孟祥睛 賀紅 趙永健

關(guān)鍵詞：目標(biāo)檢測(cè)；YOLOv5；BiFPN；智慧教室；教學(xué)評(píng)價(jià)

1引言

為加快教育現(xiàn)代化和教育強(qiáng)國(guó)進(jìn)程，教育部于2018年制定了《教育信息化2.0行動(dòng)計(jì)劃》，計(jì)劃指出要以人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等新興技術(shù)為基礎(chǔ)，依托各類智能設(shè)備及網(wǎng)絡(luò)，積極開展智慧教育研究和示范。2019年，相關(guān)部門印發(fā)《中國(guó)教育現(xiàn)代化2035》，再次指出要加快教育信息化的腳步，建設(shè)智能化的校園，為國(guó)內(nèi)高校探索智慧教育模式提供了方向。智慧校園是數(shù)字校園的進(jìn)一步發(fā)展和提升，是教育信息化的更高級(jí)形態(tài)，智慧教室作為智慧校園的重要組成部分，是建設(shè)智慧校園進(jìn)程中不可或缺的部分。

智慧教室是指在傳統(tǒng)教室基礎(chǔ)上應(yīng)用物聯(lián)網(wǎng)和人工智能技術(shù)實(shí)現(xiàn)對(duì)教室內(nèi)物品和人員的智能感知與控制、應(yīng)用大數(shù)據(jù)技術(shù)對(duì)課堂活動(dòng)所產(chǎn)生的的數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘和數(shù)據(jù)分析，為教學(xué)和教學(xué)督導(dǎo)提供便利、有效的幫助。

有關(guān)智慧教室的研究，國(guó)外相對(duì)國(guó)內(nèi)要早一些。20世紀(jì)80年代末，RESCIGNO RC首先提出了“Smart Classroom”的概念。這是一種集成了個(gè)人計(jì)算機(jī)、交互式激光磁盤視頻程序、閉路電視和局域網(wǎng)等設(shè)備或技術(shù)的課堂設(shè)施。國(guó)內(nèi)史元春等在2001年提出了未來智慧教室的四個(gè)特征，即自然用戶交互、自動(dòng)捕獲課堂事件和體驗(yàn)、情景感知和主動(dòng)服務(wù)、支持協(xié)作工作。他們?cè)O(shè)計(jì)的智慧教室兼具遠(yuǎn)程教育概念，在當(dāng)時(shí)被稱為世界上最先進(jìn)的教室之一。早期的智慧教室實(shí)際上更應(yīng)該稱為多媒體教室，直到2008年“智慧地球”概念的提出，傳感器技術(shù)、富媒體技術(shù)和人工智能技術(shù)爭(zhēng)先發(fā)展，促進(jìn)了智慧教室項(xiàng)目的發(fā)展，研究人員開始嘗試將物聯(lián)網(wǎng)和人工智能中的各類技術(shù)與智慧教室相結(jié)合。

在人工智能方面，嘗試用于處理智慧教室音視頻圖像數(shù)據(jù)的有語(yǔ)義識(shí)別、人臉識(shí)別、目標(biāo)檢測(cè)和情緒識(shí)別等模型。但是，實(shí)驗(yàn)室場(chǎng)景和教室實(shí)際應(yīng)用場(chǎng)景相差較大，有的模型在實(shí)驗(yàn)室效果很好但是卻不適合用在實(shí)際場(chǎng)景。YELINK等在智慧教室項(xiàng)目中加入了情緒識(shí)別來檢測(cè)學(xué)生情緒狀態(tài)。人類的情緒會(huì)影響學(xué)生的學(xué)習(xí)認(rèn)知過程尤其是對(duì)注意力影響巨大，在課堂中檢測(cè)師生情緒狀態(tài)可以判斷其是否在認(rèn)真參與課堂教學(xué)。但是，若要精確識(shí)別學(xué)生的情緒狀態(tài)，需要清晰的面部照片和瞳孔照片來展示表情變化，所須條件和環(huán)境比較苛刻，難于在學(xué)校中廣泛實(shí)施。LIN J等提出了一種在課堂中進(jìn)行舉手檢測(cè)的方法來分析教學(xué)氛圍，通過特征金字塔捕捉細(xì)節(jié)和語(yǔ)義特征，然后融于R-FCN架構(gòu)中，取得了85%的平均準(zhǔn)確率。董琪琪等改進(jìn)的SSD算法在進(jìn)行智慧教室學(xué)生狀態(tài)檢測(cè)時(shí)識(shí)別準(zhǔn)確率達(dá)到了驚人的95.4%，但是從論文中所給出的效果圖來看，實(shí)驗(yàn)是在8-10人的房間里進(jìn)行的，且教室內(nèi)人員較固定、影響因子較小，與實(shí)際教室環(huán)境相差甚遠(yuǎn)。

