一种化学二氧化碳制取实验的智能评分装置及方法与流程

本发明涉及教育中学实验的教学与考试技术领域，具体为一种化学二氧化碳制取实验的智能评分装置及方法。

背景技术：

在中学实验的教学与考试过程中，教师需要对学生的实验操作进行指导或评判。特别是化学，这种注重实验过程的，看重学生动手能力的实验，如果是老师在现场一个个的监督的话，这样既费时又费力，特别是当学生很多的时候，教师需要长时间的在现场指导或评判学生的实验操作。由于时间问题很多学生都得不到一对一的指导，而且对教师的精力也是消耗巨大，同时还存在误判无法留证的情况。因此，如何减轻教师的教学压力，并使每个学生的实验操作都得到有效的指导和准确无误的评判是本领域技术人员亟须解决的问题。

至今已有很多种深度学习框架，如深度神经网络、卷积神经网络、深度置信网络和递归神经网络已被成功应用于计算机视觉、语音识别、自然语言处理、音频识别以及生物信息学等领域并获得了极好的效果，但是在教育行业，还鲜有人研制出成熟先进的技术将深度学习与传统教育设备结合起来。

技术实现要素：

本发明的目的在于提供一种化学二氧化碳制取实验的智能评分装置及方法，不仅可以同时减轻老师和工作人员的负担，且能够提高评判效率和评判准确率，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种化学二氧化碳制取实验的智能评分装置，包括透明玻璃器皿、降低反光度的黑色实验桌面、扩大视频视野的鱼眼镜头、深度学习神经网络模型、用于严谨准确的评分逻辑判断的计算机，以及与所述的透明玻璃器皿配套使用的器材支架；所述器材支架用于夹持固定透明玻璃器皿在黑色实验桌面上进行二氧化碳的实验制取，在所述的器材支架和所述的透明玻璃器皿上设有不同的色环标签；所述鱼眼镜头包括前视镜头和顶视镜头，前视镜头正对安装在黑色实验桌面上，顶视镜头通过吊架悬挂安装在黑色实验桌面的上方；所述深度学习神经网络模型放置在黑色实验桌面上，并与计算机，计算机放置在深度学习神经网络模型的上方。

更进一步地，所述透明玻璃器皿包括烧杯、玻璃棒、试管、90°教导管以及集气瓶，并在不同器皿的玻璃表面镶嵌上不同颜色的色环标签，并将每个颜色的色环标签对应的透明玻璃器皿录入到深度学习神经网络模型中。

更进一步地，所述黑色实验桌面采用一种黑色吸光材料制成。

更进一步地，所述鱼眼镜头将录制的画面传入到深度学习神经网络模型中，深度学习神经网络模型内编制有相应的鱼眼矫正算法。

更进一步地，所述深度学习神经网络模型由标准ssd网络、轻量级scratch网络和双向网络三个部分组成。

本发明提供另一种技术方案：一种化学二氧化碳制取实验的智能评分方法，包括以下步骤：

s1：将带色环标签的透明玻璃器皿放在黑色实验桌面上，学生站在实验桌台前，根据实验要求来完成相应的实验操作；

s2：通过扩大视频视野的鱼眼镜头中的前视镜头和顶视镜头的双摄像头的协同工作下，对学生的每一个操作流程进行监测；

s3：将矫正后的前视视频和正常的顶视视频一同输送给计算机中，计算机先对获取的视频进行数据清洗，获得更好的预处理效果，规定成可以输送到深度学习神经网络模型的规格，其中，数据清洗主要包括对前视视频的鱼眼矫正；

s4：在视频进入深度学习神经网络模型后会返回一个带有检测效果的视频，同时还有两个包含全部视频信息的视频流文件，这两个视频流文件是一个顶视，一个前视视频的处理数据，里面包含了视频中每一帧的化学器材的识别检测结果；

