智能教育系统与图像分割技术的研究与应用

### 智能教育系统与图像分割技术的研究与应用 #### 智能教育系统助力自闭症儿童学习 在教育领域，为了帮助自闭症儿童更好地学习，开发了一套智能教育系统。该系统的情感检测模型从 GitHub 获取，并使用特定数据集进行训练。数据集包含 35887 张 48×48 的灰度图像，涵盖愤怒、厌恶、恐惧、快乐、中性、悲伤和惊讶七种情绪。模型借助 tensorflow、tfllearn 和 keras 库开发。 系统开发过程中经历了多种测试。整个智能教育系统分为对象分类功能和情感检测模型功能两个主要阶段，进行了两次系统测试，间隔为 2 个月。由于没有维护相关需求文档，测试需要导师的参与。 2019 年 5 月 29 日，安排了对自闭症中心的访问，让自闭症儿童使用该系统进行验收测试。共有 6 名参与者，其中 4 名是 5 - 9 岁的男学生，女参与者年龄在 4 - 8 岁。据老师介绍，孩子们未学过英语，只认识阿拉伯字母和数字。自闭症水平通过童年自闭症评定量表（CARS）获得，具体信息如下表： | 姓名 | 年龄 | 自闭症水平 | | --- | --- | --- | | 参与者 1 | 7 | 27 | | 参与者 2 | 9 | 35 | | 参与者 3 | 4 | 30 | | 参与者 4 | 5 | 37 | | 参与者 5 | 7 | 31 | | 参与者 6 | 9 | 30 | 从结果分析来看，该教育系统对自闭症儿童的学习有明显改善。系统旨在帮助他们学习、提升技能和建立触觉感知。为确保有效学习，系统需运行流畅并在最佳时间内给出准确预测结果。 在学习阶段，孩子与系统的互动情况良好。孩子在沙子上涂鸦所需对象，网络摄像头同时捕捉手势，情感检测模型在本地机器上运行以捕捉和存储孩子的情绪。不过，由于孩子不一定时刻在画面内，捕捉情绪数据有一定难度。 不同自闭症水平的孩子表现各异。自闭症水平较低的参与者在教学阶段完成后能进入学习阶段，他们能在沙子上涂鸦展示的对象并清晰说出名称，在学习阶段能按导师要求涂鸦 2/3 的对象。部分参与者起初不太害怕互动，但涂鸦速度较慢；有一名参与者会在展示的对象上堆沙而非挖沙，这值得进一步研究。自闭症水平极高的参与者害怕大声音频，与沙子互动较少，但对展示的对象感到兴奋并能重复发音。 平均而言，6 名参与者中有 4 名需要 2 - 3 分钟适应系统并参与涂鸦。6 名参与者中有 2 名因大声音频或可怕对象展示而表现出恐惧，需要时间适应音频。但 6 名孩子中有 5 名能在互动的前 3 - 5 分钟内通过听音频说出字母。导师评价该项目很好，不仅能促进学术学习，还能增加孩子的知识和触觉感知。 #### 图像分割技术的研究进展 在计算机视觉领域，图像分割是重要的研究方向。图像分割技术主要分为基于边缘和基于区域的分割技术，也可分为全局分割和局部分割（选择性分割）。全局分割会分割图像中的所有对象或边缘，而局部分割则针对特定对象。 为了更好地进行图像分割，研究人员提出了多种模型： - **CV 模型**：Chan 和 Vese 使用水平集简化了 Mumford - Shah 模型，用于分割两个均匀区域。模型公式为： \[F_{CV}(C; c_1; c_2) = k_1length(C) + k_2\int_{inside(C)}(f(z) - c_1)^2dz + k_3\int_{outside(C)}(f(z) - c_2)^2dz\] 其中，\(c_1\) 和 \(c_2\) 分别是图像域内对象内外的平均强度值，\(C\) 是对象边界附近的初始曲线，\(f(z)\) 是输入图像，\(k_1\)、\(k_2\)、\(k_3\) 是正常数，控制各项权重。 - **Badshah - Chen 模型**：Badshah 和 Chen 结合了边缘和区域技术，提出以下最小化泛函来寻找所需对象： \[F_{BC}(C; c_1; c_2) = k_1\int_{C}d(z) \cdot g(\vert\nabla f(z)\vert)dz + k_2\int_{inside(C)}(f(z) - c_1)^2dz + k_3\int_{outside(C)}(f(z) - c_2)^2dz\] 其中，\(d(z)\) 和 \(g(\vert\nabla f(z)\vert)\) 分别是距离函数和边缘检测函数。对于有模糊边缘的对象，Badshah 等人对保真项进行了修改。 然而，上述方法在分割具有多个强度值的对象或背景时可能出现错误。为解决这一问题，提出了一种新模型。该模型引入了新的能量函数，由两个新的保真项和 Gout 模型中的一项组成。新