CN111402096A - 一种在线授课质量管理方法、***、设备和介质 - Google Patents
一种在线授课质量管理方法、***、设备和介质 Download PDFInfo
- Publication number
- CN111402096A CN111402096A CN202010259336.5A CN202010259336A CN111402096A CN 111402096 A CN111402096 A CN 111402096A CN 202010259336 A CN202010259336 A CN 202010259336A CN 111402096 A CN111402096 A CN 111402096A
- Authority
- CN
- China
- Prior art keywords
- target object
- lecture
- acquiring
- teaching
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012795 verification Methods 0.000 claims description 40
- 238000001514 detection method Methods 0.000 claims description 28
- 241001282135 Poromitra oscitans Species 0.000 claims description 10
- 206010048232 Yawning Diseases 0.000 claims description 10
- 230000004886 head movement Effects 0.000 claims description 9
- 238000003326 Quality management system Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000001727 in vivo Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000003128 head Anatomy 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004397 blinking Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提出一种在线授课质量管理方法、***、设备和介质，包括：通过目标对象的生物特征获取所述目标对象的听课状态；其中，生物特征包括以下至少之一：眼部动作特征、头部动作特征、嘴部动作特征；根据一个或多个所述目标对象的听课状态调整教学内容；本发明可实时高效的掌握目标对象的听课情况，有利于教学过程的顺利开展及优化调整。
Description
技术领域
本发明涉及互联网应用领域，尤其涉及一种在线授课质量管理方法、***、设备和介质。
背景技术
2020年是难忘的一年，新型肺炎的出现，公共场所严谨集会、聚餐；除了必须的生活店铺，其他全部关门谢客；公司推迟上班改为远程办公，学校延迟开学，全部采取网上授课，这些都是避免聚集场合感染的风险采取的隔离手段。
这次疫情推动网络授课方式的快速发展，但现有的网络授课方式教学质量的评估采取抽查点名来或课后填写评分表来了解学生的授课质量，这些方式一是低效和不真实，老师不能实时掌握学生的情况，学生填写课后评分也可能会隐瞒自己的真实想法；二是缺失整体授课情况和授课过程中的实时教学质量数据。
发明内容
鉴于以上现有技术存在的问题，本发明提出一种在线授课质量管理方法、***设备和介质，主要解决在线教学效率低且缺乏实时教学质量数据的问题。
为了实现上述目的及其他目的，本发明采用的技术方案如下。
一种在线授课质量管理方法，包括：
通过目标对象的生物特征获取所述目标对象的听课状态；其中，生物特征包括以下至少之一：眼部动作特征、头部动作特征、嘴部动作特征；
根据一个或多个所述目标对象的听课状态调整教学内容。
可选地，包括采集视频流，并进行人脸检测，获取检测结果；
根据所述检测结果获取所述目标对象的生物特征。
可选地，当所述视频流中无人脸时，发送验证信息，对所述目标对象进行位置校验；当所述视频流中有人脸时，获取对应目标对象的生物特征。
可选地，在获取所述目标对象的生物特征之前，对所述目标对象进行活体验证；若验证通过则采集所述目标对象的生物特征；若验证未通过，则反馈当前目标对象为假。
