机器人教学测评方法及装置与流程

本发明涉及机器人教学技术领域，具体而言，涉及一种机器人教学测评方法及装置。

背景技术：

随着计算机技术的快速发展，其应用范围也越来越广泛。比如，在教学领域，学生因个体差异，对知识的掌握状况存在较大差异，可通过计算机在线测评学生对知识的掌握状况。在现有技术中，通常通过纸质试卷来测试学生对知识的掌握状况，然后由教师批阅试卷，得到测试结果。该测试方式导致教师的工作量大，需要较长时间才能得到测试结果。另外，为了让教师更好的引导教学，通常可在课前测试学生对之前学习的课堂内容的掌握状况，然后根据测试结果针对性地引导教学。然而，若采用纸质试卷测试，因测试结果需要较长时间才能得到，导致教师无法在当前课堂针对测试结果引导教学，进而影响教学成效。

技术实现要素：

为了克服上述现有技术中的不足，本发明提供一种机器人教学测评方法及装置，可简化测评流程，快速得到测评结果，有助于教学的开展，进而解决上述问题。

为了实现上述目的，本发明较佳实施例所提供的技术方案如下所示：

本发明较佳实施例提供一种机器人教学测评方法，应用于与教学终端通信连接的测评终端，所述测评终端预先存储有至少一套试题集合，每套试题集合包括至少一道试题，每道所述试题对应有至少一个预设声谱特征；所述方法包括：

针对一套所述试题集合，在显示或者播放该试题集合中的一道试题时，采集声音信号，并获得所述声音信号的声谱特征以作为目标声谱特征；

将所述目标声谱特征与当前显示的试题对应的预设声谱特征进行比对，在所述目标声谱特征与所述预设声谱特征的相似度大于或等于第一阈值时，将所述目标声谱对应的答案作为当前显示试题的正确答案，并根据所述目标声谱对应的答案生成与当前显示试题对应的试题测试结果；

根据每道试题的测试结果生成该套试题集合的最终测试结果，并将所述最终测试结果发送至所述教学终端。

可选地，上述测评终端包括深度学习模型，所述采集声音信号的步骤之前，所述方法还包括：

针对每道试题，获取所述试题正确答案对应的训练声音信号集，包括多个训练声音信号；

使用所述训练声音信号集，采用深度学习算法训练所述深度学习模型，得到训练后的深度学习模型，以通过训练后的深度学习模型比对识别采集的声音信号。

可选地，上述根据每道试题的测试结果生成该套试题集合的最终测试结果的步骤之前，所述方法还包括：

采集人体的姿态图像，并提取所述姿态图像的姿态特征以作为目标姿态特征；

将所述目标姿态特征与预设姿态特征进行比对，在所述目标姿态特征与所述预设姿态特征的相似度大于或等于第二阈值时，生成表征结束回答当前试题的第一结束信号，以根据所述第一结束信号生成与所述当前试题对应的试题测试结果；

或者生成表征结束回答该套试题集合的第二结束信号，以根据所述第二结束信号生成该套试题集合的最终测试结果。

可选地，上述测评终端包括深度学习模型，所述采集人体的姿态图像的步骤之前，所述方法还包括：

获取人体姿态图像的训练图像集，包括多个训练子图像，每个所述训练子图像包括人体以预设姿态呈现的图像；

使用所述训练图像集，采用深度学习算法训练所述深度学习模型，得到训练后的深度学习模型，以通过训练后的深度学习模型比对识别所述姿态图像。

可选地，上述测评终端包括输入模块，所述输入模块用于根据人为输入的信号生成与当前试题对应的待校验答案；所述方法还包括：

解析接收的待校验答案，并在所述待校验答案为当前试题的预设答案时，确定所述待校验答案为正确答案。

可选地，多个所述测评终端与所述教学终端通信连接，所述教学终端用于根据预设分析策略分析每个教学终端发送的最终测试结果，以形成测试报表；其中，所述预设分析策略包括：

针对相同的试题，计算回答所述试题的答案为正确答案的正确率；

基于每个测评终端发送的最终测试结果，计算多个所述测评终端的平均测试结果；

基于每个测评终端发送的最终测试结果及预设达标值，计算所述最终测试结果的合格率。

本发明的较佳实施例还提供一种机器人教学测评装置，应用于与教学终端通信连接的测评终端，所述测评终端预先存储有至少一套试题集合，每套试题集合包括至少一道试题，每道所述试题对应有至少一个预设声谱特征；所述机器人教学测评装置包括：

