用于检测学习状态的方法和装置制造方法及图纸

本申请实施例公开了用于检测学习状态的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；将目标图像输入至预先训练的学习状态检测模型，得到目标图像的学习状态检测结果，其中，学习状态检测结果包括：违规学习状态和正常学习状态；响应于确定学习状态检测结果表征的学习状态属于违规学习状态，确定人体脸部图像对应的用户信息；生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，第一提示信息用于表征所述用户信息所指示的用户的学习状态为违规学习状态。该实施方式丰富了检测学习状态的灵活性。

【技术实现步骤摘要】
用于检测学习状态的方法和装置
本申请实施例涉及计算机
，具体涉及互联网
，尤其涉及用于检测学习状态的方法和装置。
技术介绍
相关的检测学习状态的方法通常是通过识别人脸图像，判断眼睛是否睁开、是否处于清醒状态等来确定人脸对应的人是都处于学习状态，适用的场景范围较为局限且不宜扩展。随着需要检测的人数的增加，需要的硬件成本较高。
技术实现思路
本申请实施例提出了用于检测学习状态的方法和装置。第一方面，本申请实施例提供了一种用于检测学习状态的方法，该方法包括：将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，上述学习状态检测结果包括：违规学习状态和正常学习状态；响应于确定上述学习状态检测结果表征的学习状态属于违规学习状态，确定上述人体脸部图像对应的用户信息；生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，上述第一提示信息用于表征上述用户信息所指示的用户的学习状态为违规学习状态。在一些实施例中，上述违规学习状态包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。在一些实施例中，上述违规学习状态还包括瞌睡状态，上述瞌睡状态是将上述人体脸部图像中的眼部特征和嘴部特征通过PERCLOS算法来判断得到的。在一些实施例中，上述学习状态检测模型通过如下步骤训练得到：获取样本集，其中，样本包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到上述至少一个样本中的每个样本对应的学习状态检测结果；将上述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较，根据比较结果确定初始神经网络是否达到预设的优化目标，响应于确定初始神经网络达到上述优化目标，将初始神经网络作为训练完成的学习状态检测模型。在一些实施例中，训练得到上述学习状态检测模型的步骤还包括：响应于确定初始神经网络未达到上述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，继续执行上述训练步骤。第二方面，本申请实施例提供了一种用于检测学习状态的装置，该装置包括：接收确定单元，被配置成将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；输入单元，被配置成将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，上述学习状态检测结果包括：违规学习状态和正常学习状态；确定单元，被配置成响应于确定上述学习状态检测结果表征的学习状态属于违规学习状态，确定上述人体脸部图像对应的用户信息；生成发送单元，被配置成生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，上述第一提示信息用于表征上述用户信息所指示的用户的学习状态为违规学习状态。在一些实施例中，违规学习状态包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。在一些实施例中，违规学习状态还包括瞌睡状态，瞌睡状态是将人体脸部图像中的眼部特征和嘴部特征通过PERCLOS算法来判断得到的。在一些实施例中，上述学习状态检测模型通过如下步骤训练得到：获取样本集，其中，样本包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到上述至少一个样本中的每个样本对应的学习状态检测结果；将上述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较，根据比较结果确定初始神经网络是否达到预设的优化目标，响应于确定初始神经网络达到上述优化目标，将初始神经网络作为训练完成的学习状态检测模型。在一些实施例中，训练得到上述学习状态检测模型的步骤还包括：响应于确定初始神经网络未达到上述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，继续执行上述训练步骤。第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。第四方面，本申请实施例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实现如第一方面中任一实现方式描述的方法。本申请实施例提供的用于检测学习状态的方法和装置，首先，将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像。然后，将上述目标图像输入至预先训练的学习状态检测模型，得到上述目标图像的学习状态检测结果，其中，所述学习状态检测结果包括：违规学习状态和正常学习状态。之后，响应于确定所述学习状态检测结果表征的学习状态属于违规学习状态，确定所述人体脸部图像对应的用户信息。最后，生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，上述第一提示信息用于表征上述用户信息所指示的用户的学习状态为违规学习状态。本申请实施例提供的用于检测学习状态的方法和装置可以获得处于违规学习状态的用户对应的用户信息，以及将表征用户信息所指示的用户的学习状态为违规学习状态的提示信息发送给目标客户端，用以提醒使用该目标客户端的人员。例如可以获得处于违规学习状态的学生对应的身份信息。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请实施例可以应用于其中的示例性系统架构图；图2是根据本申请的用于检测学习状态的方法的一个实施例的流程图；图3是根据本申请的用于检测学习状态的方法的一个应用场景的示意图；图4是根据本申请的用于检测学习状态的装置的一个实施例的结构示意图；图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。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。下面将参考附图并结合实施例来详细说明本申请。图1示出了可以应用本申请实施例的用于检测学习状态的方法或用于检测学习状态的装置的示例性系统架构100。如图1所示，系统架构100可以包括图像采集设备101、102、103，网络104和服务器105。网络104用以在图像采集设备101、102、103和服务器105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。图像采集设备101、102、103可以通过网络104与服务器105交互，以接收指令或发送消息等。图像采集设备101、102、103可以包括摄像头和深度摄像头。服务器105可以是提供各种服务的服务器，例如对图像采集设备10本文档来自技高网...