可选地，所述活体验证包括引导目标对象做出指定动作。
可选地，设置视频采集间隔，并根据所述视频采集间隔获取对应目标对象的视频流。
可选地，根据预设评分标准对所述目标对象的各生物特征分别进行评分；
设置各所述生物特征的权重，并根据权重及各所述生物特征的评分，获取综合评分；并根据所述综合评分获取目标对象的听课状态。
可选地，所述预设评分标准包括眨眼频率、头部动作频率、打哈欠次数。
可选地，设置时间阈值，在所述时间阈值内，所述目标对象的综合评分低于预设的标准分的次数超出预设的次数限制时，则判定对应目标对象的听课状态为不专注，并反馈所述目标对象的听课状态；所述目标对象的综合评分高于预设的标准分的次数超出预设的次数限制时，则判断当前目标对象的听课状态为专注，同时进行数据记录。
可选地，当目标对象听课状态为不专注时，发出提示信息引导目标对象调整听课状态和/或引导授课主体调整教学内容。
可选地，所述提示信息包括画面抖动、语音提示、文字闪烁、弹窗提示。
可选地，记录所有目标对象的听课状态，并根据所有目标对象的所述综合评分获取班级评分；通过实时查看所述班级评分，调整教学内容。
可选地，通过线下查询所述班级评分的记录，获取所有目标对象的听课状态分布，并根据所述听课状态分布调整教学方案。
一种在线授课质量管理***，，包括：
状态评估模块，用于通过目标对象的生物特征获取所述目标对象的听课状态；其中，生物特征包括以下至少之一：眼部动作特征、头部动作特征、嘴部动作特征；
教学引导模块，根据一个或多个所述目标对象的听课状态调整教学内容。
可选地，包括图像采集模块和人脸检测模块；所述图像采集模块用于采集视频流，并将视频流发送给所述人脸检测模块进行人脸检测，获取检测结果；根据所述检测结果获取所述目标对象的生物特征。
可选地，包括位置校验模块，用于当所述视频流中无人脸时，发送验证信息，对所述目标对象进行位置校验；当所述视频流中有人脸时，获取对应目标对象的生物特征。
可选地，包括活体验证模块，用于在获取所述目标对象的生物特征之前，对所述目标对象进行活体验证；若验证通过则采集所述目标对象的生物特征；若验证未通过，则反馈当前目标对象为假。
可选地，所述活体验证包括引导目标对象做出指定动作。
可选地，包括采集间隔设置模块，用于设置视频采集间隔，并根据所述视频采集间隔获取对应目标对象的视频流。
可选地，包括个体评分模块，用于根据预设评分标准对所述目标对象的各生物特征分别进行评分；
设置各所述生物特征的权重，并根据权重及各所述生物特征的评分，获取综合评分；并根据所述综合评分获取目标对象的听课状态。
可选地，所述预设评分标准包括眨眼频率、头部动作频率、打哈欠次数。
可选地，包括时间阈值设置模块，用于设置时间阈值，在所述时间阈值内，所述目标对象的综合评分低于预设的标准分的次数超出预设的次数限制时，则判定对应目标对象的听课状态为不专注，并反馈所述目标对象的听课状态；所述目标对象的综合评分高于预设的标准分的次数超出预设的次数限制时，则判断当前目标对象的听课状态为专注，同时进行数据记录。
可选地，包括导引模块，用于当目标对象听课状态为不专注时，发出提示信息引导目标对象调整听课状态和/或引导授课主体调整教学内容。
可选地，所述提示信息包括画面抖动、语音提示、文字闪烁、弹窗提示。
可选地，包括班级评分模块，用于记录所有目标对象的听课状态，并根据所有目标对象的所述综合评分获取班级评分；通过实时查看所述班级评分，调整教学内容。
可选地，包括状态展示模块，用于通过线下查询所述班级评分的记录，获取所有目标对象的听课状态分布，并根据所述听课状态分布调整教学方案。
一种设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行所述的在线授课质量管理方法。
一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行所述的在线授课质量管理方法。
如上所述，本发明一种在线授课质量管理方法、***、设备和介质，具有以下有益效果。
通过目标对象生物特征获取听课状态进而调整教学方式，可在目标对象无感的情况下获取实时教学质量数据，通过直观数据更有利于教学过程的开展及优化。
附图说明
图1为本发明一实施例中在线授课质量管理方法的流程图。
图2为本发明一实施例中在线授课质量管理***的模块图。
图3为本发明一实施例中终端设备的结构示意图。
图4为本发明另一实施例中终端设备的结构示意图。
图5为本发明一实施例中目标对象关注度曲线示意图。
