一种人工智能地深度学习实现系统及方法与流程

本发明涉及互联网技术领域，具体涉及一种人工智能地深度学习实现系统及方法。

背景技术：

本发明对于背景技术的描述属于与本发明相关的相关技术，仅仅是用于说明和便于理解本发明的内容，不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。

教育在社会进步中起到至关重要的作用，如何做好学生的教育工作是当今社会的重要课题。

就幼儿的识图及外文的学习而言，如何实现学生的词组与图片的匹配的自动判断和提高学生的学习效率成为目前亟待解决的问题。

技术实现要素：

本发明实施例的目的是提供一种人工智能地深度学习实现系统和方法，本发明实施例提供的一种人工智能地深度学习实现系统可以实现学生的词组与图片的匹配的自动判断和提高学生的学习效率。

本发明实施例的目的是通过如下技术方案实现的：

第一方面，本发明实施例提供了一种人工智能地深度学习实现系统，包括：

图片存储模块，用于存储待学习图片和与所述的待学习图片一一对应的匹配区域；

词组存储模块，用于存储词组，所述的词组包括与所述的待学习图片对应的词组；

正确匹配存储模块，包括所述的匹配区域与所述的词组的匹配关系；

移动模块，用于将所述的词组移动至所述的匹配区域；

发送单元，用于将所述的移动模块的移动数据发送至服务器；

服务器，所述的服务器包括第一判断模块，用于判断移动至所述的匹配区域的词组是否正确，

若正确，则给出正确提示，

若不正确，所述的词组返回原位置。

进一步的，所述的一种人工智能地深度学习实现系统还包括：

评分模块，用于在所述的匹配区域均匹配有正确的词组后，进行评分。

进一步的，所述的评分模块采用的评分方式为：

若词组返回原位置的次数为0，则分数为满分，记为m；

若词组返回原位置次数大于0，则采用公式(1)进行评分：

其中，

m0—得分；

n—匹配次数；

n0—匹配区域个数；

m—满分。

p—以前错误过且此次又错误过的词组的个数；

r—较难词汇的错误个数。

进一步的，所述的一种人工智能地深度学习实现系统还包括：

第二判断模块，用于判断移动次数是否大于第一阈值，若移动次数大于所述的第一阈值，则结束。

进一步的，所述的第一阈值为匹配区域个数的2倍。

进一步的，所述的发送单元发送的移动数据为结果数据。

第二方面，本发明实施例提供了一种人工智能地深度学习实现系统的实现方法，所述的一种人工智能地深度学习实现系统为上述的任一种人工智能地深度学习实现系统，所述的实现方法包括如下步骤：

将词组移动至匹配区域；

判断所述的词组与匹配区域对应的图片匹配是否正确；

若正确，则给出正确提示，若不正确，则词组返回原位置。

借由上述方案，本发明一种人工智能地深度学习实现系统及至少具备如下有益效果：

本申请的一种人工智能地深度学习实现系统通过第一判断模块对匹配结果进行人工智能地判断后，根据判断结果提示正确或将图片直接返回原位置，这样，学生学习中可以根据系统的提示进行深度学习。

本申请的一种人工智能地深度学习实现系统评分根据匹配次数与图片(匹配区域)的数量来进行打分，充分考虑了图片数量的因素，给出合理的打分。

本申请还设置了匹配次数的阈值，这样可以防止学生对图片和词组进行随机匹配，而不认真学习，防止教学资源的浪费。

本申请中发送单元仅仅发送结果数据，而不发送过程数据，有效减轻了服务器的压力。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍：