如今，移動(dòng)智能設(shè)備的快速發(fā)展，使得手機(jī)、平板電腦等智能終端成為人們生活中密不可分的一部分，在大學(xué)課堂上越來越多的學(xué)生被智能終端吸引從而低頭，這種狀況對(duì)教師教學(xué)內(nèi)容和形式的吸引力是一種負(fù)證據(jù)。所以，課堂上的抬頭率對(duì)于教學(xué)評(píng)價(jià)便有了一定的參考價(jià)值。為了進(jìn)一步提高深度學(xué)習(xí)技術(shù)與智慧教育的結(jié)合度，在不侵犯學(xué)生個(gè)人隱私的前提下，本研究將以目標(biāo)檢測(cè)的方式，從檢測(cè)課堂學(xué)生抬頭率人手，為教學(xué)評(píng)價(jià)新方式提供一定參考。

目標(biāo)檢測(cè)至今已有20多年的發(fā)展歷程，早期的傳統(tǒng)目標(biāo)檢測(cè)主要是由手工提取特征，不僅實(shí)驗(yàn)準(zhǔn)確率不高，而且速度還慢，直到2012年卷積神經(jīng)網(wǎng)絡(luò)的興起給目標(biāo)檢測(cè)領(lǐng)域注入了新的活力。YOLO（ YouOnly Look Once）系列正是基于卷積神經(jīng)網(wǎng)絡(luò)的單階段目標(biāo)檢測(cè)算法，自YOLOvl面世以來，歷經(jīng)YOLOv2，YOL0v3等多個(gè)版本的改進(jìn)與優(yōu)化，一直到現(xiàn)在的YOL0v4與YOL0v5，都是目標(biāo)檢測(cè)領(lǐng)域的佼佼者。YOL0v5與YOL0v4相比具有更高的靈活性和更快的速度，且模型方便快速部署。YOL0v5按照模型大小遞增分為n，s，m，l，x，其中YOL0v5x模型參數(shù)最多，性能最好，但也最耗時(shí)間，各模型結(jié)構(gòu)一致，僅在深度和寬度上有變化，模型主體部分均由Backbone，Neck，Head三部分組成。

研究思路是：對(duì)智慧教室的各路圖像進(jìn)行比較，從中選出一路能從前方拍到教室所有學(xué)生的視頻，使用目標(biāo)檢測(cè)技術(shù)從視頻中檢測(cè)出低頭和抬頭的學(xué)生，統(tǒng)計(jì)人數(shù)，計(jì)算出抬頭率。

2材料與方法

在眾多目標(biāo)檢測(cè)工具中，YOL0v5是較為活躍的一種網(wǎng)絡(luò)模型，具有超高的靈活性和較低的上手難度。經(jīng)過速度與準(zhǔn)確率之間的比較，本文采用YOL0v5中的YOL0v5s模型進(jìn)行研究。

2.1課堂學(xué)生抬頭率檢測(cè)流程

YOL0v5s模型直接用于在智慧教室課堂監(jiān)測(cè)學(xué)生抬頭率效果不夠理想。比如，有學(xué)生會(huì)把書包放在桌上，書包上端從視頻中看去就是一個(gè)黑色頭頂，容易造成檢測(cè)誤差。經(jīng)過大量實(shí)驗(yàn)，列舉了各種造成檢測(cè)誤差的情況，為了提高模型對(duì)課堂場(chǎng)景的適用性，提高學(xué)生抬頭率檢測(cè)的準(zhǔn)確率，團(tuán)隊(duì)對(duì)YOL0v5s模型進(jìn)行改進(jìn)。改進(jìn)方法是將BiFPN模塊融入YOLOv5s模型。研究流程如圖1所示。

2.2數(shù)據(jù)采集與準(zhǔn)備

本研究所用實(shí)驗(yàn)數(shù)據(jù)均來源于本校區(qū)智慧教室云平臺(tái)，目前本校已在校區(qū)內(nèi)大多數(shù)教室安裝了智慧教室所需的硬件設(shè)備，該平臺(tái)具備實(shí)時(shí)直播、錄播回放等視頻功能，每間教室設(shè)有教師講臺(tái)、學(xué)生全景、課件屏幕三個(gè)機(jī)位，部分教室在此基礎(chǔ)上額外實(shí)現(xiàn)了學(xué)生雙機(jī)位全景。

