CN117475466A - 一种课堂学生学习状态实时监测方法及系统 - Google Patents
一种课堂学生学习状态实时监测方法及系统 Download PDFInfo
- Publication number
- CN117475466A CN117475466A CN202310499184.XA CN202310499184A CN117475466A CN 117475466 A CN117475466 A CN 117475466A CN 202310499184 A CN202310499184 A CN 202310499184A CN 117475466 A CN117475466 A CN 117475466A
- Authority
- CN
- China
- Prior art keywords
- student
- information
- action
- classroom
- coordinate
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000009471 action Effects 0.000 claims abstract description 245
- 230000006399 behavior Effects 0.000 claims abstract description 38
- 238000004806 packaging method and process Methods 0.000 claims abstract description 21
- 230000008092 positive effect Effects 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012856 packing Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 37
- 230000003203 everyday effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241001282135 Poromitra oscitans Species 0.000 description 3
- 206010048232 Yawning Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102220479871 Protein FAM180A_S53A_mutation Human genes 0.000 description 1
- 102220536518 THAP domain-containing protein 1_S51A_mutation Human genes 0.000 description 1
- 102220536512 THAP domain-containing protein 1_S52A_mutation Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 102220313179 rs1553259785 Human genes 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请涉及一种课堂学生学习状态实时监测方法及系统,其包括步骤在一预设时间段内,间隔向拍摄终端发送拍摄指令,以使拍摄终端间隔拍摄教室全景图;提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于消极动作图像;若是,则获取该消极动作图像在教室全景图中坐标信息;基于坐标信息,识别与该坐标信息预先关联的座位编号信息,并基于座位编号信息获取该座位编号信息预先关联的学生信息;基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端。本申请具有更准确反映每个学生课堂的学习行为;提升监测效果的准确度的效果。
Description
技术领域
本申请涉及智能分析的技术领域,尤其是涉及一种课堂学生学习状态实时监测方法及系统。
背景技术
目前,科学学习态度与习惯的二级指标为科学学习兴趣、科学学习自信心以及科学学习方法;针对该二级指标,传统使用的监测工具为学生调查问卷,通过问卷反应学生平时课堂的学习行为,但该监测方法的数据来源较为单一且主观性较强,较难客观地反应每个学生个体的学习行为,监测效果的准确度不高,因此需要改进。
发明内容
为了能够更准确反映每个学生课堂的学习行为;提升监测效果的准确度,本申请提供了一种课堂学生学习状态实时监测方法及系统。
本申请的上述发明目的一是通过以下技术方案得以实现的:
一种课堂学生学习状态实时监测方法,包括步骤:
在一预设时间段内,间隔向拍摄终端发送拍摄指令,以使拍摄终端间隔拍摄教室全景图;
当接收到拍摄终端每次回传的教室全景图时,提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于预存储的用于代表学生学习行为消极的消极动作图像;
若是,则获取该消极动作图像在教室全景图中坐标信息;
基于坐标信息,识别与该坐标信息预先关联的座位编号信息,并基于座位编号信息获取该座位编号信息预先关联的学生信息;
基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端。
通过采用上述技术方案,间隔向拍摄终端发送拍摄指令以获取教室全景图,能够实现对学生每天每堂课的课堂图像进行收集,通过教室全景图,识别并提取图像中每个座位上学生的肢体动作,通过将肢体动作图像与预存储的代表学生学习行为消极的消极动作图像进行图像特征比对,能够识别出该学生的动作是否属于消极学习行为,例如伸懒腰、打哈欠、趴在课桌上睡觉等相关动作。
进一步,基于教室全景图建立坐标系,通过识别该消息动作图像在教室全景图中的坐标,通过坐标信息能够确认该坐标信息处的学生所在的座位,通过该座位的编号,能够确定该座位编号的学生身份,即学生信息,进而监控终端的监控人员能够获知到每个学生何时出现消极动作图像,以及预设时间段内出现消极动作图像的时间,例如每天出现消极动作图像的时间点;因此,通过图像中动作特征的比对,能够更准确、客观的反映每个学生课堂的学习行为;提升对学生的课堂学习行为监测效果的准确度,便于教师人员评判学生的课堂学习行为。
本申请在一较佳示例中:所述基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点的步骤之后,还执行如下步骤:
累计每个学生在预设时间段内出现消极动作图像的消极动作次数信息;
基于连续的预设时间段以及每个预设时间段内各个学生的消极动作次数信息,生成代表连续预设时间段内,每个学生的消极动作次数信息的曲线图;
将曲线图发送至监控终端。
通过采用上述技术方案,预设时间段例如一天时间内的所有课堂,连续的预设时间段例如周一至周五等连续五天的上课时间,通过累积预设时间段内每个学生出现消极动作图像的次数以及消极动作图像的时间点,监控终端能够获知每个学生在预设时间段内的学习状态以及消极学习状态的主要出现的时间点,消极动作图像出现越少的学生学习状态较好,通过了解消极学习状态主要出现的时间点,能够针对该时间段进行教学策略的调整应对。
通过绘制连续预设时间段年内每个学生的消极动作次数信息的曲线图,能够记录每个学生一周时间内每天的消极动作次数,以记录学生一周内的课堂学习行为、态度的变化,以曲线图的形式记录连续预设时间段内各个学生的消极动作次数信息,所展示的数据周期更长,更能够客观地展示每个学生的课堂学习行为和状态。
本申请在一较佳示例中:所述基于坐标信息,识别与该坐标信息预先关联的座位编号信息的步骤,包括步骤:
识别该教室全景图中所有的桌子图像,获取每个桌子图像的坐标,记为参考坐标;
识别消极动作图像的坐标信息所匹配的参考坐标,将参考坐标对应的座位编号信息与消极动作图像的坐标信息关联。
通过采用上述技术方案,由于学生在教室中都有自己对应的桌子,且学生所使用的桌子长时间为固定的,因此,在识别到消极动作图像的坐标后,通过识别消极动作图像的坐标信息所匹配的参考坐标,即识别该学生在教室全景图中的坐标,进而匹配到该学生所使用的桌子的坐标,因此能够获取到桌子的座位编号从而获取到做出该消极动作的学生的学生信息。
本申请在一较佳示例中:消极动作图像的坐标信息包括A(xa,ya),所述识别消极动作图像的坐标信息所匹配的参考坐标的步骤,包括步骤:
将消极动作图像的坐标信息输入至用于匹配参考坐标的坐标匹配模型;坐标匹配模型存储有基于教室全景图划分的若干坐标集;
坐标匹配模型接收到A(xa,ya)时,识别坐标A(xa,ya)所属的坐标集,获取该坐标集对应的代表桌子图像的坐标的参考坐标B(xb,yb)。
通过采用上述技术方案,通过将教室全景图划分为若干个坐标集,坐标集的数量与教室全景图中的桌子数量一致,每个坐标集在教室全景图中的区域,代表学生坐在属于自己的桌子前的位置所在的区域。通过设置坐标集,提供一定的匹配范围提高消极动作图像的坐标A(xa,ya)匹配的参考坐标B(xb,yb)的准确率。
本申请在一较佳示例中:所述基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端的步骤之后,执行如下步骤:
基于每个消极动作图像的时间点,获取该时间点对应的课程信息;
统计不同课程信息各自对应出现的消极动作图像的次数;
基于每个学生在预设时间段内的消极动作次数信息,统计每个学生在预设时间段的不同课程信息中出现消极动作图像的消极课堂动作信息;
将消极动作图像的次数与对应的课程信息打包、将消极课堂动作信息与关联的学生信息打包发送至监控终端。
通过采用上述技术方案,结合学生上课的课程信息,即不同学科的课堂以及该课堂教师所教授的章节进度,统计不同学科的课堂上学生出现消极动作图像的次数,进而能够统计分析学生在哪些课堂上会普遍出现消极学习行为,有利于教学策略、方案的调整;进一步统计每个学生在预设时间段的不同课程信息中出现消极动作图像的消极课堂动作信息,即统计每个学生在不同学科课堂上出现消极动作图像的次数,以便监控终端获取学生对待不同学科的学习行为和态度。
本申请在一较佳示例中:所述当接收到拍摄终端每次回传的教室全景图时,提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于预存储的用于代表学生学习行为消极的消极动作图像的步骤之后,还执行如下步骤:
判断每个肢体动作图像是否属于预存储的用于代表学生学习行为积极的积极动作图像;
识别积极动作图像关联的学生信息,基于学生信息,获取每个学生在预设时间段内每个积极动作图像获取的时间点,累计每个学生在预设时间段内出现积极动作图像的积极动作次数信息;
统计不同课程信息各自对应出现的积极动作图像的次数;
基于每个学生在预设时间段内的积极动作次数信息,统计每个学生在预设时间段的不同课程信息中出现积极动作图像的积极课堂动作信息;
将积极动作图像的次数与对应的课程信息打包、将积极课堂动作信息与关联的学生信息打包发送至监控终端。
通过采用上述技术方案,除了对学生课堂上消极动作图像的捕捉之外,还对学生课堂上积极的学习行为动作进行捕捉和判断,例如课堂举手回答问题、起立回答问题等动作;同理,通过识别到做出积极动作图像的学生信息、统计不同课程学科课堂上出现积极动作图像的次数、统计每个学生在不同学科的课堂上出现积极动作图像的次数,即统计学生的课堂动作信息,并将所统计的积极动作图像次数与对应的课程信息打包、将积极课堂动作信息与关联的学生信息打包发送至监控终端,以便监控终端的监控人员基于每个学生的消极学习态度和积极学习态度的次数和时间,更为全面分析学生的综合学习行为和态度,进一步与学生的考试成绩结合分析学习行为、态度对考试成绩的影响。
本申请的上述发明目的二是通过以下技术方案得以实现的:
一种课堂学生学习状态实时监测系统,包括:
拍摄模块,用于在一预设时间段内,间隔向拍摄终端发送拍摄指令,以使拍摄终端间隔拍摄教室全景图;
图像判断模块,用于当接收到拍摄终端每次回传的教室全景图时,提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于预存储的用于代表学生学习行为消极的消极动作图像;
坐标获取模块,用于若是,则获取该消极动作图像在教室全景图中坐标信息;
信息识别模块,用于基于坐标信息,识别与该坐标信息预先关联的座位编号信息,并基于座位编号信息获取该座位编号信息预先关联的学生信息;
信息发送模块,用于基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端。
通过采用上述技术方案,间隔向拍摄终端发送拍摄指令以获取教室全景图,能够实现对学生每天每堂课的课堂图像进行收集,通过教室全景图,识别并提取图像中每个座位上学生的肢体动作,通过将肢体动作图像与预存储的代表学生学习行为消极的消极动作图像进行图像特征比对,能够识别出该学生的动作是否属于消极学习行为,例如伸懒腰、打哈欠、趴在课桌上睡觉等相关动作。
进一步,基于教室全景图建立坐标系,通过识别该消息动作图像在教室全景图中的坐标,通过坐标信息能够确认该坐标信息处的学生所在的座位,通过该座位的编号,能够确定该座位编号的学生身份,即学生信息,进而监控终端的监控人员能够获知到每个学生何时出现消极动作图像,以及预设时间段内出现消极动作图像的时间,例如每天出现消极动作图像的时间点;因此,通过图像中动作特征的比对,能够更准确、客观的反映每个学生课堂的学习行为;提升对学生的课堂学习行为监测效果的准确度,便于教师人员评判学生的课堂学习行为。
可选的,还包括:
次数累积模块,用于累计每个学生在预设时间段内出现消极动作图像的消极动作次数信息;
曲线图模块,用于基于连续的预设时间段以及每个预设时间段内各个学生的消极动作次数信息,生成代表连续预设时间段内,每个学生的消极动作次数信息的曲线图;
曲线图发送模块,用于将曲线图发送至监控终端。
本申请的上述目的三是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种课堂学生学习状态实时监测方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述一种课堂学生学习状态实时监测方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过图像中动作特征的比对,能够更准确、客观的反映每个学生课堂的学习行为;提升对学生的课堂学习行为监测效果的准确度,便于教师人员评判学生的课堂学习行为;
2.以曲线图的形式记录连续预设时间段内各个学生的消极动作次数信息,所展示的数据周期更长,更能够客观地展示每个学生的课堂学习行为和状态;
3.在识别到消极动作图像的坐标后,通过识别消极动作图像的坐标信息所匹配的参考坐标,即识别该学生在教室全景图中的坐标,进而匹配到该学生所使用的桌子的坐标,因此能够获取到桌子的座位编号从而获取到做出该消极动作的学生的学生信息;
4.结合学生上课的课程信息,即不同学科的课堂以及该课堂教师所教授的章节进度,统计不同学科的课堂上学生出现消极动作图像的次数,进而能够统计分析学生在哪些课堂上会普遍出现消极学习行为,有利于教学策略、方案的调整。
附图说明
图1是本申请一种课堂学生学习状态实时监测方法实施例的一流程图;
图2是本申请一种课堂学生学习状态实时监测方法实施例中步骤S50的一实现流程图;
图3是本申请一种课堂学生学习状态实时监测方法实施例中步骤S50之后的一实现流程图;
图4是本申请一种课堂学生学习状态实时监测方法实施例中步骤S20之后的一实现流程图;
图5是本申请一种计算机设备的一原理框图。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
在一实施例中,如图1所示,本申请公开了一种课堂学生学习状态实时监测方法,具体包括如下步骤:
S10:在一预设时间段内,间隔向拍摄终端发送拍摄指令,以使拍摄终端间隔拍摄教室全景图;
在本实施例中,预设时间段为人工设置,通常依据学生的一天中的上课时段进行设置。
拍摄终端是指设置教室内的4台具备拍照功能以及通讯功能的照相机设备,4台照相机设备拍摄教室内的四张不同区域的照片,再将4张照片合并成一张完整的教室全景图。
拍摄指令用于控制拍摄终端进行拍照并合成教室全景图,间隔拍摄的时长由人工设定,通常是控制在1分钟至5分钟。
具体的,在一天中预设的上课时间段内,向位于教室内的4台照相机设备发送拍摄指令,4台照相机设备同时拍摄教室内的照片并合成一张教室全景图。
S20:当接收到拍摄终端每次回传的教室全景图时,提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于预存储的用于代表学生学习行为消极的消极动作图像;
在本实施例中,肢体动作图像是通过人工智能算法提取的每个学生在教室全景图中呈现的动作的图像,而消极动作图像是指代表学生在课堂上出现学习行为消极的动作图像,例如打哈欠、伸懒腰、趴着睡觉等动作。
通过动作特征比对,能够判断学生的肢体动作是否属于消极动作。完成消极动作图像的判断。
具体的,当接收到拍摄终端回传的教师全景图时,通过人工智能算法将照片中所有学生的肢体动作图像,进一步,依据预存储的若干代表学生学习行为消极的消极动作图像,通过动作特征的比对,逐一判断每个学生当时的肢体动作图像是否属于消极动作图像。
S30:若是,则获取该消极动作图像在教室全景图中坐标信息;
在本实施例中,依据教室全景图建立平面坐标系,坐标信息是指该学生图像中心位置在整个教室全景图的具体坐标。
具体的,若学生的肢体动作图像属于消极动作图像,则获取该属于消极动作图像再教室全景图中的具体平面坐标。
可选的,若学生的肢体动作图像不属于消极动作图像,则将该学生的肢体工作图像进行储存,以便统计、计算学生在预设时间内所有肢体动作图像中出现消极动作图像的概率。
S40:基于坐标信息,识别与该坐标信息预先关联的座位编号信息,并基于座位编号信息获取该座位编号信息预先关联的学生信息;
在本实施例中,由于每个学生所在的座位长时间为固定的,学生上课时所在的座位也是固定的,因此将学生的座位编号信息与坐标信息进行预先关联,即与学生在教室全景图中的位置进行关联,即能够实现将学生信息与坐标信息进行关联。
学生信息是指学生的身份信息,包括但不限于学生的姓名、年级和班级。
具体的,基于消极动作图像在教室全景图中的坐标信息,识别出该坐标信息预先关联的学生桌子的座位编号信息,根据该坐标编号信息识别该座位预先导入关联的学生的身份信息,实现以坐标信息识别学生信息。
S50:基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端。
在本实施例中,消极动作图像获取的时间点即照相机设备拍摄时的时间点。
监控终端是指供教师、学校管理人员操作的PC端或智能移动终端。
具体的,将预设时间段内的消极动作图像的时间点以及该消极动作图像对应的学生信息打包绑定,发送至监控终端以便监控人员了解到每一个学生在预设时间段内出现消极动作图像的时间。
在一实施例中,参照图2,步骤S50中“基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点”的步骤之后,执行如下步骤:
S51:累计每个学生在预设时间段内出现消极动作图像的消极动作次数信息;
S52:基于连续的预设时间段以及每个预设时间段内各个学生的消极动作次数信息,生成代表连续预设时间段内,每个学生的消极动作次数信息的曲线图;
S53:将曲线图发送至监控终端。
在本实施例中,消极动作次数信息是指同一个学生在预设时间段内,所拍摄的肢体动作图像中,出现消极动作图像的次数。连续的预设时间段例如周一至周五连续的学生的上课时间,而曲线图则是能够反映学生一周的课堂学习行为。
具体的,累计每个学生在预设时间段所拍摄的所有肢体动作图像中,出现消极动作图像的次数,记为消极动作次数信息,进一步统计连续的几个预设时间段每个学生的消极动作次数信息,例如预设时间段为一天的上课时间,则累计周一至周五的连续预设时间段内,每个学生的消极动作次数信息并生成曲线图,并将曲线图发送至监控终端,便于监控终端的教师等监控人员能够观察每个学生周一至周五的消极动作次数信息的变化,以便监控人员判断每个学生的课堂学习行为和状态。
在一实施例中,步骤S40中的“基于坐标信息,识别与该坐标信息预先关联的座位编号信息”的步骤,包括步骤:
S41:识别该教室全景图中所有的桌子图像,获取每个桌子图像的坐标,记为参考坐标;
S42:识别消极动作图像的坐标信息所匹配的参考坐标,将参考坐标对应的座位编号信息与消极动作图像的坐标信息关联。
在本实施例中,参考坐标为桌子中心点的坐标。
具体的,识别并捕捉教室全景图中所有桌子的图像,获取桌子的坐标信息,进一步识别出每一个消极动作图像的坐标信息所匹配的参考坐标,并将该参考坐标预先录入的座位编号信息与消极动作图像的坐标信息关联,而座位编号信息则预先关联有该座位学生的学生信息,因此,实现学生做出的消极动作图像与该学生的省份信息关联。
在一实施例中,消极动作图像的坐标信息包括A(xa,ya),步骤S42中“识别消极动作图像的坐标信息所匹配的参考坐标”的步骤,包括步骤:
S421:将消极动作图像的坐标信息输入至用于匹配参考坐标的坐标匹配模型;坐标匹配模型存储有基于教室全景图划分的若干坐标集;
S422:坐标匹配模型接收到A(xa,ya)时,识别坐标A(xa,ya)所属的坐标集,获取该坐标集对应的代表桌子图像的坐标的参考坐标B(xb,yb)。
在本实施例中,若干坐标集是指教室全景图中,每个桌子前学生座位区域在教室全景图坐标系中的坐标集。
具体的,将消极动作图像的坐标信息输入至用于匹配参考坐标的坐标匹配模型,坐标匹配模型预存储有每个桌子前学生座位区域在教室全景图坐标系中的坐标集,例如出现消极动作图像的坐标为(1,8),该坐标(1,8)所属的坐标集,即该学生的座位区域为[(1,5)、(1,6)、(1,7)(1,8)(2,5)(2,6)(2,7)(2,8)],进一步识别该坐标集对应的参考坐标B(xb,yb),参考坐标B(xb,yb)为该出现消极动作学生座位前的桌子的中心点坐标。
在一实施例中,参照图3,步骤S50之后,还执行如下步骤:
S51A:基于每个消极动作图像的时间点,获取该时间点对应的课程信息;
S52A:统计不同课程信息各自对应出现的消极动作图像的次数;
S53A:基于每个学生在预设时间段内的消极动作次数信息,统计每个学生在预设时间段的不同课程信息中出现消极动作图像的消极课堂动作信息;
S54A:将消极动作图像的次数与对应的课程信息打包、将消极课堂动作信息与关联的学生信息打包发送至监控终端。
在本实施例中,课程信息是指当前教师授课的学科以及该学科当前的授课章节,即课程进度信息。
进一步的,将不同学科的课堂上出现的消极动作图像的次数与该学科的周考、月考、期中和期末考的成绩关联,并发送至监控终端,能够了解到学生的学习态度、行为对考试成绩的影响。
具体的,基于每个消极动作图像的时间点,获取到该时间点对应的授课学科以及该学科当前的授课章节。统计不同学科的课堂上学生出现消极动作图像的次数并发送至监控终端。
进一步统计每个学生在不同学科课堂上出现消极动作图像的消极课堂动作数据发送至监控终端,进而监控终端能够分析每个学生在不同学科课堂的学习状态和行为。
在一实施例中,参照图4,步骤S20后,还执行如下步骤:
S21:统计不同课程信息各自对应出现的积极动作图像的次数;
S22:基于每个学生在预设时间段内的积极动作次数信息,统计每个学生在预设时间段的不同课程信息中出现积极动作图像的积极课堂动作信息;
S23:将积极动作图像的次数与对应的课程信息打包、将积极课堂动作信息与关联的学生信息打包发送至监控终端。
在本实施例中,积极动作图像例如堂举手回答问题、起立回答问题等动作。同时统计连续预设时间段内学生的积极动作次数信息,并生成积极动作次数信息统计的曲线图发送至监控终端。
具体的,统计不同学科课堂上出现积极动作图像的次数,并发送至监控终端以便监控终端的教师等监控人员获知不同学科课堂上学生的学习态度积极性。
基于预设时间段内每个学生在课堂上出现积极动作图像的积极动作次数信息,统计每个学生在不同学科课堂上出现积极动作图像的积极课堂动作信息并发送至监控终端,以便监控终端获知学生在不同学科课堂上学习态度、行为的积极性。
进一步,将不同学科的周考试、月考试、期中和期末考试的考试成绩与积极课堂动作信息关联并发送至监控终端,以便分析每个学生的学习积极性对考试成绩的影响。
进一步,将每个学生的消极课堂动作信息和积极课堂动作信息关联,分析每个学生对待不同学科的学习态度。在该学生的学科方向选择上能够起到参考作用。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种课堂学生学习状态实时监测系统,该一种课堂学生学习状态实时监测系统与上述实施例中一种课堂学生学习状态实时监测方法对应。该一种课堂学生学习状态实时监测系统包括:
拍摄模块,用于在一预设时间段内,间隔向拍摄终端发送拍摄指令,以使拍摄终端间隔拍摄教室全景图;
图像判断模块,用于当接收到拍摄终端每次回传的教室全景图时,提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于预存储的用于代表学生学习行为消极的消极动作图像;
坐标获取模块,用于若是,则获取该消极动作图像在教室全景图中坐标信息;
信息识别模块,用于基于坐标信息,识别与该坐标信息预先关联的座位编号信息,并基于座位编号信息获取该座位编号信息预先关联的学生信息;
信息发送模块,用于基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端。
可选的,还包括:
次数累积模块,用于累计每个学生在预设时间段内出现消极动作图像的消极动作次数信息;
曲线图模块,用于基于连续的预设时间段以及每个预设时间段内各个学生的消极动作次数信息,生成代表连续预设时间段内,每个学生的消极动作次数信息的曲线图;
曲线图发送模块,用于将曲线图发送至监控终端。
可选的,信息识别模块包括:
参考坐标识别子模块,用于识别该教室全景图中所有的桌子图像,获取每个桌子图像的坐标,记为参考坐标;
参考识别子模块,用于识别消极动作图像的坐标信息所匹配的参考坐标,将参考坐标对应的座位编号信息与消极动作图像的坐标信息关联。
可选的,消极动作图像的坐标信息包括A(xa,ya),参考识别子模块包括:
坐标发送单元,用于将消极动作图像的坐标信息输入至用于匹配参考坐标的坐标匹配模型;坐标匹配模型存储有若干基于教室全景图划分的若干坐标集;
坐标集识别单元,用于坐标匹配模型接收到A(xa,ya)时,识别坐标A(xa,ya)所属的坐标集,获取该坐标集对应的代表桌子图像的坐标的参考坐标B(xb,yb)。
可选的,还包括:
课程获取模块,用于基于每个消极动作图像的时间点,获取该时间点对应的课程信息;
课程次数统计模块,用于统计不同课程信息各自对应出现的消极动作图像的次数;
第一课程动作信息模块,用于基于每个学生在预设时间段内的消极动作次数信息,统计每个学生在预设时间段的不同课程信息中出现消极动作图像的消极课堂动作信息;
第一课程信息发送模块,用于将消极动作图像的次数与对应的课程信息打包、将消极课堂动作信息与关联的学生信息打包发送至监控终端。
可选的,还包括:
积极动作次数统计模块,用于统计不同课程信息各自对应出现的积极动作图像的次数;
第二课程动作信息模块,用于基于每个学生在预设时间段内的积极动作次数信息,统计每个学生在预设时间段的不同课程信息中出现积极动作图像的积极课堂动作信息;
第二课程信息发送模块,用于将积极动作图像的次数与对应的课程信息打包、将积极课堂动作信息与关联的学生信息打包发送至监控终端。
关于一种课堂学生学习状态实时监测系统的具体限定可以参见上文中对于一种课堂学生学习状态实时监测方法的限定,在此不再赘述。上述一种课堂学生学习状态实时监测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5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、网络接口和数据库。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教室全景图、消极动作图像、积极动作图像、座位编号信息、学生信息、消息动作次数信息以及该曲线图、积极动作次数信息以及该曲线图、坐标匹配模型。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课堂学生学习状态实时监测方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现一种课堂学生学习状态实时监测方法;
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一种课堂学生学习状态实时监测方法。
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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种课堂学生学习状态实时监测方法,其特征在于:包括步骤:
在一预设时间段内,间隔向拍摄终端发送拍摄指令,以使拍摄终端间隔拍摄教室全景图;
当接收到拍摄终端每次回传的教室全景图时,提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于预存储的用于代表学生学习行为消极的消极动作图像;
若是,则获取该消极动作图像在教室全景图中坐标信息;
基于坐标信息,识别与该坐标信息预先关联的座位编号信息,并基于座位编号信息获取该座位编号信息预先关联的学生信息;
基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端。
2.根据权利要求1所述的一种课堂学生学习状态实时监测方法,其特征在于:所述基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点的步骤之后,还执行如下步骤:
累计每个学生在预设时间段内出现消极动作图像的消极动作次数信息;
基于连续的预设时间段以及每个预设时间段内各个学生的消极动作次数信息,生成代表连续预设时间段内,每个学生的消极动作次数信息的曲线图;
将曲线图发送至监控终端。
3.根据权利要求1所述的一种课堂学生学习状态实时监测方法,其特征在于:所述基于坐标信息,识别与该坐标信息预先关联的座位编号信息的步骤,包括步骤:
识别该教室全景图中所有的桌子图像,获取每个桌子图像的坐标,记为参考坐标;
识别消极动作图像的坐标信息所匹配的参考坐标,将参考坐标对应的座位编号信息与消极动作图像的坐标信息关联。
4.根据权利要求3所述的一种课堂学生学习状态实时监测方法,其特征在于:消极动作图像的坐标信息包括A(xa,ya),所述识别消极动作图像的坐标信息所匹配的参考坐标的步骤,包括步骤:
将消极动作图像的坐标信息输入至用于匹配参考坐标的坐标匹配模型;坐标匹配模型存储有基于教室全景图划分的若干坐标集;
坐标匹配模型接收到A(xa,ya)时,识别坐标A(xa,ya)所属的坐标集,获取该坐标集对应的代表桌子图像的坐标的参考坐标B(xb,yb)。
5.根据权利要求2所述的一种课堂学生学习状态实时监测方法,其特征在于:所述基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端的步骤之后,执行如下步骤:
基于每个消极动作图像的时间点,获取该时间点对应的课程信息;
统计不同课程信息各自对应出现的消极动作图像的次数;
基于每个学生在预设时间段内的消极动作次数信息,统计每个学生在预设时间段的不同课程信息中出现消极动作图像的消极课堂动作信息;
将消极动作图像的次数与对应的课程信息打包、将消极课堂动作信息与关联的学生信息打包发送至监控终端。
6.根据权利要求5所述的一种课堂学生学习状态实时监测方法,其特征在于:所述当接收到拍摄终端每次回传的教室全景图时,提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于预存储的用于代表学生学习行为消极的消极动作图像的步骤之后,还执行如下步骤:
判断每个肢体动作图像是否属于预存储的用于代表学生学习行为积极的积极动作图像;
识别积极动作图像关联的学生信息,基于学生信息,获取每个学生在预设时间段内每个积极动作图像获取的时间点,累计每个学生在预设时间段内出现积极动作图像的积极动作次数信息;
统计不同课程信息各自对应出现的积极动作图像的次数;
基于每个学生在预设时间段内的积极动作次数信息,统计每个学生在预设时间段的不同课程信息中出现积极动作图像的积极课堂动作信息;
将积极动作图像的次数与对应的课程信息打包、将积极课堂动作信息与关联的学生信息打包发送至监控终端。
7.一种课堂学生学习状态实时监测系统,其特征在于,包括:
拍摄模块,用于在一预设时间段内,间隔向拍摄终端发送拍摄指令,以使拍摄终端间隔拍摄教室全景图;
图像判断模块,用于当接收到拍摄终端每次回传的教室全景图时,提取教室全景图中每个学生的肢体动作图像,判断每个肢体动作图像是否属于预存储的用于代表学生学习行为消极的消极动作图像;
坐标获取模块,用于若是,则获取该消极动作图像在教室全景图中坐标信息;
信息识别模块,用于基于坐标信息,识别与该坐标信息预先关联的座位编号信息,并基于座位编号信息获取该座位编号信息预先关联的学生信息;
信息发送模块,用于基于学生信息,获取每个学生在预设时间段内每个消极动作图像获取的时间点,将消极动作图像和对应时间点、对应学生消息打包发送至监控终端。
8.根据权利要求7所述的一种课堂学生学习状态实时监测系统,其特征在于,次数累积模块,用于累计每个学生在预设时间段内出现消极动作图像的消极动作次数信息;
曲线图模块,用于基于连续的预设时间段以及每个预设时间段内各个学生的消极动作次数信息,生成代表连续预设时间段内,每个学生的消极动作次数信息的曲线图;
曲线图发送模块,用于将曲线图发送至监控终端。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种课堂学生学习状态实时监测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种课堂学生学习状态实时监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499184.XA CN117475466A (zh) | 2023-05-05 | 2023-05-05 | 一种课堂学生学习状态实时监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499184.XA CN117475466A (zh) | 2023-05-05 | 2023-05-05 | 一种课堂学生学习状态实时监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117475466A true CN117475466A (zh) | 2024-01-30 |
Family
ID=89628105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310499184.XA Pending CN117475466A (zh) | 2023-05-05 | 2023-05-05 | 一种课堂学生学习状态实时监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475466A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071833A (zh) * | 2024-04-19 | 2024-05-24 | 广州乐庚信息科技有限公司 | 一种基于三维数字课堂的目标对象多模态定位方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551104A (zh) * | 2015-12-21 | 2016-05-04 | 电子科技大学 | 一种基于监控图像座位判别的中小学课堂自动考勤系统 |
CN110647842A (zh) * | 2019-09-20 | 2020-01-03 | 重庆大学 | 一种双摄像头课堂巡检方法及系统 |
CN113989831A (zh) * | 2021-09-23 | 2022-01-28 | 深圳华菁七彩科技有限公司 | 近视防控方法、装置、终端设备及存储介质 |
CN115240514A (zh) * | 2022-08-08 | 2022-10-25 | 张家口学院 | 一种教学管理用多媒体教学装置及教学方法 |
-
2023
- 2023-05-05 CN CN202310499184.XA patent/CN117475466A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551104A (zh) * | 2015-12-21 | 2016-05-04 | 电子科技大学 | 一种基于监控图像座位判别的中小学课堂自动考勤系统 |
CN110647842A (zh) * | 2019-09-20 | 2020-01-03 | 重庆大学 | 一种双摄像头课堂巡检方法及系统 |
CN113989831A (zh) * | 2021-09-23 | 2022-01-28 | 深圳华菁七彩科技有限公司 | 近视防控方法、装置、终端设备及存储介质 |
CN115240514A (zh) * | 2022-08-08 | 2022-10-25 | 张家口学院 | 一种教学管理用多媒体教学装置及教学方法 |
Non-Patent Citations (2)
Title |
---|
XIAOMENG LI等: "A Student’s Action Recognition Database In Smart Classroom", 《2019 14TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE & EDUCATION (ICCSE)》, 23 September 2019 (2019-09-23), pages 1 - 5 * |
何洁: "虚拟现实技术在服装虚拟产品设计中的应用研究", 《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑》, 15 August 2005 (2005-08-15), pages 138 - 410 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071833A (zh) * | 2024-04-19 | 2024-05-24 | 广州乐庚信息科技有限公司 | 一种基于三维数字课堂的目标对象多模态定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070295B (zh) | 课堂教学质量的评析方法、装置和计算机设备 | |
CN109344682A (zh) | 课堂监控方法、装置、计算机设备及存储介质 | |
CN111353921A (zh) | 一种考试管理方法及系统、电子设备 | |
CN111311131A (zh) | 一种智慧课堂教学行为分析方法、存储介质及智能电视 | |
CN110647807A (zh) | 异常行为确定方法、装置、计算机设备和存储介质 | |
CN107845300B (zh) | 一种实时监控的安全考试系统 | |
US9600722B2 (en) | Education site improvement support system, education site improvement support method, information processing apparatus, communication terminal, and control methods and control programs of information processing apparatus and communication terminal | |
CN117475466A (zh) | 一种课堂学生学习状态实时监测方法及系统 | |
CN105303632A (zh) | 一种移动监控签到系统及工作方法 | |
CN111368808A (zh) | 答题数据的采集方法、装置、系统和教学设备 | |
CN109903412A (zh) | 一种基于人脸识别技术的智能课堂考勤系统 | |
CN110969045B (zh) | 一种行为检测方法、装置、电子设备和存储介质 | |
CN110580470A (zh) | 基于人脸识别的监测方法、装置、存储介质及计算机设备 | |
CN112613780B (zh) | 一种学习报告生成的方法、装置、电子设备及存储介质 | |
CN112487928A (zh) | 基于特征模型的课堂学情实时监测方法与系统 | |
CN109241148A (zh) | 一种高校学生成绩智能大数据数据管理系统 | |
CN107818707B (zh) | 一种自动出题的考试系统 | |
KR20220013347A (ko) | 인공지능에 기반한 사용자 동작 인식을 이용한 체육 교육 관리 및 평가 시스템 | |
CN111967350A (zh) | 远程课堂专注度分析方法、装置、计算机设备及存储介质 | |
CN113963453B (zh) | 一种基于双摄像头人脸识别技术的课堂考勤方法及系统 | |
CN115050039A (zh) | 自动化试卷分析方法、系统、电子设备、存储介质 | |
CN110660285A (zh) | 场景自适应的定制化智能培训方法及系统 | |
CN108346192B (zh) | 一种计算机机房课程学生专注度的考勤方法及终端 | |
CN107967660B (zh) | 一种自动面部识别的安全考试系统 | |
CN111583743A (zh) | 一种基于互联网的思政巩固用复习平台系统 |
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 |