CN117217960A - 一种用于智慧校园的远程教育系统 - Google Patents

Abstract

本发明公开了一种用于智慧校园的远程教育系统，包括智慧校园管理分系统、多个教师终端、多个学生终端、多个教师监管终端，所述智慧校园管理分系统、教师终端、学生终端与教师监管终端均与所述云服务平台连接进行组网通讯，所述教师监管终端用于教育部门对教师的教学过程进行监督以及接收学生的反馈评价信息，所述教师终端、学生终端与教师监管终端均配置有唯一标识，远程授课教师、学生、教育部门监管人员登录智慧校园管理分系统进行身份信息注册后并与相应终端的唯一标识进行绑定，所述云服务器根据采集的视频图像对学生远程学习时的专注度进行识别并反馈。其显著效果是：实现了基于智慧校园的远程教育，保证了远程教育时的自主学习效果。

Description

一种用于智慧校园的远程教育系统

技术领域

本发明涉及到智慧校园技术领域，具体涉及一种用于智慧校园的远程教育系统。

背景技术

智慧校园是对数字校园的进一步扩展与提升，是综合运用云计算、物联网、移动互联、大数据、社交网络、人工智能等新兴信息技术，构建智能感知环境和新型的教育教学空间，智能识别师生群体的学习、工作情景和个体的特征，充分释放先进技术的优势和人类的智慧，智能开放的个性化创新服务。

同时，随着计算机技术和互联网通信技术在近年来的飞速发展，给教育领域的发展提供了新的思路和方向，远程教学资源的分享成为可能。为了促进教育资源的进一步分享、高水平学校和高水平教师教学资源的充分利用，教学资源的在线化逐步成为发展趋势。

但是，现有的远程教育虽然实现了教学的便利化、优秀教师资源的共享化，但远程教育并未接入智慧校园，限制了优秀学校优秀教师资源的受众范围，降低了优秀教育资源的公共利用率。同时，现有的远程教育虽然多种名校名师在线教学优质资源极大丰富，但大多数学生学习仍缺少归属感和成就感，自主学习效果不好。另外，无法对在线学习的学生的学习状况进行检测，不便于对学生进行远程管理，也缺少对于远程教育时教师的有效监督，存在远程教育的培训效果差以及质量低的问题。

发明内容

针对现有技术的不足，本发明的目的是提供一种用于智慧校园的远程教育系统，以解决背景技术中所存在的缺陷。

为达到上述目的，本发明采用的技术方案如下：

一种用于智慧校园的远程教育系统，其关键在于：包括云服务平台、智慧校园管理分系统、多个教师终端、多个学生终端、多个教师监管终端，所述智慧校园管理分系统、教师终端、学生终端与教师监管终端均与所述云服务平台连接进行组网通讯，其中：

所述教师监管终端用于教育部门对教师的教学过程进行监督以及接收学生的反馈评价信息，所述教师终端、学生终端与教师监管终端均配置有唯一标识，远程授课教师、学生、教育部门监管人员登录智慧校园管理分系统进行身份信息注册后并与相应终端的唯一标识进行绑定；

所述学生终端包括学生端处理器以及与该学生端处理器电连接的学生端视频采集模块与学生端通讯模块，其中：

所述学生端视频采集模块用于对学生远程学习时的视频图像进行采集；

所述学生端处理器用于对学生端视频采集模块采集的视频图像数据进行压缩和加密处理；

所述学生端通讯模块用于将学生端处理器输出的视频图像数据上传至所述云服务器，以及接收云服务器发出的提醒消息；

所述云服务器根据采集的视频图像对学生远程学习时的专注度进行识别并反馈，步骤如下：

步骤1、云服务器实时获取同一学生上课时的视频图像数据；

步骤2、对视频图像数据进行人脸识别并检测判断是否存在人脸，若有，则得到人脸区域图像；

步骤3、对得到的人脸区域图像进行预处理；

步骤4、利用卷积特征提取器从人脸区域图像中提取眼部特征；

步骤5、利用多尺度目标提议网络将卷积特征提取器输出的特征生成眼部区域预测框；

步骤6、利用精确目标检测网络对带有眼部区域预测框的图像进行精确的眼部检测，输出眼部检测图像；

步骤7、采用深度学习网络模型对学生专注学习时的眼部图像训练样本进行学习和训练，并利用训练好的深度学习网络模型作为专注度分类器对学生学习过程中检测获得的眼部检测图像进行专注度识别；

