一种课堂教学质量评估方法、装置、设备及可读存储介质

1.本发明涉及计算机视觉领域和网络教学技术领域，具体为一种课堂教学质量评估方法、装置、设备及可读存储介质。


背景技术：

2.近些年，以深度学习为代表的人工智能技术已广泛应用于人们生活学习的各种领域。在《新一代人工智能发展规划》中提出：“利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系。”课堂教学是学校教育教学的主阵地，对课堂教学进行过程性评价对于提高教学质量具有重要意义。
3.传统课堂教学质量评估通常是教师在课堂时间内通过观察学生眼神、表情、坐姿等来判断学生的学习状态，并根据学生课后作业好坏等方式反映出来的。但是传统评价结果的准确性与可靠性受教师主观意识影响较大，且无法实时准确跟踪课堂时效。


技术实现要素：

4.针对现有技术中存在的问题，本发明提供了一种课堂教学质量评估方法、装置、设备及可读存储介质，提高了课堂教学质量评估结果的准确性，可以实时准确跟踪课堂时效。
5.为了解决上述技术问题，本发明通过以下技术方案予以实现：
6.一种课堂教学质量评估方法，包括：
7.获取课堂中每个学生在学习过程中的人体行为图像信息和人脸图像信息；
8.将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中，输出每个学生在学习过程中的行为结果，所述行为结果包括积极行为、消极行为和中性行为；
9.将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中，输出每个学生在学习过程中的表情结果，所述表情结果包括积极表情、消极表情和中性表情；
10.根据所述消极行为的数量在所有行为结果总量中的占比和所述消极表情的数量在所有表情结果总量中的占比计算综合评估值；
11.将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果。
12.进一步地，所述根据所述消极行为在所有行为结果中的占比和所述消极表情在所有表情结果中的占比计算综合评估值，包计算公式为：
13.p
com
＝p
neg_emotion
*α+p
neg_behavior
*β
14.p
neg_emotion
＝count
neg_emotion
/sum
15.p
neg_behavior
＝count
neg_behavior
/sum
16.sum＝count
pos_behavior
+count
neg_behavior
+count
neu_behavior
17.式中，p
com
为综合评估值；p
neg_emotion
为消极表情的数量在所有表情结果中的占比；p
neg_behavior
为消极行为的数量在所有行为结果中的占比；α为分配给表情结果的权重值；β为
分配给行为结果的权重值；count
neg_emotion
为消极表情的数量；count
neg_behavior
为消极行为的数量；count
pos_behavior
为积极行为的数量；count
neu_behavior
为中性行为的数量；sum为所有行为结果总量，所有表情结果总量等于所有行为结果总量。
18.进一步地，所述行为识别模型的训练方法包括：
19.获取第一训练数据集，所述第一训练数据集包括若干组第一训练数据，每组所述第一训练数据均包括：人体行为图像信息以及标识该人体行为图像信息中人体行为的标签；
20.利用所述第一训练数据集训练yolo模型，得到所述行为识别模型。
21.进一步地，所述表情识别模型的训练方法包括：
22.获取第二训练数据集，所述第二训练数据集包括若干组第二训练数据，每组所述第二训练数据均包括：人脸图像信息以及标识该人脸图像信息中表情的标签；
23.利用所述第二训练数据集训练改进的resnet网络，得到所述表情识别模型；所述改进的resnet网络中采用arcfaceloss损失函数和mish激活函数。
24.进一步地，所述将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中之前，还包括：
25.对所述每个学生在学习过程中的人体行为图像信息进行预处理。
26.进一步地，所述将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中之前，还包括：
27.对所述每个学生在学习过程中的人脸图像信息进行预处理。
28.进一步地，所述将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果之后，还包括：
29.显示所述教学质量评估结果。
30.一种课堂教学质量评估装置，包括：
31.获取模块，用于获取课堂中每个学生在学习过程中的人体行为图像信息和人脸图像信息；
