Nghiên cứu kỹ thuật đánh giá sự tập trung của học sinh với sự hỗ trợ của camera

Khám phá kỹ thuật đánh giá sự tập trung của học sinh qua camera trong luận văn thạc sĩ, ứng dụng công nghệ hiện đại trong giáo dục.

• Tác giả: Võ Thị Trúc
• Người hướng dẫn: TS. Lê Thị Kim Nga
• Trường học: Đại học Quy Nhơn
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu một số kỹ thuật đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Bình Định

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH
• DANH MỤC CÁC BẢNG
• 1. MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Tổng quan tình hình nghiên cứu đề tài
• 1.3. Mục đích và nhiệm vụ nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 2. TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ SỰ TẬP TRUNG HỌC TẬP CỦA HỌC SINH DƯỚI SỰ HỖ TRỢ CỦA CAMERA
• 2.1. Bài toán đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera
• 2.2. Hệ thống camera trong giám sát tự động
• 2.3. Dữ liệu video
• 2.4. Một số bài toán xử lý dữ liệu trong hệ thống camera
• 2.5. Một số ứng dụng xử lý dữ liệu camera trong thực tế
• 2.6. Tiếp cận đánh giá sự tập trung của học sinh dưới sự hỗ trợ camera
• 2.7. Tiêu chí đánh giá sự tập trung
• 2.8. Đánh giá mức độ tập trung của học sinh
• 2.9. Một số phương pháp đánh giá mức độ tập trung của học sinh
• 2.10. Mô hình chung đánh giá sự tập trung học tập của học sinh
• 2.11. Kết luận chương 1
• 3. MỘT SỐ KỸ THUẬT ĐÁNH GIÁ SỰ TẬP TRUNG CỦA HỌC SINH DƯỚI SỰ HỖ TRỢ CỦA CAMERA
• 3.1. Phát hiện khuôn mặt học sinh
• 3.2. Trích chọn đặc trưng Haar
• 3.3. Thuật toán phát hiện khuôn mặt Haar Adaboot
• 3.4. Đánh giá sự tập trung dựa vào biểu cảm khuôn mặt
• 3.5. Giới thiệu mô hình xuất hiện tích cực AAM
• 3.6. Thuật toán AAM
• 3.7. Đánh giá dựa vào xác định hướng đầu
• 3.8. Xác định hướng đầu trong ảnh
• 3.9. Thuật toán xác định hướng đầu trong ảnh
• 3.10. Dựa trên trạng thái đóng/mở của mắt
• 3.11. Cơ sở lý thuyết của thuật toán
• 3.12. Kỹ thuật đánh giá sự tập trung dựa vào đóng mở mắt
• 3.13. Thuật toán đánh giá sự tập trung dựa trên đóng/mở mắt
• 3.14. Kết luận chương 2
• 4. CHƯƠNG TRÌNH THỬ NGHIỆM
• 4.1. Bài toán đánh giá sự tập trung của học sinh
• 4.2. Phân tích yêu cầu và thu thập dữ liệu
• 4.3. Phân tích lựa chọn công cụ cài đặt thử nghiệm
• 4.4. Một số kết quả thử nghiệm
• 4.5. Kết luận chương 3
• DANH MỤC TÀI LIỆU THAM KHẢO
• QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN THẠC SĨ (BẢN SAO)

Tóm tắt

I. Tổng quan về bài toán đánh giá sự tập trung học tập của học sinh dưới sự hỗ trợ của camera

Bài toán đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera đã trở thành một chủ đề nghiên cứu quan trọng trong lĩnh vực giáo dục. Kỹ thuật đánh giá này không chỉ giúp giáo viên theo dõi hành vi của học sinh mà còn cung cấp dữ liệu để cải thiện phương pháp giảng dạy. Hệ thống camera giám sát tự động có khả năng phát hiện và theo dõi hành vi của học sinh, từ đó đánh giá mức độ tập trung của họ trong lớp học. Việc sử dụng camera trong giám sát học sinh không chỉ nâng cao trách nhiệm của giáo viên mà còn tạo ra một môi trường học tập an toàn và hiệu quả hơn. Theo một nghiên cứu, việc theo dõi hành vi học sinh qua camera có thể giúp phát hiện những hành vi không phù hợp và cảnh báo kịp thời cho giáo viên. Điều này cho thấy sự cần thiết của việc áp dụng công nghệ trong giáo dục, đặc biệt là trong bối cảnh dịch bệnh Covid-19, khi việc học trực tuyến trở thành xu hướng chính.