s5：通过s4中得到的视频流文件，再进入计算机的评分算法，根据透明玻璃器皿以及器材支架的位置关系来进行逻辑关系判定评分。

更进一步地，s3中在鱼眼矫正之前，先对前视镜头进行标定，来获取相机内外参数，然后通过计算机中的鱼眼校正算法进行鱼眼矫正，进而获得正常的视频画面。

与现有技术相比，本发明的有益效果是：

本发明提供的一种化学二氧化碳制取实验的智能评分装置及方法，利用深度学习神经网络模型，搭配上本发明的带色环标签的透明玻璃器皿、降低反光度的实验桌面、扩大视频视野的鱼眼镜头，可以降低考试现场对老师人数的依赖，也降低了老师的工作量，提高了实验考试评分的准确性，并且每个学生的实验过程都有存档，如果对考试成绩有疑问，老师和学生事后也可以通过保留的视频来进行复查，不仅可以同时减轻老师和工作人员的负担，且能够提高评判效率和评判准确率，提高了学生的对化学实验的兴趣。

附图说明

图1为本发明的评分装置整体结构示意图；

图2为本发明的器材支架结构图；

图3为本发明的透明玻璃器皿中密封塞结构图；

图4为本发明的透明玻璃器皿中试管结构图；

图5为本发明的透明玻璃器皿中烧杯结构图；

图6为本发明的评分方法流程图。

图中：1、透明玻璃器皿；101、色环标签；2、黑色实验桌面；3、鱼眼镜头；301、前视镜头；302、顶视镜头；4、深度学习神经网络模型；5、计算机；6、器材支架。

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一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

请参阅图1-5，本发明实施例中：一种化学二氧化碳制取实验的智能评分装置，包括透明玻璃器皿1、降低反光度的黑色实验桌面2、扩大视频视野的鱼眼镜头3、深度学习神经网络模型4、用于严谨准确的评分逻辑判断的计算机5，以及与透明玻璃器皿1配套使用的器材支架6；器材支架6用于夹持固定透明玻璃器皿1在黑色实验桌面2上进行二氧化碳的实验制取，在器材支架6和所述的透明玻璃器皿1上设有不同的色环标签101，用于增加透明玻璃器皿1的辨识度；鱼眼镜头3包括前视镜头301和顶视镜头302，前视镜头301正对安装在黑色实验桌面2上，顶视镜头302通过吊架303悬挂安装在黑色实验桌面2的上方；深度学习神经网络模型4放置在黑色实验桌面2上，并与计算机5，计算机5放置在深度学习神经网络模型4的上方。

在上述实施例中，透明玻璃器皿1包括烧杯、玻璃棒、试管、90°教导管以及集气瓶，并在不同器皿的玻璃表面镶嵌上不同颜色的色环标签101，并将每个颜色的色环标签101对应的透明玻璃器皿1录入到深度学习神经网络模型4中，使得在录制的视频下，每个透明玻璃器皿1的特征就会十分明显，这样在图像检测算法下，每个透明玻璃器皿1都可以准确无误的检测出来，增加后面评分模块的准确性。

在上述实施例中，黑色实验桌面2采用一种黑色吸光材料制成，可以有效的降低透明玻璃器皿1的反光度，从而可以让透明玻璃器皿1在视频中显示的更加清楚。

在上述实施例中，鱼眼镜头3将录制的画面传入到深度学习神经网络模型4中，深度学习神经网络模型4内编制有相应的鱼眼矫正算法，可以将畸变很大的画面矫正到正常的画面，有利于后面的目标检测算法的实施。

在上述实施例中，深度学习作为机器学习的新方向，在人工智能领域的许多重要问题上大显身手，在教育领域也是初露光芒，但是对于化学器材这种透明玻璃器皿1，有时候深度学习也是束手无策，而且，在目标检测中，因为物体形状不同，会出现在图像上任意位置有光照影响以及遮挡等问题，使得对检测框架准确性和实时性的要求很高，基于这个困难，本发明对症下药，在现有基础上的深度学习框架进行修改，实现了可以针对透明玻璃器皿1的深度学习卷积神经网络框架，在这种框架下，可以让网络去学习图像特征，实现高精度、高效率的识别出每一种玻璃器皿，其包括大试管和小试管，大烧杯和小烧杯这种微小差异的透明玻璃器皿1；本发明深度学习神经网络模型4的网络框架采用ssd框架作为基线，标准的ssd采用的是vgg-16作为骨干网络的架构，ssd从conv43层开始，进一步包括从原来的vgg-16网络的fc7层(转换成conv层)，同时截断网络的最后一个全连接(fc)层；然后，它添加几个逐渐变小的conv层，即在最后的conv82、conv92、conv102和conv112用于预测；

基于上述描述，整个深度学习神经网络模型4由标准ssd网络、轻量级scratch网络（lsn）和双向网络三个部分组成；首先对输入的图像进行采样，然后通过轻量级串行操作（lso）生成lsn特征，双向网络有自底向上和自顶向下两种方案组成，在网络中传递低/中级个高级语义信息，用vgg-16作为主干，然后lsn产生一个低层/中层特征表示，然后注入到后续标准预测层的主干特征中，以提高性能；然后，将当前层和以前层的结果特性以自底向上的方式组合在双向网络中，双向网络中的自顶向下方案包含独立的并行连接，将高级语义信息从网络的后一层注入到前一层。

请参阅图6，为了进一步更好的解释说明上述发明实施例，还提供一种化学二氧化碳制取实验的智能评分方法，包括以下步骤：

第一步：将带色环标签101的透明玻璃器皿1放在黑色实验桌面2上，学生站在实验桌台前，根据实验要求来完成相应的实验操作；

第二步：通过扩大视频视野的鱼眼镜头3中的前视镜头301和顶视镜头302的双摄像头的协同工作下，对学生的每一个操作流程进行监测；

第三步：将矫正后的前视视频和正常的顶视视频一同输送给计算机5中，计算机5先对获取的视频进行数据清洗，获得更好的预处理效果，规定成可以输送到深度学习神经网络模型4的规格，其中，数据清洗主要包括对前视视频的鱼眼矫正；在鱼眼矫正之前，先对前视镜头301进行标定，来获取相机内外参数，然后通过计算机5中的鱼眼校正算法进行鱼眼矫正，进而获得正常的视频画面；

第四步：在视频进入深度学习神经网络模型4后会返回一个带有检测效果的视频，同时还有两个包含全部视频信息的视频流文件，这两个视频流文件是一个顶视，一个前视视频的处理数据，里面包含了视频中每一帧的化学器材的识别检测结果；

第五步：通过第四步中得到的视频流文件，再进入计算机5的评分算法，根据透明玻璃器皿1以及器材支架6的位置关系来进行逻辑关系判定评分。

基于上述描述，还提供如下具体的实施例：

以二氧化碳的制取这个大实验分为两个部分，一部分是搭建制取二氧化碳的简易装置；一部分是使用搭建的装置来制取二氧化碳；第一部分考察的是学生对化学仪器的使用能力，动手能力；第二部分是考察学生对制取二氧化碳这个实验的基本知识。

第一部分本发明会在评分算法里面根据学生搭建化学器材的顺序，还有学生是否检测装置的气密性这两个评分点来评判学生是否得分；这里会根据上述得到的两个文件还有学生的姿态估计来判断学生是否操作规范。

第二部分本发明会判断学生的收集气体的方法是否是向上排空气法，还有一些操作规范的判断，最后判断学生是否用燃着的木条靠近集气瓶口来检验二氧化碳气体。

其中，对于火焰的检测，本实施例提出了一套火焰检测方法，针对目前火焰颜色模型一般为某个颜色区间,无法精确表征火焰颜色特征的问题，在不同空间对火焰颜色进行分析，寻找火焰像素值在空间的分布规律，据此建立更精确的颜色概率分布模型；对于这个实验环境的背景下，提出一种基于搜索框的前景提取方法,充分利用火焰的颜色和运动特性,并综合颜色及运动的帧间相关性，准确提取火焰区域；对基于图像块的火焰特征进行研究，融合了火焰颜色显著性特征、空间梯度特征、帧间梯度特征、闪烁特征和火焰质心运动特征等多维度特征，用于火焰的表征和识别；然后还需要判断火焰与集气瓶口的距离阈值来判断学生是否将燃着的木条放在集气瓶口，对于一些具体动作操作细节的评判，利用深度学习神经网络模型4里面获取的化学器材的识别结果加上学生的手势、姿态，动作的数据信息进行整体的动作流程判断，最终来判断学生这个操作正确与否。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。