图6为本发明一实施例中班级关注度曲线示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本发明提供一种在线授课质量管理方法，包括步骤S01-S02。
在步骤S01中，通过目标对象的生物特征获取目标对象的听课状态；其中，生物特征包括以下至少之一：眼部动作特征、头部动作特征、嘴部动作特征：
在一实施例中，目标对象可以包括学生、在职人员等，如学生可通过在线课程与老师进行互动学习，在职人员可通过网络学习相关在线培训课程。
在一实施例中，可通过图像采集设备(如摄像头等)采集目标对象的视频流信息。可将图像采集设备安装在正对目标对象的位置，保障图像采集设备采集的视频流背景不宜太亮或太暗，可有效提高后续视频流图像处理的质量。在另一实施例中，也可通过服务器端获取目标对象移动终端(如手机、pad等)或PC端的摄像模块的访问权限，通过服务器端控制摄像模块采集视频流，并将视频流发送至服务器端进行分析处理。
在一实施例中，服务器端获取视频流信息后，对视频流进行分帧、降噪处理，获取单帧图像后，对单帧图像进行人脸检测。具体地，可采用小波变换的方法对视频流中图像进行滤波降噪，并将经过处理的单帧图像输入深度学习神经网络中进行人脸检测。可采用MTCNN(Multitask Cascaded Convolutional Network)方法对图像进行人脸检测。MTCNN包括三层网络结构：P-Net网络、N-Net网络和O-Net网络。其中，P-Net网络为全卷积网络，通过浅层卷积神经网络生成图像的候选区域，再使用边框回归(Bounding box regression)和非极大值抑制(NMS)对候选区域进行过滤和校正；通过N-Net对P-Net的获取的候选区域进行调整，通过窗函数拒绝点大部分效果比较差的候选区域，并使用边框回归(Bounding boxregression)和非极大值抑制(NMS)对候选区域进行进一步优化；最后通过O-Net输出最终的人脸框和特征点位置，通常输出结果为人脸框的位置以及5个人脸特征点。
通过人脸检测算法判断视频流中是否有人脸，当视频流中无人人脸时，可通过服务器端向目标对象发送验证信息对目标对象进行位置校验。具体地，可通过短信或对话框提示的方式向目标对象发送验证信息，提示目标对象调整图像采集设备的拍摄角度，使得图像采集设备针对目标对象的脸部区域。当设定时间内未接收到任何反馈信息，则判定目标对象不在或已离开授课区域，并将结果反馈给服务器端。当目标对象没有按时出勤时，服务器端可根据人脸检测结果，向目标对象手机端发送短信，提醒目标对象按时出勤，或与目标对象确认未出勤的事由。
在一实施例中，检测到视频流中有人脸时，可进一步对目标对象进行活体验证。具体地，可通过对话框或弹窗等方式引导目标对象做出指定动作，如眨眼、摇头等，以此避免目标对象用照片或面具等手段逃避线上授课。若验证通过，则对通过深度神经网络获取目标对象的生物特征；若验证未通过，则向服务器端反馈当前目标对象为假，以便于服务器端提醒授课主体(即授课老师)及时采取相应措施，如结束课程，联系对应的目标对象等。在另一实施例中，可定时进行活体验证，活体验证的时间间隔可根据需求调整，避免目标对象中途翘课等行为。
在一实施例中，可设置视频采集间隔，按照一定的时间周期通过图像采集设备获取目标对象的视频流信息。
在一实施例中，在对视频流进行检测时，若检测到视频流中某一帧图像有人脸，则进一步对该人脸进行检测追踪。以检测到的人脸为基准，判断连续多帧图像中是否均存在该人脸图像，若存在，则获取人脸图像对应的生物特征；若指定帧间隔内多帧图像中均不存在对应人脸图像，则将结果反馈给服务器端，以便于授课老师采取相应的应对措施。以此方法，可避免目标对象经过单次人脸检测后，离开授课区域，影响听课质量。授课老师可根据检测结果，选择暂停讲课，待目标对象返回后再继续授课，避免知识点遗漏，影响目标对象的学习质量。
在一实施例中，可预先通过深度学习神经网络针对生物特征分别训练对应的识别模型。如针对眼部动作特征，可将经过人脸检测算法获取的眼部特征输入卷积神经网络中，识别目标对象是否眨眼或闭眼，并统计眨眼或闭眼的频率。深度学习神经网络可采用卷积神经网络、循环神经网络、递归神经网络等常用的神经网络架构。通过识别眼部动作、头部动作、嘴部动作等生物特征，分别统计眨眼或闭眼频率、打哈欠次数、头部动作频率等信息，并根据统计数据对对应的生物特征进行评分。
