基于YOLOv8的高校學(xué)生上課狀態(tài)檢測(cè)系統(tǒng)設(shè)計(jì)

摘 要：大學(xué)教學(xué)環(huán)境中，由于學(xué)生數(shù)量龐大而教師資源相對(duì)有限，導(dǎo)致教師難以實(shí)時(shí)、全面地了解每個(gè)學(xué)生的學(xué)習(xí)狀態(tài)和需求，這種信息的不對(duì)稱性使得教師難以提供個(gè)性化的教學(xué)服務(wù)。為了解決這一問(wèn)題，采用YOLOv8深度學(xué)習(xí)框架搭建檢測(cè)系統(tǒng)，利用教室攝像頭或希沃課堂錄制等采集數(shù)據(jù)，訓(xùn)練出可智能識(shí)別學(xué)生舉手、閱讀、書寫、玩手機(jī)、低頭以及打瞌睡六種課堂常見行為的檢測(cè)模型。采用PyQt5設(shè)計(jì)可視化UI界面，實(shí)現(xiàn)圖片檢測(cè)、視頻檢測(cè)及攝像頭實(shí)時(shí)跟蹤識(shí)別，識(shí)別結(jié)果可保存便于后續(xù)數(shù)據(jù)分析。經(jīng)實(shí)驗(yàn)，系統(tǒng)可高效準(zhǔn)確地檢測(cè)出學(xué)生這六類課堂常見行為，界面友好，操作簡(jiǎn)便，使高校教師能夠更好地觀察學(xué)生的學(xué)習(xí)狀態(tài)，優(yōu)化教學(xué)方法，進(jìn)而提高教學(xué)效果和學(xué)生的學(xué)習(xí)效率。

關(guān)鍵詞：學(xué)習(xí)狀態(tài)；YOLOv8；智能識(shí)別；PyQt5；UI；課堂狀態(tài)檢測(cè)

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）08-00-06

0 引 言

據(jù)2024年最新高等教育統(tǒng)計(jì)數(shù)據(jù)顯示，中國(guó)高校教育師生比基準(zhǔn)為1∶14。然而實(shí)際情況是，很多高校的師生比低于這一標(biāo)準(zhǔn)。在245所專任教師數(shù)量超過(guò)1 000名的重點(diǎn)大學(xué)中，僅有41所大學(xué)的師生比在1∶14之內(nèi)，占16.7%，83.3%的高校師生比低于此標(biāo)準(zhǔn)。隨著高等教育的擴(kuò)招，教師隊(duì)伍的建設(shè)在數(shù)量上已跟不上擴(kuò)招的速度，導(dǎo)致很多高校的師生比嚴(yán)重低于國(guó)家規(guī)定的標(biāo)準(zhǔn)。這可能會(huì)對(duì)高等教育的人才培養(yǎng)質(zhì)量產(chǎn)生不良影響。

在大學(xué)課堂上，教師往往需要面對(duì)數(shù)十甚至上百名學(xué)生，為了提高教學(xué)質(zhì)量，教師的首要任務(wù)是改善學(xué)生的聽課狀態(tài)，這需要教師對(duì)學(xué)生的課堂表現(xiàn)進(jìn)行分析。由于視頻數(shù)據(jù)量龐大，單純依賴人力檢測(cè)難以實(shí)現(xiàn)，因此采用自動(dòng)化解決方案，如深度學(xué)習(xí)和計(jì)算機(jī)視覺領(lǐng)域的前沿技術(shù)—YOLOv8（You Only Look Once version 8）算法框架來(lái)處理大規(guī)模圖像數(shù)據(jù)檢測(cè)問(wèn)題。

YOLOv8是一種先進(jìn)的“One Stage”目標(biāo)檢測(cè)算法，它繼承并顯著提升了YOLO系列算法的性能。其重要的優(yōu)勢(shì)是適應(yīng)性和靈活性，它向下兼容之前的YOLO版本，支持多種模型的導(dǎo)出格式，使得算法能夠靈活部署在各種平臺(tái)和設(shè)備上。無(wú)論是在邊緣設(shè)備還是云端，YOLOv8都能夠提供高效的目標(biāo)檢測(cè)能力。

