文摘

为了提高评价的有效性在外语课堂上学生的学习地位,本文将机器视觉应用于课堂教学。通过深入分析之间的相对运动关系的结束标记点的教室特征识别和机器视觉系统窗口的中心点,本文首先提出了一种自动跟踪运动算法的机器视觉系统窗口根据预设的视野参数。此外,本文实现的运动功能窗口自动跟踪标记点,完成了仿真分析通过两套计划轨迹和两套主手收集实际的轨迹,并验证算法的正确性和可行性。研究表明,本文提出的基于机器视觉的算法可以有效地判断学生在外语课堂的实时状态。

1。介绍

课堂学习是大学生的主要形式之一,获得相关的专业知识,还有很多本科学生通过课堂学习获得的知识。同时,课堂学习也是一个重要的方法来培养学生的思维风格。这是其他教学环节和学生自主学习的基础,它使学生更好地理解和掌握如何有效地学习。此外,与课堂学习的基础,学生可以扩大和延长自主学习的空间,更好地利用课外时间学习活动,并促进他们全面的学习和发展。通过检测学生的课堂学习,它反映了学生的吸收和实现课堂学习的效果及其对学习的态度和间接反映了当今大学生的学习状态(1]。研究大学生的课堂学习状况和学生的自我评价的学习状态有一定的意义的理解当前学生的学习心理,影响学习的因素,以及如何激发学生的学习动机,提高学生的学习兴趣。此外,它有一定的激励效应对当前课程教学改革和创新人才的培养2]。此外,状态指的是外观和动作形态特征。在文献[3),作者认为,课堂学习状态指的是物理特征的总和,动作行为和心理活动的学生在课堂学习的过程中由于主观和客观原因的综合效应。刘教授Guiqiu大学生的课堂学习状态分为预备学习准备状态,课堂听力状态和课外学习效果的状态。在文献[4),作者认为,课堂学习的状态是指听力的过程中,在教室里思考,师生互动。此外,他认为,课前准备或预览的所有方面,以及学习效果和课后复习,只有学习状态密切相关学生的课堂学习状态。这两个应该是杰出的。学习是一种更广泛的状态,包括课堂学习状态,预备学习,课外学习。然而,课堂学习状态是一个有限的条件下,指在听的过程中学习状态类(5]。同时,课堂学习状态不能代表学生的学习状态。本研究调查和分析学生课堂学习状态,课外学习作为课堂学习的延伸,课堂学习效果评价的检测机制,和学生的自我评价,提供一个参考为提高学生的学习状态,提高教师的教学质量,和促进学校教学水平的提高6]。

与支持一系列的新兴技术,如智能教室,在线学习平台,和“人工智能+教育”,学习方法显示多样化的特点。传统的面对面教学方法不断受到挑战,和在线教学方法,跨越空间已成为新一波。在线学习实现教育教学资源通过互联网技术的推动,打破时间和空间的局限性在学习者的学习7]。在线学习的意义不仅是创造一个学习方法跨越时间和空间,也使更多的优质教育资源共享的大多数学习者通过互联网,为学习者提供个性化的教学服务。今天,在线学习已经成为最重要的一个方面的学习和在线学习状态的一个重要因素影响学习者的在线学习的表现,也是一个教育研究者的问题不能忽视(8]。通过使用分析和评价技术,具有重要意义,客观地评估在线学习者的学习状态对提高教学质量和学习效率。因此,越来越多的教育研究者们越来越多的关注在线学习状态及其相关评价研究。学习状态的总和关注状态,情绪状态,动机状态等等的学习者在学习过程和学习结果(9]。学习者的学习状态的复杂性决定了研究者不能仅仅评估基于单一指数但必须基于整个并使用多指标综合评价方法进行综合评价和比较,以进行更全面的评估(10]。雷达图表已经成功地应用在许多领域,如财务绩效评估、电能质量评估、企业竞争优势的评价、教学信息化评价,教师课堂教学质量评价由于其简单性和直觉和能力比较多个索引变量在同一时间(11]。

