司 | 授课的测评方法 |
CN110837795A (zh) * | 2019-11-04 | 2020-02-25 | 防灾科技学院 | 基于课堂监控视频的教学情况智能监测方法、装置及设备 |
CN110889672A (zh) * | 2019-11-19 | 2020-03-17 | 哈尔滨理工大学 | 一种基于深度学习的学生打卡及上课状态的检测系统 |
CN111046823A (zh) * | 2019-12-19 | 2020-04-21 | 东南大学 | 基于课堂视频的学生课堂参与度分析系统 |
CN111046819A (zh) * | 2019-12-18 | 2020-04-21 | 浙江大华技术股份有限公司 | 一种行为识别处理方法及装置 |
CN111553218A (zh) * | 2020-04-20 | 2020-08-18 | 南京医科大学 | 一种基于人体姿势识别的智能医学技能教学监测系统 |
CN111666809A (zh) * | 2020-04-20 | 2020-09-15 | 阜阳师范大学 | 一种测评学生课堂表现的智能系统 |
CN113112185A (zh) * | 2021-05-13 | 2021-07-13 | 北京一起教育科技有限责任公司 | 一种教师表现力的评估方法、装置和电子设备 |
CN114298497A (zh) * | 2021-12-13 | 2022-04-08 | 北京捷通华声科技股份有限公司 | 教师课堂教学质量的评估方法以及装置 |
US20220309340A1 (en) * | 2021-03-26 | 2022-09-29 | Google Llc | Self-Adaptive Distillation |
CN115187437A (zh) * | 2022-07-14 | 2022-10-14 | 深圳市丽湖软件有限公司 | 一种基于大数据的高校教学质量的评价方法及系统 |
-
2023
- 2023-05-08 CN CN202310512981.7A patent/CN116757524B/zh active Active
Patent Citations (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2370969A2 (en) * | 2008-12-04 | 2011-10-05 | Total Immersion Software, Inc. | System and methods for dynamically injecting expression information into an animated facial mesh |
US20140240324A1 (en) * | 2008-12-04 | 2014-08-28 | Intific, Inc. | Training system and methods for dynamically injecting expression information into an animated facial mesh |
US20100141663A1 (en) * | 2008-12-04 | 2010-06-10 | Total Immersion Software, Inc. | System and methods for dynamically injecting expression information into an animated facial mesh |
US20120052468A1 (en) * | 2010-09-01 | 2012-03-01 | Doreen Granpeesheh | Methods and systems for preparation of treatment plans |
US20140154659A1 (en) * | 2012-11-21 | 2014-06-05 | Laureate Education, Inc. | Facial expression recognition in educational learning systems |
US20190236968A1 (en) * | 2012-11-21 | 2019-08-01 | Laureate Education, Inc. | Facial expression recognition in educational learning systems |
US20170358233A1 (en) * | 2016-06-14 | 2017-12-14 | International Business Machines Corporation | Teaching plan optimization |
WO2018044230A1 (en) * | 2016-09-02 | 2018-03-08 | Tan Meng Wee | Robotic training apparatus and system |
CN107169902A (zh) * | 2017-06-02 | 2017-09-15 | 武汉纺织大学 | 基于人工智能的微表情分析的课堂教学评价系统 |
CN107316261A (zh) * | 2017-07-10 | 2017-11-03 | 湖北科技学院 | 一种基于人脸分析的教学质量评估系统 |
CN107704996A (zh) * | 2017-09-12 | 2018-02-16 | 青岛大学 | 一种基于情感分析的教师评价系统 |
CN108109089A (zh) * | 2017-12-15 | 2018-06-01 | 华中师范大学 | 一种教育可计算方法 |
CN107895244A (zh) * | 2017-12-26 | 2018-04-10 | 重庆大争科技有限公司 | 课堂教学质量评估方法 |
CN108108903A (zh) * | 2017-12-26 | 2018-06-01 | 重庆大争科技有限公司 | 课堂教学质量评估系统 |