本文提出了一款基于YOLOv8的學(xué)生上課行為檢測(cè)系統(tǒng)，重點(diǎn)關(guān)注學(xué)生課堂上的六種行為：舉手、閱讀、書寫、玩手機(jī)、低頭和打瞌睡，實(shí)時(shí)監(jiān)測(cè)并評(píng)估學(xué)生的課堂行為，向教師提供即時(shí)反饋，協(xié)助他們改進(jìn)教學(xué)策略，提升課堂互動(dòng)效果。

1 研究現(xiàn)狀

傳統(tǒng)的學(xué)生課堂狀態(tài)監(jiān)測(cè)方法通常需要投入大量人力，準(zhǔn)確率低時(shí)效性較差。深度學(xué)習(xí)技術(shù)不僅能夠極大地減少人力資源的消耗，還能在保持快速響應(yīng)的同時(shí)，實(shí)現(xiàn)更高的檢測(cè)準(zhǔn)確度。值得一提的是，深度學(xué)習(xí)方法對(duì)于使用環(huán)境的光照變化、拍攝角度差異等外部因素具有出色的適應(yīng)性和魯棒性，從而確保了監(jiān)測(cè)結(jié)果的穩(wěn)定性和可靠性。通過(guò)深度學(xué)習(xí)技術(shù)，我們可以更精準(zhǔn)地捕捉學(xué)生在課堂上的參與度和注意力情況，為教學(xué)管理和學(xué)生學(xué)習(xí)提供有力的技術(shù)支持。

文獻(xiàn)[1]提出采用輕量級(jí)多人臉識(shí)別算法以適應(yīng)硬件條件較差的環(huán)境，從而快速、準(zhǔn)確地識(shí)別身份。通過(guò)開發(fā)多角度身份識(shí)別算法，解決非正面朝向攝像頭識(shí)別問(wèn)題，分析學(xué)生的課堂行為和心理壓力，提出行為識(shí)別方法。文獻(xiàn)[2]提出了一種基于深度學(xué)習(xí)的學(xué)生異常行為分析系統(tǒng)和方法，通過(guò)校園一卡通記錄學(xué)生消費(fèi)、就餐、就寢和學(xué)習(xí)等行為數(shù)據(jù)，利用數(shù)據(jù)建模分析學(xué)生行為，挖掘有價(jià)值信息，輔助學(xué)校和教師加強(qiáng)學(xué)生管理和教學(xué)管理。文獻(xiàn)[3]研究了基于AWS SageMaker和DeepLens的高校課堂學(xué)生問(wèn)題行為自動(dòng)檢測(cè)方法，實(shí)驗(yàn)結(jié)果表明，結(jié)合云計(jì)算和智能攝像頭進(jìn)行行為識(shí)別，在成本效益和部署靈活性方面均具有較大優(yōu)勢(shì)，有效突破了傳統(tǒng)計(jì)算機(jī)視覺的局限，促進(jìn)信息技術(shù)與課堂教學(xué)的融合。文獻(xiàn)[4]提出了一種基于改進(jìn)OpenPose的學(xué)生行為識(shí)別方法，通過(guò)高斯濾波降噪、注意力機(jī)制目標(biāo)檢測(cè)、改進(jìn)OpenPose提取骨骼點(diǎn)和ST-SVM分類，實(shí)現(xiàn)快速準(zhǔn)確識(shí)別學(xué)生行為狀態(tài)。實(shí)驗(yàn)結(jié)果顯示，該方法準(zhǔn)確率超99%，幀率超20 FPS，相比原模型幀率提升了50%，有效提高了模型的實(shí)時(shí)性和準(zhǔn)確率。文獻(xiàn)[5]提出了一種基于深度學(xué)習(xí)的學(xué)生打卡及上課狀態(tài)檢測(cè)系統(tǒng)，包括數(shù)據(jù)采集、檢測(cè)和存儲(chǔ)可視化子系統(tǒng)，通過(guò)確定學(xué)生身份和狀態(tài)，實(shí)時(shí)輸出數(shù)據(jù)以提高教學(xué)質(zhì)量。系統(tǒng)具有結(jié)構(gòu)精簡(jiǎn)、計(jì)算量低、準(zhǔn)確性高的優(yōu)點(diǎn)。文