在一实施例中，根据预设评分标准对目标对象的各生物特征分别进行评分；设置各生物特征的权重，并根据权重及各所述生物特征的评分，获取综合评分；并根据综合评分获取目标对象的听课状态。其中预设的评分标准可包括眨眼频率、头部动作频率、打哈欠次数。如打哈欠次数为0次为1分，1次为0.8分，2次为0.5分。依此方法设置各生物特征对应的评分标准。具体地，可通过各生物特征的评分，计算目标对象听课专注度(即综合评分)，其计算公式如下：
DQS＝1-(a*ets+b*ys+c*hms)<＝1(ets,ys,hms<＝1；a+b+c＝1)
其中，a、b、c分别是眼部动作，打哈欠和头部动作的权重；ets:根据眨眼或闭眼频率的疲劳打分；ys:打哈欠次数的评分；hms：头部动作频率的。
在步骤S02中，根据一个或多个目标对象的听课状态调整教学内容。
在一实施例中，设置时间阈值，在时间阈值内，目标对象的综合评分低于预设的标准分的次数超出预设的次数限制时，则判定对应目标对象的听课状态为不专注，并反馈目标对象的听课状态；目标对象的综合评分高于预设的标准分的次数超出预设的次数限制时，则判断当前目标对象的听课状态为专注，同时进行数据记录。设时间阈值为10分钟，预设的次数限制为2次。若10分钟内采集视频流共4次，且四次的综合评分中，有3次均低于标准分，则判定目标对象听课状态为不专注，服务器端将结果反馈给授课老师，以便于授课老师调整授课方式，提高目标对象的专注度，如加强语气、***典故、笑话、故事等。服务器端也可根据结果，向目标对象发出提示信息，通过提示信息引导目标对象端正听课状态。其中，提示信息可包括画面抖动、语音提示、文字闪烁、弹窗提示等。
网络课程通常包括一对一课程和一对多课程等多种类型。对于一对一的课程，可根据视频流采集间隔，记录目标对象的听课状态进行记录，绘制目标对象的专注度曲线，如图5所示。授课教师可直接点击查阅专注度曲线查看一段时间内目标对象的听课状态。
针对一对多授课方式，可根据记录的所所有目标对象的听课状态获取班级评分，并根据班级评分绘制班级专注度曲线。专注度曲线可用于表示所有目标对象的听课状态分布。请参阅图6，具体地，视频流采集周期内班级评分可表示为：
CGDQS＝1-不专注学生总数/班级总人数
其中，单个目标对象听课专注度DQS<TV(阈值),视为不专注，所有学生的专注情况构成周期内班级专注度；多个周期就可绘制成班级专注度曲线，可根据分值的高低评判此时的教学情况。
授课老师可实时查看班级专注度曲线，获取班级评分等信息，根据评分调整教学内容；也可课后线下查看整个班级的专注度曲线，根据曲线的分布，分析学生对哪一部分内容更感兴趣或哪一种方式更能引起目标对象的关注，进而调整后续的教学方案。
请参阅图2，本实施例提供一种在线授课质量管理***，用于执行前述方法实施例中所述的在线授课质量管理方法。由于***实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
在一实施例中，在线授课质量管理***包括状态评估模块10和教学引导模块11，状态评估模块10用于辅助执行前述方法实施例介绍的步骤S01，教学引导模块11用于辅助执行前述方法实施例介绍的步骤S01。
在一实施例中，***包括图像采集模块和人脸检测模块；图像采集模块用于采集视频流，并将视频流发送给人脸检测模块进行人脸检测，获取检测结果；根据检测结果获取目标对象的生物特征。
在一实施例中，***包括位置校验模块，用于当所述视频流中无人脸时，发送验证信息，对所述目标对象进行位置校验；当所述视频流中有人脸时，获取对应目标对象的生物特征。
在一实施例中，***包括活体验证模块，用于在获取目标对象的生物特征之前，对目标对象进行活体验证；若验证通过则采集目标对象的生物特征；若验证未通过，则反馈当前目标对象为假。
在一实施例中，活体验证包括引导目标对象做出指定动作。
在一实施例中，***包括采集间隔设置模块，用于设置视频采集间隔，并根据视频采集间隔获取对应目标对象的视频流。
在一实施例中，***还包括个体评分模块，用于根据预设评分标准对目标对象的各生物特征分别进行评分；
设置各生物特征的权重，并根据权重及各生物特征的评分，获取综合评分；并根据综合评分获取目标对象的听课状态。
在一实施例中，预设评分标准包括眨眼频率、头部动作频率、打哈欠次数。
在一实施例中，***还包括时间阈值设置模块，用于设置时间阈值，在时间阈值内，目标对象的综合评分低于预设的标准分的次数超出预设的次数限制时，则判定对应目标对象的听课状态为不专注，并反馈所述目标对象的听课状态；所述目标对象的综合评分高于预设的标准分的次数超出预设的次数限制时，则判断当前目标对象的听课状态为专注，同时进行数据记录。
