情绪是影响学生学习投入的重要影响因素之一。研究表明消极情绪能够降低学习效率和课堂参与度,甚至脱离教学活动。并且消极情绪类似于传染病,具有感染性,能够通过面部表情、面对面交流等方式感染给周围学生,使更多学生处于消极情绪状态。然而,目前干预课堂消极情绪感染的方法多集中于教师的人为干预,无法实现实时干预,甚至引起学生抵触心理,适得其反。阻断课堂消极情绪感染是教学过程中亟待解决的问题。为解决课堂中消极情绪感染问题,本文提出了基于计算机视觉技术的实时干预课堂消极情绪感染方法。本文研究的主要工作分为四方面,分别为图像超分辨率处理、学业情绪识别、消极情绪感染模型构建和实时干预课堂消极情绪感染系统构建。在教室中利用高清摄像头采集学生情绪图像,利用图像超分辨率技术提升后排学生低分辨率图像质量,利用学业情绪识别算法实时识别学生的学业情绪,进而利用课堂中消极情绪感染模型分析定位消极情绪感染源,最终针对消极情绪感染实施干预,以阻断课堂消极情绪感染。具体相关研究工作如下:1.基于WDSR模型的图像超分辨率方法研究。摄像头采集后排学生图像时会产生失真问题,影响后续学业情绪识别效果,因此采用图像超分辨率技术提升图像分辨率。首先,构建适用于学生人脸的重建的训练数据集,然后,根据本文工作需要,基于WDSR模型设计放大2倍尺寸的图像超分辨率模型。2.基于卷积神经网络的学业情绪识别方法研究。首先,通过分析现有情绪识别工作,提出了细粒度描述学生情绪的学业情绪分数概念。其次,基于Fer2013情绪数据集,通过对数据集的重新标注和预处理构建适用于课堂情绪分数识别的训练数据集。最后,参考现有神经网络模型,构建识别学业情绪分数的卷积神经网络,并通过实验调整网络结果和训练参数,来获得最优模型。3.课堂中消极情绪感染模型。通过分析情绪感染模型相关研究的现状与不足之处,提出了适用于课堂场景中的消极情绪感染模型,来实现实时定位消极情绪感染源。4.实时干预课堂消极情绪感染系统。将上述研究工作进行整合,构建基于计算机视觉的实时干预课堂消极情绪感染系统,通过实时监测学生学业情绪分数,定位消极情绪感染,及时实施干预。本研究将相关算法模型进行有效性验证,并将实时干预课堂消极情绪感染系统应用于实际课堂中以检验其效果。实验结果表明,图像超分辨率模型能够在放大图像2倍尺寸前提下,有效提升图像分辨率,情绪识别算法识别准确率达到99.4%,并且消极情绪感染实时干预系统能够有效降低消极情绪学生人数,阻断消极情绪感染。本文将人工智能技术与教育场景相结合,一方面为智慧教育提供了技术支持,另一方面为学生更好地学习提供了保障。同时为课堂中消极情绪感染研究,提供了新的视角。