獻(xiàn)[6]提出一種基于深度學(xué)習(xí)的學(xué)生課堂狀態(tài)檢測(cè)算法，利用K-means++聚類分析候選框特征，構(gòu)建雙YOLO網(wǎng)絡(luò)模型分析課堂行為，實(shí)時(shí)精準(zhǔn)反饋學(xué)生學(xué)習(xí)狀態(tài)，并進(jìn)行評(píng)分輔助教學(xué)評(píng)價(jià)。實(shí)驗(yàn)結(jié)果顯示，模型準(zhǔn)確率高達(dá)86.62%，單幀計(jì)算時(shí)間為0.2 s，可有效提升教學(xué)管理效率。文獻(xiàn)[7]提出了一種深度學(xué)習(xí)模型，其通過(guò)集成Ghost模塊實(shí)現(xiàn)輕量化，并引入坐標(biāo)注意力機(jī)制來(lái)增強(qiáng)檢測(cè)的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果顯示，改進(jìn)模型在識(shí)別精度上提升了3.5%，推理時(shí)間減少了16.7%，參數(shù)量降低了35.5%，有效提升了課堂行為識(shí)別的速度和精度，滿足了智慧課堂的需求。

2 材料和方法

2.1 數(shù)據(jù)集制作

通過(guò)實(shí)景拍攝上課照片及網(wǎng)上搜索各類課堂圖片，以及教室監(jiān)控和希沃課堂視頻錄制上課視頻，圖片共計(jì)2 000余張，大小視頻時(shí)長(zhǎng)余200 h。圖1所示為采用圖像標(biāo)注工具labelme標(biāo)注分類訓(xùn)練圖片，標(biāo)注邊框及害蟲類別生成JSON文件，提取JSON文件中的label和point數(shù)據(jù)，并將生成文件轉(zhuǎn)化成txt文件（YOLO系列標(biāo)準(zhǔn)讀取的文件為txt類型），如圖2所示。

本系統(tǒng)可識(shí)別出高校課堂6種常見的學(xué)生上課狀態(tài)，分別為：舉手、閱讀、書寫、玩手機(jī)、低頭以及打瞌睡，設(shè)置編號(hào)0～5。模型劃分為三類數(shù)據(jù)集，分別為train數(shù)據(jù)集，val（驗(yàn)證）數(shù)據(jù)集，test數(shù)據(jù)集，按照7∶1∶2的比例進(jìn)行隨機(jī)劃分，部分圖像數(shù)據(jù)如圖3所示。

本系統(tǒng)可識(shí)別的圖片文件為jpg，png，jpeg，bmp四種常見格式。視頻格式為.avi，.mp4，.wmv，.mkv。使用OpenCV（通常通過(guò)CV2模塊）讀取攝像頭信息并捕獲視頻流，使用VideoCapture（）函數(shù)捕獲視頻，采用read（）方法讀取幀圖像，借助imshow（）顯示捕獲的幀。

2.2 YOLOv8算法模型

YOLOv8是一款創(chuàng)新的圖像分類、物體檢測(cè)和實(shí)例分割模型，它不僅延續(xù)了YOLO系列的卓越性能，還引入了多項(xiàng)創(chuàng)新功能和優(yōu)化措施，進(jìn)一步提升了模型的性能和靈活性。它是一種高效的實(shí)時(shí)目標(biāo)檢測(cè)算法，能夠快速準(zhǔn)確地在圖像中識(shí)別出多個(gè)目標(biāo)的類別和位置。

YOLOv8由三部分組成：主干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）和檢測(cè)頭（Head）。主干網(wǎng)絡(luò)負(fù)責(zé)提取圖像的關(guān)鍵特征，頸部網(wǎng)絡(luò)整合主干網(wǎng)絡(luò)提取的信息，檢測(cè)頭負(fù)責(zé)完成目標(biāo)的定位和分類。

