【技術實現步驟摘要】
本專利技術涉及教學任務管理系統，具體涉及一種基于互聯網的教學任務管理系統。
技術介紹
1、隨著互聯網技術的發展，教育領域也在不斷探索創新教學管理模式，目前，國內外已有一些針對智慧教學任務管理的研究和應用，通過監測學生的課堂專注狀態，輔助教師完成教學任務；
2、但現有的智慧教學任務管理技術仍存在以下不足：在學生密度大、遮擋嚴重情況下，學生課堂專注狀態判斷容易存在誤判；教學資源推送不具有針對性，難以準確篩選出與學生課堂專注狀態相關的特定片段，并針對每位學生推送相關針對性知識點，因此，亟需一種方案解決現有技術中存在的不足。
技術實現思路
1、本專利技術的目的是提供一種基于互聯網的教學任務管理系統，以解決上述
技術介紹
中的問題。
2、為了實現上述目的，本專利技術提供如下技術方案：一種基于互聯網的教學任務管理系統，包括：學生課堂專注狀態識別模塊、教學視頻切片推送模塊、個性化教學資源生成模塊、教育指標分析模塊；
3、學生課堂專注狀態識別模塊，用于識別學生在課堂上的專注狀態，綜合分析后生成學生的專注狀態報告。
4、教學視頻切片推送模塊，用于對學生專注狀態報告，篩選出與學生專注狀態相關的特定視頻片段，對于學生走神或低效率狀態時對應的教學內容片段進行重點標記和提取，并根據學生的專注狀態進行個性化推送；
5、個性化教學資源生成模塊，結合學生課堂專注狀態識別結果和學生的學習歷史數據，分析學生的學習特點、知識薄弱點和學習風格等，自動生成包含教學視頻
6、教育指標分析模塊，用于收集學生的課堂專注狀態數據、教學視頻觀看記錄等多方面的數據，生成詳細的教育指標分析報告，包括學生個體報告和班級整體報告，為教師提供教學效果反饋。
7、作為本專利技術進一步的方案：學生課堂專注狀態識別模塊包括如下如下單元和步驟：
8、數據采集單元，采集教室中高清攝像頭錄制的學生課堂視頻，根據設定的閾值對視頻數據抽幀獲取學生課堂圖像；
9、超分辨率圖像預處理單元，對學生課堂圖像輸入至預先設置的超分辨率圖像增強模型處理，輸出清晰并具有更多細節的增強圖像；
10、數據集標注單元，對增強圖像進行圖像標注生成增強圖像數據集；
11、學生課堂專注狀態檢測單元，基于yolov8檢測器，加入遮擋感知注意力模塊(seam)和排斥損失函數(repulsion?loss)重構網絡得到yolov8-seam檢測器，利用構建的yolov8-seam模型檢測學生課堂狀態，獲取學生的學習狀態數據，并基于此確定各學生的課堂時間內專注狀態，包括走神、低效率、專注等狀態；
12、學生專注狀態報告生成單元，綜合分析檢測獲取的狀態數據，生成每位學生專注狀態報告。
13、進一步的，步驟(1)中，根據視頻的幀率和教學場景的動態程度，設定閾值可取每間隔3幀抽取一幀并儲存為課堂圖像；
14、進一步的，步驟(2)中，超分辨率圖像增強模型可以采用swin?ir算法，將課堂圖像作為低分辨圖像輸入，通過卷積操作提取淺層特征，獲取圖像基本輪廓和簡單的紋理信息，進一步圖像進入多個串聯形成的殘差swin?transformer(rstb)結構得到深層特征，從不同角度關注圖像的局部和全局特征，如學生的面部、眼睛以及肢體動作等內容，結合卷積層和亞像素卷積層對特征進行上采樣實現圖像重建，輸出清晰并具有更多細節的增強圖像，為后續學生課堂狀態檢測提供更優質的數據基礎；
15、進一步的，步驟(3)中，根據課堂實際情況大致劃分為走神、低效率、專注等狀態，利用labelimg開源軟件對學生狀態進行標注，具體標注細分分為聽講、舉手、起立回答、閱讀、書寫、交頭接耳、左顧右盼、低頭發呆等狀態，并存儲為增強圖像數據集，用于構建的學生課堂狀態檢測模型的訓練和驗證；
16、進一步的，步驟(4)中，構建的學生課堂狀態檢測模型采用改進后的yolov8-seam算法，該算法基于yolov8檢測器，為提高在學生密度大、遮擋嚴重情況下的學生課堂狀態識別精度，加入遮擋感知注意力模塊(seam)和排斥損失函數(repulsion?loss)。yolov8-seam由四部分組成：輸入端、主干結構，頸部和頭部。將在輸入端輸入增強圖像數據集，采用mosaic數據增強、自適應錨框計算等操作，使用帶c2f(csplayer_2conv)的主干結構進行特征提取，以減少計算量并加速算法收斂，進一步采用panet結構的頸部結構雙向傳遞信息，以增強模型對不同尺度學生目標的檢測能力，在頭部部分替換為帶seam模塊的解耦頭結構，通過將遮擋感知注意力機制融入到檢測頭設計中，使得網絡在專注于解耦后的分類和回歸任務同時實現對遮擋物的檢測，同時增加小目標檢測層，提取更小目標的位置信息和特征細節；
17、進一步的，步驟(4)中seam模塊通過三個不同尺寸的深度可分離卷積操作學習空間和通道中多尺度信息，經過逐點卷積融合深度可分離卷積的特征后輸出，再殘差連接后輸入平均池化操作整合圖像全局信息，然后通過通道拓展后相乘進一步增強目標的表達能力，處理目標遮擋問題；
18、進一步的，步驟(4)中排斥損失函數公式如下：
