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