本發(fā)明屬于智能教學，具體涉及一種基于ai配合的智能教學方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著時代的發(fā)展，教育行業(yè)也隨之改變，社會也越來越注重學生的綜合成長。但是，學生大多活潑、好動、容易被新穎的事物所影響，造成學生對于課堂專注度下降，使教學效率降低，且消耗教師精力，造成教學效果達不到預期。近年來，智能教學逐漸廣泛應用，但營造出的智能課堂仍然較為枯燥，且主要依靠教師單方面輸出，教師不但需要完成教學任務，保障課堂質(zhì)量，同時需要實時關(guān)注學生有無走神，導致教師負擔過重，目前亟待一種人工智能與教師高度配合，且能同時減輕教師關(guān)注學生負擔的智能教學方式。

技術(shù)實現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供了一種基于ai配合的智能教學方法、裝置、設(shè)備及介質(zhì)。

2、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：

3、一種基于ai配合的智能教學方法，所述智能教學方法的實施包括以下步驟：

4、s1：上傳教學主題，通過ai自動搜索技術(shù)遍歷全網(wǎng)資料，通過跨模態(tài)檢索獲取匹配教學視頻并上傳至教師端；

5、s2：通過三維全息投影技術(shù)在教室投影所述匹配教學視頻用于配合教學工作；

6、s3：基于人工智能進行學生專注度檢測并構(gòu)建學生專注度判斷模型，同時輸出學生專注度判斷信息，所述學生專注度判斷信息包括學生高專注度信息和學生低專注度信息；

7、s4：獲取輸出所述學生低專注度信息對應的學生位置，三維全息投影所述匹配教學視頻于所述學生位置，直至所述學生專注度判斷模型輸出所述學生高專注度信息。

8、優(yōu)選的，所述步驟s3具體包括：

9、s301：預設(shè)專注度檢測周期，通過攝像頭根據(jù)所述專注度檢測周期獲取教室實時圖像集，通過人臉檢測獲取所述教室實時圖像集的統(tǒng)一人臉檢測框集；

10、s302：基于所述統(tǒng)一人臉檢測框集獲取學生頭部偏轉(zhuǎn)角，同時構(gòu)建可疑專注度捕獲模型并輸出可疑專注度捕獲信息，所述可疑專注度捕獲信息包括學生專注度可疑信息和學生專注度可信信息；

11、s303：當所述可疑專注度捕獲模型輸出所述學生專注度可疑信息時，通過學生專注度判斷指標構(gòu)建所述學生專注度判斷模型并輸出所述學生專注度判斷信息，所述學生專注度判斷信息包括學生高專注度信息和學生低專注度信息。

12、優(yōu)選的，所述步驟s301具體包括：

13、s301-1：對所述教室實時圖像集進行人臉檢測并獲取人臉檢測框；

14、s301-2：提取所述人臉檢測框并獲取人臉檢測框集；

15、s301-3：預設(shè)方框統(tǒng)一尺寸，將所述人臉檢測框縮放至所述方框統(tǒng)一尺寸并獲取所述統(tǒng)一人臉檢測框集。

16、優(yōu)選的，所述步驟s302具體包括：

17、s302-1：定位面部特征點，所述面部特征點包括鼻尖特征點、鼻根特征點、左眼外側(cè)特征點、右眼外側(cè)特征點；

18、s302-2：獲取面部特征點向量，所述面部特征點向量包括第一面部特征點向量、第二面部特征點向量、第三面部特征點向量，所述第一面部特征點向量為所述鼻尖特征點連接至所述鼻根特征點的向量，所述第二面部特征點向量為所述鼻尖特征點連接至所述左眼外側(cè)特征點的向量，所述第三面部特征點向量為所述鼻尖特征點連接至所述右眼外側(cè)特征點的向量；

19、s302-3：基于所述面部特征點向量計算所述學生頭部偏轉(zhuǎn)角，計算公式為：

20、

21、其中，α為學生頭部偏轉(zhuǎn)角，為第一面部特征點向量與第二面部特征點向量間夾角，為第一面部特征點向量與第三面部特征點向量間夾角，為第一面部特征點向量，為第二面部特征點向量，為第三面部特征點向量；

22、s302-4：預設(shè)學生頭部偏轉(zhuǎn)角閾值，通過比較所述學生頭部偏轉(zhuǎn)角和所述學生頭部偏轉(zhuǎn)角閾值構(gòu)建所述可疑專注度捕獲模型并輸出所述可疑專注度捕獲信息，所述可疑專注度捕獲信息包括學生專注度可疑信息和學生專注度可信信息。

23、優(yōu)選的，判斷所述學生頭部偏轉(zhuǎn)角，當所述學生頭部偏轉(zhuǎn)角大于等于所述學生頭部偏轉(zhuǎn)角閾值時，所述可疑專注度捕獲模型輸出所述學生專注度可疑信息；