19、loss＝lattr+αlrepgt+βlrepbox
20、式中，lattr表示吸引損失，用于減小預測框和對應的真實框距離，lrepgt表示預測框對其他真實框的排斥損失，用于減少不同目標的預測框聚集情況，lrepbox表示預測框之間的排斥損失，用于改善同一目標的預測框聚集情況，α、β表示損失的權重系數；
21、
22、式中，p+表示根據設定交并比閾值所取的正樣本集合，此處閾值設定為0.5，為與檢測框p有最大交并比的真實目標框，bp為從檢測框p做回歸偏移后的預測框。函數公式如下：
23、
24、式中，γ是平滑參數；
25、
26、式中，表示除已與檢測框p匹配過的真實目標框以外交并比最大的真實目標框，iog表示預測區域和真實區域的交集面積除以真實區域的面積。函數可以在實現魯棒性同時提升快速收斂，公式如下：
27、
28、式中，δ是平滑參數，取值區間為[0,1)內；
29、
30、式中，i，j表示分別遍歷的兩個p+集合劃分的互斥子集的正樣本序號，ε是極小值，ι是identity函數，iou是交并比計算，為預測區域和真實區域的交集面積除以它們的并集面積；
31、進一步的，步驟(5)中，整理每位學生的學習狀態數據，利用時間序列分析方法按照時間線將學生在課堂內的各種狀態，如走神、低效率、專注等進行重點篩選和標記；同時分類匯總，通過對走神、低效率、專注等狀態各自持續時間的統計，計算學生處于每種狀態的持續時間，基于此生成每位學生專注狀態報告用于教學視頻切片的推送。
32、作為本專利技術進一步的方案本文檔來自技高網...
【技術保護點】
1.一種基于互聯網的教學任務管理系統，其特征在于，包括學生課堂專注狀態識別模塊、教學視頻切片推送模塊、個性化教學資源生成模塊及教育指標分析模塊；
2.根據權利要求1所述的一種基于互聯網的教學任務管理系統，其特征在于，所述學生課堂專注狀態識別模塊包括如下如下單元和步驟：
3.根據權利要求2所述的一種基于互聯網的教學任務管理系統，其特征在于，所述步驟(1)中，根據視頻的幀率和教學場景的動態程度，設定閾值可取每間隔3幀抽取一幀并儲存為課堂圖像；
4.根據權利要求2所述的一種基于互聯網的教學任務管理系統，其特征在于，所述步驟(4)中，構建的學生課堂狀態檢測模型采用改進后的YOLOv8-SEAM算法，該算法基于YOLOv8檢測器，為提高在學生密度大、遮擋嚴重情況下的學生課堂狀態識別精度，加入遮擋感知注意力模塊(SEAM)和排斥損失函數(Repulsion?Loss)；
5.根據權利要求4所述的一種基于互聯網的教學任務管理系統，其特征在于，所述步驟(4)中SEAM模塊通過三個不同尺寸的深度可分離卷積操作學習空間和通道中多尺度信息，經過逐點卷積融
6.根據權利要求1所述的一種基于互聯網的教學任務管理系統，其特征在于，所述教學視頻切片生成模塊包括如下單元和步驟：
7.根據權利要求6所述的一種基于互聯網的教學任務管理系統，其特征在于，所述在步驟(1)中，從視頻中提取音頻軌道，采用音頻預處理；
8.根據權利要求6所述的一種基于互聯網的教學任務管理系統，其特征在于，所述在步驟(3)中，將利用關鍵詞提取算法對文本進行分析，提取出能夠代表課堂教學知識點的關鍵術語和短語，使用TF-IDF算法來計算每個詞匯在文本中的重要性，選取重要性較高的詞匯作為關鍵詞；
9.根據權利要求1所述的一種基于互聯網的教學任務管理系統，其特征在于，所述個性化教學資源生成模塊包括如下單元和步驟：
10.根據權利要求1所述的一種基于互聯網的教學任務管理系統，其特征在于，所述教育指標分析模塊包括單元和步驟：
...【技術特征摘要】
1.一種基于互聯網的教學任務管理系統，其特征在于，包括學生課堂專注狀態識別模塊、教學視頻切片推送模塊、個性化教學資源生成模塊及教育指標分析模塊；
2.根據權利要求1所述的一種基于互聯網的教學任務管理系統，其特征在于，所述學生課堂專注狀態識別模塊包括如下如下單元和步驟：
3.根據權利要求2所述的一種基于互聯網的教學任務管理系統，其特征在于，所述步驟(1)中，根據視頻的幀率和教學場景的動態程度，設定閾值可取每間隔3幀抽取一幀并儲存為課堂圖像；
4.根據權利要求2所述的一種基于互聯網的教學任務管理系統，其特征在于，所述步驟(4)中，構建的學生課堂狀態檢測模型采用改進后的yolov8-seam算法，該算法基于yolov8檢測器，為提高在學生密度大、遮擋嚴重情況下的學生課堂狀態識別精度，加入遮擋感知注意力模塊(seam)和排斥損失函數(repulsion?loss)；
5.根據權利要求4所述的一種基于互聯網的教學任務管理系統，其特征在于，所述步驟(4)中seam模塊通過三個不同尺寸的深度可分離卷積操作學習空間和通...
【專利技術屬性】
技術研發人員：鄭培德，徐健，譚星波，吳煥暉，
申請(專利權)人：廣東領均科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。