AI智能技术监控学生上课行为，智慧管理加强校园教学质量

Posted 2021-10-17 TSINGSEE

随着网络信息的高速普及，智能手机的更新换代，越来越多的学生都拥有个人智能手机。虽然家长的初衷大都是想让孩子汲取到最新的知识和信息，但是由于大多数学生的自控能力较弱、不能有效辨别网络内容的真实性和虚假性，加之网络上的游戏、小说等板块的吸引力太大，这就导致大部分学生在没有家长或老师监管的情况下，大都沉迷手机不能自拔，严重影响了孩子的学习和成长环境。

现在的校园大都对学生手机的使用没有过多的限制，因此，在课堂中玩手机的现象也越来越多，这不仅降低了学生的课堂学习效率，影响了学生自身的成长与发展，带坏了学校风气，还严重影响了教学活动的正常开展。基于上述种种，校园智能手机检测成为校园课堂教学活动的监管重点之一。

随着AI智能检测分析、大数据、互联网等新兴技术的发展，AI智能检测学校学生玩手机的场景，已经成为智慧校园管理的重要一环。针对以上痛点和AI智能科技的运用，TSINGSEE青犀视频以AI智能分析为依托，通过云平台数据汇总、GPS定位、智能告警与安防监控视频等功能，联合高校研发，助力打造AI智能识别的产学研项目，实现AI智能识别学生课堂玩手机的监测。

研究方向

我们目前的主要研究方向就是学生在课堂玩手机的智能识别（目标检测），即找出监控图像或画面中所有含有手机的物体，包含手机的类别和使用手机的定位。虽然近些年基于深度卷积神经网络的手机检测方法使得检测精度有了很大提升，但是在实际应用中仍然存在很多的问题和挑战。了解了目标检测领域的最新发展趋势，针对课堂玩手机检测的挑战和难度：目标尺度范围大、实时检测问题、弱监督检测问题和样本不均衡等问题，我们研发所使用的技术也得到了进一步的确定。

技术使用

1.深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法：
(1)基于卷积运算的神经网络系统，即卷积神经网络(CNN)。
(2)基于多层神经元的自编码神经网络，包括自编码以及近年来受到广泛关注的稀疏编码两类。
(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。

2.卷积神经网络
卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。

3.计算机视觉（CV）
计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。

技术实现

1.输入手机图片。即从多个手机图片数据集中进行标记，然后将这些已经标记的图片输入，经过卷积神经网络进行分类处理。
2.在手机源图片上提取两千左右的候选区域。
3.对于每个候选区域采用卷积神经网络（CNN）计算特征。
4.对于每个候选区域采用支持向量机（SVM）进行分类，对于每个类都提供一个SVM分类器。

技术扩展应用

课堂智能手机使用的智能识别检测研究，不但能应用到学校课堂当中，还可以应用到日常办公等场景。而且这一套目标检测算法走通以后，还可以实现其他场景中的人、车、物、行为等的识别检测。