基于YOLOv5的多学生智慧课堂学习行为识别

近年来，基于深度学习的计算机视觉技术日益强大，利用计算机视觉技术进行交叉融合是近年来的热门方向。运用计算机视觉技术识别学生在课堂中的学习行为，可减轻传统教师监督学生的工作负担，并保证更高的准确性与全面性。然而，现有的学生学习行为检测系统无法精确跟踪与检测多个目标，且学习行为识别的准确率不够高，难以满足课堂学生行为精确识别的现有需求。为解决该问题，本文提出一种基于you only look once (YOLO)算法的YOLOv5s网络结构，用于识别与分析学生的课堂行为。首先，对智慧课堂采集的输入图像进行预处理。随后，将预处理后的图像送入所设计的YOLOv5网络，通过卷积层提取深层特征，并采用Squeeze-and-Excitation (SE)注意力检测机制降低识别过程中背景信息的权重。最后，利用Feature Pyramid Networks (FPN)与Path Aggregation Network (PAN)结构对提取的特征进行分类。通过多组实验与传统学习行为识别方法对比，验证了所提方法的有效性。与YOLOv4相比，所提方法的mAP性能提升了11%。