基于 YOLO 的课堂手机使用行为智能检测系统实践

随着课堂管理信息化的发展，如何在不干扰教学的前提下，对学生课堂手机使用行为进行客观、实时的监测，成为一个具有现实意义的问题。本文介绍了一种基于YOLO 轻量化目标检测模型的课堂手机使用行为智能识别系统的设计与实现过程。

一、研究背景与目标

在真实课堂环境中，手机目标通常具有尺度小、遮挡多、光照变化大等特点，这对检测模型的精度与实时性提出了较高要求。本项目旨在：

• 实现课堂场景下手机目标的实时检测与统计

• 在保证高检测精度的同时，满足CPU 实时推理

• 提供可落地的软件系统，服务课堂管理与教学评估

二、技术路线与方法

1. 文献调研与模型选择

通过调研 2020–2025 年 CNKI 与 IEEE 上“课堂行为检测”“YOLO 轻量化”等方向文献 30 余篇，从mAP、模型参数量、CPU 推理速度等角度进行对比分析，最终确定：

YOLOv5n + 知识蒸馏作为整体技术路线

该方案在轻量化与精度之间取得了良好平衡。

2. 数据采集与增强策略

• 数据来源：

  • 校内教室实拍

  • 公开数据集补充

• 数据规模：

  • 共采集8000 张手机图像

为缓解小目标与遮挡问题，采用了多种数据增强手段：

• Mosaic 增强

• HSV 颜色空间扰动

• 随机遮挡（Random Occlusion）

整体数据量扩充至原始数据的3 倍以上，显著提升模型泛化能力。

3. 模型训练与压缩优化

在统一实验环境下，对 YOLOv5n、YOLOv8n 和 Faster-RCNN 进行对比实验，固定超参数，最终选择：

• YOLOv5n（mAP 最优且模型大小 ≤2 MB）

随后引入知识蒸馏策略：

• Teacher：YOLOv5s

• Student：YOLOv5n

蒸馏后模型mAP 提升约 1.8%。

在部署阶段，结合OpenVINO INT8 量化，使 CPU 推理速度提升2.3 倍，单帧推理时间稳定在25 ms 以内。

三、系统实现与工程设计

系统采用PyQt5 + OpenCV进行开发，整体架构遵循模块化思想：

• 数据层

• 模型层

• 界面层

通过 Git 进行版本管理（提交次数 ≥25 次），并引入 pytest 测试框架，测试覆盖率达到80% 以上，确保系统稳定运行、不闪退。

四、功能与性能表现

系统主要功能包括：

• 图片检测：支持 JPG / PNG / BMP 拖拽检测

• 视频回放检测：支持 1080p / 30 fps 本地视频

• 实时检测：USB 摄像头 ≥25 fps

• 目标计数：实时显示单帧手机数量与累计使用次数

• 结果导出：自动生成 Excel 报表（时间 + 截图 + 置信度）

在自建测试集上的性能指标如下：

• mAP@0.5 ≥95%

• 召回率 ≥93%

• 误检率 ≤3%

• CPU（i7-12700H）推理速度 ≥40 fps

在白天、夜晚、逆光、遮挡等多种课堂环境下，mAP 下降控制在2% 以内，表现出良好的鲁棒性。

五、总结与展望

本文从数据构建、模型轻量化、工程实现三个层面，完整实现了一套可落地的课堂手机使用行为检测系统。实践表明，YOLO 轻量化模型结合知识蒸馏与 INT8 量化，在 CPU 场景下依然具备较高应用价值。

后续工作可进一步探索：

• 多行为联合识别（低头、睡觉等）

• 跨教室、跨设备泛化能力

• 隐私保护与边缘端部署优化