【技术实现步骤摘要】
一种课堂专注度的检测方法及装置
本专利技术涉及人工智能
，尤其涉及一种课堂专注度的检测方法及装置。
技术介绍
在人工智能领域中，为提高神经网络的训练效率和模型的推理能力，通常会使用预训练模型来加速训练过程，提升模型的性能。同理，当人工智能技术应用于数字教学领域，需要使用大量不同类型的课堂数据样本进行训练，模型推理才能较为准确的识别出学生面部特征和人体姿态等信息以进行专注度分析。现有课堂专注度分析方法难以客观的分析学生专注度，其多受限于单一教学环境，如只能检测学生以坐姿听讲的室内教学环境，无法进行室外体育课程的专注度分析；因此，如何有效地应用不同课堂环境下的专注度分析模型，并且以优质的计算方式保证专注度分析结果的客观有效性，现有方法还有待于改进和发展。上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
本专利技术的主要目的在于提供一种课堂专注度的检测方法及装置，旨在解决现有技术中的人工智能技术难以在客观上分析学生专注度，其多受限于单一教学环境，不...
【技术保护点】
1.一种课堂专注度的检测方法，其特征在于，所述方法包括以下步骤：/n基于专注度识别模型从当前教学场景图像中获取各个学生的姿态数据和面部表情数据；/n基于各个学生的姿态数据实时生成姿态优化基准；/n基于各个学生的面部表情数据实时生成表情优化基准；/n基于所述姿态优化基准、所述表情优化基准以及每个学生对应的姿态数据和面部表情数据计算每个学生的初始专注度评估值；/n筛选出初始专注度评估值不满足预设条件的目标学生。/n
【技术特征摘要】
1.一种课堂专注度的检测方法，其特征在于，所述方法包括以下步骤：
基于专注度识别模型从当前教学场景图像中获取各个学生的姿态数据和面部表情数据；
基于各个学生的姿态数据实时生成姿态优化基准；
基于各个学生的面部表情数据实时生成表情优化基准；
基于所述姿态优化基准、所述表情优化基准以及每个学生对应的姿态数据和面部表情数据计算每个学生的初始专注度评估值；
筛选出初始专注度评估值不满足预设条件的目标学生。
2.如权利要求1所述的方法，其特征在于，所述基于各个学生的姿态数据实时生成姿态优化基准的步骤，包括：
实时对各个学生的姿态数据进行评估，获取各个学生的姿态评估值，将所有学生的姿态评估值的平均值作为姿态优化基准；
所述基于各个学生的面部表情数据实时生成表情优化基准的步骤，包括：
实时对各个学生的面部表情数据进行评估，获取各个学生的表情评估值，将所有学生的表情评估值的平均值作为表情优化基准；
相应地，所述基于所述姿态优化基准、所述表情优化基准以及每个学生对应的姿态数据和面部表情数据计算每个学生的初始专注度评估值的步骤，包括：
基于所述姿态优化基准、所述表情优化基准以及每个学生对应的姿态评估值和表情评估值计算每个学生的初始专注度评估值。
3.如权利要求2所述的方法，其特征在于，所述基于所述姿态优化基准、所述表情优化基准以及每个学生对应的姿态评估值和表情评估值计算每个学生的初始专注度评估值的步骤，具体包括：
将每个学生的姿态评估值与所述姿态优化基准进行比较，以获取每个学生的专注度姿态评估值；
将每个学生的表情评估值与所述表情优化基准进行比较，以获取每个学生的专注度表情评估值；
获取所述专注度姿态评估值和表情评估值在专注度评估值中的预设加权比例；
根据所述预设加权比例、每个学生对应专注度姿态评估值和专注度表情评估值计算每个学生的初始专注度评估值；
相应地，所述筛选出初始专注度评估值不满足预设条件的目标学生的步骤，包括：
分别对各个学生的初始专注度评估值与当前标准评分进行比较，筛选出初始专注度评估值小于所述当前标准评分的目标学生；其中，所述当前标准评分实时基于所述姿态优化基准和所述表情优化基准生成。
4.如权利要求3所述的方法，其特征在于，所述筛选出初始专注度评估值小于所述当前标准评分的目标学生的步骤之后，还包括：
确定所述目标学生的姿态数据和面部表情数据；
根据所述目标学生的初始专注度评估值与所述当前标准评分的差值生成所述目标学生专注度修正数据，以对所述目标学生的初始专注度评估值进行修正。
5.如权利要求1-4任一项所述的方法，其特征在于，所述专注度识别模型包括预设教学环境识别模型、预设人体姿态识别模型、预设表情识别模型和预设人脸识别模型；
所述基于专注度识别模型从当前教学场景图像中获取各个学生的姿态数据...
【专利技术属性】
技术研发人员：易秋晨，罗明宇，
申请(专利权)人：东云睿连武汉计算技术有限公司，
类型：发明
国别省市：湖北;42
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。