32.行为识别模块，用于将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中，输出每个学生在学习过程中的行为结果，所述行为结果包括积极行为、消极行为和中性行为；
33.表情识别模块，用于将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中，输出每个学生在学习过程中的表情结果，所述表情结果包括积极表情、消极表情和中性表情；
34.综合评估值计算模块，用于根据所述消极行为的数量在所有行为结果总量中的占比和所述消极表情的数量在所有表情结果总量中的占比计算综合评估值；
35.教学质量评估模块，用于将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果。
36.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种课堂教学质量评估方法的步骤。
37.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计
算机程序被处理器执行时实现所述的一种课堂教学质量评估方法的步骤。
38.与现有技术相比，本发明至少具有以下有益效果：
39.本发明提供的一种课堂教学质量评估方法，根据采集的每个学生在学习过程中的人体行为信息和每个学生在学习过程中的人脸图像信息，分别结合预先训练好的表情识别模型和预先训练好的行为识别模型，得到每个学生在学习过程中的表情结果和每个学生在学习过程中的行为结果，再根据消极行为的数量在所有行为结果总量中的占比和消极表情的数量在所有表情结果总量中的占比计算综合评估值，最后将综合评估值与预设的教学质量阈值比较，即可得到教学质量评估结果。相对于传统的课堂教学质量评估，避免了主观评价的不确定与不稳定性，提高了课堂教学质量评估结果的准确性，可以实时准确跟踪课堂时效。
40.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
41.为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1为本发明一种课堂教学质量评估方法的流程图；
43.图2为本发明中表情识别模型训练的改进的resnet网络中mish激活函数图像；
44.图3为本发明一种课堂教学质量评估装置的框图；
45.图4为本发明一种课堂教学质量评估装置的框图对应的实施例。
具体实施方式
46.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.作为本发明的某一具体实施方式，如图1所示，一种课堂教学质量评估方法，包括以下步骤：
48.s1、获取课堂中每个学生在学习过程中的人体行为图像信息和人脸图像信息。
49.示例的，选用4k高清球机摄像机对课堂中每个学生进行监控拍摄，从监控拍摄的视频中获取课堂中每个学生在学习过程中的人体行为图像信息和人脸图像信息。
50.s2、将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中，输出每个学生在学习过程中的行为结果，所述行为结果包括积极行为、消极行为和中性行为。
51.示例的，定义积极行为包括听讲或举手，定义消极行为包括转头或低头，定义中性行为包括站立。
52.s3、将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模
型中，输出每个学生在学习过程中的表情结果，所述表情结果包括积极表情、消极表情和中性表情。
53.示例的，定义积极表情包括专注、开心或理解，定义消极表情包括不屑或抵抗，定义中性表情包括困惑。
54.s4、根据所述消极行为的数量在所有行为结果总量中的占比和所述消极表情的数量在所有表情结果总量中的占比计算综合评估值。
55.具体地说，综合评估值的计算公式如下：
56.p
com
＝p
neg_emotion
*α+p
neg_behavior
*β
57.p
neg_emotion
＝count
neg_emotion
/sum
58.p
neg_behavior
＝count
neg_behavior
/sum
59.sum＝count
pos_behavior
+count
neg_behavior
+count
neu_behavior
60.式中，p
com
为综合评估值；p
neg_emotion
为消极表情的数量在所有表情结果中的占比；p
neg_behavior
为消极行为的数量在所有行为结果中的占比；α为分配给表情结果的权重值；β为分配给行为结果的权重值；count
neg_emotion
为消极表情的数量；count
neg_behavior
为消极行为的数量；count
pos_behavior
为积极行为的数量；count
neu_behavior
为中性行为的数量；sum为所有行为结果总量，所有表情结果总量等于所有行为结果总量。
61.示例的，对权重α和β的赋值均为0.5。