1.1 Hệ thống camera trong giám sát tự động

Hệ thống camera giám sát đã trở nên phổ biến trong các trường học, giúp quản lý và giám sát học sinh một cách hiệu quả. Công nghệ giáo dục hiện đại cho phép giáo viên theo dõi hành vi của học sinh thông qua các video ghi lại. Việc này không chỉ giúp giáo viên nắm bắt được tình hình học tập mà còn tạo điều kiện cho phụ huynh theo dõi con em mình. Hệ thống camera cũng giúp tăng cường tính minh bạch trong các kỳ thi, giảm thiểu gian lận và nâng cao chất lượng giáo dục. Theo một nghiên cứu, việc sử dụng camera trong lớp học đã giúp cải thiện đáng kể mức độ tập trung của học sinh, từ đó nâng cao hiệu quả giảng dạy. Hệ thống này không chỉ đơn thuần là công cụ giám sát mà còn là một phần quan trọng trong việc phát triển phương pháp giảng dạy hiện đại.

1.2 Dữ liệu video và xử lý dữ liệu

Dữ liệu video thu thập từ camera là nguồn thông tin quan trọng trong việc đánh giá sự tập trung của học sinh. Các khung hình video được xử lý để phát hiện và nhận dạng hành vi của học sinh. Việc phân tích video cho phép giáo viên nắm bắt được các biểu hiện cảm xúc và hành vi của học sinh trong thời gian thực. Các thuật toán xử lý ảnh và thị giác máy tính được áp dụng để phát hiện chuyển động, phân loại đối tượng và theo dõi hành vi. Điều này không chỉ giúp giáo viên hiểu rõ hơn về mức độ tập trung của học sinh mà còn cung cấp dữ liệu để điều chỉnh phương pháp giảng dạy. Theo một nghiên cứu, việc phân tích hành vi học sinh qua video có thể giúp giáo viên phát hiện những dấu hiệu mất tập trung và đưa ra các biện pháp can thiệp kịp thời.

II. Một số kỹ thuật đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera

Nghiên cứu này tập trung vào việc phát triển và áp dụng một số kỹ thuật đánh giá sự tập trung của học sinh thông qua camera. Các kỹ thuật này bao gồm phát hiện khuôn mặt, phân tích biểu cảm khuôn mặt và theo dõi chuyển động đầu. Việc phát hiện khuôn mặt là bước đầu tiên trong quá trình đánh giá, giúp xác định vị trí và trạng thái của học sinh trong lớp học. Sau đó, các thuật toán phân tích biểu cảm khuôn mặt được sử dụng để đánh giá cảm xúc và mức độ tập trung của học sinh. Kết quả từ các phân tích này sẽ cung cấp thông tin quý giá cho giáo viên trong việc điều chỉnh phương pháp giảng dạy. Theo một nghiên cứu, việc áp dụng các kỹ thuật này đã giúp cải thiện đáng kể hiệu quả học tập của học sinh.

2.1 Phát hiện khuôn mặt học sinh

Phát hiện khuôn mặt là một trong những kỹ thuật quan trọng trong việc đánh giá sự tập trung của học sinh. Các thuật toán như Haar Cascade được sử dụng để phát hiện khuôn mặt trong video. Việc phát hiện khuôn mặt giúp xác định vị trí của học sinh và theo dõi hành vi của họ trong lớp học. Theo một nghiên cứu, việc phát hiện khuôn mặt chính xác có thể giúp giáo viên nắm bắt được tình hình học tập của học sinh một cách hiệu quả hơn. Hệ thống này không chỉ giúp phát hiện khuôn mặt mà còn phân tích các biểu cảm trên khuôn mặt, từ đó đánh giá được cảm xúc và mức độ tập trung của học sinh.

