一种AI视频分析学生学习专注度的方法

技术领域

本发明涉及AI视频分析技术领域，具体为一种AI视频分析学生学习专注度的方法。

背景技术

AI是人工智能技术，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。图像识别技术是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。通过模式识别和自学习，能够实现对视频内容目标物进行辨识，对目标物进行动作矢量分析。实现对现实世界的只学习感知。

目前学生学习专注度容易受到外界干扰，导致学习效率低下，以及无法实时监测学生学习专注度的缺点。

发明内容

针对现有技术的不足，本发明提供了一种AI视频分析学生学习专注度的方法，解决了上述背景技术中提出目前学生学习专注度容易受到外界干扰，导致学习效率低下，以及无法实时监测学生学习专注度的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种AI视频分析学生学习专注度的方法，包括以下步骤：

S1、采集视频数据：视频流数据采集，基于两种神经网络配合实现；

S2、分析数据：基于KNN神经网络实时分析，通过Logistic回归算法进行分类归纳，得到学生肢体动作和头部动作矢量数据；

S3、计算专注度：再基于NEAT神经网络将动作矢量数据作为输入端，将专注度指标作为输出端。

可选的，所述步骤S1、采集视频数据中，两种神经网络分别为KNN神经网络和NEAT神经网络。

可选的，所述S1、采集视频数据包括以下步骤：

S101、装配设备：在用户桌面前方放置CCD摄像头装置；

S102、采集视频数据：基于两种神经网络，通过CCD摄像头收集视频信号，以及通过传感系统的图像传感器采集光源信号；

S103、传输视频数据：将步骤S102、数据采集中的光源信号转化为电信号，完成视频数据采集的转换，以及传输转化的电信号；

S104、储存视频数据：将步骤S101、传输视频数据中的视频数据储存，以及备份视频数据；

S105、提取视频数据：提取步骤S103、储存视频数据中的备份数据，为视频数据分析提供预处理。

可选的，所述CCD摄像头用于视频拍摄，采集视频数据。

可选的，所述光电转换功用于光电信号的转换。

本发明提供了一种AI视频分析学生学习专注度的方法，具备以下有益效果：

该AI视频分析学生学习专注度的方法，视频流数据采集，基于两种神经网络配合实现，以及基于KNN神经网络实时分析，通过Logistic回归算法进行分类归纳，得到学生肢体动作和头部动作矢量数据，再基于NEAT神经网络将动作矢量数据作为输入端，将专注度指标作为输出端，通过对典型样本标记的方式，实现周期性自学习，自优化神经网络节点，不断提升专注度判断准确性，实现学生专注度判断的方法。

具体实施方式

下面，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本发明提供一种技术方案：一种AI视频分析学生学习专注度的方法，包括以下步骤：

S1、采集视频数据：视频流数据采集，基于两种神经网络配合实现；

S2、分析数据：基于KNN神经网络实时分析，通过Logistic回归算法进行分类归纳，得到学生肢体动作和头部动作矢量数据；

S3、计算专注度：再基于NEAT神经网络将动作矢量数据作为输入端，将专注度指标作为输出端。

步骤S1、采集视频数据中，两种神经网络分别为KNN神经网络和NEAT神经网络。

S1、采集视频数据包括以下步骤：

S101、装配设备：在用户桌面前方放置CCD摄像头装置；

S102、采集视频数据：基于两种神经网络，通过CCD摄像头收集视频信号，以及通过传感系统的图像传感器采集光源信号；

S103、传输视频数据：将步骤S102、数据采集中的光源信号转化为电信号，完成视频数据采集的转换，以及传输转化的电信号；

S104、储存视频数据：将步骤S101、传输视频数据中的视频数据储存，以及备份视频数据；

S105、提取视频数据：提取步骤S103、储存视频数据中的备份数据，为视频数据分析提供预处理。

CCD摄像头用于视频拍摄，采集视频数据。

光电转换功用于光电信号的转换。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。