图1为本发明一种人工智能地深度学习实现系统及方法一实施例中一种人工智能地深度学习实现系统的结构示意图；

图2为本发明一种人工智能地深度学习实现系统及方法另一实施例中一种人工智能地深度学习实现系统的结构示意图；

图3为本发明一种人工智能地深度学习实现系统及方法又一实施例中一种人工智能地深度学习实现系统的结构示意图；

图4为本发明一种人工智能地深度学习实现系统及方法一实施例中一种人工智能地深度学习实现系统实现方法流程图；

图5为本发明一种人工智能地深度学习实现系统及方法另一实施例中一种人工智能地深度学习实现系统实现方法流程图。

图6为本发明一种人工智能地深度学习实现系统的移动模块的第一状态的俯视图；

图7为本发明一种人工智能地深度学习实现系统的移动模块的第二状态的俯视图；

图8为图7的局部放大图；

图9为图8的上部的局部放大图；

图10为图8的下部的局部放大图；

图11为图6的主视图；

图12为图7的主视图。

具体实施方式

下面结合附图和实施例对本发明进行进一步的详细介绍，应当理解，附图和实施例是为了本领域技术人员更容易理解本发明的技术方案，而不能作为本发明保护范围的限定。

在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本发明的多个实施例，不同实施例之间可以替换或者合并组合，因此本发明也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征a、b、c，另一个实施例包含特征b、d，那么本发明也应视为包括含有a、b、c、d的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。

图1为本发明一实施例中一种人工智能地深度学习实现系统结构示意图，如图1所示，本发明实施例一种人工智能地深度学习实现系统包括：

图片存储模块101，用于存储待学习图片和与所述的待学习图片一一对应的匹配区域；

词组存储模块102，用于存储词组，所述的词组包括与所述的待学习图片对应的词组；

正确匹配存储模块103，包括所述的匹配区域与所述的待学习图片的匹配关系；

移动模块104，用于将所述的待学习图片移动至所述的匹配区域；

发送单元105，用于将所述的移动模块的移动数据发送至服务器；

服务器106，所述的服务器包括第一判断模块，用于判断移动至所述的匹配区域的待学习图片是否正确，

若正确，则给出正确提示，

若不正确，所述的词组返回原位置。

本申请的一种人工智能地深度学习实现系统通过第一判断模块对匹配结果进行判断后，根据判断结果提示正确或将图片直接返回原位置，这样，学生学习中可以根据系统的提示进行自动学习。

图2为本发明另一实施例中一种人工智能地深度学习实现系统结构示意图，如图2所示，所述的一种人工智能地深度学习实现系统包括：

图片存储模块101，用于存储待学习图片和与所述的待学习图片一一对应的匹配区域；

这里要说明的是：本发明实施例对待学习图片的种类不做具体限定，只要可以满足学习的需要即可，优选适合该年龄段学习的图片，如幼儿园宝宝学习一些简单的图片，如场景，水果，文具，交通工具等。

词组存储模块102，用于存储词组，所述的词组包括与所述的待学习图片对应的词组；

这里要说明的是：本发明实施例对词组的种类不作具体限定，只要可以满足学习需要即可，在本发明的一些实施例中，词组可以选用中文、英文、日文或德文等，根据不同学习需求设计不同的语言。

正确匹配存储模块103，包括所述的匹配区域与所述的词组的匹配关系；

这里要说明的是：每个匹配区域与一个图片对应，与图片对应的词组是唯一的，只要将正确的待学习图片移动到匹配区域，服务器就会对该次匹配作出判断。

移动模块104，用于将所述的待学习图片移动至所述的匹配区域；

发送单元105，用于将所述的移动模块的移动数据发送至服务器；

服务器106，所述的服务器包括第一判断模块，用于判断移动至所述的匹配区域的待学习图片是否正确，

若正确，则给出正确提示，

若不正确，所述的词组返回原位置；

这里要说明的是：给出正确提示的方式不作具体限定，可以是语音，如“作答正确”、“good”、“棒棒哒”等，可以是相应的文字，当然还可以在语音播放的同时播放相应的动画，这样可以提高学生学习的乐趣。

评分模块107，用于在所述的匹配区域均匹配有正确的待学习图片后，进行评分。

在本发明的一些实施例中，所述的评分模块采用的评分方式为：

若词组返回原位置的次数为0，则分数为满分，记为m；

若词组返回原位置次数大于0，则采用公式(1)进行评分：

其中，

m0—得分；

n—匹配次数；

n0—匹配区域个数；

m—满分。

p—以前错误过且此次又错误过的词组的个数；

r—较难词汇的错误个数。

本发明在传统的算法中引入了以前错误过且此次又错误过的词组的个数p、较难词汇的错误个数r，从而以相应的20％、10％的权重矫正最后得分，从而真实地反映用户的实际认知能力和学习能力，以便更准确地体现其学习能力。

其中，由于待学习图片和词组是一一对应的，因此，以前错误过且此次又错误过的词组的个数p，就是说以前错误过且此次又错误过的待学习图片的个数p，同理，较难词汇的错误个数r，就是说较难待学习图片的错误个数。