本文研究的課堂抬頭率檢測(cè)基于學(xué)生全景機(jī)位（如圖2所示）制作數(shù)據(jù)集，具體方式為：（1）在智慧教室云平臺(tái)的錄播回放分區(qū)分別獲取春夏秋冬四季課堂上課視頻；（2）根據(jù)觀察，由于時(shí)間相隔太近視頻幀之間變化極小，因此不必挨個(gè)抽取每幀圖像，每節(jié)課視頻選擇均勻抽取十幀圖像；（3）人工篩選出抽幀不合理的圖片，如圖片過于模糊、上下課期間等無意義場(chǎng)景圖。最終，共采集課堂圖片427張，采用Labellmg標(biāo)注軟件進(jìn)行人工標(biāo)注后，共計(jì)獲得標(biāo)注樣本24010個(gè)，其中抬頭樣本10629個(gè)、低頭樣本13381個(gè)。

2.3BiFPN簡(jiǎn)述

在YOLO系列Backbone網(wǎng)絡(luò)中，將原始輸入圖像分別通過8倍、16倍和32倍下采樣得到三種不同尺寸的特征圖，然后采用特征金字塔網(wǎng)絡(luò)（FeaturePvramid Network，F(xiàn)PN）進(jìn)行特征融合，從而實(shí)現(xiàn)不同大小目標(biāo)的檢測(cè)。但是，由于不同的輸入特征具有不同的分辨率，帶來了各尺度特征信息不一致的問題，LIU S等通過添加路徑的方式對(duì)其進(jìn)行了改進(jìn)，他們提出了一個(gè)自頂向下和自底向上的雙向融合骨干網(wǎng)絡(luò)，即路徑聚合網(wǎng)絡(luò)（Path AggregationNetwork，PANet），顯著提高了不同尺寸特征融合之后的精確度，但隨之而來的問題是成倍增加的計(jì)算量。對(duì)于只有一條輸入邊而沒有進(jìn)行特征融合的結(jié)點(diǎn)，它并不會(huì)對(duì)融合不同特征的特征網(wǎng)絡(luò)產(chǎn)生多少影響，據(jù)此TAN M等提出了一種雙向特征金字塔網(wǎng)絡(luò)（Bi-Directional

Feature

Pyramid

Network，

BiFPN），在：PANet基礎(chǔ)上刪除了只有一條輸入邊的結(jié)點(diǎn)，從原始輸入到輸出結(jié)點(diǎn)添加額外的邊，以便在不增加太多成本的境況下融合更多的特征，同時(shí)反復(fù)應(yīng)用多次BiFPN實(shí)現(xiàn)更高級(jí)別的特征融合。

2.4遷移學(xué)習(xí)

機(jī)器學(xué)習(xí)模型通常是為了解決某類特定任務(wù)而設(shè)計(jì)，從頭構(gòu)建和訓(xùn)練模型需要大量的數(shù)據(jù)，可能達(dá)到百萬(wàn)量級(jí)，不僅標(biāo)注需要大量的人力物力，訓(xùn)練也需要極大地消耗資源。遷移學(xué)習(xí)是一種用于轉(zhuǎn)移從一個(gè)任務(wù)獲得的成果解決另一個(gè)任務(wù)的方法，而不是從零開始，有助于提高準(zhǔn)確性和減少訓(xùn)練時(shí)間。具體到本研究表現(xiàn)為：從COCO數(shù)據(jù)集的80類目標(biāo)向抬頭、低頭兩類目標(biāo)的轉(zhuǎn)換，可大大加快模型訓(xùn)練速度，節(jié)省資源占用。

2.5評(píng)價(jià)指標(biāo)

本研究采用目標(biāo)檢測(cè)常用評(píng)價(jià)標(biāo)準(zhǔn)，即準(zhǔn)確率（Precision，P）、召回率（Recall，R）、平均準(zhǔn)確率均值（mean Average Precision，mAP）以及每秒幀數(shù)（Frames Per Second，F(xiàn)PS），其中平均準(zhǔn)確率均值mAP常與IOU閾值相結(jié)合來反應(yīng)性能，mAP@0.5代表在IOU閾值為0.5時(shí)的平均AP，主要提現(xiàn)模型的識(shí)別能力：mAP@0.5：0.95代表在IOU閾值從0.5到0.95．步長(zhǎng)為0.05時(shí)各個(gè)mAP的平均值，主要用于提現(xiàn)定位效果以及邊界回歸能力，比單一的IOU閾值0.5更能說明模型的預(yù)測(cè)能力：FPS表示每秒檢測(cè)圖像的數(shù)目，值越大則說明模型每秒處理的圖片越多即速度越快。各指標(biāo)計(jì)算公式如下：

在公式（2）與公式（3）中，TP代表對(duì)目標(biāo)的正確預(yù)測(cè)樣本個(gè)數(shù)、FP代表對(duì)目標(biāo)的錯(cuò)誤預(yù)測(cè)或不存在目標(biāo)的錯(cuò)誤預(yù)測(cè)樣本個(gè)數(shù)、FN代表對(duì)目標(biāo)的漏檢樣本個(gè)數(shù)。

