[发明专利]一种基于图像识别的学生专注力的检测方法

说明书

本发明涉及一种基于图像识别的学生专注力的检测方法。目的是解决现有的专注力检测方法效率不高的技术问题。技术方案为：一种基于图像识别的学生专注力的检测方法，包括如下步骤：采集视频数据；图像预处理；图像信息识别；为学生的专注度状态分类；专注度对比；输出对比结果，其中图像识别采用基于改进的深度可分离卷积搭建的轻量级卷积神经网络，将深度可分离卷积模块和连续非对称卷积按照Inception结构进行组合，轻量级表情识别卷积神经网络模型包括输入流程模块、中间流程模块和输出流程模块。本发明使用深度可分离卷积和连续非对称卷积有效的压缩了参数量，加快了表情识别的检测效率，提升了学生专注力的检测效率。

技术领域

本发明属于教育技术领域，具体涉及一种基于图像识别的学生专注力的检测方法。

背景技术

专注力，又称注意力，指一个人专心于某一事物、或活动时的心理状态，人的注意力，受多方面因素的影响，注意力缺陷，常常是许多学习差学生的共同特点，因此，如何全面有效的把握、分析学生的专注程度，对于把握学习状态，提高课堂教学质量，开展教学研究都是十分必要的。

近年来，随着人脸检测技术的快速发展、日益成熟，人脸检测已经成为一项成熟的技术进入人们的日常生活和工作中，计算机硬件性能的飞跃提升很好的促进了人脸图像处理相关的应用发展，因而人脸图像处理在当今应用和研究也显得愈发重要。

老师在上课过程中很难对学生的每一个细节进行观察，而且会分散老师的注意力，现有的检测方法效率不高。

发明内容

本发明的目的是解决现有的专注力检测方法效率不高的技术问题，提供一种基于图像识别的学生专注力的检测方法。

为解决上述技术问题，本发明采用的技术方案是：

一种基于图像识别的学生专注力的检测方法，包括如下步骤：

1)采集视频数据：通过教室内的摄像头实时采集学生的视频数据；

2)图像预处理：对步骤1)所采集的视频数据进行截图，抓取出学生面部图像信息，然后对图像依次进行平移、旋转、缩放、切割的标准化处理，处理得到尺寸一致的图像信息；

3)图像信息识别：将步骤2)处理所得的图像信息输入到训练好的轻量级表情识别卷积神经网络模型中，对图像中的学生表情进行识别，得到学生的专注度状态；

4)为学生的专注度状态分类；

5)专注度对比：将步骤3)中得到的专注度状态与步骤4)中的专注度分类状态进行对比分析；

6)输出对比结果：老师根据步骤5)的输出结果对专注力不认真的学生作出对应的反馈。

进一步的，所述步骤3)中的轻量级表情识别卷积神经网络模型是基于改进的深度可分离卷积搭建的轻量级卷积神经网络，将深度可分离卷积模块和连续非对称卷积按照Inception结构进行组合；

所述轻量级表情识别卷积神经网络模型包括输入流程模块、中间流程模块和输出流程模块。

进一步的，所述中间流程模块使用了4段重复的经过改进的具有Inception结构的深度可分离卷积模块，且引入残差连接。

进一步的，所述改进的具有Inception结构的深度可分离卷积模块引入了深度可分离卷积和连续的非对称卷积。

进一步的，所述输出流程模块使用了普通的深度可分离卷积、激活函数、批归一化层和最大池化层，实现了特征向量的平稳过度。

进一步的，所述步骤3)中的专注度状态分为认真、一般和不认真三种；

专注度认真的学生可以捕捉到完整的面部特征，坐姿居中、表情比较严肃；