步骤8、预先设定专注度状态，根据设定的专注度状态判断识别结果，如果判断为分心，则向所述学生终端和教师终端分别发送提醒消息。

进一步的，所述教师终端包括教师端处理器以及与该教师端处理器相连接的教师身份验证模块、教师端音频采集模块、教师端视频采集模块、课程录入模块、考试出题模块、手写输入模块、作业批改模块、教学计划模块、教师端通讯模块，其中：

所述教师身份验证模块用于对进行远程授课的教师进行身份验证；

所述教师端音频采集模块用于教师远程授课时的语音进行采集；

所述教师端视频采集模块用于教师远程授课时的视频图像进行采集；

所述课程录入模块用于教师录入远程授课的课程内容；

所述考试出题模块用于教师对学生进行出题考试；

所述手写输入模块用于教师远程授课时输入所需内容；

所述作业批改模块用于教师对学生上传的作业进行批改；

所述教学计划模块用于教师对远程授课的教学计划进行上传以及修改、新增、删除管理；

所述教师端处理器用于对教师远程授课过程中的各类数据进行处理；

所述教师端通讯模块用于实现所述教师端处理与所述云服务器之间的数据交互。

进一步的，所述教师终端还包括教师端存储模块、教师端触摸显示屏、教师端扬声器，所述教师端存储模块用于存储教师的身份信息以及远程授课时的课程内容、布置的作业、考试试题、教学计划；所述教师端触摸显示屏用于实现教师与所述教师终端之间的交互；所述教师端扬声器用于教师远程授课时反馈学生的反馈信息进行播报。

进一步的，步骤2中获得人脸区域图像的步骤为：

对获取的某个学生上课时的视频图像数据与该学生在身份信息注册时采集的人脸图像数据进行对比，若某个图像存在该学生的人脸图像则判定该图像为有效图像；

对有效图像中的人脸区域进行截取，获得所述人脸区域图像。

进一步的，步骤3中对得到的人脸区域图像进行预处理包括裁剪操作、缩放操作和旋转操作。

进一步的，步骤4中卷积特征提取器由第一卷积层、第二卷积层、第一串联线性整流函数链、第二串联线性整流函数链、第一Inception链与第二Inception链依次连接形成，其中所述第一Inception链与所述第二Inception链均由四个Inception模块串联而成；所述Inception模块由四个子序列组成，其中一个子序列在需要将特征图大小减半时被添加，其余子序列的通道数分别设置为前一个模块的1/2、1/4、1/8；

进一步的，步骤5中所述多尺度目标提议网络的构建过程如下：

步骤5.1：通过三个建议分支预测多尺度类似目标区域，每个建议分支由三个检测层组成，并分别进行不同窗口大小的滑动操作，提取出每个滑动窗口位置的局部特征；

步骤5.2：在每个滑动窗口位置，预测出一个锚框；

步骤5.3：为每个检测层构造训练样本，将位于图像边界之外的预测区域框丢弃，并为剩余的区域框根据其交并比大小为其分配一个类标签；

步骤5.4：构建多尺度目标提议网络的整体损失函数，并对整体损失函数的最优参数通过随机梯度下降进行优化后得到目标的预测位置。

进一步的，步骤6中利用精确目标检测网络实现精确目标检测的具体步骤为：

步骤6.1：选择所述卷积特征选择器中第二串联线性整流函数链的最底层作为参考层，并将第一Inception链与第二Inception链输出的数据进行上采样后和所述参考层输出的数据进行串联，然后输入所述精确目标检测网络对其卷积层进行初始化；

步骤6.2：将所述多尺度目标提议网络输出的含有类似目标区域预测框的图像输入所述精确目标检测网络，由精确目标检测网络进行特征提取与目标检测；

步骤6.3：构建结合了用于分类的交叉熵损失和用于边界框回归的平滑损失的所述精确目标检测网络的损失函数，并利用该损失函数对所述精确目标检测网络进行训练，训练完成后输出检测结果。

