The invention discloses an attention behavior model based on deep learning, which comprises a data acquisition unit, a deep learning algorithm unit and a result display unit. The data acquisition module at least comprises a camera and a keyboard module, the deep learning algorithm module at least comprises a processor, the result display unit at least comprises a display, and the data acquisition unit The data collected by the meta module is transmitted to the input of the deep learning algorithm unit, the output of the deep learning algorithm module is connected to the input of the result display unit, and the output of the keyboard module is connected with the input of the deep learning algorithm module through a data line. The internal part of the deep learning algorithm module is equipped with the deep learning algorithm through the programming software. By establishing the attention behavior model of deep learning, the invention analyzes the individual behavior of students, and can timely remind students when students are distracted and open a small gap.
【技术实现步骤摘要】
一种基于深度学习的注意行为模型
本专利技术涉及深度学习
,尤其涉及一种基于深度学习的注意行为模型。
技术介绍
现有的中学教育都是老师在讲台上教授课本内容,学生坐在课桌上听讲,但是有时候学生上课的时候容易走神或者发呆,老师在讲台上并不能直接了解到学生的神态,当讲到重点内容时,如果发呆容易学生造成不够了解教学内容,老师不能时刻提醒到走神的学生。
技术实现思路
(一)解决的技术问题针对现有技术的不足,本专利技术提供了一种基于深度学习的注意行为模型,解决了现在中学教育体系中,学生在走神的状况下,老师不能快速了解到学生的神态的问题。(二)技术方案为实现上述目的,本专利技术提供如下技术方案:一种基于深度学习的注意行为模型,包括数据采集单元、深度学习算法单元以及结果显示单元,所述数据采集模块至少包括一个摄像头和键盘模块,所述深度学习算法模块至少包括一个处理器,所述结果显示单元至少包括一个显示器,所述数据采集单元采集到的数据传送到所述深度学习算法单元的输入端,所述深度学习算法模块的输出端连接到所述结果显示单元的输入端,所述键盘模块的输出端与所述深度学习算法模块的输入端通过数据线连接。优选的,所述深度学习算法模块的内部通过编程软件装有深度学习算法,所述深度学习算法的工作方法包括如下步骤:(1)构建注意行为特征库:首先利用数据采集单元不停的拍摄被注意人的行为日常,并且将拍摄的图像传送到深度学习算法模块,然后通过键盘模块对这些图像进行分类,构建注意行为图谱,选出注意行为的特 ...
【技术保护点】
1.一种基于深度学习的注意行为模型,其特征在于:包括数据采集单元、深度学习算法单元以及结果显示单元,所述数据采集模块至少包括一个摄像头和键盘模块,所述深度学习算法模块至少包括一个处理器,所述结果显示单元至少包括一个显示器,所述数据采集单元采集到的数据传送到所述深度学习算法单元的输入端,所述深度学习算法模块的输出端连接到所述结果显示单元的输入端,所述键盘模块的输出端与所述深度学习算法模块的输入端通过数据线连接。/n
【技术特征摘要】
1.一种基于深度学习的注意行为模型,其特征在于:包括数据采集单元、深度学习算法单元以及结果显示单元,所述数据采集模块至少包括一个摄像头和键盘模块,所述深度学习算法模块至少包括一个处理器,所述结果显示单元至少包括一个显示器,所述数据采集单元采集到的数据传送到所述深度学习算法单元的输入端,所述深度学习算法模块的输出端连接到所述结果显示单元的输入端,所述键盘模块的输出端与所述深度学习算法模块的输入端通过数据线连接。
2.根据权利要求1所述的一种基于深度学习的注意行为模型,其特征在于:所述深度学习算法模块的内部通过编程软件装有深度学习算法,所述深度学习算法的工作方法包括如下步骤:
(1)构建注意行为特征库:首先利用数据采集单元不停的拍摄被注意人的行为日常,并且将拍摄的图像传送到深度学习算法模块,然后通过键盘模块对这些图像进行分类,构建注意行为图谱,选出注意行为的特征描述作为研究对象构建注意行为特征库,构建出不同的注意行为的特征描述,为深度学习网络模型对注意行为图像识别的准确度提供视觉依据;
(2)注意行为图像特征库的构建:根据注意行为图谱分类,编写爬虫软件在权威图库中按照常见的注意行为类别下载图像,经过数据清洗,得到有效图像,构建了注意行为图像数据库
(3)注意行为图像识别模型构建与分析:包括如下步骤:
(A):首先从注意行为特征库中取出样本图像,进行数据扩增,先应用双线性插值方法将图像缩小到256×256大小,然后按照224×224大小截取图像中左上角、右上角、左下角、右下角和中间部分图像块,最后将截取后的图像块进行水平翻转,总共有10张子图像块输入到卷积网络模型的第一卷积层,达到数据集扩增效果;
(B):数据扩增后进行ReLU非线性激活,激活后进行归一化处理,归一化处理是为了提高模型的泛化能力;然后再将数据输入到第二、第三卷积层,第二、第三卷积层直接相连,在进行归一化层和池化层之后,启用了9个Inception模块,模型在不同深度处增加了两个辅助性的分类量词来保证梯度回传消失;在初期模块操作之后,经过平均池化,降低特征维度,最后进行一个1024个...
【专利技术属性】
技术研发人员:齐妙,吕英华,郑彩侠,王建中,孔俊,
申请(专利权)人:东北师范大学,
类型:发明
国别省市:吉林;22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。