YOLOv8采用CSPDarkNet作為主干網(wǎng)絡(luò)，引入了高效的雙流FPN結(jié)構(gòu)作為頸部網(wǎng)絡(luò)，并采用了無(wú)錨點(diǎn)（Anchor-Free）的檢測(cè)頭設(shè)計(jì)，這種設(shè)計(jì)可以減少超參數(shù)的數(shù)量，有助于提高模型的泛化能力[8]。此外，YOLOv8還引入了全新的骨干網(wǎng)絡(luò)和損失函數(shù)，進(jìn)一步優(yōu)化了檢測(cè)精度和效率，為圖像分類、物體檢測(cè)和實(shí)例分割任務(wù)提供了解決方案。

本系統(tǒng)所用YOLOv8網(wǎng)絡(luò)架構(gòu)參數(shù)如圖4所示，0～9層

為Backbone，包含了一系列卷積層和可能的池化層，用于提取輸入圖像的特征；10～21層為Head，主要負(fù)責(zé)目標(biāo)檢測(cè)任務(wù)；第22層為輸出層，用于最終檢測(cè)分類。

2.3 模型配置及訓(xùn)練

CPU型號(hào)：Intel Core i5-12500，主頻3.00 GHz。

GPU型號(hào)：NVIDIA GeForce RTX 3060。

顯卡驅(qū)動(dòng)版本：536.67。

操作系統(tǒng)：Windows 11。

CUDA庫(kù)版本：12.1。

深度學(xué)習(xí)框架：Python 3.9和PyTorch 1.9.0。

新建模型配置文件程序如圖5所示。

修改系統(tǒng)模型Ultralytics文件夾下settings.yaml的datasets_dir，修改為當(dāng)前數(shù)據(jù)文件目錄。新建模型配置文件程序data.yaml，如圖5所示，將類別數(shù)量nc修改為6，并存放需要檢測(cè)的學(xué)生課堂行為類別英文名，同時(shí)存儲(chǔ)train數(shù)據(jù)集和val數(shù)據(jù)集的絕對(duì)路徑，加載運(yùn)行該配置文件。

設(shè)置訓(xùn)練epochs為250輪，訓(xùn)練批次batch為4，patience為50，圖片尺寸分辨率為640×640像素，運(yùn)行圖6所示train.py文件進(jìn)行模型訓(xùn)練。

如圖7所示，模型訓(xùn)練驗(yàn)證運(yùn)行結(jié)束后，結(jié)果存放在runs文件夾下，含模型與所有過(guò)程內(nèi)容，其中./weights目錄下有最好的模型權(quán)重參數(shù)best.pt，后續(xù)檢測(cè)任務(wù)需要使用該參數(shù)。

圖8所示為train數(shù)據(jù)集和val數(shù)據(jù)集的運(yùn)行結(jié)果，定位損失box_loss用于衡量模型預(yù)測(cè)的邊界框與真實(shí)標(biāo)定框之間的偏差程度，cls_los用于區(qū)分不同目標(biāo)類別的準(zhǔn)確性，以及動(dòng)態(tài)特征損失dfl_loss。由圖8可以看出這三類損失值隨著Epoch的不斷迭代，都在收斂減小，反映了模型在定位、分類和動(dòng)態(tài)特征處理方面的性能有所提升，能夠較好地實(shí)現(xiàn)精確的目標(biāo)檢測(cè)。

2.4 模型評(píng)價(jià)方法

本文以平均精度均值（mAP）作為衡量模型檢測(cè)準(zhǔn)確度的主要標(biāo)準(zhǔn)，使用平均精度（AP）來(lái)評(píng)估每個(gè)單獨(dú)類別的檢測(cè)性能。

mAP的計(jì)算過(guò)程包括如下四個(gè)主要步驟：

（1）計(jì)算交并比IoU

IoU是評(píng)估預(yù)測(cè)區(qū)域與真實(shí)標(biāo)注區(qū)域之間匹配程度的重要指標(biāo)，通過(guò)比較兩個(gè)區(qū)域的重疊部分與它們總面積的比例來(lái)計(jì)算。計(jì)算公式如下：