在一实施例中，***还包括导引模块，用于当目标对象听课状态为不专注时，发出提示信息引导目标对象调整听课状态和/或引导授课主体调整教学内容。
在一实施例中，提示信息包括画面抖动、语音提示、文字闪烁、弹窗提示。
在一实施例中，***还包括班级评分模块，用于记录所有目标对象的听课状态，并根据所有目标对象的综合评分获取班级评分；通过实时查看班级评分，调整教学内容。
在一实施例中，***还包括状态展示模块，通过线下查询班级评分的记录，获取所有目标对象的听课状态分布，并根据听课状态分布调整教学方案。
本申请实施例还提供了一种设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中在线授课质量管理方法所包含步骤的指令(instructions)。
图3为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件***接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图4为本申请的另一个实施例提供的终端设备的硬件结构示意图。图4是对图3在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
可选地，第一处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，语音组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述图1所示方法的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理***，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
语音组件1206被配置为输出和/或输入语音信号。例如，语音组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，语音组件1206还包括一个扬声器，用于输出语音信号。
输入/输出接口1207为处理组件1200和***接口模块之间提供接口，上述***接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于***SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。
由上可知，在图4实施例中所涉及的通信组件1203、语音组件1206以及输入/输出接口1207、传感器组件1208均可以作为图3实施例中的输入设备的实现方式。
综上所述，本发明一种在线授课质量管理方法、***、设备和介质，一方面目标对象在无感的情况下反馈自己的听课状态，***也会以多种方式提醒目标对象需注意力集中；另一方面老师可以实时了解每一位目标对象的听课状态以及班级的整体教学质量，以便及时调整自己的教学方式和教学内容，线下老师还可通过***了解班级整体教学情况，分析教学评判教学质量，针对性调整课程结构、难易程度、教学内容。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (28)
1.一种在线授课质量管理方法，其特征在于，包括：
通过目标对象的生物特征获取所述目标对象的听课状态；其中，生物特征包括以下至少之一：眼部动作特征、头部动作特征、嘴部动作特征；
根据一个或多个所述目标对象的听课状态调整教学内容。
2.根据权利要求1所述的在线授课质量管理方法，其特征在于，包括采集视频流，并进行人脸检测，获取检测结果；
根据所述检测结果获取所述目标对象的生物特征。
3.根据权利要求2所述的在线授课质量管理方法，其特征在于，当所述视频流中无人脸时，发送验证信息，对所述目标对象进行位置校验；当所述视频流中有人脸时，获取对应目标对象的生物特征。
4.根据权利要求2所述的在线授课质量管理方法，其特征在于，在获取所述目标对象的生物特征之前，对所述目标对象进行活体验证；若验证通过则采集所述目标对象的生物特征；若验证未通过，则反馈当前目标对象为假。
5.根据权利要求4所述的在线授课质量管理方法，其特征在于，所述活体验证包括引导目标对象做出指定动作。
6.根据权利要求2所述的在线授课质量管理方法，其特征在于，设置视频采集间隔，并根据所述视频采集间隔获取对应目标对象的视频流。
7.根据权利要求1所述的在线授课质量管理方法，其特征在于，根据预设评分标准对所述目标对象的各生物特征分别进行评分；
设置各所述生物特征的权重，并根据权重及各所述生物特征的评分，获取综合评分；并根据所述综合评分获取目标对象的听课状态。