2.2 Đánh giá sự tập trung dựa vào biểu cảm khuôn mặt

Đánh giá sự tập trung của học sinh thông qua biểu cảm khuôn mặt là một phương pháp hiệu quả. Các thuật toán phân tích biểu cảm khuôn mặt giúp xác định các trạng thái cảm xúc như hứng thú, mệt mỏi hay bối rối. Việc này cho phép giáo viên điều chỉnh phương pháp giảng dạy phù hợp với tâm trạng của học sinh. Theo một nghiên cứu, việc sử dụng biểu cảm khuôn mặt để đánh giá sự tập trung đã giúp cải thiện đáng kể chất lượng giảng dạy. Hệ thống này không chỉ giúp giáo viên theo dõi hành vi của học sinh mà còn cung cấp dữ liệu để phát triển các phương pháp giảng dạy hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cách mạng công nghiệp 4.0 và đại dịch Covid-19, việc nâng cao chất lượng giáo dục trở thành một yêu cầu cấp thiết. Theo ước tính, số lượng học sinh tại các trường học ngày càng tăng, đòi hỏi các giải pháp quản lý và giám sát hiệu quả hơn. Một trong những thách thức lớn là đánh giá chính xác mức độ tập trung của học sinh trong lớp học, yếu tố quyết định đến hiệu quả học tập và kết quả giáo dục. Luận văn tập trung nghiên cứu một số kỹ thuật đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera giám sát, nhằm cung cấp công cụ hỗ trợ giáo viên trong việc điều chỉnh phương pháp giảng dạy phù hợp.

Phạm vi nghiên cứu tập trung vào việc thu thập và xử lý dữ liệu video từ hệ thống camera giám sát tại các lớp học, trong khoảng thời gian thực hiện nghiên cứu là năm 2021 tại Trường Đại học Quy Nhơn. Mục tiêu cụ thể là phát triển các thuật toán xử lý ảnh và thị giác máy để nhận dạng khuôn mặt, phân tích biểu cảm, xác định hướng đầu và trạng thái đóng/mở mắt của học sinh nhằm đánh giá mức độ tập trung. Việc ứng dụng các kỹ thuật này không chỉ giúp nâng cao hiệu quả giảng dạy mà còn góp phần xây dựng môi trường học tập thông minh, đáp ứng xu hướng giáo dục hiện đại và yêu cầu giãn cách xã hội do dịch bệnh.

Các chỉ số đánh giá sự tập trung được xây dựng dựa trên các đặc trưng hành vi như tư thế ngồi, chuyển động đầu, biểu cảm khuôn mặt và trạng thái mắt. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc phát triển các hệ thống giám sát tự động, hỗ trợ giáo viên theo dõi và đánh giá học sinh một cách khách quan, từ đó nâng cao chất lượng giáo dục và hiệu quả học tập.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn áp dụng hai khung lý thuyết chính trong lĩnh vực thị giác máy tính và xử lý ảnh:

1. Mô hình phát hiện và nhận dạng khuôn mặt Haar-Adaboost: Dựa trên đặc trưng Haar-like, mô hình sử dụng thuật toán AdaBoost để kết hợp các bộ phân loại yếu thành bộ phân loại mạnh, giúp phát hiện khuôn mặt trong ảnh với độ chính xác cao. Đặc trưng Haar-like được tính bằng hiệu số tổng pixel giữa các vùng sáng và tối, sử dụng ảnh tích phân để tăng tốc độ tính toán.

2. Mô hình Active Appearance Model (AAM): Đây là mô hình thống kê kết hợp hình dạng và kết cấu hình ảnh của khuôn mặt, cho phép mô phỏng và nhận dạng biểu cảm khuôn mặt. AAM sử dụng phân tích thành phần chính (PCA) để mô hình hóa biến thể hình dạng và kết cấu, đồng thời áp dụng thuật toán tối ưu để khớp mô hình với ảnh đầu vào, từ đó trích xuất các đặc trưng biểu cảm.

Các khái niệm chuyên ngành quan trọng bao gồm: đặc trưng Haar-like, thuật toán AdaBoost, ảnh tích phân, mô hình hình dạng và kết cấu hình ảnh, phân tích thành phần chính (PCA), phép biến đổi Similarity, thuật toán tối ưu hóa mô hình AAM, và các chỉ số hành vi như hướng đầu, trạng thái mắt (đóng/mở), biểu cảm khuôn mặt.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các đoạn video thu thập từ hệ thống camera giám sát trong lớp học tại Trường Đại học Quy Nhơn. Cỡ mẫu bao gồm hàng trăm khung hình video ghi lại hành vi của học sinh trong các tiết học thực tế. Phương pháp chọn mẫu là ngẫu nhiên từ các lớp học khác nhau nhằm đảm bảo tính đại diện.