式中：SA∩SB表示預(yù)測(cè)區(qū)域SA和真實(shí)標(biāo)注區(qū)域SB的交集面積；SA+SB-（SA∩SB）表示兩個(gè)區(qū)域的并集面積，即總面積減去重疊部分的面積；IoU的范圍為0～1，IoU值越高表示預(yù)測(cè)區(qū)域與真實(shí)標(biāo)注區(qū)域的匹配程度越好，通過(guò)該指標(biāo)，可以量化模型在目標(biāo)檢測(cè)任務(wù)中的表現(xiàn)。

（2）計(jì)算精確率P和召回率R

根據(jù)IoU值確定預(yù)測(cè)結(jié)果為真正例（TP）、假正例（FP）或假負(fù)例（FN）。

精確率（P）表示在所有預(yù)測(cè)為正的樣本中，實(shí)際為正樣本的比例，計(jì)算公式為：

式中：TP代表預(yù)測(cè)為正樣本且實(shí)際也為正樣本的情況；FP代表預(yù)測(cè)為正樣本但實(shí)際為負(fù)樣本的情況；FN代表預(yù)測(cè)為負(fù)樣本但實(shí)際為正樣本的情況。

召回率（R）表示在所有實(shí)際為正的樣本中，被預(yù)測(cè)為正樣本的比例，計(jì)算公式為：

（3）計(jì)算平均精度AP

平均精度（AP）是精確率-召回率曲線下的面積，通常通過(guò)在召回率軸上每隔0.01取101個(gè)點(diǎn)來(lái)計(jì)算，它反映了在不同置信度閾值下，模型預(yù)測(cè)精度與召回率的平衡關(guān)系。平均精度AP的計(jì)算公式為：

（4）計(jì)算平均精度均值mAP

平均精度均值（mAP）是所有AP的平均值，用于評(píng)估模型整體檢測(cè)精度的評(píng)價(jià)，mAP值越高意味著模型的檢測(cè)能力越強(qiáng)[9]。mAP的計(jì)算公式為：

系統(tǒng)精確率P、召回率R、平均精度AP以及平均精度均值mAP隨著訓(xùn)練次數(shù)不斷迭代，值越來(lái)越大，最后趨于飽和，代表預(yù)測(cè)越來(lái)越準(zhǔn)確，查找出真樣本的能力越來(lái)越強(qiáng)，模型在目標(biāo)檢測(cè)任務(wù)中性能越來(lái)越好，可以更好地識(shí)別出目標(biāo)類別。

訓(xùn)練過(guò)程中得到的P-R曲線如圖9所示，它直觀展示了精確率P與召回率R之間的關(guān)系，圖中各色細(xì)線代表了不同類別上課狀態(tài)的P-R曲線，而粗線則代表所有類別狀態(tài)的平均P-R曲線mAP。

本文針對(duì)交并比（IoU）閾值設(shè)定為0.5的情況，評(píng)估了模型的平均精度均值（mAP@0.5）。實(shí)驗(yàn)結(jié)果顯示，所提出的模型在mAP@0.5上達(dá)到了0.891。然而，系統(tǒng)性能的進(jìn)一步提升受樣本數(shù)量不足的限制，尤其在某些行為類別上，例如“舉手”動(dòng)作，樣本量較少導(dǎo)致其檢測(cè)精度相對(duì)較低，這反過(guò)來(lái)影響了整個(gè)系統(tǒng)的性能。為了進(jìn)一步提高系統(tǒng)的性能，我們計(jì)劃在未來(lái)的研究中增加樣本量，并確保各類別樣本的均衡性，以期達(dá)到更全面的優(yōu)化效果。

3 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

3.1 技術(shù)路線

本系統(tǒng)的前端用戶界面采用Python 3.9版本，基于PyQt5- 5.15.2框架進(jìn)行開發(fā)。PyQt5框架作為Qt5的Python綁定，致力于實(shí)現(xiàn)與Python語(yǔ)言的無(wú)縫集成，為桌面應(yīng)用程序的開發(fā)提供了一套全面的API和工具集。該框架的組件庫(kù)，特別是“Qt Designer”，提供了一個(gè)可視化的拖拽界面設(shè)計(jì)工具，極大地簡(jiǎn)化了用戶界面的設(shè)計(jì)流程，從而提升了開發(fā)效率[10]。