8.根据权利要求7所述的在线授课质量管理方法，其特征在于，所述预设评分标准包括眨眼频率、头部动作频率、打哈欠次数。
9.根据权利要求7所述的在线授课质量管理方法，其特征在于，设置时间阈值，在所述时间阈值内，所述目标对象的综合评分低于预设的标准分的次数超出预设的次数限制时，则判定对应目标对象的听课状态为不专注，并反馈所述目标对象的听课状态；所述目标对象的综合评分高于预设的标准分的次数超出预设的次数限制时，则判断当前目标对象的听课状态为专注，同时进行数据记录。
10.根据权利要求9所述的在线授课质量管理方法，其特征在于，当目标对象听课状态为不专注时，发出提示信息引导目标对象调整听课状态和/或引导授课主体调整教学内容。
11.根据权利要求10所述的在线授课质量管理方法，其特征在于，所述提示信息包括画面抖动、语音提示、文字闪烁、弹窗提示。
12.根据权利要求7所述的在线授课质量管理方法，其特征在于，记录所有目标对象的听课状态，并根据所有目标对象的所述综合评分获取班级评分；通过实时查看所述班级评分，调整教学内容。
13.根据权利要求12所述的在线授课质量管理方法，其特征在于，通过线下查询所述班级评分的记录，获取所有目标对象的听课状态分布，并根据所述听课状态分布调整教学方案。
14.一种在线授课质量管理***，其特征在于，包括：
状态评估模块，用于通过目标对象的生物特征获取所述目标对象的听课状态；其中，生物特征包括以下至少之一：眼部动作特征、头部动作特征、嘴部动作特征；
教学引导模块，根据一个或多个所述目标对象的听课状态调整教学内容。
15.根据权利要求14所述的在线授课质量管理***，其特征在于，包括图像采集模块和人脸检测模块；所述图像采集模块用于采集视频流，并将视频流发送给所述人脸检测模块进行人脸检测，获取检测结果；根据所述检测结果获取所述目标对象的生物特征。
16.根据权利要求15所述的在线授课质量管理***，其特征在于，包括位置校验模块，用于当所述视频流中无人脸时，发送验证信息，对所述目标对象进行位置校验；当所述视频流中有人脸时，获取对应目标对象的生物特征。
17.根据权利要求15所述的在线授课质量管理***，其特征在于，包括活体验证模块，用于在获取所述目标对象的生物特征之前，对所述目标对象进行活体验证；若验证通过则采集所述目标对象的生物特征；若验证未通过，则反馈当前目标对象为假。
18.根据权利要求17所述的在线授课质量管理***，其特征在于，所述活体验证包括引导目标对象做出指定动作。
19.根据权利要求15所述的在线授课质量管理***，其特征在于，包括采集间隔设置模块，用于设置视频采集间隔，并根据所述视频采集间隔获取对应目标对象的视频流。
20.根据权利要求14所述的在线授课质量管理***，其特征在于，包括个体评分模块，用于根据预设评分标准对所述目标对象的各生物特征分别进行评分；
设置各所述生物特征的权重，并根据权重及各所述生物特征的评分，获取综合评分；并根据所述综合评分获取目标对象的听课状态。
21.根据权利要求20所述的在线授课质量管理***，其特征在于，所述预设评分标准包括眨眼频率、头部动作频率、打哈欠次数。
22.根据权利要求20所述的在线授课质量管理***，其特征在于，包括时间阈值设置模块，用于设置时间阈值，在所述时间阈值内，所述目标对象的综合评分低于预设的标准分的次数超出预设的次数限制时，则判定对应目标对象的听课状态为不专注，并反馈所述目标对象的听课状态；所述目标对象的综合评分高于预设的标准分的次数超出预设的次数限制时，则判断当前目标对象的听课状态为专注，同时进行数据记录。
23.根据权利要求22所述的在线授课质量管理***，其特征在于，包括导引模块，用于当目标对象听课状态为不专注时，发出提示信息引导目标对象调整听课状态和/或引导授课主体调整教学内容。
24.根据权利要求23所述的在线授课质量管理***，其特征在于，所述提示信息包括画面抖动、语音提示、文字闪烁、弹窗提示。
25.根据权利要求20所述的在线授课质量管理***，其特征在于，包括班级评分模块，用于记录所有目标对象的听课状态，并根据所有目标对象的所述综合评分获取班级评分；通过实时查看所述班级评分，调整教学内容。
26.根据权利要求25所述的在线授课质量管理***，其特征在于，包括状态展示模块，用于通过线下查询所述班级评分的记录，获取所有目标对象的听课状态分布，并根据所述听课状态分布调整教学方案。
27.一种设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-13中一个或多个所述的方法。