【技术保护点】
1.一种用于检测学习状态的方法，包括：将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；将所述目标图像输入至预先训练的学习状态检测模型，得到所述目标图像的学习状态检测结果，其中，所述学习状态检测结果包括：违规学习状态和正常学习状态；响应于确定所述学习状态检测结果表征的学习状态属于违规学习状态，确定所述人体脸部图像对应的用户信息；生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，所述第一提示信息用于表征所述用户信息所指示的用户的学习状态为违规学习状态。

【技术特征摘要】
1.一种用于检测学习状态的方法，包括：将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；将所述目标图像输入至预先训练的学习状态检测模型，得到所述目标图像的学习状态检测结果，其中，所述学习状态检测结果包括：违规学习状态和正常学习状态；响应于确定所述学习状态检测结果表征的学习状态属于违规学习状态，确定所述人体脸部图像对应的用户信息；生成第一提示信息以及将所生成的第一提示信息发送给目标客户端，其中，所述第一提示信息用于表征所述用户信息所指示的用户的学习状态为违规学习状态。2.根据权利要求1所述的方法，其中，所述违规学习状态包括以下至少一项：眼睛焦点脱离学习材料超过第一预设时长，处于闭眼状态超过第二预设时长。3.根据权利要求1所述的方法，其中，所述违规学习状态还包括瞌睡状态，所述瞌睡状态是将所述人体脸部图像中的眼部特征和嘴部特征通过PERCLOS算法来判断得到的。4.根据权利要求1-3之一所述的方法，其中，所述学习状态检测模型通过如下步骤训练得到：获取样本集，其中，样本包括人体脸部图像的样本图像，以及与样本图像对应的样本学习状态检测结果；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本图像分别输入至初始神经网络，得到所述至少一个样本中的每个样本对应的学习状态检测结果；将所述至少一个样本中的每个样本对应的学习状态检测结果与对应的样本学习状态检测结果进行比较，根据比较结果确定初始神经网络是否达到预设的优化目标，响应于确定初始神经网络达到所述优化目标，将初始神经网络作为训练完成的学习状态检测模型。5.根据权利要求4所述的方法，其中，训练得到所述学习状态检测模型的步骤还包括：响应于确定初始神经网络未达到所述优化目标，调整初始神经网络的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始神经网络作为初始神经网络，继续执行所述训练步骤。6.一种用于检测学习状态装置，包括：接收确定单元，被配置成将从通信连接的图像采集设备收到的视频中提取的包括人体脸部图像的视频帧确定为目标图像；输入单元，被配置成将所述目标图像输入至预先训练的学习状...

【专利技术属性】
技术研发人员：莫仁鹏，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11