通過(guò)Qt Designer，設(shè)計(jì)者能夠以圖形化的方式快速構(gòu)建用戶界面，并通過(guò)拖放組件等直觀操作，實(shí)現(xiàn)界面布局和組件配置。設(shè)計(jì)完成后，設(shè)計(jì)界面將被保存為.ui格式的XML文件。隨后，利用Pyuic5工具，將.ui文件轉(zhuǎn)換為Python代碼，以便在Python項(xiàng)目中進(jìn)行集成和使用。

在MainProgram.py文件中，我們將目標(biāo)檢測(cè)算法的邏輯與用戶界面進(jìn)行集成。具體實(shí)現(xiàn)包括編寫事件處理函數(shù)，以響應(yīng)用戶的操作，如按鈕點(diǎn)擊事件。此外，還涉及加載圖像資源、執(zhí)行目標(biāo)檢測(cè)算法等關(guān)鍵功能。通過(guò)這種方式可確保用戶界面與后端邏輯的緊密結(jié)合，為用戶提供直觀、高效的交互體驗(yàn)。相關(guān)設(shè)置程序如圖10所示。

本系統(tǒng)最終呈現(xiàn)的用戶界面尺寸設(shè)定為770×480像素，以適應(yīng)不同分辨率的顯示需求。采用IoU閾值0.5作為評(píng)估標(biāo)準(zhǔn)，系統(tǒng)選用基于狀態(tài)的顏色編碼機(jī)制，對(duì)不同狀態(tài)的目標(biāo)對(duì)象使用不同顏色的邊界框進(jìn)行標(biāo)注。此外，系統(tǒng)允許用戶將檢測(cè)識(shí)別的結(jié)果進(jìn)行存儲(chǔ)，以便于后續(xù)的數(shù)據(jù)分析和處理。這一功能對(duì)于科研人員和數(shù)據(jù)分析師而言尤為重要，此舉大大簡(jiǎn)化了數(shù)據(jù)收集和整理的過(guò)程。

最終展示界面如圖11所示，它不但詳細(xì)展示了系統(tǒng)功能布局，而且為用戶提供了友好清晰的操作指引和直觀的結(jié)果反饋。

3.2 系統(tǒng)功能

用戶能夠通過(guò)三種方法輸入所需檢測(cè)的內(nèi)容，分別為導(dǎo)入圖像、播放視頻文件以及通過(guò)在線攝像頭實(shí)時(shí)獲取圖像。

3.2.1 圖片檢測(cè)

圖12所示為點(diǎn)擊“圖片”按鈕，選擇待檢測(cè)圖片數(shù)據(jù)，可以通過(guò)導(dǎo)入圖片文件夾一次性檢測(cè)多張圖片。

檢測(cè)完畢后，界面顯示檢測(cè)用時(shí)、目標(biāo)物體個(gè)數(shù)。當(dāng)一張圖片里出現(xiàn)多個(gè)目標(biāo)物體時(shí)，用戶可選擇需要顯示哪一個(gè)目標(biāo)對(duì)象的詳細(xì)信息，點(diǎn)擊“目標(biāo)選擇”即可。界面顯示出學(xué)生上課狀態(tài)的類別名稱，置信度大小以及目標(biāo)物體在圖片中的位置信息等[9-10]。

3.2.2 視頻檢測(cè)

如圖13所示，點(diǎn)擊“視頻”圖標(biāo)導(dǎo)入待檢測(cè)視頻文件，系統(tǒng)會(huì)自動(dòng)播放視頻識(shí)別結(jié)果。每一幀的視頻檢測(cè)都能夠精確地識(shí)別出相應(yīng)狀態(tài)類別。

3.2.3 在線攝像頭檢測(cè)

如圖14所示，選擇“攝像頭”icons后，打開監(jiān)控?cái)z像頭，系統(tǒng)實(shí)時(shí)顯示攝像頭拍攝到的視頻流檢測(cè)結(jié)果。

4 結(jié) 語(yǔ)