24、當所述學生頭部偏轉(zhuǎn)角小于所述學生頭部偏轉(zhuǎn)角閾值時，所述可疑專注度捕獲模型輸出所述學生專注度可信信息。

25、優(yōu)選的，所述步驟s303具體包括：

26、s303-1：通過人工智能獲取學生專注度數(shù)據(jù)，所述學生專注度數(shù)據(jù)包括眉心距下邊框距離、眼睛張角、嘴臉面積比例、人臉面積、瞳孔直徑變異系數(shù)、情緒指數(shù)，所述瞳孔直徑變異系數(shù)為瞳孔直徑標準差與瞳孔直徑平均值的比值，當學生表現(xiàn)消極情緒時所述情緒指數(shù)取值為0.5，當學生表現(xiàn)積極情緒時所述情緒指數(shù)取值為1，所述消極情緒包括生氣、害怕、傷心、厭惡，所述積極情緒包括開心、驚訝、熱情、興趣、激動；

27、s303-2：通過所述學生專注度數(shù)據(jù)獲取學生專注度判斷數(shù)據(jù)，所述學生專注度判斷數(shù)據(jù)為上一幅統(tǒng)一人臉檢測框的所述學生專注度數(shù)據(jù)與下一幅統(tǒng)一人臉檢測框的所述學生專注度數(shù)據(jù)比值，所述學生專注度判斷數(shù)據(jù)包括眉心距下邊框距離比值、眼睛張角比值、嘴臉面積比例比值、人臉面積比值、瞳孔直徑變異系數(shù)比值、情緒指數(shù)比值；

28、s303-3：基于所述學生專注度判斷數(shù)據(jù)計算所述學生專注度判斷指標并建立所述學生專注度判斷模型，所述學生專注度判斷指標的計算公式為：

29、

30、其中，θ為學生專注度判斷指標，m為眉心距下邊框距離比值，βz為眼睛張角比值，zu為嘴臉面積比例比值，st為人臉面積比值，pcv為瞳孔直徑變異系數(shù)比值，ql為情緒指數(shù)比值；

31、s303-4：預設(shè)學生專注度判斷閾值，通過比較所述學生專注度判斷指標和所述學生專注度判斷閾值獲得所述學生專注度判斷信息，所述學生專注度判斷信息包括學生高專注度信息和學生低專注度信息。

32、優(yōu)選的，判斷所述學生專注度判斷指標，當所述學生專注度判斷指標大于等于所述學生專注度判斷閾值時，所述學生專注度判斷模型輸出所述學生低專注度信息；

33、當所述學生專注度判斷指標小于所述學生專注度判斷閾值時，所述學生專注度判斷模型輸出所述學生高專注度信息。

34、一種基于ai配合的智能教學裝置，用于執(zhí)行上述所述的智能教學方法，其特征在于，包括教學視頻獲取模塊、視頻投影模塊、專注度檢測模塊；

35、所述教學視頻獲取模塊用于上傳教學主題，通過ai自動搜索技術(shù)遍歷全網(wǎng)資料，通過跨模態(tài)檢索獲取匹配教學視頻并上傳至教師端；

36、所述視頻投影模塊用于通過三維全息投影技術(shù)在教室投影所述匹配教學視頻用于配合教學工作；

37、所述專注度檢測模塊用于基于人工智能進行學生專注度檢測并構(gòu)建學生專注度判斷模型，同時輸出學生專注度判斷信息，所述學生專注度判斷信息包括學生高專注度信息和學生低專注度信息，獲取輸出所述學生低專注度信息對應的學生位置，三維全息投影所述匹配教學視頻于所述學生位置，直至所述學生專注度判斷模型輸出所述學生高專注度信息。

38、一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述所述的智能教學方法。

39、一種包含計算機可執(zhí)行指令的存儲介質(zhì)，所述計算機可執(zhí)行指令在由計算機處理器執(zhí)行時用于執(zhí)行上述所述的智能教學方法。

40、本發(fā)明的有益效果為：

41、(1)通過人工智能與教學過程相互配合，構(gòu)造智能課堂，借助現(xiàn)代化信息設(shè)備，將教材中不容易理解、較為枯燥的內(nèi)容趣味地展示出來，提升學生對于教學的興趣，讓學生能夠主動跟隨教師的步伐，一步步完成課堂任務，同時能夠減輕教師工作量及負擔，使教學效率大幅提升；

42、(2)通過ai自動搜索技術(shù)搜索匹配教學主題的視頻，并通過三維全息投影技術(shù)進行投影，提升課堂趣味性，使知識更易理解，減少教師課前準備的工作量；

43、(3)通過學生頭部偏轉(zhuǎn)角構(gòu)建可疑專注度捕獲模型并輸出可疑專注度捕獲信息，如檢測到學生有可能存在專注度低的情況再進行下一步的專注度檢測，減少ai處理的工作量，提升效率；

44、(4)通過多種學生專注度數(shù)據(jù)判斷教學過程中的學生專注度，判斷更全面且結(jié)果可信度更高。