【技术实现步骤摘要】
本专利技术涉及教学质量评价，尤其涉及一种在线教育授课质量评价方法及系统。
技术介绍
1、网络在线教育目前已经成为一种新兴教学手段；该教学方式不受场地的限制，只需老师、学生均具有计算机设备终端即可实现，操作起来也非常灵活；因此，在线课堂的发展及其有效性建设对于教育学领域来说具有相当重要的影响。
2、如公开号为cn113065757a的专利文件中公开了一种线上课程授课质量的评价方法及装置，方法包括：获取线上课程的视频数据，所述视频数据中包括待评价对象；对所述视频数据进行人工智能处理，得到多个特征数据；将所述多个特征数据输入预先训练好的评价模型；获取所述评价模型基于所述多个特征数据得到的评价结果；其中，该专利方案的说明书[0052]段中也明确指出了，该方案基于对老师的授课质量进行评价；然而，对于一堂网络课程的评价，应当以学生角度出发，学生学习领悟到更多的内容才是对授课质量评价的重要指标。
3、目前，在线课堂学习的注意力集中程度作为学生课堂表现的主要方面，是表现性教育评价的基本依据。
4、当前的评价方法通过采用计算机视觉的技术，利用学生端的计算机终端获取学生的视频数据，基于学生端的视频数据，判断学生的注意力集中程度，然而，该形式依然存在以下困难：
5、第一，学生端的计算机终端所处环境情况复杂，视频质量较低，需要进行处理的数据比较多，增加了数据处理量；
6、第二，无法自动准确识别学生动作或表情以及各动作或表情差异，难以实现对学生动作或表情细节的准确提取和识别；
7、第
技术实现思路
1、本专利技术实施例的目的在于提供一种在线教育授课质量评价方法及系统，旨在解决上述
技术介绍
中所提出的技术问题。
2、为实现上述目的，本专利技术提供了如下的技术方案。
3、在本专利技术的第一方面，提供了一种在线教育授课质量评价方法，该方法包括：
4、基于学生端学习设备获取m个学生在n个期望学习时段的共计m×n个原始视频数据；
5、对每一个原始视频数据进行预处理，得到该原始视频数据的第一图片数据集；
6、将第一图片数据集输入到姿态行为检测模型中，根据姿态行为检测结果，生成第一检测结果，并将第一检测结果为负面的图片从第一图片数据集中剔除，得到第二图片数据集；
7、将第二图片数据集输入到面部表情检测模型中，根据面部表情检测结果，生成第二检测结果；
8、基于第二检测结果，得到用于表征第m个学生在第n个期望学习时段内注意力集中程度的评价分数；计算第n个期望学习时段内的m个学生的评价分数的均值an，对m个an进行统计，得到整场在线课程的授课质量评价值并输出。
9、作为本专利技术进一步的方案，对原始视频数据进行预处理的步骤包括：
10、提取基于预设时间间隔的原始视频数据中的多个帧图片；
11、基于mtcnn检测算法对帧图片中的学生人脸进行检测，得到多个人脸图片；
12、基于双线性插值算法对人脸图片尺寸进行缩放，将帧图片归一化成640×640×3的尺寸；
13、其中，将帧图片进行归一化缩放的转换关系如下：
14、x1＝rx×x0 (1)；
15、y1＝ry×y0 (2)；
16、在式(1)、式(2)中：rx表示图片在x方向上的缩放比例；ry表示图片在y方向上的缩放比例；x1表示缩放转换后的帧图片在x方向上的坐标值，y1表示缩放转换后的帧图片在y方向上的坐标值；x0表示原始的帧图片在x方向上的坐标值，y0表示原始的帧图片在y方向上的坐标值。
17、作为本专利技术进一步的方案，基于mtcnn检测算法对帧图片中的学生人脸进行检测的步骤包括：
18、基于对帧图片的尺度变换，构建帧图片的图片金字塔；
19、将图片金字塔导入到mtcnn检测算法模型中，利用全卷积网络对帧图片进行初步的特征提取和候选框选取，并使用bounding box regression方法将候选框进行多次的边框回归调整，使用非极大值抑制合并高度重合的候选框。
20、作为本专利技术进一步的方案，基于mtcnn检测算法对帧图片中的学生人脸进行检测的检测结果包括分类检测结果、候选框的回归检测结果和人脸关键特征点的回归检测结果；其中：
21、在分类检测结果中，对每个候选框样本i计算交叉熵损失函数：
22、
23、在式(3)中：ti表示卷积网络预测图片样本i是人脸的概率；表示ground-truth标签，
24、在候选框的回归检测结果中，针对每个候选框，预测其与最近的ground-truth之间的候选框左上坐标、高度和宽度，mtcnn检测算法模型学习目标的回归问题，其损失函数为欧式距离损失函数：
25、
26、在式(4)中：表示全卷积网络预测的回归坐标；表示ground-truth的坐标，包括候选框左上坐标、高度和宽度；
27、在人脸关键特征点的回归检测结果中，采用欧式距离损失：
28、
29、在式(5)中：表示网络预测得到的人脸特征点坐标，表示ground-truth的坐标，包括人脸特征点的6个坐标，共计12个数值；
30、其中，人脸特征点数量为六个，分别为左眼、右眼、鼻尖、左嘴角、右嘴角和下巴。
31、作为本专利技术进一步的方案，将第一图片数据集输入到姿态行为检测模型中，根据姿态行为检测结果，生成第一检测结果的步骤包括：
32、将人脸特征点与一个已知的三维人脸模型进行映射匹配，建立三维模型到二维人脸图像的平移矩阵t和旋转矩阵z；
33、基于四元数与欧拉角之间的一一对应关系，通过四元数计算人脸图片的头部姿态欧拉角，旋转矩阵向量的四元数表示为：g(α，β，λ，ω)；其中，α2+β2+λ2+ω2＝1，表示为旋转角度，c表示旋转轴；
34、欧拉角的计算公式为：
35、
36、θx表示绕x轴的旋转角度；θy表示绕y轴的角度；θz表示绕z轴的角度；
37、利用欧拉角各个数值及其均值、方差、标准差，构建头部姿态欧拉角特征向量c，c的表达式为(j1，j2，j3，u1，u2，u3)，均值u1、方差u2、标准差u3的计算方式如下：
38、均值：j1表示欧拉角的滚动角，j2表示欧拉角的俯仰角，j3表示欧拉角的偏航角；
39、方差：
40、标准差：
41、将特征向量c输入到两层结构的贝叶斯神经网络，得到第一检测结果。
42、作为本专利技术进一步的方案，在将人脸特征点与一个已知的三维人脸模型进行映射匹配的步骤之前，将第一图片数据集输入到姿态行为检测模型中，根据姿态行为检测结果，生成第一检测结果的步骤还包括本文档来自技高网...
【技术保护点】
1.一种在线教育授课质量评价方法，其特征在于，该方法包括：
2.根据权利要求1所述的在线教育授课质量评价方法，其特征在于，对原始视频数据进行预处理的步骤包括：
3.根据权利要求2所述的在线教育授课质量评价方法，其特征在于，基于MTCNN检测算法对帧图片中的学生人脸进行检测的步骤包括：
4.根据权利要求3所述的在线教育授课质量评价方法，其特征在于，基于MTCNN检测算法对帧图片中的学生人脸进行检测的检测结果包括分类检测结果、候选框的回归检测结果和人脸关键特征点的回归检测结果；其中：
5.根据权利要求4所述的在线教育授课质量评价方法，其特征在于，将第一图片数据集输入到姿态行为检测模型中，根据姿态行为检测结果，生成第一检测结果的步骤包括：
6.根据权利要求5所述的在线教育授课质量评价方法，其特征在于，在将人脸特征点与一个已知的三维人脸模型进行映射匹配的步骤之前，将第一图片数据集输入到姿态行为检测模型中，根据姿态行为检测结果，生成第一检测结果的步骤还包括：
7.根据权利要求6所述的在线教育授课质量评价方法，其特征在于
8.根据权利要求7所述的在线教育授课质量评价方法，其特征在于，在将第二图片数据集输入到模型中之前，还包括对第二图片数据集进行处理的步骤，具体包括：
9.根据权利要求8所述的在线教育授课质量评价方法，其特征在于，对M个An进行统计，得到整场在线课程的授课质量评价值的方式为：
10.一种用于实现如权利要求1-9任一所述在线教育授课质量评价方法的评价系统，其特征在于，该评价系统包括：
...【技术特征摘要】
1.一种在线教育授课质量评价方法，其特征在于，该方法包括：
2.根据权利要求1所述的在线教育授课质量评价方法，其特征在于，对原始视频数据进行预处理的步骤包括：
3.根据权利要求2所述的在线教育授课质量评价方法，其特征在于，基于mtcnn检测算法对帧图片中的学生人脸进行检测的步骤包括：
4.根据权利要求3所述的在线教育授课质量评价方法，其特征在于，基于mtcnn检测算法对帧图片中的学生人脸进行检测的检测结果包括分类检测结果、候选框的回归检测结果和人脸关键特征点的回归检测结果；其中：
5.根据权利要求4所述的在线教育授课质量评价方法，其特征在于，将第一图片数据集输入到姿态行为检测模型中，根据姿态行为检测结果，生成第一检测结果的步骤包括：
6.根据权利要求5所述的在线教育授课质量评价方法，其...
【专利技术属性】
技术研发人员：汪琳，于芳，唐敏，胡美娇，黄玲，
申请(专利权)人：安徽教育网络出版有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。