28.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-13中一个或多个所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259336.5A CN111402096A (zh) | 2020-04-03 | 2020-04-03 | 一种在线授课质量管理方法、***、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259336.5A CN111402096A (zh) | 2020-04-03 | 2020-04-03 | 一种在线授课质量管理方法、***、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111402096A true CN111402096A (zh) | 2020-07-10 |
Family
ID=71431519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010259336.5A Pending CN111402096A (zh) | 2020-04-03 | 2020-04-03 | 一种在线授课质量管理方法、***、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402096A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112270231A (zh) * | 2020-10-19 | 2021-01-26 | 北京大米科技有限公司 | 一种确定目标视频属性特征的方法、存储介质、电子设备 |
| CN112597813A (zh) * | 2020-12-03 | 2021-04-02 | 宁波大学科学技术学院 | 一种教学评价方法、设备和计算机可读存储介质 |
| CN112861650A (zh) * | 2021-01-19 | 2021-05-28 | 北京百家科技集团有限公司 | 一种行为评价方法、装置及*** |
| CN114138114A (zh) * | 2021-12-02 | 2022-03-04 | 图萌(上海)科技有限公司 | 基于vr设备的教学管理***、方法及计算机装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228293A (zh) * | 2016-07-18 | 2016-12-14 | 重庆中科云丛科技有限公司 | 教学评估方法及*** |
| CN108230200A (zh) * | 2016-12-22 | 2018-06-29 | 凡学（上海）教育科技有限公司 | 一种用于在线教育平台的用户行为数据采集方法 |
| CN109345156A (zh) * | 2018-12-12 | 2019-02-15 | 范例 | 一种基于机器视觉的课堂教学质量评价*** |
| CN109614934A (zh) * | 2018-12-12 | 2019-04-12 | 易视腾科技股份有限公司 | 在线教学质量评估参数生成方法及装置 |
| CN110032924A (zh) * | 2019-02-21 | 2019-07-19 | 百度在线网络技术（北京）有限公司 | 人脸识别活体检测方法、终端设备、存储介质及电子设备 |
| CN110348378A (zh) * | 2019-07-10 | 2019-10-18 | 北京旷视科技有限公司 | 一种认证方法、装置和存储介质 |
-
2020
- 2020-04-03 CN CN202010259336.5A patent/CN111402096A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228293A (zh) * | 2016-07-18 | 2016-12-14 | 重庆中科云丛科技有限公司 | 教学评估方法及*** |
| CN108230200A (zh) * | 2016-12-22 | 2018-06-29 | 凡学（上海）教育科技有限公司 | 一种用于在线教育平台的用户行为数据采集方法 |
| CN109345156A (zh) * | 2018-12-12 | 2019-02-15 | 范例 | 一种基于机器视觉的课堂教学质量评价*** |