其中，例如满分m为100分，匹配次数n为100次，匹配区域个数n0为82次，即，词组返回原位置次数为18次，以前错误过且此次又错误过的词组的个数p为2个，较难词汇的错误个数r为2个，则得分m0为85.608。从而相比于传统算法中的82分，有着更好的参考性，有助于老师了解孩子的学习状况，并更加合理地为学生进行排名。

其中，所述较难词汇可为间隙词汇，例如，用户为小学生，而在小学大纲中的幼儿园大纲以外的词汇可为较难词汇，又例如，用户为初中生，而在初中大纲中的小学大纲以外的词汇可为较难词汇。当用户错误了较难词汇较多时可相应地、微小地提高用户的得分，以便体现较难词汇的权重，便于学生的排名以及老师根据用户的得分而观察学生的学习状况。

其中，所述以前错误过且此次又错误过的词组可为重复错误词汇，例如，服务器在数据库中保存的错误词组与现有的返回原位置的词组进行比较，若符合，则将此次符合的个数计为p。

这里要说明的是：本发明实施例的一种人工智能地深度学习实现系统评分根据匹配次数与图片(匹配区域)的数量来进行打分，充分考虑了图片数量的因素，给出合理的打分。

图3位本发明另一实施例中一种人工智能地深度学习实现系统结构示意图，如图3所示，所述的一种人工智能地深度学习实现系统还包括：

第二判断模块108，用于判断移动次数是否大于第一阈值，若移动次数大于所述的第一阈值，则结束。

在本发明的一些实施例中，所述的第一阈值为匹配区域个数的2倍。

这里要说明的是：本发明实施例的一种人工智能地深度学习实现系统设置了匹配次数的阈值，这样可以防止学生对图片和词组进行随机匹配，而不认真学习，防止教学资源的浪费。

在本发明的一些实施例中，所述的发送单元发送的移动数据为结果数据。

这里要说明的是：本发明实施例中的发送单元105仅仅发送结果数据，而对于过程数据并不发送，如学生在移动词组过程中，词组的移动路线，移动速度等数据，发送单元不发送相关的操作过程到服务器，而只发送结果数据，如最终图片的位置，移动次数等，这样可以有效减轻服务器的压力，节省资源。

优选的，如图6～12所示，参见图6、8、9、11，所述移动模块包括屏幕壳101、触摸屏102、笔架110、触控笔120、第一导轨121、区域环130、区域锁200，所述屏幕壳101固定有触摸屏102，所述屏幕壳101与所述笔架110的两端固定，所述笔架110的中部沿其侧面开设有第一通孔111，所述第一通孔111内设有触控笔120，所述第一通孔111与至少四个第一导轨121的一端连通，所述至少四个第一导轨121的另一端与所述区域环130固定，所述区域环130的靠近所述第一导轨121处设有区域锁200，至少四个所述区域环130分别配置在触摸屏102显示的至少四个匹配区域，至少四个所述匹配区域处的触摸屏102分别显示不同词组，所述第一通孔111处的触摸屏102显示待学习图片，所述服务器与所述触摸屏102、区域锁200的电源模块连接，当区域锁200处的匹配区域的词组与所述待学习图片匹配时，则服务器打开区域锁200，当区域锁200处的匹配区域的词组与所述待学习图片不匹配时，则服务器关闭区域锁200；

参见图9、10，所述区域锁200包括弧形导轨201、第一电磁铁202、弧形环203、限位块204，所述弧形导轨201与所述区域环130的侧表面固定，所述区域环130设有与所述第一导轨121贯通的第二通孔，所述区域环130的位于所述第二通孔处的侧表面与所述弧形导轨201固定，所述弧形导轨201上设有两个沿其移动的第一电磁铁202，两个所述第一电磁铁202的电源模块与服务器连接，所述第一电磁铁202的远离所述弧形导轨201的中线的表面固定有弧形环203，所述弧形导轨201的两端均设有限位块204。

本发明通过上述笔架110、第一导轨121、区域环130可规范用户滑动触摸屏102的轨迹，并且，通过区域锁200可更直观的让用户，尤其是小学、幼儿园及以下的用户对于正确的、不正确的匹配有更加直观的感觉，从而帮助用户更加方便地对于图片和词组进行深度的学习。