Phương pháp phân tích bao gồm:

• Phát hiện khuôn mặt: Sử dụng thuật toán Haar-Adaboost để xác định vị trí khuôn mặt trong từng khung hình.
• Trích chọn đặc trưng biểu cảm: Áp dụng mô hình AAM để phân tích biểu cảm khuôn mặt, đồng thời xác định các điểm đặc trưng trên khuôn mặt.
• Đánh giá hướng đầu: Tính toán pháp tuyến mặt phẳng khuôn mặt dựa trên các điểm đặc trưng như góc mắt, rìa miệng và đỉnh mũi để xác định tư thế đầu.
• Phân tích trạng thái mắt: Đánh giá trạng thái đóng/mở mắt dựa trên các đơn vị hoạt ảnh (Action Units) để xác định mức độ tập trung và dấu hiệu buồn ngủ.
• Phân tích dữ liệu và đánh giá mức độ tập trung: Kết hợp các đặc trưng trên để xây dựng mô hình phân loại mức độ tập trung của học sinh.

Timeline nghiên cứu kéo dài trong năm 2021, bao gồm các giai đoạn thu thập dữ liệu, phát triển thuật toán, thử nghiệm và đánh giá kết quả thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phát hiện khuôn mặt bằng Haar-Adaboost: Thuật toán đạt độ chính xác phát hiện khuôn mặt trên 92% trong các khung hình video với tốc độ xử lý trung bình 25 khung hình/giây, phù hợp với yêu cầu thời gian thực trong lớp học.

2. Đánh giá biểu cảm khuôn mặt bằng AAM: Mô hình AAM cho phép nhận dạng chính xác các trạng thái biểu cảm như tập trung, mệt mỏi, bối rối với độ chính xác khoảng 88%, giúp phân biệt rõ ràng các trạng thái cảm xúc ảnh hưởng đến sự tập trung.

3. Xác định hướng đầu và trạng thái mắt: Phân tích pháp tuyến mặt phẳng khuôn mặt cho thấy học sinh gục đầu hoặc quay đầu ra ngoài chiếm khoảng 15% thời gian quan sát, tương ứng với mức độ mất tập trung cao. Trạng thái mắt nhắm lâu hơn 2 giây được ghi nhận ở 12% số học sinh trong tiết học, phản ánh dấu hiệu buồn ngủ và giảm tập trung.

4. Mô hình đánh giá mức độ tập trung tổng hợp: Kết hợp các đặc trưng về biểu cảm, hướng đầu và trạng thái mắt, mô hình phân loại mức độ tập trung đạt độ chính xác 85%, vượt trội so với các phương pháp truyền thống dựa trên quan sát thủ công.

Thảo luận kết quả

Kết quả cho thấy việc ứng dụng các kỹ thuật xử lý ảnh và thị giác máy trong đánh giá sự tập trung của học sinh là khả thi và hiệu quả. Độ chính xác cao của thuật toán phát hiện khuôn mặt và mô hình AAM giúp nhận dạng biểu cảm khuôn mặt một cách chi tiết, từ đó cung cấp thông tin quan trọng về trạng thái tâm lý và mức độ chú ý của học sinh.

Phân tích hướng đầu và trạng thái mắt là những chỉ số trực quan phản ánh sự tập trung, phù hợp với các nghiên cứu trước đây trong lĩnh vực thị giác máy tính và giáo dục. Việc kết hợp đa đặc trưng giúp mô hình đánh giá toàn diện hơn, giảm thiểu sai số do biểu hiện hành vi đa dạng của học sinh.

Dữ liệu có thể được trình bày qua biểu đồ tần suất các trạng thái mắt mở/đóng, biểu đồ phân bố thời gian gục đầu và biểu đồ phân loại mức độ tập trung theo từng học sinh, giúp giáo viên dễ dàng theo dõi và đánh giá.

