人脸检测和表情识别在课堂教学评价中的应用研究

发布时间：2020-12-06 00:42

　　传统课堂教学评价往往效率低下,并带有较强的主观性。本文针对传统课堂评价中存在的不足,结合深度学习技术,在CNN模型基础上建立起适合课堂场景的人脸检测和表情识别模型,得到比较准确的人脸特征,接着使用朴素贝叶斯分类器对得到的人脸特征进行分类和评价,然后研究面部特征与课堂质量之间的关系,最后建立起基于人脸检测和表情识别的课堂评价规则。实验数据表明,本研究可以作为课堂教学评价的重要参考指标。 

【文章来源】：山东商业职业技术学院学报. 2020年02期 第100-104页

【文章页数】：5 页

【部分图文】：

基于联级CNN模型的人脸检测步骤

模型优化效果图

实验时长约40分钟,拍摄设备为一般手机后置摄像头,得到视频的格式为MP4,帧率30FPS。对视频检测和计算的速率为2次/秒,40分钟共检测和计算了约1200次,对40分钟内班级整体抬头听课率进行检测和分析,结果如图3所示:对图4的数据每隔10分钟对抬头听课率进行求平均计算,可以得出以下结果:班级抬头听课率随课堂时间而变化,课堂前十分钟的抬头听课率为0.55,班级活跃度为一般,10至20分钟抬头听课率为0.62,活跃度为良好,20至30分钟,抬头率为0.73,活跃度为优秀,30分钟以后,抬头率为0.41,活跃度为差。结果表明,学生的活跃度在10到30分钟之间是最好的,超过30分钟,活跃度急剧下降。这也与相关研究中人的注意力保持时间规律相吻合。因此,相关教师在组织课堂教学时,尽量把重点的教学内容放在10到30分钟这个时间段进行讲解,30分钟以后,尽量不要讲解重点和难点。


本文编号：2900389