基于改进YOLOv8算法的在线听课行为识别模型研究

来源：计算机工程杂志2025年第1期北京时间：

作者：李猛坤, 袁晨, 王琪, 赵冲, 陈景轩, 刘立峰

单位：1. 首都师范大学管理学院, 北京 1000892. 首都师范大学教师教育学院, 北京 1000373. 上海大学环境与化学工程学院, 上海 200444

摘要：目前目标检测技术日趋成熟, 但是针对在线听课行为的识别仍存在挑战。针对在线课堂人为监管力度不足、目标检测模型复杂度较高所导致的在线课堂行为识别不精准、模型计算量较高等问题, 提出一种基于改进的YOLOv8在线听课行为检测与识别方法。首先在YOLOv8n的基础上添加BiFPN双向特征金字塔网络来进行特征融合, 以增加特征提取的能力, 提高模型识别准确度; 其次在Head端采用C3Ghost模块替代C2f模块, 以大幅减少模型计算量。实验结果表明, 提出的YOLOv8n-BiFPN-C3Ghost模型在线上听课行为数据集上的mAP@0.5和mAP@0.5∶0.95指标分别为98.6%和92.6%, 相比其他课堂行为识别模型在精度上最高提升了4.2%和5.7%, 计算量为6.6 GFLOPS, 比原模型降低了19.5%。YOLOv8n-BiFPN-C3Ghost模型能以更低的运算成本精确地实现在线听课行为的检测和识别, 可以实现对学生在线课堂学习情况的动态、科学识别。

关键词：目标检测,在线课堂,听课行为识别,性能优化,特征融合

基金资助：中国高校产学研创新基金-新一代信息技术创新项目(2021RYC06006)