声音采集模块，用于针对一套所述试题集合，在显示或者播放该试题集合中的一道试题时，采集声音信号，并获得所述声音信号的声谱特征以作为目标声谱特征；

特征比对模块，用于将所述目标声谱特征与当前显示的试题对应的预设声谱特征进行比对，在所述目标声谱特征与所述预设声谱特征的相似度大于或等于第一阈值时，将所述目标声谱对应的答案作为当前显示试题的正确答案，并根据所述目标声谱对应的答案生成与当前显示试题对应的试题测试结果；

发送模块，用于根据每道试题的测试结果生成该套试题集合的最终测试结果，并将所述最终测试结果发送至所述教学终端。

可选地，上述测评终端包括深度学习模型，所述机器人教学测评装置还包括声音获取模块及声音训练模块，在所述声音采集模块采集声音信号之前：

所述声音获取模块，用于针对每道试题，获取所述试题正确答案对应的训练声音信号集，包括多个训练声音信号；

所述声音训练模块，用于使用所述训练声音信号集，采用深度学习算法训练所述深度学习模型，得到训练后的深度学习模型，以通过训练后的深度学习模型比对识别采集的声音信号。

可选地，上述机器人教学测评装置还包括图像采集模块及姿态比对模块，所述发送模块在根据每道试题的测试结果生成该套试题集合的最终测试结果之前：

所述图像采集模块，用于采集人体的姿态图像，并提取所述姿态图像的姿态特征以作为目标姿态特征；

所述姿态比对模块，用于将所述目标姿态特征与预设姿态特征进行比对，在所述目标姿态特征与所述预设姿态特征的相似度大于或等于第二阈值时，生成表征结束回答当前试题的第一结束信号，以根据所述第一结束信号生成与所述当前试题对应的试题测试结果；

或者生成表征结束回答该套试题集合的第二结束信号，以根据所述第二结束信号生成该套试题集合的最终测试结果。

可选地，上述测评终端包括深度学习模型，所述机器人教学测评装置还包括图像获取模块及图像训练模块，所述图像采集模块采集人体的姿态图像之前：

所述图像获取模块，用于获取人体姿态图像的训练图像集，包括多个训练子图像，每个所述训练子图像包括人体以预设姿态呈现的图像；

所述图像训练模块，用于使用所述训练图像集，采用深度学习算法训练所述深度学习模型，得到训练后的深度学习模型，以通过训练后的深度学习模型比对识别所述姿态图像。

与现有技术相比，本发明提供的机器人教学测评方法及装置至少具有以下有益效果：本方法通过针对一套所述试题集合，在显示或者播放该试题集合中的一道试题时，采集声音信号，并获得所述声音信号的声谱特征以作为目标声谱特征；将所述目标声谱特征与当前显示的试题对应的预设声谱特征进行比对，在所述目标声谱特征与所述预设声谱特征的相似度大于或等于第一阈值时，将所述目标声谱对应的答案作为当前显示试题的正确答案，并根据所述目标声谱对应的答案生成与当前显示试题对应的试题测试结果；根据每道试题的测试结果生成该套试题集合的最终测试结果，并将所述最终测试结果发送至教学终端。该方法可对采集或输入的答案数字化，以对该答案自动检测，简化了教学测评的流程，有助于相关人员快速得到评测结果。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明较佳实施例提供的测评终端与教学终端的交互示意图。

图2为本发明较佳实施例提供的机器人教学测评方法的流程示意图之一。

图3为本发明较佳实施例提供的机器人教学测评方法的流程示意图之二。

图4为本发明较佳实施例提供的机器人教学测评装置的方框示意图。

图标：10-测评终端；11-处理模块；12-通信模块；13-存储模块；20-教学终端；100-机器人教学测评装置；110-声音采集模块；120-特征比对模块；130-发送模块；140-声音获取模块；150-声音训练模块；160-图像采集模块；170-姿态比对模块；180-图像获取模块；190-图像训练模块。

具体实施方式

下面将结合本发明实施例中的附图，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的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1，为本发明较佳实施例提供的测评终端10与教学终端20的交互示意图。本发明提供的测评终端10可通过网络与教学终端20建立通信连接，以实现数据交互。该测评终端10可以包括处理模块11、存储模块13、通信模块12及机器人教学测评装置100。所述处理模块11、存储模块13、通信模块12及机器人教学测评装置100各个元件之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

所述处理模块11可以是处理器。例如，该处理器可以是中央处理器(centralprocessingunit，cpu)、图形处理器(graphicsprocessingunit，gpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。

