基于人工智能的教务管理系统及方法技术方案

本发明专利技术实施例提供一种基于人工智能的教务管理系统及方法，所述系统包括：图像采集模块、人脸特征识别模块、深度学习模块、状态分析模块，其中，图像采集模块用于采集目标学生的人脸信息；人脸特征识别用于通过人脸信息获取人脸异常状态信息；深度学习模块用于获取历史人脸信息，并根据历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息，并将信息数据输入到卷积神经网络模型进行训练；状态分析模块用于将人脸异常状态信息输入至卷积神经网络模型，得到对应的学生状态信息，并将对应的学生状态信息输出至教务终端。采用本系统能够侧面通过学生的学习状态对学生的学习成绩状态进行管理，方便改善学生的学习态度，提高学生的学习效率。

【技术实现步骤摘要】
基于人工智能的教务管理系统及方法
本专利技术涉及教务管理
，尤其涉及一种基于人工智能的教务管理系统及方法。
技术介绍
教务分析管理系统以电子网络为基础，来通过各模块对采集的信息进行增减、修改、存储，以便于教务相关人员，比如老师、学生进行管理、查询，为学校的教务管理提供一个可供分析的数据平台。学生的在校学习状态也是对于教务管理中重要的一环，学生的在校学习状态也基本上能够反映学生的学习效率和学习成绩。但目前的教务管理系统中，并没有对于学生学习状态的管理，也不能侧面的通过学生学习状态来分析学生的学习效率和学习成绩，所以目前亟需一种解决上述问题的教务管理系统。
技术实现思路
针对现有技术中存在的问题，本专利技术实施例提供一种基于人工智能的教务管理系统及方法。本专利技术实施例提供一种基于人工智能的教务管理系统，包括：图像采集模块、人脸特征识别模块、深度学习模块、状态分析模块，其中，所述图像采集模块与所述人脸特征识别模块连接，用于采集目标学生的人脸信息，并将所述人脸信息发送至所述人脸特征识别模块；所述人脸特征识别模块与所述图像采集模块、状态分析模块连接，用于通过所述人脸信息获取人脸异常状态信息，并将所述人脸异常状态信息发送至状态分析模块，所述人脸异常状态信息包括异常频率与异常时长；所述深度学习模块用于获取历史人脸信息，并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息，根据所述学生参数信息确定历史学生状态，并将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并将所述卷积神经网络模型发送至所述状态分析模块；所述状态分析模块用于将所述人脸异常状态信息输入至所述卷积神经网络模型，得到对应的学生状态信息，并将对应的学生状态信息输出至教务终端。本专利技术实施例提供一种基于上述系统的教务管理方法，包括：所述图像采集模块采集目标学生的人脸信息，并将所述人脸信息发送至所述人脸特征识别模块；所述人脸特征识别模块通过所述人脸信息获取人脸异常状态信息，并将所述人脸异常状态信息发送至状态分析模块，所述人脸异常状态信息包括异常频率与异常时长；所述深度学习模块获取历史人脸信息，并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息，根据所述学生参数信息确定历史学生状态；将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并将所述卷积神经网络模型发送至所述状态分析模块；所述状态分析模块将所述人脸异常状态信息输入至所述卷积神经网络模型，得到对应的学生状态信息，并将对应的学生状态信息输出至教务终端。在其中一个实施例中，所述方法还包括：根据所述学生状态信息生成对应的预警信息，根据所述学生参数信息获取对应的绑定终端；将所述预警信息发送至所述绑定终端。在其中一个实施例中，所述方法还包括：根据学生状态信息确定所述教学难度等级，并根据所述教学难度等级为所述学生状态信息对应学生分配对应等级的指导老师。在其中一个实施例中，所述方法学生参数信息，包括：时间信息、学生信息、单元信息、学生单元成绩信息。在其中一个实施例中，所述方法还包括：所述深度学习模块获取所述图像采集模块采集所述历史人脸信息时对应的时间信息和学生信息；根据所述时间信息确定学生上课时对应课程的单元信息，并根据所述单元信息和学生信息确定所述学生单元成绩信息。在其中一个实施例中，所述方法还包括：将历史人脸异常状态信息和历史学生状态的数据分为训练集和验证集，将所述训练集输入到卷积神经网络模型进行训练，得到训练后的初步卷积神经网络模型；通过所述验证集输入到训练后的初步卷积神经网络模型进行测试，测试完成后得到所述训练后的卷积神经网络模型。本专利技术实施例提供的基于人工智能的教务管理系统及方法，通过借助人工智能的深度学习，对学生的学习时的状态和学习的成绩状态进行数据处理，建立学习状态与成绩状态的模型，侧面通过学生的学习状态对学生的学习成绩状态进行管理，方便改善学生的学习态度，提高学生的学习效率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中基于人工智能的教务管理系统的结构图；图2为本专利技术实施例中基于人工智能的教务管理方法的流程图。具体实施方式图1为本专利技术实施例提供的基于人工智能的教务管理系统的结构示意图，如图1所示，本专利技术实施例提供了一种基于人工智能的教务管理系统，包括：图像采集模块101、人脸特征识别模块102、深度学习模块103、状态分析模块104。其中，图像采集模块101与人脸特征识别模块102连接，用于采集目标学生的人脸信息，并将所述人脸信息发送至所述人脸特征识别模块。图像采集模块可以在上课时，采集目标学生的人脸信息，其中，目标学生可以是课堂上的一位学生，也可以是课堂上的部分或所有学生，在获取到目标学生的清晰人脸图像后，将人脸信息发送至人脸特征识别模块。人脸特征识别模块102与图像采集模块101、状态分析模块104连接，用于通过所述人脸信息获取人脸异常状态信息，并将所述人脸异常状态信息发送至状态分析模块，所述人脸异常状态信息包括异常频率与异常时长。人脸特征识别模块用于人脸信息中的人脸异常状态信息，其中，人脸异常可以指学生的人脸并没有朝向课桌、老师或者黑板时的情况，也可以是学生在朝某一个方向发呆的情况，获取上课时学生的异常频率和异常时长，将人脸异常状态信息发送至状态分析模块。深度学习模块103与状态分析模块104连接，用于获取历史人脸信息，并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息，根据所述学生参数信息确定历史学生状态，并将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并将所述卷积神经网络模型发送至所述状态分析模块。深度学习模块可以连接教学管理系统中的历史数据管理模块，获取图像采集模块采集的历史人脸信息，并根据历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息，其中，学生参数信息可以包括学生的身份信息和成绩信息，历史人脸异常状态信息包括上课时学生的历史异常频率和历史异常时长，然后根据学生参数信息确定历史学生状态，其中，历史学生状态为学生信息和学生成绩（历史人脸信息对应的课时对应单元的成绩）之间的对应关系，将历史学生状态和历史人脸异常状态信息输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并将所述卷积神经网络模型发送至所述状态分析模块。状态分析模块104与人脸特征识别模块102本文档来自技高网...