进一步的，所述学生终端还包括与所述学生端处理器电连接的学生信息验证模块、学生端音频采集模块、课程点播模块、错题库模块、学生端触摸显示屏、学生端扬声器、作业上传模块、考试答题模块，其中：

所述学生信息验证模块用于对远程学习的学生进行身份信息验证；

所述学生端音频采集模块用于对学生远程学习时的语音数据进行采集；

所述课程点播模块用于学生对远程学习的课程进行点播；

所述错题库模块用于学生对作业和考试时的错题进行汇总分析；

所述学生端触摸显示屏用于实现远程学习时学生终端与学生之间的信息交互；

所述学生端扬声器用于对教师授课内容中的音频数据进行播报；

所述作业上传模块用于上传学生完成的作业；

所述考试答题模块用于对学生的学习情况进行考试；

所述学生端处理器还用于对学生远程学习过程中的各类数据进行处理；

所述学生端通讯模块还用于实现身份信息、语音数据、作业完成数据、考试答题数据的发送，以及用于作业数据、考试数据课程信息的接收。

进一步的，所述智慧校园管理分系统包括中央处理器以及与该中央处理器相连的身份信息录入模块、身份信息验证模块、信息爬取模块、门禁管理子系统、车位管理子系统、环境监控子系统、智慧教室子系统、数据库子系统、校园端通信模块与报警模块，其中：

所述身份信息录入模块用于实现远程授课教师、学生、教育部门监管人员的身份信息录入；

所述信息爬取模块用于获取网络上的不法分子信息并发送至门禁管理子系统；

所述门禁管理子系统用于对校园每一处进出口的进出人员身份进行掌握，实现学生的考勤、迟到、旷课等情况的系统记录，并经由服务器推送消息提醒反馈给教师和家长，以及在不法分子进入学校时进行通过报警模块进行报警。

本发明的显著效果是：

1、通过智慧校园管理分系统、教师终端、学生终端与教师监管终端均与所述云服务平台连接进行组网通讯，实现了基于智慧校园的远程教育，从而可以让学生能够通过学生终端获取来自智慧教室子系统的教学视频/音频，实现了课程的直播或录播，扩大了优秀学校优秀教师资源的受众范围，增加了优秀教育资源的公共利用率；还增强了学生学习归属感和成就感，有利于保证远程教育时的自主学习效果。

2、通过云服务器对学生远程学习室的视频图像进行检测，实现学生学习专注度的识别，从而达到学习状况的检测与提醒，从而保证远程教育的培训效果和质量。

3、通过教育监管终端可以实现对远程授课教师的授课情况进行监管，确定教师授课过程是否存在违规行为，使得教育部门能够方便对教师进行监督，以保证教师的教学规范性，以及做到对学生减负和保护的要求，此外，学生还可以对教师的违规行为进行反馈，实现了双重的对教师的监督效果。

4、智慧校园分系统可以通过信息爬取模块自动获取不法分子信息，不仅能够通过门禁管理子系统对学生的考勤、迟到、旷课等情况进行系统记录和经由服务器推送消息提醒反馈给教师和家长，还能够对进出人员身份进行掌握，稳固加强校园安全监管力度，创造良好的教育教学环境，保护学生、教职员工的人身安全。

附图说明

图1是本发明的系统结构框图；

图2是所述学生终端的结构框图；

图3是卷积特征提取器的结构示意图；

图4是多尺度目标提议网络的结构示意图；

图5是精确目标检测网络的结构示意图；

图6是学生端视频采集模块的结构示意图；

图7是教师终端的结构框图；

图8是智慧校园管理分系统的结构框图。

具体实施方式

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如图1所示，一种用于智慧校园的远程教育系统，包括云服务平台、智慧校园管理分系统、多个教师终端、多个学生终端、多个教师监管终端，所述智慧校园管理分系统、教师终端、学生终端与教师监管终端均与所述云服务平台连接进行组网通讯，其中：

所述教师监管终端用于教育部门对教师的教学过程进行监督以及接收学生的反馈评价信息，所述教师终端、学生终端与教师监管终端均配置有唯一标识，远程授课教师、学生、教育部门监管人员登录智慧校园管理分系统进行身份信息注册后并与相应终端的唯一标识进行绑定。