所述通信模块12用于通过网络建立测评终端10与教学终端20之间的通信连接，并通过所述网络收发数据。

所述存储模块13可以是，但不限于，随机存取存储器，只读存储器，可编程只读存储器，可擦除可编程只读存储器，电可擦除可编程只读存储器等。在本实施例中，所述存储模块13可以用于存储试题集合及与每道试题对应的正确答案。当然，所述存储模块13还可以用于存储程序，所述处理模块11在接收到执行指令后，执行该程序。

进一步地，所述机器人教学测评装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储模块13中或固化在所述测评终端10操作系统(operatingsystem，os)中的软件功能模块。所述处理模块11用于执行所述存储模块13中存储的可执行模块，例如机器人教学测评装置100所包括的软件功能模块及计算机程序等。

其中，教学终端20可以是，但不限于，智能手机、个人电脑(personalcomputer，pc)、平板电脑、个人数字助理(personaldigitalassistant，pda)、移动上网设备(mobileinternetdevice，mid)等。网络可以是，但不限于，有线网络或无线网络。

可以理解的是，图1所示的结构仅为测评终端10的一种结构示意图，所述测评终端10还可以包括比图1所示更多或更少的组件。图1中所示的各组件可以采用硬件、软件或其组合实现。

请参照图2，为本发明较佳实施例提供的机器人教学测评方法的流程示意图之一。在本实施例中，该机器人教学测评方法，应用于与教学终端20通信连接的测评终端10，所述测评终端10预先存储有至少一套试题集合，每套试题集合包括至少一道试题，每道所述试题对应有至少一个预设声谱特征。可理解地，该预设声谱特征为与该试题的正确答案对应的声音信号的声谱特征。本方法通过自动对输入或采集的表征答案的声音信号进行识别，以得到每道试题的测试结果，并将每套试题集合的最终测试结果发送至教学终端20，便于教师类管理人员掌握与各学生的测评结果，有助于教师根据测评结果开展教学。

下面将对图2中所示的机器人教学测评方法的各步骤进行详细阐述，在本实施例中，该机器人教学测评方法可以包括以下步骤：

步骤s210，针对一套所述试题集合，在显示或者播放该试题集合中的一道试题时，采集声音信号，并获得所述声音信号的声谱特征以作为目标声谱特征。

可理解地，该测评终端10可以设置显示屏及/或语音播放模块(比如喇叭，外接音响等)，以通过显示模块显示试题集合中的一道或多道试题，或者通过语音播放模块播放试题的文字内容，以使答题者(比如学生)获得试题内容，并根据获得的答题内容进行答题。而答题者可直接通过语音的方式对试题进行作答。本方法可通过采集答题者的语音(或声音信号)，并对声音信号进行解析，以得到该声音信号的声谱特征，该声谱特征可以包括但不限于声音信号对应的频率变换状况、振幅变换状况等。

步骤s220，将所述目标声谱特征与当前显示的试题对应的预设声谱特征进行比对，在所述目标声谱特征与所述预设声谱特征的相似度大于或等于第一阈值时，将所述目标声谱对应的答案作为当前显示试题的正确答案，并根据所述目标声谱对应的答案生成与当前显示试题对应的试题测试结果。

在本实施例中，每道试题的预设声谱特征可以为一个或多个。可理解地，若每道试题的预设声谱特征为多个，也就是基于该试题的正确答案，通过多种不同方式发出的声音以得到多个预设声谱特征。比如通过获取不同人对正确答案的发音，或者通过获取不同语速对正确答案的发音以得到不同的声音，然后基于不同的声音得到多个预设声谱特征。若目标声谱特征与该试题的多个声谱特征中的至少一个的相似度大于/等于第一阈值，该目标声谱特征对应的答案可作为当前显示试题的正确答案。其中，第一阈值可根据实际情况进行设置，这里不作具体限定。

进一步地，每道试题可预先关联对应的数字分值，基于采集的声音信号的答案及预先设置的计分策略，可得到回答该试题的分值。比如，该试题为单选题，若回答的答案为正确答案，即得到该试题的全部分值；若回答的答案为错误答案，得到的分值为零分。计分策略可根据实际情况进行设置，这里不作具体限定。

步骤s230，根据每道试题的测试结果生成该套试题集合的最终测试结果，并将所述最终测试结果发送至所述教学终端20。

可理解地，基于该套试题集合，将回答每道试题记录的分值进行统计，便可得到该套试题集合的最终测试结果，也就是得到该套试题的总得分，该总得分可以包括每道试题的得分。在将最终测试结果发送至教学终端20之后，教师类管理人员便可通过教学终端20查看到每套试题的得分情况及每道试题的得分情况。