US20190295430A1 (en) * | 2018-03-20 | 2019-09-26 | Tutor Group Limited | Method of real-time supervision of interactive online education |
CN108428073A (zh) * | 2018-05-21 | 2018-08-21 | 刘仕博 | 一种用于教师教学质量的智能评价系统 |
CN109840667A (zh) * | 2018-05-22 | 2019-06-04 | 南京邮电大学 | 一种基于脑电信号的二维心理坐标式过程性教学评价系统 |
CN108888280A (zh) * | 2018-05-24 | 2018-11-27 | 吉林大学 | 基于脑电信号分析的学生听课注意力评价方法 |
CN108764708A (zh) * | 2018-05-25 | 2018-11-06 | 陕西国际商贸学院 | 课程教学质量评价与监控系统 |
CN108629715A (zh) * | 2018-06-20 | 2018-10-09 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的精准教学方法和机器人系统 |
CN108876677A (zh) * | 2018-06-20 | 2018-11-23 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的教学效果评价方法和机器人系统 |
CN109657529A (zh) * | 2018-07-26 | 2019-04-19 | 台州学院 | 基于面部表情识别的课堂教学效果评价系统 |
CN109344682A (zh) * | 2018-08-02 | 2019-02-15 | 平安科技(深圳)有限公司 | 课堂监控方法、装置、计算机设备及存储介质 |
CN109636089A (zh) * | 2018-10-25 | 2019-04-16 | 安徽创见未来教育科技有限公司 | 一种学生综合素质评价系统 |
CN109165881A (zh) * | 2018-11-08 | 2019-01-08 | 四川坤翔科技有限公司 | 基于大数据的教师授课质量评估方法 |
CN109377429A (zh) * | 2018-11-13 | 2019-02-22 | 广东同心教育科技有限公司 | 一种人脸识别素质教育智慧评价系统 |
CN109531589A (zh) * | 2018-11-20 | 2019-03-29 | 刘明远 | 一种智能课堂学习交互机器人 |
CN109376710A (zh) * | 2018-12-06 | 2019-02-22 | 温州职业技术学院 | 双镜头确定人脸数量的大数据人脸识别课堂教学棒 |
CN109447050A (zh) * | 2018-12-29 | 2019-03-08 | 上海乂学教育科技有限公司 | 一种在线课堂用户情绪可视化系统 |
CN109919434A (zh) * | 2019-01-28 | 2019-06-21 | 华中科技大学 | 一种基于深度学习的教师课堂表现智能评价方法 |
CN110009210A (zh) * | 2019-03-26 | 2019-07-12 | 北京师范大学珠海分校 | 一种基于关注度和专注度的学生听课水平综合评估方法 |
CN110033400A (zh) * | 2019-03-26 | 2019-07-19 | 深圳先进技术研究院 | 一种课堂监控分析系统 |
CN110232346A (zh) * | 2019-06-06 | 2019-09-13 | 南京睦泽信息科技有限公司 | 一种基于深度学习的视频智能分析系统 |
CN110334620A (zh) * | 2019-06-24 | 2019-10-15 | 北京大米科技有限公司 | 教学质量的评估方法、装置、存储介质及电子设备 |
CN110443487A (zh) * | 2019-07-31 | 2019-11-12 | 浙江工商职业技术学院 | 一种教学评价方法及设备 |
CN110619267A (zh) * | 2019-08-02 | 2019-12-27 | 河南科技学院 | 一种基于深度学习的学生表情识别的方法及系统 |
CN110443226A (zh) * | 2019-08-16 | 2019-11-12 | 重庆大学 | 一种基于姿态识别的学生状态评价方法及系统 |
CN110533333A (zh) * | 2019-09-02 | 2019-12-03 | 西南大学 | 一种教学评价方法及装置 |
CN110659087A (zh) * | 2019-09-11 | 2020-01-07 | 旭辉卓越健康信息科技有限公司 | 一种应用于智慧医疗的人脸识别算法工程化系统 |
CN110660285A (zh) * | 2019-09-24 | 2020-01-07 | 苏州米龙信息科技有限公司 | 场景自适应的定制化智能培训方法及系统 |
CN110599835A (zh) * | 2019-09-25 | 2019-12-20 | 淄博职业学院 | 一种交互式计算机远程教育系统 |
CN110807585A (zh) * | 2019-10-30 | 2020-02-18 | 山东商业职业技术学院 | 一种学员课堂学习状态在线评估方法及系统 |
CN110827856A (zh) * | 2019-11-01 | 2020-02-21 | 广州云蝶科技有限公司 | 授课的测评方法 |
CN110837795A (zh) * | 2019-11-04 | 2020-02-25 | 防灾科技学院 | 基于课堂监控视频的教学情况智能监测方法、装置及设备 |
CN110889672A (zh) * | 2019-11-19 | 2020-03-17 | 哈尔滨理工大学 | 一种基于深度学习的学生打卡及上课状态的检测系统 |