参见附图2，所述学生终端包括学生端处理器以及与该学生端处理器电连接的学生端视频采集模块与学生端通讯模块，其中：

所述学生端视频采集模块用于对学生远程学习时的视频图像进行采集；

所述学生端处理器用于对学生端视频采集模块采集的视频图像数据进行压缩和加密处理；

所述学生端通讯模块用于将学生端处理器输出的视频图像数据上传至所述云服务器，以及接收云服务器发出的提醒消息；

从图2中还可以看出，所述学生终端还包括与所述学生端处理器电连接的学生信息验证模块、学生端音频采集模块、课程点播模块、错题库模块、学生端触摸显示屏、学生端扬声器、作业上传模块、考试答题模块，其中：

所述学生信息验证模块用于对远程学习的学生进行身份信息验证；

所述学生端音频采集模块用于对学生远程学习时的语音数据进行采集；

所述课程点播模块用于学生对远程学习的课程进行点播；

所述错题库模块用于学生对作业和考试时的错题进行汇总分析；

所述学生端触摸显示屏用于实现远程学习时学生终端与学生之间的信息交互；

所述学生端扬声器用于对教师授课内容中的音频数据进行播报；

所述作业上传模块用于上传学生完成的作业；

所述考试答题模块用于对学生的学习情况进行考试；

所述学生端处理器还用于对学生远程学习过程中的各类数据进行处理；

所述学生端通讯模块还用于实现身份信息、语音数据、作业完成数据、考试答题数据的发送，以及用于作业数据、考试数据课程信息的接收。

本例中，所述云服务器根据采集的视频图像对学生远程学习时的专注度进行识别并反馈，步骤如下：

步骤1、云服务器实时获取同一学生上课时的视频图像数据；

步骤2、对视频图像数据进行人脸识别并检测判断是否存在人脸，若有，则得到人脸区域图像；

获得人脸区域图像的步骤为：

对获取的某个学生上课时的视频图像数据与该学生在身份信息注册时采集的人脸图像数据进行对比，若某个图像存在该学生的人脸图像则判定该图像为有效图像；

对有效图像中的人脸区域进行截取，获得所述人脸区域图像。

步骤3、对得到的人脸区域图像进行预处理，所述预处理包括裁剪操作、缩放操作和旋转操作，从而增强数据；

步骤4、利用卷积特征提取器从人脸区域图像中提取眼部特征；

如图3所示，所述卷积特征提取器由第一卷积层、第二卷积层、第一串联线性整流函数链、第二串联线性整流函数链、第一Inception链与第二Inception链依次连接形成，其中所述第一串联线性整流函数链与第二串联线性整流函数链均分别由若干所述串联线性整流函数模块串联形成。所述第一串联线性整流函数链由三个串联线性整流函数模块串联形成，所述第二串联线性整流函数链由四个串联线性整流函数模块串联形成，所述串联线性整流函数模块包括一个基础ReLU模块，在该基础ReLU模块的输入端与输出端均连接有一个卷积层。所述第一Inception链与所述第二Inception链均由四个Inception模块串联而成。

对于所述串联线性整流函数模块即C.ReLU模块：

C.ReLU模块来自对卷积神经网络中激活模式的观察，较低层的输出节点倾向于成对配对，即一个节点的激活是另一个节点的对侧。基于以上现象，C.ReLU将一个节点的输出取反，从而将输出通道的数量减少了一半而不会明显降低精度。为了减小输入大小并扩大输出容量，在C.ReLU模块前后各添加了1×1卷积层。同时将K×K卷积层的正相位信息和负相位信息串联起来，使通道数加倍。在串联之后添加缩放/移位层和ReLU激活层，以使取反部分的输入可以自适应。

所述Inception模块由四个子序列组成，其中一个子序列在需要将特征图大小减半时被添加，其余子序列的通道数分别设置为前一个模块的1/2、1/4、1/8；Inception模块将具有不同内核大小的多个卷积层聚在一起分成单元组(即1×1卷积，3×3卷积，5×5卷积)，这可以在不增加计算成本的情况下增加网络的宽度和深度。每个模块由四个子序列组成。子序列将在需要将特征图大小减半时被添加。其余子序列的通道数分别设置为前一个模块的1/2、1/4、1/8。为了提高效率，5×5卷积层被两个3×3卷积层的序列所替换。一系列的Inception模块可以增加感受野尺寸大小的多样性，这样它就可以学习各种尺寸物体的视觉信息。