【技术保护点】
1.一种基于人工智能的教务管理系统，其特征在于，包括：图像采集模块、人脸特征识别模块、深度学习模块、状态分析模块，其中，/n所述图像采集模块与所述人脸特征识别模块连接，用于采集目标学生的人脸信息，并将所述人脸信息发送至所述人脸特征识别模块；/n所述人脸特征识别模块与所述图像采集模块、状态分析模块连接，用于通过所述人脸信息获取人脸异常状态信息，并将所述人脸异常状态信息发送至状态分析模块，所述人脸异常状态信息包括异常频率与异常时长；/n所述深度学习模块用于获取历史人脸信息，并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息，根据所述学生参数信息确定历史学生状态，并将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并将所述卷积神经网络模型发送至所述状态分析模块；/n所述状态分析模块用于将所述人脸异常状态信息输入至所述卷积神经网络模型，得到对应的学生状态信息，并将对应的学生状态信息输出至教务终端。/n

【技术特征摘要】
1.一种基于人工智能的教务管理系统，其特征在于，包括：图像采集模块、人脸特征识别模块、深度学习模块、状态分析模块，其中，
所述图像采集模块与所述人脸特征识别模块连接，用于采集目标学生的人脸信息，并将所述人脸信息发送至所述人脸特征识别模块；
所述人脸特征识别模块与所述图像采集模块、状态分析模块连接，用于通过所述人脸信息获取人脸异常状态信息，并将所述人脸异常状态信息发送至状态分析模块，所述人脸异常状态信息包括异常频率与异常时长；
所述深度学习模块用于获取历史人脸信息，并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息，根据所述学生参数信息确定历史学生状态，并将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并将所述卷积神经网络模型发送至所述状态分析模块；
所述状态分析模块用于将所述人脸异常状态信息输入至所述卷积神经网络模型，得到对应的学生状态信息，并将对应的学生状态信息输出至教务终端。


2.一种基于权利要求1所述的教务管理方法，其特征在于，所述方法包括：
所述图像采集模块采集目标学生的人脸信息，并将所述人脸信息发送至所述人脸特征识别模块；
所述人脸特征识别模块通过所述人脸信息获取人脸异常状态信息，并将所述人脸异常状态信息发送至状态分析模块，所述人脸异常状态信息包括异常频率与异常时长；
所述深度学习模块获取历史人脸信息，并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息，根据所述学生参数信息确定历史学生状态；
将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并将所述卷积神经网络模型...

【专利技术属性】
技术研发人员：戴锦阳，马泽民，曹燕丽，兰莎，
申请(专利权)人：嘉兴南洋职业技术学院，
类型：发明
国别省市：浙江;33