課堂行為識別一直是教育領域的研究重點和難點。在傳統(tǒng)課堂上,教師通過觀察學生的行為判斷學生學習狀態(tài),進而形成教學反饋,但這種方式耗時費力,不能滿足當今智慧學習環(huán)境下大規(guī)模課堂分析需求。因此,探索利用人工智能技術自動識別學生課堂行為具有十分重要的意義。本文重點關注復雜教室環(huán)境下的學生課堂行為識別,提出將深度學習方法應用于課堂行為識別,實現(xiàn)對學生日常課堂行為的監(jiān)測與分析。該研究對提高課堂教學質量、助力教育決策與教學管理等具有重要的指導意義。本研究針對課堂行為識別中利用人工觀察的方式,繁瑣且耗時等問題,利用卷積神經(jīng)網(wǎng)絡強大的特征學習能力,探索解決學生課堂行為自動識別的有效方案。論文的具體工作如下:（1）構建學生課堂行為數(shù)據(jù)庫。目前并無公開的學生課堂行為數(shù)據(jù)庫,因此,本文采集了大量學生課堂數(shù)據(jù),最終選取包含五類行為的3630張圖像,構建學生課堂行為數(shù)據(jù)庫,具體的行為包括:舉手、站立、看書、聽課和寫字。（2）設計基于深度學習的學生課堂行為識別方法。由于教室中背景復雜且學生個體像素少、數(shù)量較多,同時學生之間遮擋較為嚴重等問題,致使學生課堂行為識別比較困難。因此,本文首先提出對小目標檢測效果好、速度快... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：55 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現(xiàn)狀分析
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內研究現(xiàn)狀
    1.3 研究內容
    1.4 論文組織架構
第2章 相關理論與技術
    2.1 卷積神經(jīng)網(wǎng)絡模型
        2.1.1 卷積神經(jīng)網(wǎng)絡結構
        2.1.2 卷積神經(jīng)網(wǎng)絡優(yōu)點
    2.2 遷移學習理論
    2.3 典型卷積神經(jīng)網(wǎng)絡架構介紹
        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系列算法介紹
        2.4.1 POLO目標檢測算法
        2.4.2 YOLOV2目標檢測算法
        2.4.3 YOLOV3目標檢測算法
    2.5 Tensorflow深度學習框架
    2.6 小結
第3章 構建學生課堂行為數(shù)據(jù)庫
    3.1 學生行為定義
    3.2 數(shù)據(jù)來源
    3.3 數(shù)據(jù)標注
    3.4 數(shù)據(jù)分析
    3.5 小結
第4章 基于多模型與算法綜合的學生課堂行為識別研究
    4.1 學生課堂行為識別網(wǎng)絡模型的總體結構設計
    4.2 基于YOLOV3的人體信息檢測
        4.2.1非極大值抑制處理物體重復檢測方法
        4.2.2 損失函數(shù)
        4.2.3 模型訓練
        4.2.4 實驗分析
    4.3 基于遷移學習的中小學學生課堂行為識別研究
        4.3.1 Xception網(wǎng)絡結構
        4.3.2 基于Xception預訓練模型的遷移學習
        4.3.3 模型訓練
        4.3.4 實驗分析
    4.4 學生行為識別測試結果
    4.5 學生行為識別結果可視化分析
        4.5.1 Streamlit介紹
        4.5.2 用戶界面設計與實現(xiàn)
        4.5.3 窗口主線程模塊設計
        4.5.4 學生行為識別結果界面與分析
    4.6 本章小結
第5章 總結與展望
    5.1 工作總結
    5.2 工作展望
參考文獻
在校期間發(fā)表的論文、科研成果
致謝


【參考文獻】：
期刊論文
[1]基于深度學習的人體行為識別網(wǎng)絡設計[J]. 葉青,楊航.  中國科技信息. 2020(10)
[2]基于大數(shù)據(jù)技術的網(wǎng)絡異常行為檢測模型[J]. 劉建蘭,覃仁超,何夢乙,熊健.  計算機測量與控制. 2020(03)
[3]基于OpenPose人體姿態(tài)識別的變電站危險行為檢測[J]. 朱建寶,許志龍,孫玉瑋,馬青山.  自動化與儀表. 2020(02)
[4]基于場景-部件的人體行為識別方法[J]. 李俊國,周書仁,蔡碧野.  測控技術. 2020(02)
[5]基于CNN與雙向LSTM的行為識別算法[J]. 吳瀟穎,李銳,吳勝昔.  計算機工程與設計. 2020(02)
[6]基于動作主視圖和LSTM網(wǎng)絡模型的人體行為識別[J]. 盛敏,李蘭.  安慶師范大學學報(自然科學版). 2020(01)
[7]基于DenseNet的圖像識別方法研究[J]. 高建瓴,王竣生,王許.  貴州大學學報(自然科學版). 2019(06)
[8]結合反殘差塊和YOLOv3的目標檢測法[J]. 焦天馳,李強,林茂松,賀賢珍.  傳感器與微系統(tǒng). 2019(09)
[9]基于卷積神經(jīng)網(wǎng)絡的彩色圖像聲吶目標檢測[J]. 王曉,關志強,王靜,王永強.  計算機應用. 2019(S1)
[10]基于殘差網(wǎng)絡的學生課堂行為識別[J]. 蔣沁沂,張譯文,譚思琪,楊耀祖.  現(xiàn)代計算機. 2019(20)

博士論文
[1]深度學習下的影像識別研究[D]. 祁雷.中國科學院大學(中國科學院西安光學精密機械研究所) 2019
[2]基于多視角學習和遷移學習的分類方法及應用研究[D]. 姜志彬.江南大學 2019
[3]奶牛發(fā)情體征及行為智能檢測技術研究[D]. 劉忠超.西北農林科技大學 2019
[4]基于遷移學習的跨域人體行為識別研究[D]. 劉陽.西安電子科技大學 2019
[5]基于卷積神經(jīng)網(wǎng)絡的人體行為分析與步態(tài)識別研究[D]. 李超.浙江大學 2019

碩士論文
[1]基于改進神經(jīng)網(wǎng)絡的數(shù)字調制信號的綜合識別[D]. 徐志超.南京郵電大學 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡的人臉圖像分類應用研究[D]. 曹戈.吉林大學 2019
[3]基于機器學習的行人姿態(tài)估計及識別的算法研究[D]. 鄭勝昌.山東大學 2019
[4]基于深度學習的蛋雞行為檢測方法研究與系統(tǒng)開發(fā)[D]. 王凱.浙江農林大學 2019
[5]基于Tensorflow的循環(huán)神經(jīng)網(wǎng)絡模型在上海市空氣質量預測中的應用[D]. 劉蕾.上海師范大學 2019
[6]基于深度學習的人體行為識別技術的研究與應用[D]. 劉瀟.北京郵電大學 2019
[7]基于深度學習的視頻行為識別研究[D]. 林闖.北京郵電大學 2019
[8]基于Seetaface人臉識別引擎的面授課堂智能管理系統(tǒng)的研究與實現(xiàn)[D]. 肖進.江蘇大學 2019
[9]基于YOLOv3和多目標跟蹤的智能交通視頻監(jiān)控系統(tǒng)[D]. 曾星宇.桂林電子科技大學 2019
[10]基于數(shù)字圖像處理的課堂行為識別方法的研究[D]. 冀翀曉.太原理工大學 2019



本文編號：3205664