【摘要】：隨著教育步入智能時(shí)代,智能化的學(xué)生課堂行為識(shí)別變得越來越重要。但由于學(xué)生的課堂行為復(fù)雜多變,使得智能化的學(xué)生課堂行為識(shí)別存在困難。為了提高智能化學(xué)生行為識(shí)別的精度,文章首先采集了300名學(xué)生的7種典型課堂行為圖像,并進(jìn)行了數(shù)據(jù)預(yù)處理。隨后,文章將已在ImageNet數(shù)據(jù)集上訓(xùn)練好的經(jīng)典深度網(wǎng)絡(luò)模型——VGG16網(wǎng)絡(luò)模型遷移到學(xué)生課堂行為識(shí)別任務(wù)中。最后,通過與其它深度學(xué)習(xí)模型進(jìn)行實(shí)驗(yàn)對(duì)比,文章驗(yàn)證了VGG16網(wǎng)絡(luò)模型對(duì)學(xué)生課堂行為具有較高的識(shí)別精度。上述研究表明,基于深度學(xué)習(xí)的學(xué)生課堂行為識(shí)別能及時(shí)、精準(zhǔn)地反饋學(xué)生的課堂學(xué)習(xí)情況,有利于教師改進(jìn)教學(xué)方法、優(yōu)化課堂教學(xué)與管理,從而提高教與學(xué)的效率,助力教學(xué)改革。
【圖文】：

同學(xué)的7種（e）站立（f）

Vol.29No.7201988（a）聽課（b）左顧右盼（c）舉手（d）睡覺（e）站立（f）看書（g）書寫圖1Z同學(xué)的7種典型課堂行為圖像2數(shù)據(jù)預(yù)處理為了極大地滿足學(xué)生課堂行為識(shí)別的需要，本研究對(duì)采集的圖像進(jìn)行了以下預(yù)處理操作：①在保持比例不變的情況下，將尺寸不一的圖像統(tǒng)一縮放成300×300（空白部分補(bǔ)零）的圖像；②以中心點(diǎn)為基準(zhǔn)，縮放后的圖像統(tǒng)一裁剪為224×224的圖像；③圖像去均值。在深度網(wǎng)絡(luò)模型訓(xùn)練過程中，往往需要大量的訓(xùn)練樣本作為研究的數(shù)據(jù)支撐，但目前學(xué)生課堂行為識(shí)別數(shù)據(jù)的規(guī)模并不大。為了緩解目前訓(xùn)練樣本不足所導(dǎo)致的困難，本研究對(duì)訓(xùn)練圖像進(jìn)行了數(shù)據(jù)增強(qiáng)，以增加訓(xùn)練樣本數(shù)目。具體來說，本研究主要采用了以下11種數(shù)據(jù)增強(qiáng)方法：①圖像向左旋轉(zhuǎn)20度；②圖像向右旋轉(zhuǎn)20度；③添加高斯噪聲；④設(shè)定矩形框內(nèi)的灰度值設(shè)為0；⑤隨機(jī)設(shè)置部分的像素值設(shè)為0；⑥中值模糊；⑦均值模糊；⑧高斯模糊；⑨每張圖像每隔兩行的像素點(diǎn)設(shè)為0，關(guān)鍵點(diǎn)保留；⑩向左平移20個(gè)像素點(diǎn)；向上平移20個(gè)像素點(diǎn)。二基于深度學(xué)習(xí)的學(xué)生課堂行為識(shí)別1深度學(xué)習(xí)近年來，深度學(xué)習(xí)迅猛發(fā)展，，在語(yǔ)音識(shí)別、圖像分類、文本理解等方面取得重大突破，特別是在圖像識(shí)別方面的成績(jī)尤為突出。在圖像識(shí)別方面，卷積神經(jīng)網(wǎng)絡(luò)最為流行。其中，視覺幾何組網(wǎng)絡(luò)（VisualGeometryGroupNeuralNetwork，VGGNet）是由牛津大學(xué)計(jì)算機(jī)視覺組開發(fā)的一種具有代表性的卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)簡(jiǎn)潔且易于實(shí)現(xiàn)，在實(shí)際應(yīng)用中表現(xiàn)出了良好的性能，已得到了廣泛應(yīng)用[10]。基于此，本研究擬采用VGG16網(wǎng)絡(luò)模型（包含16個(gè)隱藏層的VGGNet，是VGGNet的經(jīng)典版本之

【參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 王琦;基于卷積神經(jīng)網(wǎng)絡(luò)的學(xué)生疲勞狀態(tài)檢測(cè)關(guān)鍵技術(shù)研究與實(shí)現(xiàn)[D];華中師范大學(xué);2016年

【共引文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前2條

1 梁昭德;基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛?cè)似跈z測(cè)算法研究[D];華南理工大學(xué);2018年

2 張敬然;基于面部識(shí)別技術(shù)的在線學(xué)習(xí)行為深度感知方法研究與應(yīng)用[D];南京師范大學(xué);2018年

【二級(jí)參考文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前10條

1 陳智;基于卷積神經(jīng)網(wǎng)絡(luò)的多標(biāo)簽場(chǎng)景分類[D];山東大學(xué);2015年

2 劉榮榮;基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別軟件的設(shè)計(jì)與實(shí)現(xiàn)[D];內(nèi)蒙古大學(xué);2015年

3 張子夫;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法研究與實(shí)現(xiàn)[D];吉林大學(xué);2015年

4 常歡;基于卷積神經(jīng)網(wǎng)絡(luò)的孤立手寫體漢字識(shí)別研究[D];安徽大學(xué);2015年

5 汪濟(jì)民;基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)和性別識(shí)別研究[D];南京理工大學(xué);2015年

6 李飛騰;卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[D];大連理工大學(xué);2014年

7 王強(qiáng);基于CNN的字符識(shí)別方法研究[D];天津師范大學(xué);2014年

8 陳先昌;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D];浙江工商大學(xué);2014年

9 張建利;基于面部特征的學(xué)習(xí)狀態(tài)的研究[D];太原理工大學(xué);2013年

10 蔣友毅;基于多特征的疲勞駕駛檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2013年

【相似文獻(xiàn)】

相關(guān)期刊論文 前4條

1 魏艷濤;秦道影;胡佳敏;姚璜;師亞飛;;基于深度學(xué)習(xí)的學(xué)生課堂行為識(shí)別[J];現(xiàn)代教育技術(shù);2019年07期

2 金瑭;;行為識(shí)別技術(shù)在教學(xué)中應(yīng)用的探討[J];電腦知識(shí)與技術(shù);2017年07期

3 韋心勤;歐軍明;;芻議CIS與學(xué)校形象建設(shè)[J];基礎(chǔ)教育研究;2013年06期

4 張連生;學(xué)校形象的價(jià)值及其塑造[J];教育評(píng)論;1999年06期

相關(guān)碩士學(xué)位論文 前1條

1 黨冬利;人體行為識(shí)別及在教育錄播系統(tǒng)中的應(yīng)用[D];西安科技大學(xué);2017年

本文編號(hào)：2610192