请参照图3，为本发明较佳实施例提供的机器人教学测评方法的流程示意图之二。在本实施例中，所述测评终端10可以包括深度学习模型，在步骤s210之前，所述方法还可以包括步骤s240及步骤s250。

步骤s240，针对每道试题，获取所述试题正确答案对应的训练声音信号集，包括多个训练声音信号。

可理解地，在对采集的声音信号识别之前，基于每道试题的正确答案，获取多个与该正确答案对应的声音信号，也就是获取多个训练声音信号以形成训练声音信号集。

步骤s250，使用所述训练声音信号集，采用深度学习算法训练所述深度学习模型，得到训练后的深度学习模型，以通过训练后的深度学习模型比对识别采集的声音信号。

可理解地，将采集的声音信号输入训练后的深度学习模型，通过深度学习识别模型对该声音信号识别，可得到该声音信号的声谱特征对应的答案，将该答案与测评终端10预先存储的答案进行比对，若两者相同，得到的答案为该试题的正确答案；若不同，得到的该答案便为不正确的答案。其中，基于深度学习模型对声音信号进行识别，可加快识别速度，提高识别的正确率，有助于测评终端10快速准确对采集的声音信号进行识别。

可选地，在步骤s230之前，所述方法还包括：采集人体的姿态图像，并提取所述姿态图像的姿态特征以作为目标姿态特征；将所述目标姿态特征与预设姿态特征进行比对，在所述目标姿态特征与所述预设姿态特征的相似度大于或等于第二阈值时，生成表征结束回答当前试题的第一结束信号，以根据所述第一结束信号生成与所述当前试题对应的试题测试结果；或者生成表征结束回答该套试题集合的第二结束信号，以根据所述第二结束信号生成该套试题集合的最终测试结果。

可理解地，答题者在答题之前，已知晓答题规则。例如，在不会回答当前的试题时，做预设的动作以形成预设姿态，比如举手示意或者摇头示意等。本方法通过采集答题者的姿态图像以得到该姿态图像的姿态特征(目标姿态特征)，并将目标姿态特征与预设姿态特征进行比对。其中，该预设姿态特征为人体在做出预设动作形成预设姿态时采集的图像得到的姿态特征。

具体地，该预设姿态特征具有多类姿态特征，包括但不限于举手类姿态特征、摇头类姿态特征。比如，举手类姿态特征可表示不再回答该套试题集合，也就是弃权回答，若目标姿态特征为举手类姿态特征，便生成第二结束信号；摇头类姿态特征可表示不再回答当前的试题，会继续回答剩余试题，若目标姿态特征为摇头类姿态特征，便生成第一结束信号。

可选地，测评终端10包括深度学习模型，所述采集人体的姿态图像的步骤之前，所述方法还包括：获取人体姿态图像的训练图像集，包括多个训练子图像，每个所述训练子图像包括人体以预设姿态呈现的图像；使用所述训练图像集，采用深度学习算法训练所述深度学习模型，得到训练后的深度学习模型，以通过训练后的深度学习模型比对识别所述姿态图像。其中，深度学习模型对采集的姿态图像进行识别的过程与对采集的语音信号的识别过程类似，这里不再赘述。

可选地，测评终端10包括输入模块，所述输入模块用于根据人为输入的信号生成与当前试题对应的待校验答案；所述方法还包括：解析接收的待校验答案，并在所述待校验答案为当前试题的预设答案时，确定所述待校验答案为正确答案。该输入模块包括但不限于触控显示屏。

可选地，多个测评终端10与教学终端20通信连接，所述教学终端20用于根据预设分析策略分析每个教学终端20发送的最终测试结果，以形成测试报表；其中，所述预设分析策略包括但不限于：

针对相同的试题，计算回答所述试题的答案为正确答案的正确率；

基于每个测评终端10发送的最终测试结果，计算多个所述测评终端10的平均测试结果；

基于每个测评终端10发送的最终测试结果及预设达标值，计算所述最终测试结果的合格率。

可理解地，测试报表中包括上述的正确率、平均测试结果及合格率等数据。而教师类管理人员基于测试报表可优化教学方案，提升教学质量和教学效果。例如，该测评终端10用在教学领域时，在课前让学生通过测评终端10对之前学过的知识进行测评，以快速得到测试报表，教师在当前的课堂上基于测试报表针对性地开展教学工作。比如，教师可对正确率较低的试题进行讲解回顾，引导学生巩固知识点，有助于提高整体学生对知识的掌握状况，降低差异化。