其中，限位块204可为塑料、铁质、铝制、树脂材料制成，当然，所述限位块204也可为永磁铁制成，从而在所述区域锁200被服务器控制为关闭时，可对于将第一电磁铁202先互相排斥后直接断电，从而让永磁铁制成的限位块204持续吸引第一电磁铁202，以致于在第一电磁铁202不通电时，还可让区域锁200处于关闭状态，从而省电。

其中，所述弧形环203与所述弧形导轨201同轴设置，并且，所述弧形环203与所述第一电磁铁202所占的弧长为3/16周长至1/4周长为佳，此种周长可在区域锁200关闭时，即服务器控制两个第一电磁铁202排斥时，使触控笔120无法进入匹配区域，而当区域锁200打开时，即服务器控制两个第一电磁铁202相互吸引时，使触控笔能够移动至匹配区域，并且，当两个相互吸引的第一电磁铁202不在弧形导轨201的中线时，依旧可通过触控笔120的推动力，将所述触控笔120移动至匹配区域。

其中，所述弧形导轨201的至少一端与所述区域环130的位于所述第二通孔处的侧表面固定，当然，也可两端均与其固定。从而保证了弧形导轨201的圆形朝向所述第一导轨121。

其中，区域环130设有的与所述第一导轨121贯通的第二通孔能够让触控笔120移动至区域环130内，或至少一半移动至区域环130内，并保证触控笔120可顺利地滑回第一导轨121。

所述用户通过触控笔120将所述待学习图片滑动至匹配区域，若匹配，则用户可直观地将触控笔120拖动至区域锁200内，若不匹配，则区域锁200将触控笔120拒之门外，或者说，区域锁200使触控笔120无法移动至匹配区域；

其中，所述触控笔120能够从所述第一通孔111经过所述第一导轨121移动至所述区域锁200处，并且，移动过程中可始终保持与触摸屏102的触摸和滑动。那么实现上述功能的方式可为，所述第一通孔111为从笔架110的侧面也贯通，即，可理解为所述笔架110的侧表面开设有与所述第一通孔111相同的导槽，所述导槽与所述第一导轨121连接，所述第一导轨121可为两个左右配置的、相互平行的杆体或板体制成，至少四个第一导轨121可在第一导轨121的不同轴向位置与所述笔架110固定，从而可使用户从至少四个第一导轨121的任意一个滑出触控笔。

第二方面，本发明实施例提供了一种人工智能地深度学习实现系统的实现方法，所述的一种人工智能地深度学习实现系统为上述的任一种人工智能地深度学习实现系统，

图4为本发明一实施例中一种人工智能地深度学习实现系统实现方法流程图，如图4所示，所述的实现方法包括如下步骤：

s101:将待学习图片移动至匹配区域；

s102:判断所述的待学习图片与匹配区域对应的词组匹配是否正确；

若正确，则执行步骤s103：给出正确提示，

若不正确，则执行步骤s104词组返回原位置。

图5为本发明另一实施例中一种人工智能地深度学习实现系统实现方法流程图，如图5所示，所述的实现方法包括如下步骤：

s101:将待学习图片移动至匹配区域；

s102:判断所述的词组与匹配区域对应的词组匹配是否正确；

若正确，则执行步骤s103：给出正确提示，

若不正确，则执行步骤s104词组返回原位置；

在全部匹配完成后，执行步骤s105，在全部匹配完成后进行评分。

本发明实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行上述图4和图5的方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本公开中涉及的器件、装置、设备、系统的方框图仅作为示例性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

另外，如在此使用的，在以“至少一个”开始的项的列举中使用的“或”指示分离的列举，例如“a、b或c的至少一个”的列举意味着a或b或c，或ab或ac或bc，或abc(即a和b和c)。此外，措辞“示例的”不意味着描述的例子是优选的或者比其他例子更好。

还需要指出的是，在本公开的系统和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

可以不脱离由所附权利要求定义的教导的技术而进行对在此所述的技术的各种改变、替换和更改。此外，本公开的权利要求的范围不限于以上所述的处理、机器、制造、事件的组成、手段、方法和动作的具体方面。可以利用与在此所述的相应方面进行基本相同的功能或者实现基本相同的结果的当前存在的或者稍后要开发的处理、机器、制造、事件的组成、手段、方法或动作。因而，所附权利要求包括在其范围内的这样的处理、机器、制造、事件的组成、手段、方法或动作。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。