基于改进YOLOv7的学生行为识别方法、装置、系统及可读存储介质制造方法及图纸

本发明专利技术涉及一种基于改进YOLOv7的学生行为识别方法、装置、系统及可读存储介质，属于计算机视觉学生行为识别技术领域。首先，将学生课堂行为数据集经过预处理，得到预处理图像数据；其次，将预处理图像数据输入至基于YOLOv7优化后的网络，通过在高效层聚合网络模块融入通道注意力机制，对输入数据作通道特征提取，并将有效的通道特征与其他多尺度特征进行特征融合，得到三个不同尺度的特征图；再次，将不同尺度的特征图输入基于可切换空洞卷积的输出头模块，以有效改进特征表示；最后，将改进后的特征表示输入学生行为输出网络检测头，得到学生行为识别结果。本发明专利技术解决了真实教学场景下计算机识别学生课堂行为的问题。

【技术实现步骤摘要】

本专利技术涉及一种基于改进yolov7的学生行为识别方法、装置、系统及可读存储介质，属于计算机视觉学生行为识别。

技术介绍

1、随着计算机技术的快速发展，深度学习技术广泛应用于各个领域，这些技术主要是利用卷积网络对目标特征进行分类或者检测，尤其在学生行为识别任务上展现出了卓越的性能。目前在教育领域方面，国内通过引用深度学习技术，让智慧课堂得到快速发展。学生课堂行为识别能够帮助教师更好地认识学生学习的质量，作为学习投入重要组成部分的学生课堂行为识别研究，一直以来备受研究者的关注。目前针对该领域的研究主要分为基于传统的课堂行为识别方法和基于深度学习的课堂行为识别方法。

2、传统的学生课堂行为分析是以人工观察记录实现的，例如：s-t课堂教学分析法，通过人工观察并记录学生课堂行为，以此评价学生的学习效果；弗兰德斯互动分析系统，通过对课堂上师生语言交流行为的编码分类，来捕捉课堂动态和互动模式；此外，还有基于信息技术的互动分析系统，采用改进的量化分析工具进行课堂教学的量化评价，反映课堂教学的效果。这些方法依赖人的观察对课堂教学进行分析，没有利用人工智能、计本文档来自技高网...

【技术保护点】

1.一种基于改进YOLOv7的学生行为识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于改进YOLOv7的学生行为识别方法，其特征在于，所述Step1具体为：

3.根据权利要求2所述的基于改进YOLOv7的学生行为识别方法，其特征在于：所述预处理包括数据划分，数据增强，图像标准化和数据格式转换。

4.根据权利要求1所述的基于改进YOLOv7的学生行为识别方法，其特征在于：所述高效层聚合网络模块包括多个卷积层、批归一化层和sliu激活函数层。

5.根据权利要求2所述的基于改进YOLOv7的学生行为识别方法，其特征在于：所述学生...

【技术特征摘要】

1.一种基于改进yolov7的学生行为识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于改进yolov7的学生行为识别方法，其特征在于，所述step1具体为：

3.根据权利要求2所述的基于改进yolov7的学生行为识别方法，其特征在于：所述预处理包括数据划分，数据增强，图像标准化和数据格式转换。

4.根据权利要求1所述的基于改进yolov7的学生行为识别方法，其特征在于：所述高效层聚合网络模块包括多个卷积层、批归一化层和sliu激活函数层。

5.根据权利要求2所述的基于改进yolov7的学生行为识别方法，其特征在于：所述学生目标边界框中，采用基于动态非单调聚焦机制的边界...

【专利技术属性】
技术研发人员：张姝，吴绩鑫，吴迪，陈恳，王俊，
申请(专利权)人：云南师范大学，
类型：发明
国别省市：