基于人脸识别技术的现代学徒制学习效果评价研究

左国才，王海东，陈林书，苏秀芝

（1湖南软件职业学院软件与信息工程学院，湖南湘潭411100；2湖南大学，长沙410082；3湖南科技大学，湖南湘潭411201）

0 引 言

教育部《关于开展现代学徒制试点工作的意见（教职成［2014］9号）》指出推进现代学徒制，致力于提升职业院校人才培养质量和专业服务产业的能力。近年来，现代学徒制试点在全国范围内陆续涌现，并取得了一定成效，但是，通过对国内外课堂行为以及课堂学习专注度相关研究的学术史梳理，以及国内外主流数据库文献相关研究动态的关注得知，国内关于高等教育领域的学生课堂行为及课堂专注度的研究较少，关于现代学徒制人才培养模式中基于学生课堂行为及课堂专注度探索学生学习效果评价的研究就更加少见，基础教育课堂行为及课堂专注度的研究主要采用主观报告和定性分析等技术手段，但这些研究方式不适应于高等教育领域现代学徒制中复杂的学生课堂行为及课堂专注度研究。基于此，本文拟将最新的人工智能技术与现代高等职业教育教学研究相结合，对高职基于现代学徒制模式下的学生课堂行为进行客观量化的分析，更好地服务于教育和教学领域。因此，开展基于人脸识别技术的学生课堂行为研究，对学生学习效果进行客观分析评测研究不但在实际应用中表现出广阔的前景，而且在理论研究中也具有较大的研究价值。这里，对此将给出研究论述如下。

1 人脸识别技术研究现状

人脸识别是指通过计算机视觉从静态图像或者动态视频序列中检测出人脸图像，进行人脸面部辨识。人脸识别研究起源于19世纪末，主要经历了3个阶段：利用人工主观操作和控制识别、人工检测和计算机技术相结合识别、利用机器视觉进行智能化人脸识别［1］。发展至今，人脸识别已推出多种方法，诸如经典的基于几何特征的人脸识别方法［2］、基于统计的人脸识别方法［3］、基于神经网络的人脸识别方法［4］和基于特征的弹性图匹配的人脸识别方法［5］。众所皆知，人脸识别现已成为计算机视觉领域中的研究热点之一［6-7］，且已成功应用于考勤、安全检测等多个方面，但是，将人脸识别技术应用到学生课堂专注度的研究成果却仍寥寥可数，近几年来，也有少数学者把人脸识别系统和教育相结合，文献［8］提出将人脸检测技术应用于小学生课堂专注情况的研究，通过上课抬头、低头人数数据判断小学生的课堂专注度，以此评价课堂教学效果。

综上所述均为本文研究提供借鉴，本文将以此为前提，将基于深度学习框架的人脸识别技术与教育教学研究相结合，运用人工智能技术对高职院校现代学徒制模式下的学生课堂专注度进行客观的分析，得出学生学习效果的客观评价结果，并可用于后续研究的调取使用。

2 基于人脸识别技术的学习效果评价算法

2.1 基于SDAE模型的人脸识别算法

算法思想可阐释如下：

（1）设计基于堆栈式去噪自动编码器模型（SDAE）的人脸识别算法，从海量的图像数据中来离线学习图像的一般化特征，用于提取人脸特征。

（2）选择人脸识别数据库进行有监督的人脸识别，加入权重参数，使得特征学习更有针对性，以此构建有监督的人脸识别模型，完成人脸识别任务。

算法流程可分述如下：

（1）使用大规模图像数据集通过离线方式训练SDAE模型，进行无监督学习图像一般化特征。

（2）选择人脸识别数据集进行有监督学习人脸特征，随机选取其中80%的人脸图像作为训练集，另外20%的人脸图像作为测试集。

（3）使用训练数据集和非线性sigmoid（）转换函数来激活和输出隐藏层相应的特征表示t｛n｝，研究可得数学公式如下：

其中，G为权重参数。

（4）预测图像类别，其相应公式具体如下：

判断sigmoid（）分类层的分类结果，并且输出人脸检测识别结果。

2.2 学习效果评价算法实现

检测到目标对象的人脸特征后，对人脸的眼睛进行识别。人眼是最直接反映学生上课专注状态的面部特征，以人眼的张合度作为评测指标，结合被测目标在上课时的姿态、动作等特征，判断学生课堂学习专注度。