62.s5、将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果。
63.示例的，教学质量评估结果包括6个等级，分别是a+等级、a等级、b+等级、b等级、b-等级、c等级和c-等，各个等级对应的教学质量阈值如下：
64.a+等级：没有认真学习的学生人数比例仅占到了整个课堂人数的25％以下；
65.a等级：整体课堂状态与a+等级较接近，消极人数比例占整个课堂人数的(25％，30％]，表征整个课堂状态还不错；
66.b+等级：整体课堂状态与a等级比较接近，大部分(30％，33％]学生没有处于认真听课的状态，可在课后与学生进行沟通交流；
67.b等级：课堂中存在少部分学生听讲不认真，不能够积极主动地参与课堂学习，但整体来说，认真的学生人数(65％，67％]仍要大于不认真的学生人数；
68.b-等级：课堂当中不认真听讲、没有积极参与课堂的学生人数超过整体课堂总人数的近一半(45％，65％]，说明整个课堂效果并不理想，需要任课老师调整教学方法并教育学生；
69.c等级：课堂当中不认真听讲，没有积极参与学习的学生人数过多，即积极参与学习的学生人数仅占(30％，45％]，课堂存在诸多问题，任课教师应该及时找出根源问题并加以解决。
70.在上述实施方式的基础上，作为更加优选的，在将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中之前，还包括：
71.对所述每个学生在学习过程中的人体行为图像信息进行预处理，示例的，对所述每个学生在学习过程中的人体行为图像进行高斯滤波，依据霍夫变换计算图像倾斜角，通过倾斜角对图像进行矫正，将人体行为图像裁剪成128
×
128的大小，随后经过归一化和零均值操作之后输入预先训练好的行为识别模型。
72.在上述实施方式的基础上，作为更加优选的，将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中之前，还包括：
73.对所述每个学生在学习过程中的人脸图像信息进行预处理，示例的，对所述每个学生在学习过程中的人脸图像进行高斯滤波，依据霍夫变换计算图像倾斜角，通过倾斜角对图像进行矫正，将人脸图像裁剪成128
×
128的大小，随后经过归一化和零均值操作之后输入预先训练好的表情识别模型。
74.本实施方式中，所述行为识别模型的训练方法包括：
75.获取第一训练数据集，所述第一训练数据集包括若干组第一训练数据，每组所述第一训练数据均包括：人体行为图像信息以及标识该人体行为图像信息中人体行为的标签；
76.利用所述第一训练数据集训练yolo模型，得到所述行为识别模型；示例的，yolo模型采用yolov3模型。
77.本实施方式中，所述表情识别模型的训练方法包括：
78.获取第二训练数据集，所述第二训练数据集包括若干组第二训练数据，每组所述第二训练数据均包括：人脸图像信息以及标识该人脸图像信息中表情的标签；
79.利用所述第二训练数据集训练改进的resnet网络，得到所述表情识别模型；所述改进的resnet网络中采用arcfaceloss损失函数和mish激活函数。
80.将arcfaceloss函数引入到resnet网络中，缩小了类内距离并扩大了类间距离，进而提高了表情识别的准确率。通过引入mish函数替代relu函数来作为resnet网络的激活函数进而优化网络，让信息更“平滑”的深入神经网络，从而达到了更好的准确性与泛化。
81.具体地说，本实施方式中，改进的resnet网络通过引入arcfaceloss损失函数替代softmax loss损失函数进而构造损失函数层，解决了表情识别任务中需要缩小类内距离和扩大类间距离的问题。传统的resnet18网络采softmax loss作为损失函数来实现多分类任务，选择概率最大的类别作为结果输出，这种方式只考虑了能否正确分类，没有考虑类间距离与类内距离。但是人脸表情存在着类内距离大和类间距离大的特性，而softmax loss损失函数不能缩小类内距离和扩大类间距离，因此其在处理复杂的人脸表情识别的任务中效果并不理想。针对该问题，本发明中引入arcfaceloss作为损失函数构造网络损失函数层。arcfaceloss在softmax loss基础上进行了改进，即对权重进行归一化，对偏差置为零，并利用反余弦函数计算目标权重和当前特征之间的角度，然后向目标角度添加一个附加的角余量，通过余弦函数再次获得目标对数，再按照固定的特征范数重新缩放，具体地说，arcfaceloss损失函数的公式如下：
[0082][0083]
公式中，其中n是样本数量，n是分类结果，yi表示第i个样本的深度特征，θ
yi
表示向量wj(w是以特征向量为行，以分类结果为列的矩阵，wj是w的第j列和yi的夹角)引入常数s、m对θ进行修正，本实施例中，分别将参数m和s设置为0.5和4。
[0084]
本实施方式中，改进的resnet网络通过引入mish函数来替代relu函数来作为激活
函数进而优化网络。传统的resnet神经网络选用的是relu函数作为激活函数，虽然relu函数能加快计算速度和收敛速度，但是如果在神经元的输入为负数时，经relu函数激活后输出为0，此时经过这些神经元的梯度信息将都为0，这等于完全没有激活权值也将无法得到更新，进而会影响到网络的表达能力。为解决该问题，本发明用mish激活函数代替relu激活函数，具体地说，mish激活函数的公式是f(x)＝x*tanh(ln(1+e^x))，mish激活函数的图像如图2所示，从图2可以看出，在负数区域里，mish激活函数仍旧有斜率，对比relu激活函数的硬零边界，其对负值的轻微允许能有更好的梯度流，这既保留了relu函数的优点，又避免了“dying relu”问题；同时相对“平滑”的效果让信息更好的深入神经网络，从而达到了更好的准确性与泛化。
[0085]
在上述实施方式的基础上，作为更加优选的实施方式，在将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果之后，还包括：
[0086]
显示所述教学质量评估结果，通过将教学质量评估结果进行直观的显示，教师可根据课堂教学质量评估等级对学生状态和教学方式进行调整。
[0087]
作为本发明的某一具体实施方式，还提用了一种课堂教学质量评估装置，包括：
[0088]
获取模块，用于获取课堂中每个学生在学习过程中的人体行为图像信息和人脸图像信息。
[0089]
行为识别模块，用于将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中，输出每个学生在学习过程中的行为结果，所述行为结果包括积极行为、消极行为和中性行为。
[0090]
表情识别模块，用于将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中，输出每个学生在学习过程中的表情结果，所述表情结果包括积极表情、消极表情和中性表情。
[0091]
综合评估值计算模块，用于根据所述消极行为的数量在所有行为结果总量中的占比和所述消极表情的数量在所有表情结果总量中的占比计算综合评估值。
[0092]
教学质量评估模块，用于将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果。
[0093]
优选的，还包括显示模块，用于显示所述教学质量评估结果。
[0094]
选用4k高清球机摄像机对课堂中每个学生进行监控拍摄，从监控拍摄的视频中获取课堂中每个学生在学习过程中的人体行为图像信息和人脸图像信息，拍摄的视频中的每帧图像通过网络以rtsp流的形式传送到获取模块。
[0095]
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于实现一种课堂教学质量评估方法的操作。
[0096]
本发明在一个实施例中，一种课堂教学质量评估方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
[0097]
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nandflash)、固态硬盘(ssd))等。
[0098]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0099]
本技术是参照本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0100]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0101]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0102]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种课堂教学质量评估方法，其特征在于，包括：获取课堂中每个学生在学习过程中的人体行为图像信息和人脸图像信息；将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中，输出每个学生在学习过程中的行为结果，所述行为结果包括积极行为、消极行为和中性行为；将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中，输出每个学生在学习过程中的表情结果，所述表情结果包括积极表情、消极表情和中性表情；根据所述消极行为的数量在所有行为结果总量中的占比和所述消极表情的数量在所有表情结果总量中的占比计算综合评估值；将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果。2.根据权利要求1所述的一种课堂教学质量评估方法，其特征在于，所述根据所述消极行为在所有行为结果中的占比和所述消极表情在所有表情结果中的占比计算综合评估值，包计算公式为：p
com
＝p
neg_emotion
*α+p
neg_behavior
*βp
neg_emotion
＝count
neg_emotion
/sump
neg_behavior
＝count
neg_behavior
/sumsum＝count
pos_behavior
+count
neg_behavior
+count
neu_behavior
式中，p
com
为综合评估值；p
neg_emotion
为消极表情的数量在所有表情结果中的占比；p
neg_behavior
为消极行为的数量在所有行为结果中的占比；α为分配给表情结果的权重值；β为分配给行为结果的权重值；count
neg_emotion
为消极表情的数量；count
neg_behavior
为消极行为的数量；count
pos_behavior
为积极行为的数量；count
neu_behavior
为中性行为的数量；sum为所有行为结果总量，所有表情结果总量等于所有行为结果总量。3.根据权利要求1所述的一种课堂教学质量评估方法，其特征在于，所述行为识别模型的训练方法包括：获取第一训练数据集，所述第一训练数据集包括若干组第一训练数据，每组所述第一训练数据均包括：人体行为图像信息以及标识该人体行为图像信息中人体行为的标签；利用所述第一训练数据集训练yolo模型，得到所述行为识别模型。4.根据权利要求1所述的一种课堂教学质量评估方法，其特征在于，所述表情识别模型的训练方法包括：获取第二训练数据集，所述第二训练数据集包括若干组第二训练数据，每组所述第二训练数据均包括：人脸图像信息以及标识该人脸图像信息中表情的标签；利用所述第二训练数据集训练改进的resnet网络，得到所述表情识别模型；所述改进的resnet网络中采用arcfaceloss损失函数和mish激活函数。5.根据权利要求1所述的一种课堂教学质量评估方法，其特征在于，所述将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中之前，还包括：对所述每个学生在学习过程中的人体行为图像信息进行预处理。6.根据权利要求1所述的一种课堂教学质量评估方法，其特征在于，所述将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中之前，还包括：对所述每个学生在学习过程中的人脸图像信息进行预处理。
7.根据权利要求1所述的一种课堂教学质量评估方法，其特征在于，所述将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果之后，还包括：显示所述教学质量评估结果。8.一种课堂教学质量评估装置，其特征在于，包括：获取模块，用于获取课堂中每个学生在学习过程中的人体行为图像信息和人脸图像信息；行为识别模块，用于将所述每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中，输出每个学生在学习过程中的行为结果，所述行为结果包括积极行为、消极行为和中性行为；表情识别模块，用于将所述每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中，输出每个学生在学习过程中的表情结果，所述表情结果包括积极表情、消极表情和中性表情；综合评估值计算模块，用于根据所述消极行为的数量在所有行为结果总量中的占比和所述消极表情的数量在所有表情结果总量中的占比计算综合评估值；教学质量评估模块，用于将所述综合评估值与预设的教学质量阈值比较，得到教学质量评估结果。9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种课堂教学质量评估方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种课堂教学质量评估方法的步骤。

技术总结
本发明公开了一种课堂教学质量评估方法、装置、设备及可读存储介质，将每个学生在学习过程中的人体行为图像信息输入预先训练好的行为识别模型中，输出每个学生在学习过程中的行为结果，行为结果包括积极行为、消极行为和中性行为；将每个学生在学习过程中的人脸图像信息输入预先训练好的表情识别模型中，输出每个学生在学习过程中的表情结果，表情结果包括积极表情、消极表情和中性表情；根据消极行为的数量在所有行为结果总量中的占比和消极表情的数量在所有表情结果总量中的占比计算综合评估值；将综合评估值与预设的教学质量阈值比较，得到教学质量评估结果。本发明提高了课堂教学质量评估结果的准确性，可以实时准确跟踪课堂时效。踪课堂时效。踪课堂时效。


技术研发人员：田星洋 张钰 裴豪康 吴卓霖 于振伟 吴怡玮 于水 韩明良
受保护的技术使用者：陕西师范大学
技术研发日：2023.04.20
技术公布日：2023/7/21