So với các nghiên cứu khác, luận văn đã phát triển một hệ thống tích hợp nhiều kỹ thuật xử lý ảnh hiện đại, phù hợp với môi trường lớp học thực tế tại Việt Nam, đồng thời đáp ứng yêu cầu xử lý thời gian thực và độ chính xác cao.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát tự động trong lớp học: Áp dụng các thuật toán phát hiện khuôn mặt và đánh giá biểu cảm để theo dõi liên tục mức độ tập trung của học sinh, giúp giáo viên nhận biết kịp thời các dấu hiệu mất tập trung. Thời gian thực hiện: 6-12 tháng; Chủ thể thực hiện: Ban giám hiệu và bộ phận công nghệ thông tin trường học.

2. Đào tạo giáo viên sử dụng công nghệ hỗ trợ giảng dạy: Tổ chức các khóa tập huấn về cách sử dụng hệ thống camera và phần mềm phân tích để nâng cao hiệu quả giảng dạy dựa trên phản hồi từ hệ thống. Thời gian: 3-6 tháng; Chủ thể: Phòng đào tạo và giảng viên hướng dẫn.

3. Phát triển phần mềm phân tích hành vi học sinh đa nền tảng: Nâng cấp và mở rộng phần mềm để tích hợp thêm các chỉ số hành vi khác như tư thế cơ thể, chuyển động tay nhằm tăng độ chính xác đánh giá. Thời gian: 12 tháng; Chủ thể: Nhóm nghiên cứu và đối tác công nghệ.

4. Xây dựng cơ sở dữ liệu hành vi học sinh đa dạng: Thu thập dữ liệu từ nhiều trường học khác nhau để huấn luyện và cải tiến mô hình, đảm bảo tính đại diện và khả năng áp dụng rộng rãi. Thời gian: liên tục; Chủ thể: Bộ Giáo dục và các trường đại học.

Đối tượng nên tham khảo luận văn

1. Giáo viên và cán bộ quản lý giáo dục: Hỗ trợ trong việc theo dõi và đánh giá mức độ tập trung của học sinh, từ đó điều chỉnh phương pháp giảng dạy phù hợp, nâng cao hiệu quả học tập.

2. Nhà nghiên cứu và sinh viên ngành Khoa học máy tính, Thị giác máy tính: Cung cấp cơ sở lý thuyết và thực nghiệm về ứng dụng xử lý ảnh trong giáo dục, làm nền tảng cho các nghiên cứu tiếp theo.

3. Các đơn vị phát triển phần mềm giáo dục và công nghệ giám sát: Tham khảo để phát triển các sản phẩm công nghệ hỗ trợ giảng dạy thông minh, tích hợp các thuật toán nhận dạng hành vi và biểu cảm.

4. Chính sách và quản lý giáo dục: Là tài liệu tham khảo để xây dựng các chính sách ứng dụng công nghệ trong giáo dục, thúc đẩy chuyển đổi số và nâng cao chất lượng đào tạo.

Câu hỏi thường gặp

1. Camera giám sát có ảnh hưởng đến quyền riêng tư của học sinh không?
   Hệ thống được thiết kế tuân thủ các quy định về bảo mật và quyền riêng tư, chỉ sử dụng dữ liệu để phân tích hành vi học tập trong lớp học, không lưu trữ hoặc chia sẻ thông tin cá nhân ngoài mục đích giáo dục.

2. Độ chính xác của các thuật toán đánh giá sự tập trung như thế nào?
   Các thuật toán phát hiện khuôn mặt đạt trên 92% chính xác, mô hình AAM nhận dạng biểu cảm đạt khoảng 88%, và mô hình tổng hợp đánh giá mức độ tập trung đạt 85%, phù hợp với yêu cầu thực tế.

3. Hệ thống có thể áp dụng cho các cấp học khác nhau không?
   Có thể áp dụng cho nhiều cấp học, tuy nhiên cần điều chỉnh tham số và huấn luyện lại mô hình phù hợp với đặc điểm hành vi của từng nhóm học sinh.

4. Làm thế nào để xử lý các trường hợp học sinh che mặt hoặc ánh sáng kém?
   Hệ thống sử dụng các kỹ thuật tiền xử lý ảnh và mô hình học sâu để cải thiện khả năng nhận dạng trong điều kiện khó khăn, tuy nhiên vẫn cần bổ sung camera chất lượng cao và bố trí ánh sáng phù hợp.

5. Hệ thống có hỗ trợ phản hồi trực tiếp cho giáo viên không?
   Có thể tích hợp các cảnh báo thời gian thực khi phát hiện học sinh mất tập trung, giúp giáo viên kịp thời điều chỉnh phương pháp giảng dạy và tương tác với học sinh.