基于人脸识别技术的学习效果评价算法从学生抬头的动作和眼睛的张合度判定学生的专注度，并将该算法应用于现代学徒制班的课堂学习效果评价中，研究该班学生的课堂专注度与学习效果的关系，为现代学徒制班学生课堂学习效果评价提供客观依据，实现更真实有效的教学评价。研究内容详见如下。

2.2.1 总体框架

基于人脸识别技术的学习效果评价算法的总体设计框架如图1所示。

图1 总体框架图Fig.1 Overall design frame

2.2.2 人眼张合度判定

人眼张合度是指人眼的张开度。眼睛张开度大，眼球的面积就大，人的专注度就越高。在课堂上采集学生抬头时的图像数据，通过人脸识别技术，获得人脸特征，并提取人眼特征，再根据识别结果，计算人眼的张合度，如果张合度高则表示专注度的概率性大，否则专注度的概率性小。基于人眼张合度的专注度判断流程即如图2所示。

2.2.3 人眼张合度的专注度判定算法

采用SDAE框架进行人脸识别，检测目标人脸的眼睛，将眼睛部分用矩形框标识出来，计算被测目标眼睛张合度，对其数学公式可表示为：

图2 张合度判断流程图Fig.2 Judgement flow chart of the degree of convergence

其中，H表示眼睛张开的高度，W表示眼睛张开的宽度。

基于人眼张合度来判定被测目标课堂专注度算法是根据被测目标眼睛张开程度，眼球的面积来判断其是否专注课堂，把被测目标眼睛近似为一个椭圆进行计算，将被测目标图像中眼睛张合度与其最大的眼睛张合度相比，由此得出其课堂专注度。该方法可解析为如下数学公式：

当被测目标YJZKD的值大于15%时，可以判断其课堂专注度较高；当被测目标YJZKD的值小于15%时，可以判断其课堂专注度较低。

3 测试序列及实验结果分析

基于人脸识别技术的学生课堂学习效果评价算法的实验环境主要包括2个方面，分别描述为：硬件环境，采用了视频监控摄像机；软件环境，采用深度学习实验平台，CPU为 i7-5830K，内存为128 G，GPU 为 GTX1080，框架为 TensorFlow1.4，语言为Python3.6。

实验中随机选取15组学生课堂学习的视频序列。针对课堂学习视频序列中的每一帧图像进行人脸识别和人眼识别，分析被测目标课堂学习时人眼张合度。根据被测目标基于人眼张合度的专注度算法，结合其课堂的神情、姿态，最终得出被测目标课堂专注度结果。实验结果如图3所示，课堂学习中，大多数的学生都是抬头状态，眼睛张合度大，神情专注，表示课堂专注度较高，有一位学生正在看电脑，眼睛张合度低，则表示课堂专注度较低。

图3 张合度测试结果图Fig.3 Test results of the degree of convergence

4 结束语

本文对现代学徒制班的学生课堂专注度进行研究。设计中基于SDAE框架人脸识别技术的专注度算法，对人脸进行检测与识别，并计算人眼张合度来综合判断课堂专注度，实现学生课堂学习效果的客观评价，为学生学习效果提供客观量化的分析评测结果，同时基于SDAE框架的深度特征提取还可以提升人脸识别率与识别的准确度。不仅如此，本次研究还将兼具为课堂教学做出评价的功能和作用，据此指导教师可有针对性地准备教学方案，组织设计更为有效的课堂教学，切实提高课堂教学质量。将人工智能与教育教学研究相结合，对高职院校基于现代学徒制模式的学生课堂专注度进行客观量化的分析，在一定程度上有助于高职院校教育学领域教与学相关的质量认证与人才培养体系的进一步规范和完善。