学习是知识的积极建设的学习者。学习状态指的是生理和心理功能状态的学生的学习情况,主要包括大脑清醒和浓度的状态、情感状态和身体功能状态。(9]。在线学习状态的强度直接关系到学习者的学习效果的质量。在线学习和传统的学习方法不同。它打破了时间和空间的限制,教师和学生都彼此分离。因此,在线学习的评价方法必须与传统教学方法的评价方法不同。在线学习状态不仅包括学习准备状态之前学生参与学习活动,也学习心理状态和学习环境的学生从事学习活动,还包括学习成就状态后学生参与学习活动(12]。文学的在线学习状态评价指标体系(13)主要选择学习状态的学生从事学习活动,这可以从五个评价指标:注意状态,人机交互状态,情绪状态,社交网络状态和认知状态。注意是心理活动的方向和集中在一个特定的对象,是一种常见的心理特征伴随着心理过程,如感知、记忆、思维和想象。注意状态是这个方向的测量和浓度;计算机交互状态是衡量之间的互动程度,在线学习和在线学习平台,如登录频率,在线时间,和点击率。(14];情感体验的情绪状态是指学习者在学习过程中,如快乐、痛苦,好奇心,兴趣,和无聊;社会网络状态具体指学习者的行为,如沟通、讨论、互动和协作与其他教师和学习者在网络学习社区。例如,师生互动在教学过程中可以质疑的数据率和反馈速度,学生反应率,积极询问率分析(15];和认知状态具体指学习者的理解和掌握知识和技能。

优化评价效果的关键在于学生参与状态,所有的评估标准的价值判断教师需要根据这个进行。制定评价标准的过程也反映了教师的教学理念。因此,在重建的过程中动态评价标准,首先需要全面检查学生的智力的发展和nonintelligence因素和课堂状态,以确定具体内容和设计课堂参与是基于核心素养符合多维发展。评价方案优化评价的影响(16]。

在过去,一直以教师为中心的教学评价的重点。每个人都关注的重点是如何提高教学质量从教师的角度。然而,没有足够的注意力都集中在学生的参与教学活动及其影响。根据现代教学理念,课堂教学应以学生为中心的中心,一切都应该为学生。我们不仅要注意老师的讲课是否到位,也关注学生的学习状态在整个学习的过程。研究的学习状态有很大的帮助学生建立正确的学习理念,正确的学习态度,改进方法,提高学习效率,避免学术失败。作为一名教师,他们也可以提供及时的帮助和指导学生的学习状态。此外,这项工作的发展将产生深远的影响大学生的工作,教学工作、课程改革和教学管理(17]。

大学生有不同的专业和英语不同的需求。办公室只有文科可以分为英语、商务英语、法律英语、金融英语、和许多其他类别。专业英语不能作为一个独立存在的语言。他们是在英语专业课程。英语中不同的专业英语必须有共性。这就要求我们坚持语言的基本技能,掌握基本语法和词汇,有一定的语言表达能力。基础英语的基础直接影响学生学习专业英语的18]。

为了提高评价的有效性在外语课堂上学生的学习地位,本文将机器视觉应用于课堂教学,对学生的课堂状态通过智能特性识别,提高了评价的影响学生的学习状态。

2。特征跟踪学生的学习状况

2.1。机器视觉系统自动窗口跟踪运动策略自动窗口跟踪运动的算法基于预设的机器视觉系统视野参数

特征识别标记点在教室必须尽可能接近的微型装置,以确保标记点的运动信息可以获得中央窗口内的机器视觉系统,和它的位置有多种选择。结束的运动坐标系所示教室链接特性识别图中,在课堂结束的正向运动学模型特征识别,自手腕微型装置有3个自由度,原点的运动轨迹曲线的工具坐标系太复杂(包括6自由度),这并不有利于提取关键信息。然而,原点的运动轨迹曲线球场的关节坐标系统的微型装置相对大大简化(从本质上说,它包含3有用的自由度),所以它是最好的选择对于识别结束标记与课堂特征点。

得到标记点的轨迹主要分为以下步骤:首先,根据已知的姿势结束的坐标系统工具两个教室的识别功能,每个活动关节的运动数量计算通过逆运动学解教室特性识别,并正向和逆向运动学建模的教室进行特征识别。第二,运动 前四个主动关节的替代标记点的运动学正解,见公式(1),构成矩阵的标记点和最后1和2教室的功能识别可以获得全球坐标系统。最后,提取位置向量的正解标记点,从而获得运动轨迹标记点,见公式(2)。