| CN109614934A (zh) * | 2018-12-12 | 2019-04-12 | 易视腾科技股份有限公司 | 在线教学质量评估参数生成方法及装置 |
| CN110032924A (zh) * | 2019-02-21 | 2019-07-19 | 百度在线网络技术（北京）有限公司 | 人脸识别活体检测方法、终端设备、存储介质及电子设备 |
| CN110348378A (zh) * | 2019-07-10 | 2019-10-18 | 北京旷视科技有限公司 | 一种认证方法、装置和存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112270231A (zh) * | 2020-10-19 | 2021-01-26 | 北京大米科技有限公司 | 一种确定目标视频属性特征的方法、存储介质、电子设备 |
| CN112597813A (zh) * | 2020-12-03 | 2021-04-02 | 宁波大学科学技术学院 | 一种教学评价方法、设备和计算机可读存储介质 |
| CN112861650A (zh) * | 2021-01-19 | 2021-05-28 | 北京百家科技集团有限公司 | 一种行为评价方法、装置及*** |
| CN114138114A (zh) * | 2021-12-02 | 2022-03-04 | 图萌(上海)科技有限公司 | 基于vr设备的教学管理***、方法及计算机装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
| CN111402096A (zh) | 一种在线授课质量管理方法、***、设备和介质 | |
| CN107292271B (zh) | 学习监控方法、装置及电子设备 | |
| WO2018171223A1 (zh) | 一种看护机器人的数据处理方法及装置 | |
| CN113792625A (zh) | 一种具有状态监控功能的智能桌、状态监控***及服务器 | |
| CN110991381A (zh) | 一种基于行为和语音智能识别的实时课堂学生状态分析与指示提醒***和方法 | |
| CN109766759A (zh) | 情绪识别方法及相关产品 | |
| CN106128188A (zh) | 桌面教育专注度分析***及其分析方法 | |
| CN109040693B (zh) | 智能告警***及方法 | |
| KR101775974B1 (ko) | 학생 수업태도 분석 시스템 및 분석 방법 | |
| CN104464406A (zh) | 一种实时互动的在线学习平台 | |
| WO2015196582A1 (zh) | 一种行为模式统计装置与方法 | |
| CN110825220B (zh) | 眼球追踪控制方法、装置、智能投影仪及存储介质 | |
| CN107483813B (zh) | 一种根据手势进行跟踪录播的方法、装置及存储装置 | |
| CN206557851U (zh) | 一种教学听课情况采集装置 | |
| CN111507220A (zh) | 一种直播教学中用户信息确定与反馈的方法及装置 | |
| CN111353363A (zh) | 一种教学效果检测方法及装置、电子设备 | |
| US20210304339A1 (en) | System and a method for locally assessing a user during a test session | |
| TW202008293A (zh) | 教學品質監測系統及方法 | |
| CN112613780A (zh) | 一种学习报告生成的方法、装置、电子设备及存储介质 | |
| CN113052127A (zh) | 一种行为检测方法、***、计算机设备及机器可读介质 | |
| CN111178263B (zh) | 一种实时表情分析方法及其装置 | |
| CN113313168A (zh) | 无人监考的智能防作弊自助考试*** | |
| CN107958500A (zh) | 一种用于教学实境信息实时采集的监控*** | |
| CN109934150B (zh) | 一种会议参与度识别方法、装置、服务器和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |