本論文主要探討如何使用深度學習神經(jīng)網(wǎng)絡中的卷積神經(jīng)網(wǎng)絡通過實時攝像的方式持續(xù)性的觀察學生的學習狀態(tài),用以提供給教師進行教學管理。以往傳統(tǒng)的人臉識別是通過幾何的方式去鎖定人臉五官的位置,容易受到遮蔽而造成識別效果不佳。傳統(tǒng)的人臉識別除了需要正面面對攝像頭外,還必須清楚呈現(xiàn)五官的位置。而在實際課堂上,學生的臉部可能會因各種原因造成遮蔽,無法準確地進行持續(xù)性的識別。因此,本研究使用一種通過提取影像特征用于圖像識別的卷積神經(jīng)網(wǎng)絡,進行學生人臉的識別。但由于通過單一攝像頭拍攝,難以識別所有的學生,且容易把背景的特征也識別進去而造成誤判。因此本研究使用Faster R-CNN對畫面中的人臉影像進行截取,再通過人臉識別模型進行訓練。除了可以讓一張畫面中的多位學生進行身份識別,更能夠排除掉不必要的背景。本研究所訓練的人臉身份識別模型經(jīng)測試后準確率高達99%,測試損失值為0.0278137。而除了畫面中的學生身份識別外,本研究更通過情緒識別模型去分析其上課時的情緒并記錄進行統(tǒng)計,從而了解學生上課時的心情。最終,通過WebSocket傳遞參數(shù)驅動識別,并以FLUX架構建立一套在線教學管理系統(tǒng)。本論文的研究...

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和動機
    1.2 研究目的
    1.3 國內外研究現(xiàn)狀
        1.3.1 人臉識別技術
        1.3.2 人臉識別技術在教學管理中的應用
    1.4 研究內容
    1.5 論文組織與結構
第2章 相關基礎理論
    2.1 教學管理
    2.2 人臉識別
    2.3 個案研究
    2.4 深度學習
        2.4.1 卷積神經(jīng)網(wǎng)絡
        2.4.2 梯度下降算法
        2.4.3 反向傳播算法
        2.4.4 人臉識別模型
        2.4.5 情緒分析模型
        2.4.6 區(qū)域建議網(wǎng)絡
    2.5 本章小結
第3章 系統(tǒng)需求與設計
    3.1 系統(tǒng)需求
    3.2 研究框架
    3.3 使用FASTER R-CNN基于區(qū)域建議網(wǎng)絡的人臉識別模型
        3.3.1 人臉識別模型訓練
        3.3.2 人臉識別模型測試
    3.4 情緒分析
    3.5 學習狀況判斷規(guī)則
    3.6 在線教學管理系統(tǒng)的設計
    3.7 本章小結
第4章 系統(tǒng)實現(xiàn)與測試
    4.1 開發(fā)環(huán)境
        4.1.1 軟件
        4.1.2 硬件
        4.1.3 程序語言
    4.2 跨平臺系統(tǒng)建置
        4.2.1 模型視圖控制器架構
        4.2.2 Flux架構
        4.2.3 異步的JavaScript與XML技術
        4.2.4 WebSocket
    4.3 研究數(shù)據(jù)
        4.3.1 參數(shù)設定
        4.3.2 樣本采集
        4.3.3 樣本處理
    4.4 訓練結果
    4.5 系統(tǒng)參數(shù)設置及結果展示
    4.6 本章小結
結論
參考文獻
致謝



本文編號：3855582