当 ,位置矢量代表了标记点最后1类特征的识别。当 ,位置矢量代表了标记点最后1类特征的识别。后知道标记点的位置矢量和中心点的机器视觉系统,视野参数可以计算。

窗口的窗口替代跟踪算法的机器视觉系统可以分为四个过程,如图1。(1)初始对准是指控制原点端工具的机器视觉系统从初始位置到最初的调试多系统的术前定位完成后,确保中心的窗口中点是一致的的标记点和 。(2)窗口调整是指教学过程中所需的窗口是通过机器视觉系统的控制的自由运动的胳膊,窗口的缩放比例初始对准后完成。(3)当前窗口意味着获得的机器视觉系统窗口被定义为初始窗口窗口调整完成后。(4)的目标窗口是指运动标记点A和B的课堂特征识别在教学操作,这将导致视野基本参数的变化ξ。通过建立运动跟踪算法,机器视觉系统的手臂自动引导调整结束点的位置,从而确保不变性ξ并获得目标窗口。(5)当前窗口之间的动态替换过程和目标窗口的窗口也意识到机器视觉系统自动跟踪课堂的结束标记点的运动特征识别和确保视野基本参数的稳定性ξ。因此,窗口的操作符所需的视野总是维护。窗口的自动跟踪运动本质上是一种微调的过程中心的窗口。

如图1,超宽视角的机器视觉系统,并指出和标记点的投影点吗和在飞机上 ,分别。坐标系统点上升沿中心线的机器视觉系统,它可以配合视觉坐标系统 窗外,飞机伴随着平面坐标系统 。标记点的位置向量和在全球坐标系统可以根据运动轨迹的计算基于教室的工具系统特点和设置如下:

它可以知道点的位置向量如下:

从最初的定位信息和机器视觉系统的正运动学的位置向量可以知道远心的不动点和端点机器视觉系统的如下:

期望是 在初始对准会话。根据三点共线的原则,位置矢量可以解决(6)和使用所需的机器视觉系统的手臂的位置,以便完成初始对准调整。

当的位置矢量点被替换的机器视觉系统的逆运动学解手臂,运动学正解是输入关节角,构成矩阵的意义在全球基础系统在机器视觉系统可以计算。它被设置 ,和它的位置向量和矩阵的态度和 ,分别。

的公式,

然后,它可以知道标记点的位置向量和在窗口中心坐标系统可以通过以下公式计算。

的公式,

显然,点的位置向量和在坐标系统中心的观点如下:

位置矢量的端点机器视觉系统的窗口调整图1如下:

它可以了解联立方程(10)- (12),在窗口中心坐标系统 ,向量和如下:

然后,视野的基本参数 的窗口如下:

然后,视野的基本参数 的窗口如下:

初始窗口调整的过程中,通过调整干预长度沿着视线的机器视觉系统的机器视觉系统,基本参数视场角的大小可以改变。同样,的大小和在调整过程中可以如下:

目标的位置向量标记和在全球基础系统可以得到如下:

中点的标记点和如下:

点和标记点的投影点吗和在坐标系统窗口的中心,飞机伴随着飞机的坐标系统。同样,向量的投影在坐标系统可以获得。

结合公式(5)和(17),它可以知道向量如下:

然后,它可以知道向量可以通过下面的公式:

它被设置为如下:

然后,目标位置矢量的端点机器视觉系统的如下:

在图1点F的终点是通过机器视觉系统通过套管针管。端点机器视觉系统的不能收回到套管针在算法和点F是收缩管极限点的点 。端点之间的距离F套管针管和远心的不动点 ;然后,向量可以通过下面的公式:

然后,点的位置向量F在全球基本系统如下:

上述公式的推导过程表明,调整后,获得基本的视野参数 ,原点的视觉坐标系统的机器视觉系统跟踪标记点的运动和最后教室特性识别,确保稳定的价值。

3所示。学生状态评价体系

本文结合了聪明的学生状态识别算法基于机器视觉在第二部分提出构建学生基于机器视觉的状态评估系统,以及系统如图2。

从图可以看出,学生的课堂行为的识别的实现包括三个步骤:数据集建设、训练算法模型,和学生课堂行为识别。首先是数据集建设。五种行为状态的学生,比如提高手,睡觉,回答,写作,和听讲座,明显。然后训练学生的行为数据集大大改进算法。在培训过程中,输入学生的行为状态照片转发到SSD网络特征提取。不同预测的候选框层与真实的盒子,和每个候选框的错误类别信心和位置偏移量的预测是预测输出。同时,相应的反向传播调整权重的计算损失,直到损失函数下降到一个小稳定值,和模型训练完成。最后,学生的课堂行为的识别状态。当视频帧检测到输入到智能课堂录音和广播系统中,生成一系列检测帧图像帧通过训练参数模型。通过non-maximum抑制,多余的盒子被淘汰,检测学生行为的最佳位置框,和五个类型的学生的行为提高手、睡觉,回答,写作和听力是公认的。

为了验证窗口运动跟踪算法的正确性的机器视觉系统,范围内的标记点的运动空间的教室特性识别,基于正弦和余弦函数,标记点的运动轨迹1通过公式(25)计划,在图所示2(一),标记点的运动轨迹2通过公式(26),如图所示2(b)。

的公式,位置轨迹的单位 ,代表的运动时间计划轨迹,视野和基本参数调整将获得的 。

公式的单元的位置轨迹 ,也代表了运动的时间轨迹,计划和调整基本视野参数设置 。

使用PhantomOmni,主手可以获得一个标志轨迹接近教学操作,和采样周期设置为10 ms。补偿的基础上的绝对基础位置,1:1增量主从映射方法是用来模拟标记点的运动轨迹3和4月底课堂特征识别,如图3和4。自“滤波算法”不是用来消除抖动主手的轨迹,有一个高频噪声信号的原始操作抖动的轨迹。同时,也相当于增加干扰噪声的模拟,这有利于检查运动算法的基本性能。

最初的基础上调整和设置的基本视野参数ξ起源,轨迹曲线的端点(L)的视觉坐标系统的机器视觉系统可以计算。速度曲线的标记点的运动轨迹1 - 4 A和B所示图4。的最大速度跟踪1 - 4是55 mm / s, 80 mm / s, 40毫米/秒,110 mm / s,分别和最低速度是25毫米/秒,5毫米/秒,0 mm / s,分别和0毫米/秒。可以看出,仿真中使用的标记点的轨迹是一个非常困难的运行曲线在实际教学。同时,轨迹3和4不过滤,和速度曲线含有高频噪声的影响,具有很强的实际意义验证窗口跟踪算法的正确性和可行性。

为了验证窗口跟踪算法的正确性和可行性,仿真轨迹如图3和4需要满足两个条件。(1)end-tracking轨迹的机器视觉系统是作为预期的运动曲线,和手臂的运动学逆解了机器视觉系统的输入,并获得运动 必须在活动关节的关节运动范围,即“运动学逆解的判断条件”是满意。(2)标记点之间的几何关系和跟踪点在目标窗口如图1必须符合下列窗口角测定条件:ultrawide角三维机器视觉系统的视角为0°是吗 , ,和基本的视野参数 是相同的作为初始调整设定值。标记点的运动速度轨迹如图1 - 45。

数据6和7显示仿真轨迹的验证结果1 - 4应用运动学逆解的判断条件和窗口的角度判断条件。可以看出,逆解主动关节臂的机器视觉系统都是在运动范围内,和窗口角值和基本的视野参数都满足判断条件,从而验证窗口运动跟踪算法的正确性和可行性。

上述基于机器视觉的研究验证算法提出了可以有一个良好的应用基础的评价学生的地位在外语课堂。在此基础上,通过多组仿真实验,本文探讨了学生状态评价体系的准确性基于机器视觉。学生的学习状态评估的结果见表1得到了。

从上述研究中,可以看出,本文提出的基于机器视觉的算法可以有效地判断学生在课堂上的实时状态,教师制定教学计划的一个重要辅助作用及时。

4所示。结论

在外语课堂教学环境中,学生的识别面部表情有助于知道学生的学习状态。的深化学生的面部表情识别的研究中,越来越多的研究者认识到高质量面部表情数据库中扮演一个重要的角色在训练有效的识别模型,准确地了解学生的学习行为和状态。到目前为止,国内外学者建立了许多数据库相关学生的表情,但是他们的建筑标准和方法并不统一。此外,表情分类、表情识别的核心问题和首要任务构建一个表达式库,还没有得到很好的解决。为了提高评价的有效性在外语课堂上学生的学习地位,本文将机器视觉应用于课堂教学和评价学生的课堂状态通过智能识别功能。研究结果表明,本文提出的基于机器视觉的算法可以有效地判断实时状态的学生在教室里。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由桂林旅游大学。