Kết luận

• Luận văn đã phát triển thành công các kỹ thuật xử lý ảnh và thị giác máy để đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera giám sát.
• Thuật toán Haar-Adaboost và mô hình AAM được áp dụng hiệu quả trong phát hiện khuôn mặt và nhận dạng biểu cảm khuôn mặt.
• Mô hình tổng hợp các đặc trưng về hướng đầu, trạng thái mắt và biểu cảm khuôn mặt đạt độ chính xác cao trong phân loại mức độ tập trung.
• Kết quả nghiên cứu góp phần xây dựng môi trường học tập thông minh, hỗ trợ giáo viên nâng cao chất lượng giảng dạy.
• Các bước tiếp theo bao gồm triển khai thực tế hệ thống, mở rộng dữ liệu và phát triển phần mềm đa năng nhằm ứng dụng rộng rãi trong giáo dục hiện đại.

Quý độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển tiếp các kỹ thuật này để nâng cao hiệu quả giáo dục trong thời đại công nghệ số.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1. Lý do chọn đề tài Trong thời đại cách mạng công nghiệp 4.0 mang thế giới ảo và thực xích lại gần nhau cùng với sự phát triển công nghệ như vạn vật kết nối trí tuệ nhân tạo, điện toán đám mây, thị giác máy tính v.v đang xóa nhòa mọi ranh giới và giúp con người, sản phẩm và máy móc tự kết nối giao tiếp với nhau. Tất cả sẽ thay đổi hoàn toàn thế giới của chúng ta trong tương lai không xa. Vậy chúng ta sẽ làm gì để thích nghi với những tiến bộ và cả thách thức của cuộc cách mạng công nghiệp này cùng với tình hình diễn biến của đại dịch covid đang diễn ra tại nước ta và trên toàn thế giới? Lĩnh vực giáo dục đóng một vai trò quan trọng trong sự thay đổi đó.

Dịch bệnh Covid-19 diễn biến phức tạp,các biện pháp nâng cao chất lượng giáo dục được đưa ra và kết quả giáo dục bắt đầu bằng việc nâng cao trình độ của học sinh. Cụ thể, những thay đổi tích cực trong hành vi của học sinh có thể giúp giáo viên đạt kết quả tương đối tốt, chắc chắn có lợi cho quá trình dạy học. Quan sát từng hiệu suất của học sinh trong một môi trường thông minh, chẳng hạn như nét mặt, cử chỉ sẽ giúp giáo viên điều chỉnh các phương pháp giảng dạy bằng cách nhận phản hồi nhanh chóng từ sự tương tác trong thời gian thực này và sẽ có lợi cho chất lượng giáo dục. Với sự phát triển nhanh chóng của khoa học máy tính, đặc biệt là lĩnh vực xử lý ảnh và thị giác máy, các kỹ thuật phát hiện và theo dõi đối tượng/ hành động/ hành vi trong thời gian thực đã thực hiện tiến bộ vượt bậc.

Nhận dạng khuôn mặt, phân tích trạng thái khuôn mặt, phân tích hành động/ hành vi của đối tượng sẽ được nghiên cứu nhằm hỗ trợ trong việc đánh giá mức độ tập trung của học sinh. Đây là cơ sở cho các nghiên cứu phát triển phương pháp giảng dạy/học tập phù hợp và hiệu quả cho học sinh. e 2 Với tình hình thực tế hiện nay có thể ngành giáo dục vẫn đang thiếu một công cụ mạnh mẽ để đánh giá mức độ nghiêm trọng của sự mất tập trung và sự ảnh hưởng của nó đến học lực. Mức độ tập trung có liên quan đến việc phân tích hành vi, chuyển động của đầu đóng một vai trò quan trọng.

Các trạng thái cảm xúc của học sinh như thích thú, mệt mỏi và bối rối được tự động xác định từ biểu hiện trên khuôn mặt và trạng thái tập trung được tính toán từ các dấu hiệu thị giác khác nhau như nhìn khuôn mặt, chuyển động đầu và tư thế cơ thể. Giảng dạy thông minh, lớp học thông minh đã được đưa vào giáo dục để cung cấp các dịch vụ giảng dạy tốt hơn, học trực tuyến là xu hướng bắt buộc trong thời đại mới. Đây là xu hướng tất yếu mới nhất đáp ứng nhu cầu tránh tiếp xúc gần trong tình hình dịch bệnh Covid-19. Từ những những phân tích về hướng nghiên cứu mới khoa học về xử lý ảnh/ thị giác máy cũng như ý nghĩa thực tiễn trong lĩnh vực giáo dục, luận văn lựa chọn đề tài: “Nghiên cứu một số kỹ thuật đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera”, trên cơ sở tìm hiểu nghiên cứu một số kỹ thuật phát hiện, nhận dạng, theo dõi tráng thái/ hành động/ hành vi của học sinh trong lớp học nhằm đánh giá mức độ tập trung của học sinh đối với bài giảng.

Tổng quan tình hình nghiên cứu đề tài Nghiên cứu một số kỹ thuật đánh giá sự tập trung của học sinh thông qua các hình ảnh camera ghi lại và nhận dạng nhằm cung cấp cho giáo viên dữ liệu lựa chọn nội dung và phương pháp giảng dạy phù hợp. Từ đó hỗ trợ đánh giá chất lượng học tập của học sinh. Là một nghiên cứu tích cực về thị giác máy tính, các thành phần thị giác trong hình ảnh động cố gắng phát hiện, nhận ra và theo dõi các đối tượng nhất định từ chuỗi hình ảnh và mô tả hành vi của đối tượng. Mục đích là phát triển các hệ thống xử lý video thông minh có thể phát e 3 hiện theo ngữ nghĩa các hoạt động và hành vi của học sinh.

Mục tiêu của giám sát bằng hình ảnh không chỉ là đặt camera ở vị trí của mắt người, mà còn để hoàn thành toàn bộ nhiệm vụ giám sát một cách tự động nhất có thể. Trong môi trường giám sát dưới dự hỗ trợ của camera, tính năng tự động phát hiện các hoạt động bất thường có thể được sử dụng để cảnh báo cho giáo viên biết về các hành vi không phù hợp. Với nhu cầu ngày càng cao về độ chính xác trong các quyết định của giáo viên, các hệ thống xử lý video thông minh hiện đang là một giải pháp thõa mãn. Một số bước xử lý là cần thiết để phân tích cảnh ở các mức độ trừu tượng khác nhau, bắt đầu từ hành vi của các đối tượng quan tâm.

Bước đầu tiên bao gồm phát hiện và theo dõi đối tượng quan tâm để tạo mô tả chuyển động (quỹ đạo chuyển động hoặc kết hợp các chuyển động cục bộ), sau đó được xử lý để xác định các hành động hoặc tương tác. Thông tin vị trí có thể được bổ sung bởi các bộ mô tả khác, chẳng hạn như quỹ đạo của các khớp cơ thể hoặc thay đổi tư thế đầu được quan tâm nghiên cứu. Việc phân tích tự động các hành vi trong lớp học của học sinh có giá trị để đánh giá hiệu quả của việc giảng dạy. Các nghiên cứu gần đây về phân tích video trong lớp học chủ yếu tập trung vào nội dung bài giảng, vị trí và danh tính của những học sinh.

Phân tích mức độ tập trung của học sinh đối với nội dung giảng dạy. Phát hiện, nhận dạng và theo dõi và phân tích hành vi của học sinh, nghĩa là nâng hoặc hướng mặt xuống và hướng đầu tương ứng với giáo viên, nội dung giảng dạy hoặc không phải. Kèm theo sự phân tích sự tập trung của học sinh khi tham gia học tập rất đa dạng chủ yếu tập trung vào phân tích hành vi và cảm xúc, như: phân tích biểu hiện cảm xúc trên khuôn mặt, phân tích chuyển động mắt, phân tích chuyển động đầu, tư thế hình thể v. sử dụng chuyển động của mắt và đầu để kiểm tra sự tập trung của học sinh và tạo ra cảnh báo về mức độ tập trung.

Cuối cùng, mối tương quan của mức độ tập trung của sinh viên với các chủ đề khóa học. Phân tích này có e 4 thể giúp giáo viên tìm ra đặc điểm dạy học hiệu quả để cải thiện mức độ tập trung của học sinh. Mục đích và nhiệm vụ nghiên cứu Mục đích: Việc nghiên cứu đề tài là đem lại hiệu quả trong công tác giảng dạy nói riêng và ngành giáo dục nói chung. Qua đó xây dựng ứng dụng để đánh giá sự tập trung của học sinh dưới dự hỗ trợ của camera.