步骤5、利用多尺度目标提议网络（MS-OPN）将卷积特征提取器输出的特征生成眼部区域预测框；

如图4所示，多尺度目标提议网络的构建过程如下：

步骤5.1：通过三个建议分支预测多尺度类似目标区域，例如分别在C .ReLU模块3_4、Inception模块4_4和Inception模块5_4的输出特征图上滑动窗口，每个建议分支由三个检测层组成，分别用一个3×3，5×5，7×7的卷积层实现不同窗口大小(3×3；5×5；7×7)的滑动操作，以提取每个滑动窗口位置的局部特征；

步骤5.2：在每个滑动窗口位置，预测出一个锚框；

步骤5.3：为每个检测层构造训练样本，将位于图像边界之外的预测区域框丢弃，并为剩余的区域框根据其交并比大小为其分配一个类标签；

步骤5.4：构建多尺度目标提议网络的整体损失函数，并对整体损失函数的最优参数通过随机梯度下降进行优化后得到目标的预测位置。

尽管MS-OPN可以用作检测器，但它不足以进行准确检测。因此为了提高检测精度，要在MS-OPN之后添加精确目标检测网络(AODN)。

步骤6、构建精确目标检测网络(AODN)，将带有预测区域框(由MS-OPN生成)的图像作为输入，并精确目标检测网络对目标进行更为精确的目标检测，然后输出细化的类别和位置。AODN将多个层用不同的分辨率结合起来，以获得更具信息性的特征图，从而实现更为精确的目标检测。其具体实现如下步骤：

步骤6.1：由于大比例尺遥感图像中的目标相对较小，且呈密集的群状分布，因此我们选择C.ReLU模块层3_4作为参考层，将Inception模块层4_4和Inception模块层5_4(使用反卷积层)连接起来并倍增，也即是上采样后和所述参考层输出的数据进行串联，然后输入所述精确目标检测网络对其卷积层进行初始化，以提高小尺寸目标的检测。这是因为分辨率更高的C.ReLU模块层3_4更适合于检测密集的峰值对象。由于较浅的层更适合于定位，较深的层更适合于分类，因此将特征图进行串联对于小尺寸目标检测是互补的；

步骤6.2：由于这些类似目标的区域预测框有不同的大小，我们为每个框采用了一个感兴趣区域池化即RoI池化层来生成维度固定的特征(例如，7×7×512)。这些特征被输入到随后的完全连接层中，并分成两个部分，以便进一步分类和边界框回归；

步骤6.3：构建结合了用于分类的交叉熵损失和用于边界框回归的平滑损失的所述精确目标检测网络的损失函数。由于MS-OPN和AODN共享相同的CNN特征提取阶段，因此我们采用预训练的MS-OPN模型来初始化AODN的卷积层。附加的反卷积层的权重由标准差为0.01的零均值高斯分布随机初始化。当训练完成后，就可以输出最终的目标检测结果。最后，采用了非最大值抑制(NMS)来减少冗余，即得到所需的眼部检测图像。

步骤7、采用CNN卷积神经网络作为深度学习网络模型对学生专注学习时的眼部图像训练样本进行学习和训练，并利用训练好的深度学习网络模型作为专注度分类器对学生学习过程中检测获得的眼部检测图像进行专注度识别；

步骤8、预先设定专注度状态（例如眼部检测图像中分类为专注状态的比例阈值或眼部检测图像中被分类为分心状态的持续时间的阈值），根据设定的专注度状态判断识别结果，如果判断为分心，则向所述学生终端和教师终端分别发送提醒消息。

通过云服务器对学生远程学习室的视频图像进行检测，实现学生学习专注度的识别，从而达到学习状况的检测与提醒，从而保证远程教育的培训效果和质量。

如图6所示，所述学生端视频采集模块包括沿一条直线往复来回移动的移动底座1，在所述移动底座1上固定有竖向设置的支撑杆2，在所述支撑杆2的顶部通过安装块3固定安装有安装杆4，且支撑杆2与安装杆4之间的相对位置可调，所述安装杆4的远端设置有旋转电机5，在所述旋转电机5的输出轴上设置有摄像头6。

