基于卷积神经网络的学生课堂行为识别研究

发布时间：2021-05-25 16:35

　　课堂行为识别一直是教育领域的研究重点和难点。在传统课堂上,教师通过观察学生的行为判断学生学习状态,进而形成教学反馈,但这种方式耗时费力,不能满足当今智慧学习环境下大规模课堂分析需求。因此,探索利用人工智能技术自动识别学生课堂行为具有十分重要的意义。本文重点关注复杂教室环境下的学生课堂行为识别,提出将深度学习方法应用于课堂行为识别,实现对学生日常课堂行为的监测与分析。该研究对提高课堂教学质量、助力教育决策与教学管理等具有重要的指导意义。本研究针对课堂行为识别中利用人工观察的方式,繁琐且耗时等问题,利用卷积神经网络强大的特征学习能力,探索解决学生课堂行为自动识别的有效方案。论文的具体工作如下:（1）构建学生课堂行为数据库。目前并无公开的学生课堂行为数据库,因此,本文采集了大量学生课堂数据,最终选取包含五类行为的3630张图像,构建学生课堂行为数据库,具体的行为包括:举手、站立、看书、听课和写字。（2）设计基于深度学习的学生课堂行为识别方法。由于教室中背景复杂且学生个体像素少、数量较多,同时学生之间遮挡较为严重等问题,致使学生课堂行为识别比较困难。因此,本文首先提出对小目标检测效果好、速度快... 

【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状分析
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 研究内容
    1.4 论文组织架构
第2章 相关理论与技术
    2.1 卷积神经网络模型
        2.1.1 卷积神经网络结构
        2.1.2 卷积神经网络优点
    2.2 迁移学习理论
    2.3 典型卷积神经网络架构介绍
        2.3.1 GoogLeNet模型
        2.3.2 ResNet模型
        2.3.3 Xception模型
        2.3.4 DenseNet模型
    2.4 YOLO系列算法介绍
        2.4.1 POLO目标检测算法
        2.4.2 YOLOV2目标检测算法
        2.4.3 YOLOV3目标检测算法
    2.5 Tensorflow深度学习框架
    2.6 小结
第3章 构建学生课堂行为数据库
    3.1 学生行为定义
    3.2 数据来源
    3.3 数据标注
    3.4 数据分析
    3.5 小结
第4章 基于多模型与算法综合的学生课堂行为识别研究
    4.1 学生课堂行为识别网络模型的总体结构设计
    4.2 基于YOLOV3的人体信息检测
        4.2.1非极大值抑制处理物体重复检测方法
        4.2.2 损失函数
        4.2.3 模型训练
        4.2.4 实验分析
    4.3 基于迁移学习的中小学学生课堂行为识别研究
        4.3.1 Xception网络结构
        4.3.2 基于Xception预训练模型的迁移学习
        4.3.3 模型训练
        4.3.4 实验分析
    4.4 学生行为识别测试结果
    4.5 学生行为识别结果可视化分析
        4.5.1 Streamlit介绍
        4.5.2 用户界面设计与实现
        4.5.3 窗口主线程模块设计
        4.5.4 学生行为识别结果界面与分析
    4.6 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
在校期间发表的论文、科研成果
致谢


【参考文献】：
期刊论文
[1]基于深度学习的人体行为识别网络设计[J]. 叶青,杨航.  中国科技信息. 2020(10)
[2]基于大数据技术的网络异常行为检测模型[J]. 刘建兰,覃仁超,何梦乙,熊健.  计算机测量与控制. 2020(03)
[3]基于OpenPose人体姿态识别的变电站危险行为检测[J]. 朱建宝,许志龙,孙玉玮,马青山.  自动化与仪表. 2020(02)
[4]基于场景-部件的人体行为识别方法[J]. 李俊国,周书仁,蔡碧野.  测控技术. 2020(02)
[5]基于CNN与双向LSTM的行为识别算法[J]. 吴潇颖,李锐,吴胜昔.  计算机工程与设计. 2020(02)
[6]基于动作主视图和LSTM网络模型的人体行为识别[J]. 盛敏,李兰.  安庆师范大学学报(自然科学版). 2020(01)
[7]基于DenseNet的图像识别方法研究[J]. 高建瓴,王竣生,王许.  贵州大学学报(自然科学版). 2019(06)
[8]结合反残差块和YOLOv3的目标检测法[J]. 焦天驰,李强,林茂松,贺贤珍.  传感器与微系统. 2019(09)
[9]基于卷积神经网络的彩色图像声呐目标检测[J]. 王晓,关志强,王静,王永强.  计算机应用. 2019(S1)
[10]基于残差网络的学生课堂行为识别[J]. 蒋沁沂,张译文,谭思琪,杨耀祖.  现代计算机. 2019(20)

博士论文
[1]深度学习下的影像识别研究[D]. 祁雷.中国科学院大学(中国科学院西安光学精密机械研究所) 2019
[2]基于多视角学习和迁移学习的分类方法及应用研究[D]. 姜志彬.江南大学 2019
[3]奶牛发情体征及行为智能检测技术研究[D]. 刘忠超.西北农林科技大学 2019
[4]基于迁移学习的跨域人体行为识别研究[D]. 刘阳.西安电子科技大学 2019
[5]基于卷积神经网络的人体行为分析与步态识别研究[D]. 李超.浙江大学 2019

硕士论文
[1]基于改进神经网络的数字调制信号的综合识别[D]. 徐志超.南京邮电大学 2019
[2]基于深度卷积神经网络的人脸图像分类应用研究[D]. 曹戈.吉林大学 2019
[3]基于机器学习的行人姿态估计及识别的算法研究[D]. 郑胜昌.山东大学 2019
[4]基于深度学习的蛋鸡行为检测方法研究与系统开发[D]. 王凯.浙江农林大学 2019
[5]基于Tensorflow的循环神经网络模型在上海市空气质量预测中的应用[D]. 刘蕾.上海师范大学 2019
[6]基于深度学习的人体行为识别技术的研究与应用[D]. 刘潇.北京邮电大学 2019
[7]基于深度学习的视频行为识别研究[D]. 林闯.北京邮电大学 2019
[8]基于Seetaface人脸识别引擎的面授课堂智能管理系统的研究与实现[D]. 肖进.江苏大学 2019
[9]基于YOLOv3和多目标跟踪的智能交通视频监控系统[D]. 曾星宇.桂林电子科技大学 2019
[10]基于数字图像处理的课堂行为识别方法的研究[D]. 冀翀晓.太原理工大学 2019



本文编号：3205664