请参照图4，为本发明较佳实施例提供的机器人教学测评装置100的方框示意图。本发明提供的机器人教学测评装置100可应用于上述的测评终端10，所述测评终端10预先存储有至少一套试题集合，每套试题集合包括至少一道试题，每道所述试题对应有至少一个预设声谱特征。该机器人教学测评装置100可以用于执行上述的机器人教学测评方法，以简化测评流程，有助于教师根据测评结果优化教学方案，以提高教学质量。

在本实施例中，机器人教学测评装置100可以包括声音采集模块110、特征比对模块120及发送模块130。

声音采集模块110，用于针对一套所述试题集合，在显示或者播放该试题集合中的一道试题时，采集声音信号，并获得所述声音信号的声谱特征以作为目标声谱特征。具体地，声音采集模块110可以用于执行图2中所示的步骤s210，具体执行的操作步骤可参照对步骤s210的详细描述。

特征比对模块120，用于将所述目标声谱特征与当前显示的试题对应的预设声谱特征进行比对，在所述目标声谱特征与所述预设声谱特征的相似度大于或等于第一阈值时，将所述目标声谱对应的答案作为当前显示试题的正确答案，并根据所述目标声谱对应的答案生成与当前显示试题对应的试题测试结果。具体地，特征比对模块120可以用于执行图2中所示的步骤s220，具体执行的操作步骤可参照对步骤s220的详细描述。

发送模块130，用于根据每道试题的测试结果生成该套试题集合的最终测试结果，并将所述最终测试结果发送至所述教学终端20。具体地，发送模块130可以用于执行图2中所示的步骤s230，具体执行的操作步骤可参照对步骤s230的详细描述。

可选地，所述测评终端10包括深度学习模型，所述机器人教学测评装置100还包括声音获取模块140及声音训练模块150，在所述声音采集模块110采集声音信号之前：

声音获取模块140，用于针对每道试题，获取所述试题正确答案对应的训练声音信号集，包括多个训练声音信号。具体地，声音获取模块140可以用于执行图3中所示的步骤s240，具体执行的操作步骤可参照对步骤s240的详细描述。

声音训练模块150，用于使用所述训练声音信号集，采用深度学习算法训练所述深度学习模型，得到训练后的深度学习模型，以通过训练后的深度学习模型比对识别采集的声音信号。具体地，声音训练模块150可以用于执行图3中所示的步骤s250，具体执行的操作步骤可参照对步骤s250的详细描述。

可选地，机器人教学测评装置100还包括图像采集模块160及姿态比对模块170，所述发送模块130在根据每道试题的测试结果生成该套试题集合的最终测试结果之前：图像采集模块160，用于采集人体的姿态图像，并提取所述姿态图像的姿态特征以作为目标姿态特征。所述姿态比对模块170，用于将所述目标姿态特征与预设姿态特征进行比对，在所述目标姿态特征与所述预设姿态特征的相似度大于或等于第二阈值时，生成表征结束回答当前试题的第一结束信号，以根据所述第一结束信号生成与所述当前试题对应的试题测试结果；或者生成表征结束回答该套试题集合的第二结束信号，以根据所述第二结束信号生成该套试题集合的最终测试结果。

可选地，机器人教学测评装置100还包括图像获取模块180及图像训练模块190，所述图像采集模块160采集人体的姿态图像之前：所述图像获取模块180，用于获取人体姿态图像的训练图像集，包括多个训练子图像，每个所述训练子图像包括人体以预设姿态呈现的图像。所述图像训练模块190，用于使用所述训练图像集，采用深度学习算法训练所述深度学习模型，得到训练后的深度学习模型，以通过训练后的深度学习模型比对识别所述姿态图像。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景所述的方法。

综上所述，本发明提供一种机器人教学测评方法及装置。本方法通过针对一套所述试题集合，在显示或者播放该试题集合中的一道试题时，采集声音信号，并获得所述声音信号的声谱特征以作为目标声谱特征；将所述目标声谱特征与当前显示的试题对应的预设声谱特征进行比对，在所述目标声谱特征与所述预设声谱特征的相似度大于或等于第一阈值时，将所述目标声谱对应的答案作为当前显示试题的正确答案，并根据所述目标声谱对应的答案生成与当前显示试题对应的试题测试结果；根据每道试题的测试结果生成该套试题集合的最终测试结果，并将所述最终测试结果发送至教学终端。该方法可对采集或输入的答案数字化，以对该答案自动检测，简化了教学测评的流程，有助于相关人员快速得到评测结果。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。