通过沿一条直线往复来回移动的移动底座1使得学生端视频采集模块可以在学生进行远程学习时在桌面上来回移动，从而可以对学生学习时多个视角的视频图像进行检测，而通过旋转电机5的设置可以使得摄像头6始终对准学生的人脸部位，确保采集的视频图像中尽可能的包含人脸图像，通过多角度且尽可能包含有人脸图像的视频图像以供云服务器对学生远程学习时的专注度进行识别，使得专注度识别的准确性更高。

参见附图7，所述教师终端包括教师端处理器以及与该教师端处理器相连接的教师身份验证模块、教师端音频采集模块、教师端视频采集模块、课程录入模块、考试出题模块、手写输入模块、作业批改模块、教学计划模块、教师端通讯模块，其中：

所述教师身份验证模块用于对进行远程授课的教师进行身份验证；

所述教师端音频采集模块用于教师远程授课时的语音进行采集；

所述教师端视频采集模块用于教师远程授课时的视频图像进行采集；

所述课程录入模块用于教师录入远程授课的课程内容；

所述考试出题模块用于教师对学生进行出题考试；

所述手写输入模块用于教师远程授课时输入所需内容；

所述作业批改模块用于教师对学生上传的作业进行批改；

所述教学计划模块用于教师对远程授课的教学计划进行上传以及修改、新增、删除管理；

所述教师端处理器用于对教师远程授课过程中的各类数据进行处理；

所述教师端通讯模块用于实现所述教师端处理与所述云服务器之间的数据交互。

进一步的，所述教师终端还包括教师端存储模块、教师端触摸显示屏、教师端扬声器，所述教师端存储模块用于存储教师的身份信息以及远程授课时的课程内容、布置的作业、考试试题、教学计划；所述教师端触摸显示屏用于实现教师与所述教师终端之间的交互；所述教师端扬声器用于教师远程授课时反馈学生的反馈信息进行播报。

如图8所示，所述智慧校园管理分系统包括中央处理器以及与该中央处理器相连的身份信息录入模块、身份信息验证模块、信息爬取模块、门禁管理子系统、车位管理子系统、环境监控子系统、智慧教室子系统、数据库子系统、校园端通信模块与报警模块，其中：

所述身份信息录入模块用于实现远程授课教师、学生、教育部门监管人员的身份信息录入；

所述信息爬取模块用于获取网络上的不法分子信息并发送至门禁管理子系统；

所述门禁管理子系统用于对校园每一处进出口的进出人员身份进行掌握，实现学生的考勤、迟到、旷课等情况的系统记录，并经由服务器推送消息提醒反馈给教师和家长，以及在不法分子进入学校时进行通过报警模块进行报警。

可见，智慧校园分系统可以通过信息爬取模块自动获取不法分子信息，不仅能够通过门禁管理子系统对学生的考勤、迟到、旷课等情况进行系统记录和经由服务器推送消息提醒反馈给教师和家长，还能够对进出人员身份进行掌握，稳固加强校园安全监管力度，创造良好的教育教学环境，保护学生、教职员工的人身安全。

本实施例通过智慧校园管理分系统、教师终端、学生终端与教师监管终端均与所述云服务平台连接进行组网通讯，实现了基于智慧校园的远程教育，从而可以让学生能够通过学生终端获取来自智慧教室子系统的教学视频/音频，实现了课程的直播或录播，扩大了优秀学校优秀教师资源的受众范围，增加了优秀教育资源的公共利用率；还增强了学生学习归属感和成就感，有利于保证远程教育时的自主学习效果。通过教育监管终端可以实现对远程授课教师的授课情况进行监管，确定教师授课过程是否存在违规行为，使得教育部门能够方便对教师进行监督，以保证教师的教学规范性，以及做到对学生减负和保护的要求，此外，学生还可以对教师的违规行为进行反馈，实现了双重的对教师的监督效果。

