基于深度学习的学生课堂行为识别

发布时间：2020-04-01 08:10

【摘要】：随着教育步入智能时代,智能化的学生课堂行为识别变得越来越重要。但由于学生的课堂行为复杂多变,使得智能化的学生课堂行为识别存在困难。为了提高智能化学生行为识别的精度,文章首先采集了300名学生的7种典型课堂行为图像,并进行了数据预处理。随后,文章将已在ImageNet数据集上训练好的经典深度网络模型——VGG16网络模型迁移到学生课堂行为识别任务中。最后,通过与其它深度学习模型进行实验对比,文章验证了VGG16网络模型对学生课堂行为具有较高的识别精度。上述研究表明,基于深度学习的学生课堂行为识别能及时、精准地反馈学生的课堂学习情况,有利于教师改进教学方法、优化课堂教学与管理,从而提高教与学的效率,助力教学改革。
【图文】：

同学的7种（e）站立（f）

Vol.29No.7201988（a）听课（b）左顾右盼（c）举手（d）睡觉（e）站立（f）看书（g）书写图1Z同学的7种典型课堂行为图像2数据预处理为了极大地满足学生课堂行为识别的需要，本研究对采集的图像进行了以下预处理操作：①在保持比例不变的情况下，将尺寸不一的图像统一缩放成300×300（空白部分补零）的图像；②以中心点为基准，缩放后的图像统一裁剪为224×224的图像；③图像去均值。在深度网络模型训练过程中，往往需要大量的训练样本作为研究的数据支撑，但目前学生课堂行为识别数据的规模并不大。为了缓解目前训练样本不足所导致的困难，本研究对训练图像进行了数据增强，以增加训练样本数目。具体来说，本研究主要采用了以下11种数据增强方法：①图像向左旋转20度；②图像向右旋转20度；③添加高斯噪声；④设定矩形框内的灰度值设为0；⑤随机设置部分的像素值设为0；⑥中值模糊；⑦均值模糊；⑧高斯模糊；⑨每张图像每隔两行的像素点设为0，关键点保留；⑩向左平移20个像素点；向上平移20个像素点。二基于深度学习的学生课堂行为识别1深度学习近年来，深度学习迅猛发展，，在语音识别、图像分类、文本理解等方面取得重大突破，特别是在图像识别方面的成绩尤为突出。在图像识别方面，卷积神经网络最为流行。其中，视觉几何组网络（VisualGeometryGroupNeuralNetwork，VGGNet）是由牛津大学计算机视觉组开发的一种具有代表性的卷积神经网络，其结构简洁且易于实现，在实际应用中表现出了良好的性能，已得到了广泛应用[10]。基于此，本研究拟采用VGG16网络模型（包含16个隐藏层的VGGNet，是VGGNet的经典版本之

【参考文献】

相关硕士学位论文 前1条

1 王琦;基于卷积神经网络的学生疲劳状态检测关键技术研究与实现[D];华中师范大学;2016年

【共引文献】

相关硕士学位论文 前2条

1 梁昭德;基于卷积神经网络的驾驶人疲劳检测算法研究[D];华南理工大学;2018年

2 张敬然;基于面部识别技术的在线学习行为深度感知方法研究与应用[D];南京师范大学;2018年

【二级参考文献】

相关硕士学位论文 前10条

1 陈智;基于卷积神经网络的多标签场景分类[D];山东大学;2015年

2 刘荣荣;基于卷积神经网络的手写数字识别软件的设计与实现[D];内蒙古大学;2015年

3 张子夫;基于卷积神经网络的目标跟踪算法研究与实现[D];吉林大学;2015年

4 常欢;基于卷积神经网络的孤立手写体汉字识别研究[D];安徽大学;2015年

5 汪济民;基于卷积神经网络的人脸检测和性别识别研究[D];南京理工大学;2015年

6 李飞腾;卷积神经网络及其应用[D];大连理工大学;2014年

7 王强;基于CNN的字符识别方法研究[D];天津师范大学;2014年

8 陈先昌;基于卷积神经网络的深度学习算法与应用研究[D];浙江工商大学;2014年

9 张建利;基于面部特征的学习状态的研究[D];太原理工大学;2013年

10 蒋友毅;基于多特征的疲劳驾驶检测系统的设计与实现[D];华中科技大学;2013年

【相似文献】

相关期刊论文 前4条

1 魏艳涛;秦道影;胡佳敏;姚璜;师亚飞;;基于深度学习的学生课堂行为识别[J];现代教育技术;2019年07期

2 金瑭;;行为识别技术在教学中应用的探讨[J];电脑知识与技术;2017年07期

3 韦心勤;欧军明;;刍议CIS与学校形象建设[J];基础教育研究;2013年06期

4 张连生;学校形象的价值及其塑造[J];教育评论;1999年06期

相关硕士学位论文 前1条

1 党冬利;人体行为识别及在教育录播系统中的应用[D];西安科技大学;2017年

本文编号：2610192