CN111046819A (zh) * | 2019-12-18 | 2020-04-21 | 浙江大华技术股份有限公司 | 一种行为识别处理方法及装置 |
CN111046823A (zh) * | 2019-12-19 | 2020-04-21 | 东南大学 | 基于课堂视频的学生课堂参与度分析系统 |
CN111553218A (zh) * | 2020-04-20 | 2020-08-18 | 南京医科大学 | 一种基于人体姿势识别的智能医学技能教学监测系统 |
CN111666809A (zh) * | 2020-04-20 | 2020-09-15 | 阜阳师范大学 | 一种测评学生课堂表现的智能系统 |
US20220309340A1 (en) * | 2021-03-26 | 2022-09-29 | Google Llc | Self-Adaptive Distillation |
CN113112185A (zh) * | 2021-05-13 | 2021-07-13 | 北京一起教育科技有限责任公司 | 一种教师表现力的评估方法、装置和电子设备 |
CN114298497A (zh) * | 2021-12-13 | 2022-04-08 | 北京捷通华声科技股份有限公司 | 教师课堂教学质量的评估方法以及装置 |
CN115187437A (zh) * | 2022-07-14 | 2022-10-14 | 深圳市丽湖软件有限公司 | 一种基于大数据的高校教学质量的评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116757524B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165552B (zh) | 一种基于人体关键点的姿态识别方法、系统及存储器 | |
CN108399376B (zh) | 学生课堂学习兴趣智能分析方法及系统 | |
Mathe et al. | Actions in the eye: Dynamic gaze datasets and learnt saliency models for visual recognition | |
Orchard et al. | Converting static image datasets to spiking neuromorphic datasets using saccades | |
CN110889672B (zh) | 一种基于深度学习的学生打卡及上课状态的检测系统 | |
Ruan et al. | Multi-correlation filters with triangle-structure constraints for object tracking | |
CN108292362A (zh) | 用于光标控制的手势识别 | |
CN110674664A (zh) | 视觉注意力的识别方法及系统、存储介质、处理器 | |
CN111222486B (zh) | 手部姿态识别模型的训练方法、装置、设备及存储介质 | |
Lüsi et al. | Joint challenge on dominant and complementary emotion recognition using micro emotion features and head-pose estimation: Databases | |
CN106650619A (zh) | 一种人体动作识别方法 | |
CN110598638A (zh) | 模型训练方法、人脸性别预测方法、设备及存储介质 | |
CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名系统 | |
Liu et al. | Automatic instructional pointing gesture recognition by machine learning in the intelligent learning environment | |
Ponce-López et al. | Non-verbal communication analysis in victim–offender mediations | |
CN112861809B (zh) | 基于多目标视频分析的课堂抬头检测系统及其工作方法 | |
e Silva et al. | Applications of convolutional neural networks in education: A systematic literature review | |
CN114332927A (zh) | 课堂举手行为检测方法、系统、计算机设备和存储介质 | |
Yi et al. | Real time learning evaluation based on gaze tracking | |
Ray et al. | Design and implementation of affective e-learning strategy based on facial emotion recognition | |
CN116757524B (zh) | 一种教师授课质量评价方法和装置 | |
Soroni et al. | Hand Gesture Based Virtual Blackboard Using Webcam | |
Tan et al. | Implementing Gesture Recognition in a Sign Language Learning Application | |
Yu-Te et al. | A classroom atmosphere management system for analyzing human behaviors in class activities | |
CN115019396A (zh) | 一种学习状态监测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |