CN117787921A - 智能教育培训管理方法及智能教育培训的身份防伪方法 - Google Patents
智能教育培训管理方法及智能教育培训的身份防伪方法 Download PDFInfo
- Publication number
- CN117787921A CN117787921A CN202410211433.5A CN202410211433A CN117787921A CN 117787921 A CN117787921 A CN 117787921A CN 202410211433 A CN202410211433 A CN 202410211433A CN 117787921 A CN117787921 A CN 117787921A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- teaching
- resource data
- training
- target
- 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
- 238000012549 training Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000007726 management method Methods 0.000 title claims abstract description 49
- 238000012795 verification Methods 0.000 claims abstract description 49
- 238000007499 fusion processing Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 86
- 238000001514 detection method Methods 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 22
- 230000009471 action Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 210000000216 zygoma Anatomy 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例中提供了一种智能教育培训管理方法及智能教育培训的身份防伪方法,涉及智能教育培训技术领域。该方法包括:获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据的两种或两种以上;在智能教培终端的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据;基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。本公开可以提高对演讲人员的教育培训的智能化以及准确性。
Description
技术领域
本申请涉及智能教育培训技术领域,具体地,涉及一种智能教育培训管理方法及智能教育培训的身份防伪方法、智能教育培训管理装置以及智能教育培训的身份防伪装置、计算机存储介质和电子设备。
背景技术
随着计算机技术的迅速发展以及移动设备的普及,教育培训的种类和方式也逐渐向多元化的方向发展,教育培训场景例如可以是对人员进行线上、线下或线上、线下结合的方式进行演讲的培训。而现有的教育培训方式通常是仅通过采集的视频流数据对待培训人员的动作进行识别进行培训,或者对待培训人员的音频数据进行采集进行的培训。
然而,上述技术方案,无法在教育培训场景中对演讲人员进行智能自动化的演讲培训,导致对演讲人员的教育培训的智能化以及准确性较差。
因此,亟需一种辅助演讲人员进行智能化演讲培训的管理方法。
发明内容
本申请实施例中提供了一种智能教育培训管理方法及智能教育培训的身份防伪、智能教育培训管理装置以及智能教育培训的身份防伪装置、计算机存储介质和电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的对演讲人员的教育培训的智能化以及准确性较差的技术问题。
本申请实施例的第一个方面,提供了一种智能教育培训管理方法,该方法包括:获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据;在智能教培终端的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据;基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。
在本申请一个可选的实施例中,将多个初始资源数据进行融合,包括:将多个初始资源数据进行向量转换,得到各初始资源数据对应的向量资源数据;对各初始资源数据对应的向量资源数据进行相关性编码,得到各初始资源数据对应的中间资源数据;将多个中间资源数据进行合并处理,得到目标资源数据。
在本申请一个可选的实施例中,基于预先训练的多模态智能教培模型对目标资源数据进行校验,包括:基于标准资源数据集进行模型训练,得到初始多模态智能教培模型;将智能终端设备采集的实际资源数据输入至初始多模态智能教培模型,以对初始多模态智能教培模型的模型参数进行调整,得到预先训练的多模态智能教培模型。
在本申请一个可选的实施例中,该方法还包括:通过智能教培终端提供多个培训模式;响应于针对多个培训模式中的第一培训模式的触控操作,在当前用户行为的预设时间段内显示检验结果;响应于针对多个培训模式中第二培训模式的触控操作,检测针对目标教培对象的培训结束时刻,并在培训结束时刻显示校验结果。
在本申请一个可选的实施例中,根据校验结果对目标教培对象的用户行为是否满足预设行为条件进行判断,包括:若目标教培对象的用户行为不满足预设行为条件,则生成针对当前用户行为的失败提示信息,以便基于失败提示信息对当前用户行为进行调整,直至当前用户行为满足预设行为条件;或,若目标教培对象的用户行为满足预设行为条件,则生成针对当前用户行为的成功提示信息;其中,提示信息包含失败提示信息或成功提示信息,提示信息的输出方式为音频方式、视频方式、图标方式中的至少之一。
在本申请一个可选的实施例中,智能终端设备中还包含与智能大算力芯片连接的安全芯片,从多个初始资源数据中分别提取目标教培对象的用户特征信息,并将用户特征信息存储至智能终端设备的安全芯片中;检测到目标教培对象离开检测区域后再次进入检测区域,则提取再次进入检测区域的教培对象的用户特征信息,并存入安全芯片中;在安全芯片中将目标教培对象的用户特征信息与再次进入检测区域的教培对象的用户特征信息进行比对,以便智能教培终端基于比对结果确定目标教培对象与再次进入检测区域的教培对象是否为同一教培对象。
本申请实施例的第二个方面,提供了一种智能教育培训管理装置,该装置包括:数据获取模块,用于获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据;数据融合模块,用于在智能教培终端的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据;校验模块,用于基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。
在本公开一个可选的实施例中,数据融合模块,用于将所述多个初始资源数据进行向量转换,得到各初始资源数据对应的向量资源数据;对所述各初始资源数据对应的向量资源数据进行相关性编码,得到所述各初始资源数据对应的中间资源数据;将多个中间资源数据进行合并处理,得到所述目标资源数据。
在本公开一个可选的实施例中,校验模块,用于基于标准资源数据集进行模型训练,得到初始多模态智能教培模型;将智能终端设备采集的实际资源数据输入至所述初始多模态智能教培模型,以对所述初始多模态智能教培模型的模型参数进行调整,得到所述预先训练的多模态智能教培模型。
在本公开一个可选的实施例中,该装置还包括结果显示模块,结果显示模块用于通过智能教培终端提供多个培训模式;响应于针对所述多个培训模式中的第一培训模式的触控操作,在当前用户行为的预设时间段内显示所述检验结果;响应于针对所述多个培训模式中第二培训模式的触控操作,检测针对目标教培对象的培训结束时刻,并在所述培训结束时刻显示所述校验结果。
在本公开一个可选的实施例中,结果显示模块用于若所述目标教培对象的用户行为不满足所述预设行为条件,则生成针对当前用户行为的失败提示信息,以便基于所述失败提示信息对所述当前用户行为进行调整,直至所述当前用户行为满足所述预设行为条件;或,若所述目标教培对象的用户行为满足所述预设行为条件,则生成针对当前用户行为的成功提示信息;其中,提示信息包含所述失败提示信息或所述成功提示信息,所述提示信息的输出方式为音频方式、视频方式、图标方式中的至少之一。
在本申请一个可选的实施例中,智能终端设备中还包含与智能大算力芯片连接的安全芯片,该装置还包括特征提取模块,特征提取模块用于从多个初始资源数据中分别提取目标教培对象的用户特征信息,并将用户特征信息存储至智能终端设备的安全芯片中;检测到目标教培对象离开检测区域后再次进入检测区域,则提取再次进入检测区域的教培对象的用户特征信息,并存入安全芯片中;在安全芯片中将目标教培对象的用户特征信息与再次进入检测区域的教培对象的用户特征信息进行比对,以便智能教培终端基于比对结果确定目标教培对象与再次进入检测区域的教培对象是否为同一教培对象。
本申请实施例的第三个方面,提供了一种智能教育培训的身份防伪方法,应用于智能教培终端,该方法包括:获取第一教培对象的多个初始资源数据,对所述第一教培对象的多个初始资源数据进行特征提取,得到第一特征信息;响应于所述第一教培对象离开检测区域,且第二教培对象进入所述检测区域,获取所述第二教培对象的多个初始资源信息,并对所述第二教培对象的多个初始资源数据进行特征提取,得到第二特征信息;对所述第一特征信息与所述第二特征信息进行特征比对,基于所述特征比对的比对结果确认所述第一教培对象和所述第二教培对象是否为同一教培对象。
在本公开的一些示例实施例中,对所述第一教培对象的多个初始资源数据进行特征提取,得到第一特征信息,包括:对所述第一教培对象的多个初始资源数据进行融合处理,得到目标资源数据,并对所述目标资源数据进行特征提取,得到所述第一特征信息,将第一特征信息添加至安全芯片中。
本申请实施例的第四个方面,提供了一种智能教育培训的身份防伪装置,应用于智能教培终端,该装置包括:第一特征提取模块,用于获取第一教培对象的多个初始资源数据,对所述第一教培对象的多个初始资源数据进行特征提取,得到第一特征信息;第二特征提取模块,用于响应于所述第一教培对象离开检测区域,且第二教培对象进入所述检测区域,获取所述第二教培对象的多个初始资源信息,并对所述第二教培对象的多个初始资源数据进行特征提取,得到第二特征信息;身份确认模块,用于对所述第一特征信息与所述第二特征信息进行特征比对,基于所述特征比对的比对结果确认所述第一教培对象和所述第二教培对象是否为同一教培对象。
在本公开的一些示例实施例中,第一特征提取模块,用于对所述第一教培对象的多个初始资源数据进行融合处理,得到目标资源数据,并对所述目标资源数据进行特征提取,得到所述第一特征信息,将第一特征信息添加至安全芯片中。
本申请实施例的第五个方面,提供了一种计算机设备,包括:包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上任一项智能教育培训管理方法的步骤。
本申请实施例的第六个方面,提供了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,计算机程序被处理器执行时实现如上任一项的智能教育培训管理方法的步骤。
本申请实施例的第七个方面,提供了一种计算机程序产品,包括计算机程序,处理器执行计算机程序时实现如上任一项方法的步骤。
通过该智能教育培训管理方法,获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据;在智能教培终端的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据;基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。该方法可以同时获取多个资源数据并进行融合,从而使用预先训练的多模态智能教培模型进行实时校验,避免了相关技术方案中仅能依赖单一资源数据进行自动教培出现的智能性较差且准确性较低的技术问题,从而达到了提高了自动教育培训的智能性和准确性的技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一个实施例提供的一种智能教育培训管理方法的应用场景示意图;
图2为本申请一个实施例提供的一种终端教培终端示意图;
图3为本申请一个实施例提供的一种智能教育培训管理方法流程图;
图4为本申请一个实施例提供的一种获取多个初始资源数据的示意图;
图5为本申请一个实施例提供的一种智能教培应用的展示示意图;
图6为本申请一个实施例提供的一种对多个初始资源数据进行融合处理的方法示意图;
图7为本申请一个实施例提供的一种训练多模态智能教培模型的方法示意图;
图8为本申请一个实施例提供的一种智能教育培训管理方法的完整流程图;
图9为本申请一个实施例提供的一种智能教育培训的身份防伪方法流程图;
图10为本申请一个实施例提供的一种提取的身体特征信息示意图;
图11为本申请一个实施例提供的一种智能教育培训的身份防伪方法的完整流程图;
图12为本申请一个实施例提供的智能教育培训管理装置结构示意图;
图13为本申请一个实施例提供的智能教育培训的身份防伪装置结构示意图;
图14为本申请一个实施例提供的计算机设备结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的步骤。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
在相关的技术背景下,随着计算机技术的迅速发展以及移动设备的普及,教育培训的种类和方式也逐渐向多元化的方向发展,教育培训场景例如可以是对人员进行线上、线下或线上、线下结合的方式进行演讲的培训,线上考试等。在教育培训场景中实现演讲培训时,需要判断演讲动作是否标准、发音是否标准、语速是否合适、动作幅度是否合适等多方面问题,而当前没有一种有效的智能方法辅助演讲者进行智能化自动教育培训,从而耗费了大量的人力和物力。主要原因是当前的人工智能算法往往只能处理单一模态的数据,例如只能处理视频流数据,或只能处理音频流数据,无法实现待测试演讲者的自我纠正,从而无法实现基于教培场景下的智能化的演讲培训。
另外,现有的线上视频不能有效地将教培内容与演讲者的身份信息关联起来,因此在现实自动化教培测验中,无法杜绝恶意作弊的情况,例如一演讲者远程打卡之后,由另一演讲者代替其进行教育培训测验的作弊行为,进而导致教育培训测验的不公平性。
针对上述问题,本申请实施例中提供了一种智能教育培训管理方法,该方法获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据;在智能教培终端的智能大算力芯片(ArtificialIntelligence,AI大算力芯片)中将多个初始资源数据进行融合,得到融合处理后的目标资源数据;基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象是否满足预设条件进行判断。该方法可以获取目标教培对象的视频流数据、音频流数据以及红外数据,以便基于预先训练好的多模态智能教培模型从视频、音频以及红外等多方面智能化的识别目标教培对象在培训过程中的动作是否标准、语音语调、语速是否标准、动作幅度以及位置是否合适等,从而全方面标准化的实现演讲者的智能教培过程,提高教育培训过程的智能化和准确度,避免人工参与导致的智能化和准确度较差的技术问题。
需要说明的是,本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
为了解决上述问题,本公开提出了一种智能教育培训管理方法及装置,该方法及装置可以应用于图1所示的示例性应用环境的系统架构中。以下对本申请实施例提供的智能教育培训管理方法的应用环境的系统架构作简要说明:
图1为本申请一个实施例提供的一种智能教育培训管理方法的应用场景示意图。请参见图1,本申请实施例提供的智能教育培训管理方法对应的系统架构100中可以包含智能教培终端101、智能教培服务平台102、移动终端103以及网络104。网络104用以在智能教培终端101、智能教培服务平台102、移动终端103之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等,但并不局限于此。
由图1可知,智能教培终端101中集成了主板,包含了中央处理器(CPU)、存储模块以及其他等,并通过主板支持运行操作系统,以便启动智能教培应用程序,以及通过主板连接了AI大算力芯片(即智能大算力芯片)、安全芯片。其中,AI大算力芯片用于存储智能算法,其存储以及计算能力较大;而安全芯片则确保存储的数据不被恶意修改,从而确保数据的安全性。在该实施例中,以下任一实施例所示的智能教育培训管理方法和/或智能教育培训的身份防伪方法均集成在智能教培终端101的AI大算力芯片中,产生的数据可以存储在安全芯片中,以防止数据被非法篡改。
此外,智能教培终端101还包含了红外模块、麦克风、扬声器、摄像头、显示屏幕、通信模块。具体可参照图2:
图2为本申请一个实施例提供的一种智能教培终端示意图,如图2所示,智能教培终端101可以包含屏幕、扬声器以及用于采集视频流数据的摄像头、用于采集音频流数据的麦克风、用于采集红外数据的红外模块。而屏幕支持用户通过触控操作选择相应的功能。示例性的,在图2所示的智能教培终端101中,可以设置其尺寸信息为高2米、宽1.1米的立体式结构,以适应绝大部分人群的身体特征,从而实现立体式的、全方面的实现演讲者的智能教培。
应该理解,图1中的智能教培终端101、智能教培服务平台102、移动终端103以及网络104的数目仅仅是示意性的。根据实现需要,可以具有任意数目的智能教培终端101、智能教培服务平台102、移动终端103以及网络104。且智能教培服务平台102的。比如智能教培服务平台102可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。移动终端103例如可以是智能手机、掌上电脑(Personal Digital Assistant,PDA)、笔记本电脑、服务器、台式计算机或其它任何具有联网功能的计算设备,但并不局限于此。
举例而言,在一种示例性实施例中,可以是通过智能教培终端101运行智能教培的应用程序,并通过智能教培终端101提供的摄像头采集待培训人员的视频流数据、通过提供的麦克风采集待培训人员的的音频流数据以及通过红外模块采集红外数据中的至少两种或两种以上,从而得到目标教培对象的多个教培资源数据。在智能教培终端101的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据;基于智能教培服务平台102预先训练的多模态智能教培模型对智能大算力芯片中的目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。其中,移动终端103中也同步运行智能教培的应用程序,且移动终端建立智能教培应用程序与智能教培终端装置的智能教培应用程序以及智能教培服务平台102之间的一对一联系。
需要解释的是,上述过智能教培终端101实现的方法在AI大算力芯片中实现。
但本领域技术人员容易理解的是,上述应用场景仅是用于举例,本示例性实施例中并不以此为限。
在了解了本申请的系统架构后,以下将结合图3对本申请实施例提供的智能教育培训管理方法进行示例性说明。
图3为本申请一个实施例提供的智能教育培训管理方法的流程图。请参见图3,以下实施例以上述智能教培终端101为执行主体,将本申请实施例提供的方法应用于上述智能教培终端101,具体可以集成在智能教培终端101的AI大算力芯片中为例进行具体说明。本申请实施例提供的智能教育培训管理方法可以包括如下步骤301-步骤303:
步骤301、获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据。
步骤302、在智能教培终端的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据。
步骤303、基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。
在本公开的一些实施例所提供的技术方案中,通过获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据;在智能教培终端的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据;基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。该方法可以同时获取多个资源数据并进行融合,从而使用预先训练的多模态智能教培模型进行实时校验,避免了相关技术方案中仅能依赖单一资源数据进行自动教培出现的智能性较差且准确性较低的技术问题,从而达到了提高了自动教育培训的智能性和准确性的技术效果。
以下将结合具体实施例对图3所示实施例中各个步骤的具体实施方式进行详细阐述:
在步骤301中,获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据中的两种或两种以上。
其中,目标教培对象为通过智能教培终端进行教育培训的对象。以演讲类型的教育培训场景为例进行说明,目标教培对象是使用图2所示的智能教培终端进行教育培训的对象。
示例性的,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据。获取目标教培对象的多个初始资源数据后,便可以将其存储在AI大算力芯片中。
在图2所示的智能教培终端基础上,图4为本申请一个实施例提供的一种获取多个初始资源数据的示意图,如图4所示,目标教培对象即图4中所示的演讲者,目标教培对象可以站立在的智能教培终端的屏幕前方,并通过智能教培终端提供的摄像头采集针对目标教培对象的视频流数据并实时显示在屏幕中;通过智能教培终端提供的麦克风可以获取目标教培对象在演讲过程中的音频流数据(通过麦克风还可以实现目标教培对象与智能教培终端之间的实时语音对话);通过智能教培终端提供的红外模块(也可称为红外装置)则可以获取红外数据。
在上述实施例中,通过获取的视频流数据可以在培训过程中识别目标教培对象的表情、动作等内容;基于获取的音频流数据可以识别目标教培对象的音频信息;红外数据则可以识别目标教培对象与智能教培终端之间的距离信息以及检测目标教培对象在演讲过程中的动作幅度信息。
在本公开的一些示例实施例中,在执行步骤301之前,用户可以通过智能教培终端运行智能教培应用程序,并支持用户在智能教培应用程序中进行注册、登录后,通过智能教培应用程序实现智能教培的各个教培项目的展示以及运行,以便用户选择、启动或关闭相应的教培项目(在一种实施例中,在智能教培终端中,用户可以通过触控屏幕、智能语音和/或手势等方式进行用户的选择、启动或关闭相应教培项目的操作等)。举例来说,用户可以通过移动终端(例如手机)登录智能教培应用程序后,基于移动终端进行扫码登录智能教培终端运行智能教培应用程序,以建立起移动终端的智能教培应用程序、智能教培终端运行的智能教培应用以及智能教培服务平台之间的对应关系。相应的,用户还可以退出上述智能教培应用程序的登录。
需要说明的是,智能教培应用程序进行用户登录,便于存储该用户在登录过程中使用教培项目的记录、查看教培结果数据及其他相关情况的管理等。
图5为本申请一个实施例提供的一种智能教培应用的展示示意图,如图5所示,该图显示的智能教培终端为正面图,厚度根据现有制造水平,例如,一般在2cm左右。智能教培应用的界面上可以显示目标教培对象进行培训过程中的实时视频流数据的同时,还可以显示多个教培项目以及多个功能,其中,多个教培项目可以是针对不同应用场景生成的功能控件,例如,多个教培项目可以是针对演讲场景的教培项目、针对考试场景的教培项目等。
在步骤302中,在智能教培终端的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据。
示例性的,图3所示的方法均可以集成在智能教培终端的AI大算力芯片中,从而在AI大算力芯片中可以将获取到的多个初始资源数据进行整合,以将其合并成目标资源数据。视频流数据识别演讲者及其表情、动作等视频相关内容,音频流数据可以识别演讲者的语音内容,红外数据可以识别演讲者的动作幅度,上述多个初始资源数据的叠加处理,从而能够立体式地、全方面地实现演讲者的智能教培。
在该实施例中,将本申请提供的任一方法集成在AI大算力芯片中,可以确保方法实现过程中运行效率,以便使用高运算的芯片支撑智能教培终端在进行智能教培过程中的实时性和高效性。
在本申请一个可选的实施例中,在执行步骤302时,将多个初始资源数据进行向量转换,得到各初始资源数据对应的向量资源数据;对各初始资源数据对应的向量资源数据进行相关性编码,得到各初始资源数据对应的中间资源数据;将多个中间资源数据进行合并处理,得到目标资源数据。
其中,各初始资源数据对应的向量资源数据是与时间相关的向量数据。
示例性的,将各初始资源数据转换为与时间相关的向量资源数据后,便可以通过相关性编码的方式将各初始资源数据对应的向量资源数据进行相关性编码,进而将相关性编码后得到的中间资源数据进行合并处理。
其中,相关性编码的方式可以如公式(1)所示:
公式(1)
在公式(1)中,为相关性的值,/>为时间参数,/>为第/>个数据的向量。若数据为视频流数据,则第/>个数据的向量为第/>帧视频的向量资源数据,若数据为音频流数据,则第/>个数据的向量为第/>帧音频的向量资源数据,若数据为红外数据,则第/>个数据的向量为第/>个红外数据的向量资源数据。
以下将结合图6对上述将多个初始资源数据进行融合处理的过程进行说明。图6为本申请一个实施例提供的一种对多个初始资源数据进行融合处理的方法示意图,如图6所示,多个初始资源数据分别包含视频数据(视频流数据)、语音数据(音频流数据)以及红外数据,则分别将视频数据、音频数据以及红外数据进行与时间相关的向量转换,再进行相关性编码,最终将编码后的数据进行合并处理,得到融合处理后的目标向量数据。
在该实施例中,通过将多个初始资源数据进行向量转换再进行相关性编码可以从多个初始资源数据中提取相关性,便于数据的处理以及提取数据之间的关联性,以得到融合后的数据。
在步骤303中,基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。
其中,多模态智能教培模型可以是通过深度学习模型或者transformer模型进行训练生成的模型,本公开对此不做任何限制。预设行为条件为标准语音、标准动作、标准语速、标准幅度等。
在上述实施例中,需要预先训练多模态智能教培模型,进而基于多模态智能教培模型对目标资源数据进行校验,得到相应的校验结果,用户便可以基于校验结果确定目标教培对象的行为是否满足预设行为条件。即多模态智能教培模型的作用在于对目标资源数据进行校验,得到相应的校验结果,从而辅助判断当前目标教培对象的教培行为是否满足预先设定的预设行为条件,以便实现智能性。
在本申请一个可选的实施例中,基于标准资源数据集进行模型训练,得到初始多模态智能教培模型;将智能终端设备采集的实际资源数据输入至初始多模态智能教培模型,以对初始多模态智能教培模型的模型参数进行调整,得到预先训练的多模态智能教培模型。
其中,将标准资源数据集以及实际资源数据存入智能终端设备中的安全芯片中。安全芯片可以与智能大算力芯片连接,以便进行数据交互等工作。
示例性的,智能终端设备中还包含了安全芯片,可以将进行模型训练的标准资源数据集以及智能终端设备采集的实际资源数据均存入安全芯片,以防止被非法篡改或删除,从而影响多模态智能教培模型的训练精度和准确度。
其中,标准资源数据集为标准或优秀演讲者的视频数据、语音数据、红外数据等,从而基于标准资源数据集进行模型训练,得到初始多模态智能教培模型。
图7为本申请一个实施例提供的一种训练多模态智能教培模型的方法示意图;如图7所示,数据处理与整合是对视频(流)数据、语音数据(即音频流数据)以及红外数据进行融合处理的功能模块。模型训练时,可以将标准资源数据集中的标准或优秀演讲者的视频数据、语音数据、红外数据进行数据融合处理后作为样本集进行模型训练。
同时使用验证集(即作为对初始多模态智能教培模型的输出进行检验的视频数据、语音数据、红外数据)对初始多模态智能教培模型的校验结果进行调整,以对初始多模态智能教培模型的模型参数进行调整,从而得到满足要求的多模态智能教培模型;或者校验结果中包含了当前用户行为与标准用户行为之间的精度,从而基于精度差对初始多模态智能教培模型的模型参数进行调整,从而得到满足要求的多模态智能教培模型。
在上述实施例中,可以通过不断调整模型参数,以提高所训练的模型的准确度,进而便于后续得到的校验结果的准确性。即通过上述的模型在预训练的时候对标准或优秀演讲者的视频数据、语音数据、红外数据进行训练,从而建立数据之间的相关性,以便在使用模型进行自动教培时,能够准确的发现演讲者需要纠正的地方,比如语音音调、动作大小、幅度等等。
进一步的,智能教培终端提供的智能教育应用程序可以向用户提供多种培训模式,以便用户灵活的选择。
在本申请一个可选的实施例中,通过智能教培终端提供多个培训模式;响应于针对多个培训模式中的第一培训模式的触控操作,在当前用户行为的预设时间段内显示检验结果;响应于针对多个培训模式中第二培训模式的触控操作,检测针对目标教培对象的培训结束时刻,并在培训结束时刻显示校验结果。
其中,第一培训模式可以是练习模式,在练习模式下用户可以实时查看校验结果,以便用户可以边训练,边接受智能终端设备对用户训练的各种动作与语音、语调等进行实时纠正提示,以便用户可以实时纠正演讲过程中的动作、语音、语调等,以达到更优的培训效果。因此,在第一培训模式下,预设时间断较小,无限接近于用户当前行为,以便实时显示校验结果。
第二培训模式可以是测试模式,用户在测试结束后,再生成针对整个教培过程中的校验结果。在测试阶段,还可以对用户的行为进行评分,并生成相应的教培报告,并发送至用户。例如发送至用户指定的电子地址、短信、第三方软件等。
在该实施例中,可以便于用户基于自身需求进行实时练习模式或者测验模式,进而提高教育培训的效率和灵活性。
在上述实施例中,在本申请一个可选的实施例中,若目标教培对象的用户行为不满足预设行为条件,则生成针对当前用户行为的失败提示信息,以便基于失败提示信息对当前用户行为进行调整,直至当前用户行为满足预设行为条件。
其中,失败提示信息包含正确的调整信息,以便用户基于失败提示信息中包含的正确的调整信息进行调整,达到教育培训的效果。
举例说明,若目标教培对象在演讲时,语调相较标准语调更快,则生成“您的语调太快了,请慢一些”的语音信息提示,同时还可以显示标准语调作为示例,从而达到智能化教育培训的效果。
在本申请另一个可选的实施例中,若目标教培对象的用户行为满足预设行为条件,则生成针对当前用户行为的成功提示信息。
其中,成功提示信息便于目标教培对象在培训过程实时了解培训结果,进而增强自信心,以提高自动化教培的智能化。
在本公开一个可选的实施例中,提示信息包含失败提示信息或成功提示信息,提示信息的输出方式为音频方式、视频方式、图标方式中的至少之一。
示例性的,在生成提示信息时,可以以任意方式进行提示,例如音频方式、视频方式、图标方式等,本公开实施例对此不作任何特殊限制。
需要解释的是,在上述任一实施例中,当智能教培终端检测到教培对象时,才会触发上述智能教育培训方法,反之,不启动,从而减少性能消耗。
示例性的,在上述任一实施例实现的智能教育培训管理方法的基础上,还可以实现对用户身份进行识别、防伪。
在本申请一个可选的实施例中,智能终端设备中还包含与智能大算力芯片连接的安全芯片,从多个初始资源数据中分别提取目标教培对象的用户特征信息,并将用户特征信息存储至智能终端设备的安全芯片中;检测到目标教培对象离开检测区域后再次进入检测区域,则提取再次进入检测区域的教培对象的用户特征信息,并存入安全芯片中;在安全芯片中将目标教培对象的用户特征信息与再次进入检测区域的教培对象的用户特征信息进行比对,以便智能教培终端基于比对结果确定目标教培对象与再次进入检测区域的教培对象是否为同一教培对象。
其中,用户特征信息是与获取的初始资源数据有关。举例来说,初始资源数据包含音频流数据,则对应的用户特征信息可以是该目标教培对象的语音特征信息;若初始资源数据包含视频流数据,对应的用户特征信息可以是该目标教培对象的体态信息。
示例性的,该智能终端设备中还包含安全芯片,通过该安全芯片可以存储基于获取的初始资源数据进行特征提取得到的用户特征信息,以基于用户特征信息进行教培对象身份的鉴定,进而确保安全芯片内的信息不被窃取以及不被篡改,保证智能教培过程的公平性和安全性。
在该实施例中,若智能教培终端检测到目标教培对象离开检测区域后再次进入检测区域,便需要重新获取初始资源数据以及特征提取,实现对检测区域内教培对象身份的验证;或者智能教培终端设备还可以每间隔预设时间段便重新获取检测区域内教培对象的特征信息,并在安全芯片中实现特征比对,从而根据比对结果确定目标教培对象与再次进入检测区域的教培对象是否为同一教培对象。
以下将结合图8对整个智能教育培训管理的方法进行说明:
如图8所示,人工智能(Artificial Intelligence,简称AI)大算力芯片中集成了上述任一实施例提供的智能教育培训管理方法。具体流程如图8所示:
建立移动终端的智能教培应用程序与智能教培终端的应用程序关联,用户则可以通过触控操作选择相应的教培项目。其中,摄像头就可以检测到用户的各种表情、动作等视频流数据,并将相应的视频流实时发送至AI大算力芯片;
麦克风就可以检测到用户的音频流数据,并将相应的音频流数据实时发送至AI大算力芯片;
而红外模块就可以检测到用户的动作幅度、距离智能教培终端的距离等距离向量信息,并将相应的信息实时发送至AI大算力芯片(需要解释的是,图8未示出,其流程与视频、音频流程相同);
AI大算力芯片通过集成的上述任一实施例提供的智能教育培训管理方法,用于判断演讲等教培是否标准,并返回响应的校验结果,校验结果中可以包括结果参数以及视频、音频片段或图片信息等,本公开实施例对此不作任何特殊限制。智能教培应用程序可以将校验结果及视频片段保存在智能教培终端的存储模块中,并根据计算结果进行初步判断,如果能够初步判断不符合标准的表情、动作与语音,则组建通知语音包,通过操作系统调用扬声器告知用户结果;同时智能教培应用程序将上述结果上传至智能教培服务平台;智能教培服务平台保存结果以及视频、音频片段,并执行相应的业务逻辑,判断是否需要语音提醒或告知用户相关结果。智能教培终端装置的智能教培应用程序根据返回结果确定是否需要语音提醒或告知用户,若是,则调用操作系统通过扬声器发出相应语音。
进一步的,在图2所示的系统架构基础上,本公开还提出了一种智能教育培训的身份防伪方法及装置。以下将结合图9对本申请实施例提供的智能教育培训的身份防伪方法进行示例性说明。
图9为本申请一个实施例提供的智能教育培训的身份防伪方法的流程图。请参见图9,以下实施例以上述智能教培终端101为执行主体,具体智能教育培训的身份防伪方法也可以集成在智能教培终端101的AI大算力芯片中,将本申请实施例提供的方法应用于上述智能教培终端101为例进行具体说明。本申请实施例提供的智能教育培训的身份防伪方法可以包括如下步骤901-步骤903:
步骤901、获取第一教培对象的多个初始资源数据,对第一教培对象的多个初始资源数据进行特征提取,得到第一特征信息。
步骤902、响应于第一教培对象离开检测区域,且第二教培对象进入检测区域,获取第二教培对象的多个初始资源信息,并对第二教培对象的多个初始资源数据进行特征提取,得到第二特征信息。
步骤903、对第一特征信息与第二特征信息进行特征比对,基于特征比对的比对结果确认第一教培对象和第二教培对象是否为同一教培对象。
在本公开的一些实施例所提供的技术方案中,通过获取第一教培对象的多个初始资源数据,对第一教培对象的多个初始资源数据进行特征提取,得到第一特征信息;响应于第一教培对象离开检测区域,且第二教培对象进入检测区域,获取第二教培对象的多个初始资源信息,并对第二教培对象的多个初始资源数据进行特征提取,得到第二特征信息;对第一特征信息与第二特征信息进行特征比对,基于特征比对的比对结果确认第一教培对象和第二教培对象是否为同一教培对象。
该方法可以在检测到智能教培过程中教培对象离开再进入检测区域时,通过对比多个初始资源信息的特征信息,确定第一教培对象和第二教培对象是否为同一教培对象,从而达到身份防伪的技术效果,避免了应用过程中的作弊行为,提高了教育培训过程中的安全性和智能性。
图9所示的方法也集成在智能教培终端的AI大算力芯片中,从而为方法的高效实现提供硬件支持,进一步提高智能教培终端在进行智能教培过程中的实时性。
在本申请一个可选的实施例中,对第一教培对象的多个初始资源数据进行融合处理,得到目标资源数据,并对目标资源数据进行特征提取,得到第一特征信息,并将得到的第一特征信息添加至安全芯片中。
其中,可以将第一教培对象的多个初始资源数据进行向量转换,得到各初始资源数据对应的向量资源数据;对各初始资源数据对应的向量资源数据进行相关性编码,得到各初始资源数据对应的中间资源数据;将多个中间资源数据进行合并处理,得到目标资源数据。
需要说明的是,安全芯片可以是具有EAL4+安全标准的芯片,能够做到防攻击、防暴力破解等功能,因而能够确保安全芯片内的信息和数据不被窃取以及不被非法篡改。
示例性的,可以将对目标资源数据进行特征提取得到的第一特征信息添加至安全芯片中,以便后续AI大算力芯片再从安全芯片中获取第一特征信息和第二特征信息进行比较。在该实施例中,使用安全芯片存储特征提取得到的特征信息,可以避免不法分子窃取或更改目标教培对象的特征,以进行作弊等不公平的行为,从而实现教培对象的身体防伪,进而提高智能教培过程的安全性。
相应的,可以使用相同的方法对第二教培对象的多个初始资源数据进行融合处理。需要解释的是,特这病信息的提取可以在安全芯片中进行,得到特征信息后再发送至AI大算力芯片。
示例性的,在进行特征提取时,可以基于视频流数据提取教培对象的身体特征信息,其中身体信息特征如图10所示,包括但不限于上述的人体的头宽、头长、眉宽、眼宽、鼻宽、鼻长、颧宽、嘴宽、颈宽、肩宽、身高、颈长、上半身高度、手臂长度、腿长度等等。除了身体信息特征以外,特征提取还可以根据音频流数据提取人的声纹特征等。
以下将结合图11对整个智能教育培训的身份防伪方法的流程进行说明:
智能教培应用程序向摄像头触发身份提取请求,摄像头获取用户当前视频流数据,并传送至AI大算力芯片;智能教培应用向麦克风触发身份提取请求,麦克风获取用户音频流数据,并传送至AI大算力芯片;AI大算力芯片运用多模态身份防伪算法(上述任一实施例所示的智能教育培训的身份防伪方法)提取用户身份特征,并发送至与之相连的安全芯片,安全芯片保存特征信息,并返回结果。
智能教培应用提示完成用户实名验证;当用户离开,换另外一个用户进如检测区域时,红外模块检测到相应的异动,并告知智能教培应用。
智能教培应用再次向摄像头触发身份验证请求,摄像头获取用户当前视频流数据,并传送至AI大算力芯片;智能教培应用向麦克风触发身份验证请求,麦克风获取用户当前音频流数据,并传送至AI大算力芯片;AI大算力芯片运用多模态身份防伪算法提取用户身份特征,并发送至与之相连的安全芯片,安全芯片验证用户的特征信息,并返回结果。
通过特征比对,若结果表明是同一人,则智能教培应用允许继续教培,否则不允许教培,仅保存以前的记录和成绩。
需要解释的是,为确保身份验证的有效性,避免红外被遮挡等异常情况的发生而导致红外检测模块失效,本验证流程间隔一段时间则发起,默认间隔2分钟,时间可以自定义配置。
需要说明的是,上述任一实施例的方法(也可称为智能算法)均可以存储在图1所示智能教培终端101的AI大算力芯片中,多个AI算法下沉至边缘侧管理装置的AI大算力芯片并运行,以及可以实现智能教培服务平台102对AI大算力芯片中的AI算法进行动态更新。
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
为了实现上述智能教育培训管理方法,请参见图12,本申请一个实施例提供了一种智能教育培训管理装置,该智能教育培训管理装置1200包括:数据获取模块1201、数据融合处理1202以及校验模块1203。
其中,数据获取模块1201,用于获取目标教培对象的多个初始资源数据;其中,多个初始资源数据至少包含针对目标教培对象的视频流数据、音频流数据以及红外数据;数据融合处理1202,用于在智能教培终端的智能大算力芯片中将多个初始资源数据进行融合,得到融合处理后的目标资源数据;校验模块1203,用于基于预先训练的多模态智能教培模型对目标资源数据进行校验,根据校验结果对目标教培对象的行为是否满足预设行为条件进行判断。
在本公开一个可选的实施例中,数据融合模块1202,用于将所述多个初始资源数据进行向量转换,得到各初始资源数据对应的向量资源数据;对所述各初始资源数据对应的向量资源数据进行相关性编码,得到所述各初始资源数据对应的中间资源数据;将多个中间资源数据进行合并处理,得到所述目标资源数据。
在本公开一个可选的实施例中,校验模块1203,用于基于标准资源数据集进行模型训练,得到初始多模态智能教培模型;将智能终端设备采集的实际资源数据输入至所述初始多模态智能教培模型,以对所述初始多模态智能教培模型的模型参数进行调整,得到所述预先训练的多模态智能教培模型。
在本公开一个可选的实施例中,该装置还包括结果显示模块,结果显示模块用于通过智能教培终端提供多个培训模式;响应于针对所述多个培训模式中的第一培训模式的触控操作,在当前用户行为的预设时间段内显示所述检验结果;响应于针对所述多个培训模式中第二培训模式的触控操作,检测针对目标教培对象的培训结束时刻,并在所述培训结束时刻显示所述校验结果。
在本公开一个可选的实施例中,结果显示模块用于若所述目标教培对象的用户行为不满足所述预设行为条件,则生成针对当前用户行为的失败提示信息,以便基于所述失败提示信息对所述当前用户行为进行调整,直至所述当前用户行为满足所述预设行为条件;或,若所述目标教培对象的用户行为满足所述预设行为条件,则生成针对当前用户行为的成功提示信息;其中,提示信息包含所述失败提示信息或所述成功提示信息,所述提示信息的输出方式为音频方式、视频方式、图标方式中的至少之一。
在本申请一个可选的实施例中,智能终端设备中还包含与智能大算力芯片连接的安全芯片,该装置还包括特征提取模块,特征提取模块用于从多个初始资源数据中分别提取目标教培对象的用户特征信息,并将用户特征信息存储至智能终端设备的安全芯片中;检测到目标教培对象离开检测区域后再次进入检测区域,则提取再次进入检测区域的教培对象的用户特征信息,并存入安全芯片中;在安全芯片中将目标教培对象的用户特征信息与再次进入检测区域的教培对象的用户特征信息进行比对,以便智能教培终端基于比对结果确定目标教培对象与再次进入检测区域的教培对象是否为同一教培对象。
关于上述智能教育培训管理装置的具体限定可以参见上文中对于智能教育培训管理方法的限定,在此不再赘述。上述智能教育培训管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
进一步的,为了实现上述智能教育培训的身份防伪方法,请参见图13,本申请一个实施例提供了一种智能教育培训的身份防伪装置,该智能教育培训的身份防伪装置1300可以包括:第一特征提取模块1301、第二特征提取模块1302以及身份确认模块1303。
第一特征提取模块1301,用于获取第一教培对象的多个初始资源数据,对所述第一教培对象的多个初始资源数据进行特征提取,得到第一特征信息;第二特征提取模块1302,用于响应于所述第一教培对象离开检测区域,且第二教培对象进入所述检测区域,获取所述第二教培对象的多个初始资源信息,并对所述第二教培对象的多个初始资源数据进行特征提取,得到第二特征信息;身份确认模块1303,用于对所述第一特征信息与所述第二特征信息进行特征比对,基于所述特征比对的比对结果确认所述第一教培对象和所述第二教培对象是否为同一教培对象。
在本公开一个可选的实施例中,第一特征提取模块1301,用于对所述第一教培对象的多个初始资源数据进行融合处理,得到目标资源数据,并对所述目标资源数据进行特征提取,得到所述第一特征信息,并将得到的第一特征信息添加至安全芯片中。
关于上述智能教育培训管理装置的具体限定可以参见上文中对于智能教育培训的身份防伪方法的限定,在此不再赘述。上述智能教育培训的身份防伪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,提供了一种电子设备,该计算机设备的内部结构图可以如图14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如上的一种智能教育培训管理方法。包括:包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上智能教育培训管理方法中的任一步骤。
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,该计算机程序被处理器执行时可以实现如上智能教育培训管理方法中的任一步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种智能教育培训管理方法,其特征在于,应用于智能教培终端,所述方法包括:
获取目标教培对象的多个初始资源数据;其中,所述多个初始资源数据至少包含针对所述目标教培对象的视频流数据、音频流数据以及红外数据中的两种或两种以上;
在所述智能教培终端的智能大算力芯片中将所述多个初始资源数据进行融合,得到融合处理后的目标资源数据;
基于预先训练的多模态智能教培模型对所述目标资源数据进行校验,根据校验结果对所述目标教培对象的行为是否满足预设行为条件进行判断。
2.根据权利要求1所述的智能教育培训管理方法,其特征在于,在智能教培终端的智能大算力芯片中将所述多个初始资源数据进行融合,得到融合处理后的目标资源数据,包括:
在所述智能大算力芯片中将所述多个初始资源数据进行向量转换,得到各初始资源数据对应的向量资源数据;
对所述各初始资源数据对应的向量资源数据进行相关性编码,得到所述各初始资源数据对应的中间资源数据;
将多个中间资源数据进行合并处理,得到所述目标资源数据。
3.根据权利要求1所述的智能教育培训管理方法,其特征在于,基于预先训练的多模态智能教培模型对所述目标资源数据进行校验,包括:
基于标准资源数据集进行模型训练,得到初始多模态智能教培模型;
将智能终端设备采集的实际资源数据输入至所述初始多模态智能教培模型,以对所述初始多模态智能教培模型的模型参数进行调整,得到所述预先训练的多模态智能教培模型。
4.根据权利要求1所述的智能教育培训管理方法,其特征在于,所述方法还包括:
通过所述智能教培终端提供多个培训模式;
响应于针对所述多个培训模式中的第一培训模式的触控操作,在当前用户行为的预设时间段内显示所述校验结果;
响应于针对所述多个培训模式中第二培训模式的触控操作,检测针对目标教培对象的培训结束时刻,并在所述培训结束时刻显示所述校验结果。
5.根据权利要求4所述的智能教育培训管理方法,其特征在于,根据校验结果对所述目标教培对象的用户行为是否满足预设行为条件进行判断,包括:
若所述目标教培对象的用户行为不满足所述预设行为条件,则生成针对当前用户行为的失败提示信息,以便基于所述失败提示信息对所述当前用户行为进行调整,直至所述当前用户行为满足所述预设行为条件;或,
若所述目标教培对象的用户行为满足所述预设行为条件,则生成针对当前用户行为的成功提示信息;
其中,提示信息包含所述失败提示信息或所述成功提示信息,所述提示信息的输出方式为音频方式、视频方式、图标方式中的至少之一。
6.根据权利要求1所述的智能教育培训管理方法,其特征在于,所述智能终端设备中还包含与所述智能大算力芯片连接的安全芯片,所述方法还包括:
从所述多个初始资源数据中分别提取所述目标教培对象的用户特征信息,并将所述用户特征信息存储至所述智能终端设备的安全芯片中;
检测到所述目标教培对象离开检测区域后再次进入所述检测区域,则提取再次进入所述检测区域的教培对象的用户特征信息,并存入所述安全芯片中;
在所述安全芯片中将所述目标教培对象的用户特征信息与再次进入所述检测区域的教培对象的用户特征信息进行比对,以便所述智能教培终端基于比对结果确定所述目标教培对象与所述再次进入所述检测区域的教培对象是否为同一教培对象。
7.一种智能教育培训的身份防伪方法,其特征在于,应用于智能教培终端,所述方法包括:
获取第一教培对象的多个初始资源数据,对所述第一教培对象的多个初始资源数据进行特征提取,得到第一特征信息;其中,所述多个初始资源数据至少包含针对所述目标教培对象的视频流数据、音频流数据以及红外数据中的两种或两种以上;
响应于所述第一教培对象离开检测区域,且第二教培对象进入所述检测区域,获取所述第二教培对象的多个初始资源信息,并对所述第二教培对象的多个初始资源数据进行特征提取,得到第二特征信息;
在所述智能教培终端的智能大算力芯片中将所述多个初始资源数据进行融合,得到融合处理后的目标资源数据;
基于预先训练的多模态智能教培模型对所述目标资源数据进行校验,根据校验结果对所述目标教培对象的行为是否满足预设行为条件进行判断;
对所述第一特征信息与所述第二特征信息进行特征比对,基于所述特征比对的比对结果确认所述第一教培对象和所述第二教培对象是否为同一教培对象。
8.根据权利要求7所述的智能教育培训的身份防伪方法,其特征在于,所述对所述第一教培对象的多个初始资源数据进行特征提取,得到第一特征信息,包括:
对所述第一教培对象的多个初始资源数据进行融合处理,得到目标资源数据,并对所述目标资源数据进行特征提取,得到所述第一特征信息,并将所述第一特征信息添加至安全芯片中。
9.一种智能教育培训管理装置,其特征在于,应用于智能教培终端,所述装置包括:
数据获取模块,用于获取目标教培对象的多个初始资源数据;其中,所述多个初始资源数据至少包含针对所述目标教培对象的视频流数据、音频流数据以及红外数据;
数据融合模块,用于在智能教培终端的智能大算力芯片将所述多个初始资源数据进行融合,得到融合处理后的目标资源数据;
校验模块,用于基于预先训练的多模态智能教培模型对所述目标资源数据进行校验,根据校验结果对所述目标教培对象的行为是否满足预设行为条件进行判断。
10.一种电子设备,包括: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8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211433.5A CN117787921A (zh) | 2024-02-27 | 2024-02-27 | 智能教育培训管理方法及智能教育培训的身份防伪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211433.5A CN117787921A (zh) | 2024-02-27 | 2024-02-27 | 智能教育培训管理方法及智能教育培训的身份防伪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117787921A true CN117787921A (zh) | 2024-03-29 |
Family
ID=90387468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410211433.5A Pending CN117787921A (zh) | 2024-02-27 | 2024-02-27 | 智能教育培训管理方法及智能教育培训的身份防伪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787921A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160123722A (ko) * | 2015-04-17 | 2016-10-26 | 새동엔지니어링 주식회사 | 항공안전 온라인 교육시스템 관리방법 |
CN107609145A (zh) * | 2017-09-21 | 2018-01-19 | 安徽辉墨教学仪器有限公司 | 一种教室资源集中管理方法 |
CN110070043A (zh) * | 2019-04-23 | 2019-07-30 | 广州军软科技有限公司 | 一种基于人脸识别的驾培管理系统及方法 |
CN112232127A (zh) * | 2020-09-14 | 2021-01-15 | 辽宁对外经贸学院 | 一种智能演讲训练系统及方法 |
CN113205729A (zh) * | 2021-04-12 | 2021-08-03 | 华侨大学 | 一种面向外国留学生的演讲评测方法、装置及系统 |
-
2024
- 2024-02-27 CN CN202410211433.5A patent/CN117787921A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160123722A (ko) * | 2015-04-17 | 2016-10-26 | 새동엔지니어링 주식회사 | 항공안전 온라인 교육시스템 관리방법 |
CN107609145A (zh) * | 2017-09-21 | 2018-01-19 | 安徽辉墨教学仪器有限公司 | 一种教室资源集中管理方法 |
CN110070043A (zh) * | 2019-04-23 | 2019-07-30 | 广州军软科技有限公司 | 一种基于人脸识别的驾培管理系统及方法 |
CN112232127A (zh) * | 2020-09-14 | 2021-01-15 | 辽宁对外经贸学院 | 一种智能演讲训练系统及方法 |
CN113205729A (zh) * | 2021-04-12 | 2021-08-03 | 华侨大学 | 一种面向外国留学生的演讲评测方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
石绥祥 等: "海洋大数据", 31 January 2022, 海洋出版社, pages: 131 - 136 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11704939B2 (en) | Liveness detection | |
CN109726624B (zh) | 身份认证方法、终端设备和计算机可读存储介质 | |
CN109769099B (zh) | 通话人物异常的检测方法和装置 | |
EP3451328B1 (en) | Method and apparatus for verifying information | |
CN105426723A (zh) | 基于声纹识别、人脸识别以及同步活体检测的身份认证方法及系统 | |
CN111355781B (zh) | 一种语音信息交流的管理方法、装置和存储介质 | |
CN109766759A (zh) | 情绪识别方法及相关产品 | |
CN107728780A (zh) | 一种基于虚拟机器人的人机交互方法及装置 | |
KR20190031167A (ko) | 전자 장치 및 이의 제어 방법 | |
TW201117114A (en) | System, apparatus and method for message simulation | |
US9014347B2 (en) | Voice print tagging of interactive voice response sessions | |
US11017253B2 (en) | Liveness detection method and apparatus, and storage medium | |
CN109934191A (zh) | 信息处理方法和装置 | |
CN110704822A (zh) | 提高用户身份验证安全性的方法、装置、服务器及系统 | |
US20230053277A1 (en) | Modified media detection | |
US10936705B2 (en) | Authentication method, electronic device, and computer-readable program medium | |
KR20230063772A (ko) | 메타버스 개인 맞춤형 콘텐츠 생성 및 인증 방법 및 그를 위한 장치 및 시스템 | |
CN109325771A (zh) | 身份验证方法、装置、计算机程序、存储介质和电子设备 | |
CN111933137A (zh) | 语音唤醒测试方法及装置、计算机可读介质和电子设备 | |
CN117787921A (zh) | 智能教育培训管理方法及智能教育培训的身份防伪方法 | |
CA3135471C (en) | App login verification method and device and computer readable storage medium | |
CN105354475A (zh) | 一种基于瞳孔识别的人机交互识别方法及系统 | |
CN110930155B (zh) | 风险管控方法、装置、计算机装置及存储介质 | |
CN111813910B (zh) | 客服问题的更新方法、系统、终端设备及计算机存储介质 | |
US20230325481A1 (en) | Method and System for Authentication of a Subject by a Trusted Contact |
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 |