以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种用于智慧校园的远程教育系统，包括云服务平台、智慧校园管理分系统、多个教师终端、多个学生终端，其特征在于：还包括多个教师监管终端，所述智慧校园管理分系统、教师终端、学生终端与教师监管终端均与所述云服务平台连接进行组网通讯，其中：

所述教师监管终端用于教育部门对教师的教学过程进行监督以及接收学生的反馈评价信息，所述教师终端、学生终端与教师监管终端均配置有唯一标识，远程授课教师、学生、教育部门监管人员登录智慧校园管理分系统进行身份信息注册后并与相应终端的唯一标识进行绑定；

所述学生终端包括学生端处理器以及与该学生端处理器电连接的学生端视频采集模块与学生端通讯模块，其中：

所述学生端视频采集模块用于对学生远程学习时的视频图像进行采集；

所述学生端处理器用于对学生端视频采集模块采集的视频图像数据进行压缩和加密处理；

所述学生端通讯模块用于将学生端处理器输出的视频图像数据上传至所述云服务器，以及接收云服务器发出的提醒消息；

所述云服务器根据采集的视频图像对学生远程学习时的专注度进行识别并反馈，步骤如下：

步骤1、云服务器实时获取同一学生上课时的视频图像数据；

步骤2、对视频图像数据进行人脸识别并检测判断是否存在人脸，若有，则得到人脸区域图像；

步骤3、对得到的人脸区域图像进行预处理；

步骤4、利用卷积特征提取器从人脸区域图像中提取眼部特征；

步骤5、利用多尺度目标提议网络将卷积特征提取器输出的特征生成眼部区域预测框；

步骤6、利用精确目标检测网络对带有眼部区域预测框的图像进行精确的眼部检测，输出眼部检测图像；

步骤7、采用深度学习网络模型对学生专注学习时的眼部图像训练样本进行学习和训练，并利用训练好的深度学习网络模型作为专注度分类器对学生学习过程中检测获得的眼部检测图像进行专注度识别；

步骤8、预先设定专注度状态，根据设定的专注度状态判断识别结果，如果判断为分心，则向所述学生终端和教师终端分别发送提醒消息。

2.根据权利要求1所述的用于智慧校园的远程教育系统，其特征在于：所述教师终端包括教师端处理器以及与该教师端处理器相连接的教师身份验证模块、教师端音频采集模块、教师端视频采集模块、课程录入模块、考试出题模块、手写输入模块、作业批改模块、教学计划模块、教师端通讯模块，其中：

所述教师身份验证模块用于对进行远程授课的教师进行身份验证；

所述教师端音频采集模块用于教师远程授课时的语音进行采集；

所述教师端视频采集模块用于教师远程授课时的视频图像进行采集；

所述课程录入模块用于教师录入远程授课的课程内容；

所述考试出题模块用于教师对学生进行出题考试；

所述手写输入模块用于教师远程授课时输入所需内容；

所述作业批改模块用于教师对学生上传的作业进行批改；

所述教学计划模块用于教师对远程授课的教学计划进行上传以及修改、新增、删除管理；

所述教师端处理器用于对教师远程授课过程中的各类数据进行处理；

所述教师端通讯模块用于实现所述教师端处理与所述云服务器之间的数据交互。

3.根据权利要求2所述的用于智慧校园的远程教育系统，其特征在于：所述教师终端还包括教师端存储模块、教师端触摸显示屏、教师端扬声器，所述教师端存储模块用于存储教师的身份信息以及远程授课时的课程内容、布置的作业、考试试题、教学计划；所述教师端触摸显示屏用于实现教师与所述教师终端之间的交互；所述教师端扬声器用于教师远程授课时反馈学生的反馈信息进行播报。

