基于YOLOv7-SSW模型的智慧课堂行为识别算法OA
目的现有的学生行为识别模型存在检测精度较低且预测速度不足的问题,基于此,提出一种基于YOLOv7-SSW模型的智慧课堂行为识别算法,用于提升检测精度的同时保障算法的实时性。方法首先,在YOLOv7的主干网络引入SE(Squeeze-and-Excitation Module)注意力机制,建立通道相关性增强算法对信息的敏感性,进而提升算法的检测精度;其次,为了增强算法的实时性,将原始采用串行通道设计的SPPCSPS模块改进为并行通道设计,有效提升了算法的检测速度;最后,引入Wise-IoU损失函数增强算法处理训练数据中的低质量样本能力,进一步提升模型检测精度。结果所提方法在STBD-08数据集上的mAP(mean Average Precision)达到91.9%,与CBPH-Net、YOLOv7算法相比,分别提升了4.4%、5.6%,且单帧推理时间仅45.1 ms。结论所提算法实现了学生课堂行为的实时准确识别,为推动思政教育从知识灌输向行为素养培育模式转变提供了技术支撑,对推动教育数字化创新发展具有重要意义。
徐韬;陈孟元;程云麟
安徽工业大学商学院,安徽马鞍山243032安徽工程大学电气工程学院,安徽芜湖241000 高端装备先进感知与智能控制教育部重点实验室,安徽芜湖241000安徽工业大学商学院,安徽马鞍山243032
社会科学
高等教育思政教育学生行为识别YOLOv7
《重庆工商大学学报(自然科学版)》 2026 (1)
P.64-71,8
国家自然科学基金项目(61903002)资助安徽工业大学“沃土计划”项目(WTZ202409)资助安徽工业大学思想政治研究会专项课题(2024SYZM01)资助安徽工业大学大学生科研训练计划项目(202510360147,S202510360447)资助.
评论