Nhiệm vụ: Hệ thống sử dụng camera để tạo tập dữ liệu quá trình học tập của học sinh. Tập dữ liệu này là đầu vào của chương trình nhận dạng tư thế hành vi (tư thế ngồi, độ quay, nghiên của đầu) và biểu cảm khuôn mặt. Chương trình sẽ sử dụng thuật toán xử lý ảnh và thị giác máy, phân tích và đưa ra kết quả tư thế chú ý hướng đúng vị trí và biểu cảm, sắc thái gương mặt kết hợp sự đóng mở của mắt khi nhận thông tin giảng dạy từ giáo viên. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: Khuôn mặt người, hành động/ hành vi của con người.

Phạm vi nghiên cứu: Khuôn mặt, hành động/ hành vi học sinh trong lớp học. Phương pháp nghiên cứu Phương pháp nghiên cứu của luận văn được lựa chọn là lý thuyết kết hợp với thực nghiệm. Các vấn đề cần giải quyết liên quan đến mạng internet, xử lý ảnh, kỹ thuật đánh giá sự tập trung của học sinh, điểm danh đánh giá kết quả học tập thực hiện trên phần mềm máy tính với đầu vào là các thông tin thu nhận được từ thực tế. Quá trình được tiến hành dựa trên việc tìm hiểu tài liệu, cài đặt thử nghiệm sau đó đánh giá kết quả thực nghiệm, ứng dụng và cải tiến nhằm nâng cao chất lượng học tập.

TỔNG QUAN VỀ BÀI TOÁN ĐÁNH GIÁ SỰ TẬP TRUNG HỌC TẬP CỦA HỌC SINH DƯỚI SỰ HỖ TRỢ CỦA CAMERA 1. Bài toán đánh giá sự tập trung của học sinh dưới sự hỗ trợ của camera Ngày nay, nhiều hệ thống giám sát bằng camera được triển khai và đã chứng minh được tính hiệu quả nhất định trên một số lĩnh vực như giám sát hoạt động con người, giám sát trường học/lớp học, giám sát giao thông, giám sát trong an ninh/quốc phòng v. Hầu hết tất cả ứng dụng cốt lõi trong các hệ thống giám sát tự động đều dựa trên các bài toán nghiên cứu chính trong lĩnh vực xử lý ảnh và thị giác máy như: phát hiện, nhận dạng, theo dõi đối tượng, phát hiện và bám sát hành động/hành vi đối tượng. Các bài toán này không những cho mục đích giám sát mà còn là cơ sở trong việc đánh giá, dự báo, phát triển định hướng mới trong từng lĩnh vực áp dụng cụ thể.

Giáo dục là một trong những lĩnh vực được nhà nước và xã hội quan tâm hàng đầu. Nghiên cứu về xử lý ảnh, thị giác trong hệ thống camera giám sát nhằm hỗ trợ môi trường tương tác cũng như làm cơ sở trong nghiên cứu phương pháp phù hợp và hiệu quả trong việc học tập của học sinh là những vấn đề được trình bày trong phần này. Hệ thống camera trong giám sát tự động Với những tiến bộ công nghệ gần đây, camera đã trở nên phổ biến hơn, nó có mặt từ máy tính để bàn, máy tính xách tay, đến thiết bị di động và nhiều thiết bị khác sử dụng hàng ngày. Hiện nay cơ sở vật chất của các trường học ngày một quy mô lớn hơn, cùng với số lượng học sinh ngày một tăng thì vấn đề quản lý theo cách truyền thống đã cho thấy những mặt hạn chế.

Hệ thống camera giám sát thật sự là một giải pháp hiệu quả và cần thiết giúp ích trong việc quản lý, giám sát học sinh. Điều này nâng cao trách nhiệm của giáo viên, tinh thần học tập của học sinh, thúc đẩy việc dạy e 6 và học được tốt hơn, hiệu quả hơn. Ngoài ra, ở một số trường phụ huynh thông qua internet có thể trực tiếp theo dõi con em mình khi ở trường đang học và làm gì.