4.根据权利要求1所述的用于智慧校园的远程教育系统，其特征在于：步骤2中获得人脸区域图像的步骤为：

对获取的某个学生上课时的视频图像数据与该学生在身份信息注册时采集的人脸图像数据进行对比，若某个图像存在该学生的人脸图像则判定该图像为有效图像；

对有效图像中的人脸区域进行截取，获得所述人脸区域图像。

5.根据权利要求1所述的用于智慧校园的远程教育系统，其特征在于：步骤3中对得到的人脸区域图像进行预处理包括裁剪操作、缩放操作和旋转操作。

6.根据权利要求1所述的用于智慧校园的远程教育系统，其特征在于：步骤4中卷积特征提取器由第一卷积层、第二卷积层、第一串联线性整流函数链、第二串联线性整流函数链、第一Inception链与第二Inception链依次连接形成，其中所述第一Inception链与所述第二Inception链均由四个Inception模块串联而成；所述Inception模块由四个子序列组成，其中一个子序列在需要将特征图大小减半时被添加，其余子序列的通道数分别设置为前一个模块的1/2、1/4、1/8。

7.根据权利要求1所述的用于智慧校园的远程教育系统，其特征在于：步骤5中所述多尺度目标提议网络的构建过程如下：

步骤5.1：通过三个建议分支预测多尺度类似目标区域，每个建议分支由三个检测层组成，并分别进行不同窗口大小的滑动操作，提取出每个滑动窗口位置的局部特征；

步骤5.2：在每个滑动窗口位置，预测出一个锚框；

步骤5.3：为每个检测层构造训练样本，将位于图像边界之外的预测区域框丢弃，并为剩余的区域框根据其交并比大小为其分配一个类标签；

步骤5.4：构建多尺度目标提议网络的整体损失函数，并对整体损失函数的最优参数通过随机梯度下降进行优化后得到目标的预测位置。

8.根据权利要求6所述的用于智慧校园的远程教育系统，其特征在于：步骤6中利用精确目标检测网络实现精确目标检测的具体步骤为：

步骤6.1：选择所述卷积特征选择器中第二串联线性整流函数链的最底层作为参考层，并将第一Inception链与第二Inception链输出的数据进行上采样后和所述参考层输出的数据进行串联，然后输入所述精确目标检测网络对其卷积层进行初始化；

步骤6.2：将所述多尺度目标提议网络输出的含有类似目标区域预测框的图像输入所述精确目标检测网络，由精确目标检测网络进行特征提取与目标检测；

步骤6.3：构建结合了用于分类的交叉熵损失和用于边界框回归的平滑损失的所述精确目标检测网络的损失函数，并利用该损失函数对所述精确目标检测网络进行训练，训练完成后输出检测结果。

9.根据权利要求1所述的用于智慧校园的远程教育系统，其特征在于：所述学生终端还包括与所述学生端处理器电连接的学生信息验证模块、学生端音频采集模块、课程点播模块、错题库模块、学生端触摸显示屏、学生端扬声器、作业上传模块、考试答题模块，其中：

所述学生信息验证模块用于对远程学习的学生进行身份信息验证；

所述学生端音频采集模块用于对学生远程学习时的语音数据进行采集；

所述课程点播模块用于学生对远程学习的课程进行点播；

所述错题库模块用于学生对作业和考试时的错题进行汇总分析；

所述学生端触摸显示屏用于实现远程学习时学生终端与学生之间的信息交互；

所述学生端扬声器用于对教师授课内容中的音频数据进行播报；

所述作业上传模块用于上传学生完成的作业；

所述考试答题模块用于对学生的学习情况进行考试；

所述学生端处理器还用于对学生远程学习过程中的各类数据进行处理；

所述学生端通讯模块还用于实现身份信息、语音数据、作业完成数据、考试答题数据的发送，以及用于作业数据、考试数据课程信息的接收。

10.根据权利要求1所述的用于智慧校园的远程教育系统，其特征在于：所述智慧校园管理分系统包括中央处理器以及与该中央处理器相连的身份信息录入模块、身份信息验证模块、信息爬取模块、门禁管理子系统、车位管理子系统、环境监控子系统、智慧教室子系统、数据库子系统、校园端通信模块与报警模块，其中：

所述身份信息录入模块用于实现远程授课教师、学生、教育部门监管人员的身份信息录入；

所述信息爬取模块用于获取网络上的不法分子信息并发送至门禁管理子系统；

所述门禁管理子系统用于对校园每一处进出口的进出人员身份进行掌握，实现学生的考勤、迟到、旷课等情况的系统记录，并经由服务器推送消息提醒反馈给教师和家长，以及在不法分子进入学校时进行通过报警模块进行报警。