信息记录材料2022年12月第23卷第12期51论著0引言在智慧教育相关的课题研究中，学生课堂行为识别问题一直是研究的重点内容。随着计算机存储和计算技术的发展，人工智能融入教育领域，为学生课堂行为量化分析提供了可能。疫情以来，线上课堂已成为教学中不可或缺的一部分，如何在线上课堂掌握学生的学习状况，为教师提供客观的课堂情况是亟待解决的问题。因此，将深度学习引入教学活动，了解学生的上课状态，对教学改革具有积极意义[1-2]。在针对学生行为识别的研究中，对于学生相似动作难以区分识别的情况，张鑫褆[3]基于人体2D骨架提出多维融合的LSTM网络，在克服梯度弥散的条件下，提高了对相似动作的识别率；周叶[4]在经典的实例分割算法FasterR-CNN的基础上，利用特征金字塔解决不同尺度学生课堂行为检测的同时，将视频中上一帧的检测结果作为当前帧的目标候选框，实现了比较准确的学生身份关联；柯斌等[5]用InceptionV3网络对学生行为进行识别，但模型忽视了手机，笔和课本等重要信息的特征，使得看书，低头玩手机行为容易混淆；Abdallah等[6]对数据集进行数据增强，通过深度迁移学习的方法，在学生课堂表情识别中取得79.4%的准确率；Lin等[7]使用OpenPose框架收集骨骼数据,提出一种基于姿态估计和人物检测技术的误差校正方案，以减少骨架数据中的错误连接，构建表示人体姿势的特征向量。采用关节位置、关节距离和骨角度等特征对学生行为分类。上述方法虽然对学生行为进行识别，但模型识别准确率不高、鲁棒性较差、有效特征的提取不足。本文在YOLOV5模型的基础上改进，加入CA注意力模块从空间和通道两个维度提升网络的特征提取能力，提高特征提取的有效性，增加模型的鲁棒性，在保证模型实时检测的情况下，实现了对学生课堂抬头听课、玩手机、睡觉等七种行为识别率的提高。1目标检测算法1.1YOLOV5目标检测模型YOLOV5是Ultralytics公司2020年5月发布的目标检测网络模型。YOLOV5输入端有自适应缩放，Mosaic数据增强，目的是为了增加数据的多样性，使模型的泛化性能更好。Backbone有Focus、CSP、SPP等网络模块，主要目的是提取特征图。Neck部分是特征融合阶段，采用FPN+PAN（特征金字塔和路径聚合网络）网络。基于改进YOLOV5算法的学生课堂行为识别研究杨明远，左栋（华北水利水电大学数学与统计学院河南郑州450046）【摘要】将人工智能引入课堂教学活动，基于深度学习的方法智能识别学生在课堂上的行为，及时了解学生的上课状态，对教学改革具有...