本文提出了一種基于YOLOv8的高校學(xué)生上課狀態(tài)檢測(cè)系統(tǒng)，旨在解決高校課堂中學(xué)生數(shù)量龐大與教師資源有限的矛盾，通過(guò)智能化手段輔助教師實(shí)時(shí)、全面地了解學(xué)生的學(xué)習(xí)狀態(tài)和需求。系統(tǒng)通過(guò)教室攝像頭或課堂錄制視頻采集數(shù)據(jù)，訓(xùn)練出了一個(gè)能夠智能識(shí)別學(xué)生舉手、閱讀、書寫、玩手機(jī)、低頭和打瞌睡六種常見課堂行為的檢測(cè)模型。利用PyQt5設(shè)計(jì)了可視化用戶界面，實(shí)現(xiàn)了對(duì)圖片、視頻以及攝像頭進(jìn)行實(shí)時(shí)跟蹤、檢測(cè)的功能，并能夠保存識(shí)別結(jié)果以便于后續(xù)的數(shù)據(jù)分析。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠高效準(zhǔn)確地檢測(cè)出六類行為，實(shí)時(shí)性高，且界面友好、操作簡(jiǎn)便，有助于教師優(yōu)化教學(xué)方法，提高教學(xué)效果和學(xué)生學(xué)習(xí)效率。盡管本系統(tǒng)在實(shí)驗(yàn)中表現(xiàn)出色，但仍存在一些局限性和改進(jìn)空間。后期可以考慮將系統(tǒng)與更先進(jìn)的算法和模型結(jié)合，如集成學(xué)習(xí)、遷移學(xué)習(xí)等，以提高檢測(cè)的準(zhǔn)確性和魯棒性。此外，系統(tǒng)界面和用戶體驗(yàn)也將持續(xù)優(yōu)化，以適應(yīng)不同用戶的需求和操作習(xí)慣。此外，系統(tǒng)的應(yīng)用范圍可以進(jìn)一步擴(kuò)展，例如將其應(yīng)用于遠(yuǎn)程教育、在線課堂等場(chǎng)景，為教育領(lǐng)域提供更廣泛的技術(shù)支持。同時(shí)，系統(tǒng)的數(shù)據(jù)收集和分析能力也將得到加強(qiáng)，為教學(xué)管理和決策提供更深入的洞察視角。

參考文獻(xiàn)

[1]汪璠.基于深度學(xué)習(xí)的校園環(huán)境下學(xué)生狀態(tài)及異常行為識(shí)別方法研究[D].南京：南京師范大學(xué)，2021.

[2]陳智林，盧昭金，李佳雯，等.一種基于深度學(xué)習(xí)的學(xué)生異常行為分析方法及系統(tǒng)：CN202310805438.6 [P]. 2023-11-03.

[3]陸仟禧，梁文耀，李琳，等.基于AWS SageMaker和DeepLens的高校課堂學(xué)生問(wèn)題行為檢測(cè)方法研究[J].電腦知識(shí)與技術(shù)，2022（1）：18.

[4]蘇超，王國(guó)中.基于改進(jìn)OpenPose的學(xué)生行為識(shí)別研究[J].計(jì)算機(jī)應(yīng)用研究，2021，38（10）：3183-3188.

[5]陳波，田曉華，王建民.一種基于深度學(xué)習(xí)的學(xué)生打卡及上課狀態(tài)的檢測(cè)系統(tǒng)：CN201911138397.X [P]. 2022-04-12.

[6]史雨，辛宇，袁靜，等.基于深度學(xué)習(xí)的學(xué)生課堂狀態(tài)檢測(cè)算法與應(yīng)用[J].人工智能與機(jī)器人研究，2021，10（2）：10.

[7]王禹鈞，馬致明.基于深度學(xué)習(xí)的學(xué)生課堂行為識(shí)別研究[J].軟件工程，2023，26（7）：40-43.

[8]邵延華，張鐸，楚紅雨，等.基于深度學(xué)習(xí)的YOLO目標(biāo)檢測(cè)綜述[J].電子與信息學(xué)報(bào)，2022，44（10）：12.

[9]鄭偉成，李學(xué)偉，劉宏哲.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J].中國(guó)寬帶，2022（3）：3.

[10]朱文偉. PyQt 5從入門到精通 編程語(yǔ)言[M].北京：清華大學(xué)出版社，2023.