3實(shí)驗(yàn)與結(jié)果分析

3.1模型訓(xùn)練過程

本研究實(shí)驗(yàn)環(huán)境如表1所列。

訓(xùn)練過程如下：為減少資源消耗、快速得出結(jié)果，以YOLOv5官方提供的YOLOv5s權(quán)重文件為預(yù)訓(xùn)練權(quán)重，在此基礎(chǔ)上進(jìn)行遷移學(xué)習(xí)，設(shè)置迭代批量大小為16，總迭代次數(shù)為300次，初始學(xué)習(xí)率為0.01進(jìn)行模型訓(xùn)練。訓(xùn)練過程中的mAP@ 0.5隨訓(xùn)練迭代次數(shù)變化如圖3所示，mAP@ 0.5：0.95隨訓(xùn)練迭代次數(shù)變化如圖4所示。

3.2模型對(duì)比與分析

通過訓(xùn)練過程產(chǎn)生的平均準(zhǔn)確率變化（圖3）可知，YOLOv5s模型與融合了BiFPN模塊的YOLOv5s模型的識(shí)別準(zhǔn)確率都非常不錯(cuò)，在最高處分別達(dá)到了96.21%和96.38%的平均準(zhǔn)確率，相較之下，后者優(yōu)勢(shì)并不明顯。但是從圖4來看，融合了BiFPN模塊的YOLOv5s模型在mAP@0.5：0.95下相比原版YOLOv5s模型有所提高。根據(jù)表2看到，添加了BiFPN模塊的YOLOv5s模型之后檢測(cè)速率略有下降，在本應(yīng)用場(chǎng)景下差距0.002秒，幾乎沒有影響，可忽略不計(jì)。

為進(jìn)一步探索BiFPN模塊是否起到理論上的作用，在測(cè)試集上再次進(jìn)行對(duì)比實(shí)驗(yàn)，本次實(shí)驗(yàn)采用人工檢驗(yàn)的方式檢查模型預(yù)測(cè)結(jié)果，使用訓(xùn)練好的模型進(jìn)行訓(xùn)練時(shí)，confidence設(shè)置為0.55，IOU閾值設(shè)置為0.7，結(jié)果如表3所列?？梢钥吹剑噍^于原版模型，融合BiFPN模塊的YOLOv5s模型的錯(cuò)識(shí)別率和漏識(shí)別率顯著降低。從識(shí)別的效果圖（圖5）來看，除了人眼看不到但人腦可以猜測(cè)到的人外，BiFPN-YOLOv5模型基本都可以識(shí)別正確。

3.3檢測(cè)結(jié)果展示

本研究在模型訓(xùn)練完成后進(jìn)行了應(yīng)用測(cè)試，測(cè)試時(shí)會(huì)先對(duì)輸入的視頻進(jìn)行處理。據(jù)觀察，對(duì)于智慧教室產(chǎn)生課堂視頻，一節(jié)50分鐘的課大概有10萬(wàn)幀，因此選擇均勻抽幀的方式對(duì)其進(jìn)行處理，這既能確保獲取整節(jié)課的抬頭率變化情況，也能節(jié)省系統(tǒng)資源，縮短處理時(shí)間。圖6為對(duì)某節(jié)課堂視頻使用BiFPN-YOLOv5s模型檢測(cè)后產(chǎn)生的抬頭率變化圖，從圖6中可以大致得出本節(jié)課教師的上課情況，如前半部分學(xué)生抬頭率較高，說明任課教師講的內(nèi)容可能非常吸引學(xué)生，課堂中間部分學(xué)生抬頭率波動(dòng)比較大，可能是任課教師讓學(xué)生在記錄。

4結(jié)束語(yǔ)

本研究基于YOLOv5提出了一種面向教學(xué)評(píng)價(jià)的抬頭率檢測(cè)模型，采用BiFPN結(jié)構(gòu)對(duì)網(wǎng)絡(luò)的精度和泛化能力進(jìn)行提升，實(shí)驗(yàn)結(jié)果表明，該模型的平均識(shí)別準(zhǔn)確率已經(jīng)達(dá)到95.8%，在測(cè)試集上經(jīng)過人工核驗(yàn)后單一精度達(dá)到98.4%，每秒可處理50張圖片。本文提出的抬頭率監(jiān)測(cè)模型具有較強(qiáng)的檢測(cè)能力和泛化能力，可為學(xué)校進(jìn)行教學(xué)評(píng)價(jià)和學(xué)生選課提供客觀依據(jù)，為智慧教室的數(shù)據(jù)使用方式提供參考。