基于表情识别技术的学生课堂状态检测

为了解决在线教学模式下学生学习状态难以监测的问题,提出了利用表情识别技术对学生课堂状态进行检测的方法.首先,利用摄像头定时截取学生课堂图像,对其进行预处理,识别获取人脸数据;其次,利用表情识别方法分析学生上课状态,将人脸表情分类为 7 种,并再次划分为积极、消极、中性3 种状态来判断学生课堂参与度与专注度;最后,将可视化数据推向教师,教师可根据学生上课状态,优化课堂教学,提高教学质量.实验过程中为了降低计算功耗,提高表情识别准确度,采用添加通道注意力机制的轻量级模型 mini_Xception 作为表情识别的训练网络,并使用该改进的 mini_Xception网络在公开数据集Fer2013,CK+上进行训练.实验结果表明,该网络相较于ResNet-18 网络在Fer2013,CK+上的识别准确率分别提高了 7.97%和3.81%,且与原始 mini_Xception网络和已有的几个文献的表情识别结果相比均有提高,能更好地检测到学生的学习状态和表情变化.因此,将表情识别技术应用于在线教学,可辅助教师获取屏幕前学生的课堂学习状态,并据此适时优化课堂教学,提升教学效果,对提高线上教学质量有实际的应用价值.