摘要：随着高校教育信息化建设的不断深入，多媒体教室设备的日常维护压力正在日益增大。针对传统的人工巡检方式存在效率较低、覆盖面窄等问题，本文提出了一种基于YOLOv8的智能巡检方案。该方案以教室监控摄像头作为图像采集工具，通过自建的数据集来训练YOLOv8模型，实现对多媒体教室的电脑屏幕以及投影幕布进行自动识别，并且进行运行状态检测。实验结果表明，该方法能够准确地识别出屏幕和幕布的开关机以及显示状态，可有效替代人工巡检工作。

关键词：多媒体教室；智能巡检；YOLOv8；目标检测；

引言

随着教育信息化以及智慧校园建设的不断推进，多媒体教室已经成为了高校开展教学活动的重要载体。教室内集成了投影设备、计算机、幕布、中控系统等多种教学设施，其运行状态会直接影响到课堂教学的质量^[1]。然而，实际运维过程存在效率低、时效性差等问题，已经很难满足当前高校对教学保障的需求。

近年来，基于深度学习的计算机视觉方法，在目标检测以及状态识别领域取得了显著进展^[2]。相较于仅依赖中控系统参数的巡检方式，基于视觉的检测方法能够更加直观地反映出设备的实际使用状态，并且在复杂场景下会拥有更强的适应性。

基于以上背景，引入AI自动巡检技术成为提升运维效率的一个新方向。本文结合了真实的多媒体教室监控场景，提出一种基于YOLOv8目标检测模型的教室设备智能巡检方法。

1 研究内容

1.1 系统总体设计

本研究所构建的教室智能巡检系统在整体上由视觉感知层、智能分析层、设备联动层以及结果输出层这四部分组成，其系统结构如图1所示。

通过上述分层设计，整个系统实现了从环境感知、智能分析到设备控制的闭环流程，为教室设备的自动化巡检提供了一个统一的技术框架。

1.2 教室设备视觉检测方法

系统会针对视频流进行分析，当检测到电脑屏幕或投影幕布时会结合它们的位置及置信度去判断设备是否处于正常工作状态。相较于传统的检测方式，基于视觉的方法能够更直接地反映出设备的实际呈现效果，并且拥有较好的鲁棒性，为后续工作提供了可靠的感知基础。

1.3 电脑屏幕状态判别方法

YOLOv8模型首先进行目标检测，定位到电脑屏幕区域并输出对应的边界框，然后进行裁剪。对裁剪后的屏幕区域进行灰度化处理，计算其平均亮度值以及亮度分布的相关特性。通过对屏幕区域的亮度均值、对比度等指标开展分析，判断出当前屏幕是否处于正常亮屏状态。

2 实验设置与评价指标

2.1 数据集构建与模型训练

针对教室设备巡检这一具体应用场景，本文自行构建了一个基于多媒体教室监控画面的数据集。数据采集来源于真实教学环境下的监控视频，这些视频涵盖了不同教室的布局、光照条件及拍摄角度。

本文采用YOLOv8作为目标检测的基础模型，在训练过程中采用数据增强策略来提高模型的泛化能力。模型训练参数设置为：输入图像大小640×640，批量大小16，学习率0.001，训练轮次200，选用GIoU作为损失函数。

2.2 评价指标

为了能客观地评估所提出的方法在教室设备检测以及状态判别任务当中的性能表现，本文选用的指标包括精确率、召回率以及平均精度均值（mAP）。

精确率（P）用来衡量模型预测为正样本的目标中实际属于正样本的比例，其计算公式如下：

    召回率R用于衡量实际存在的目标中被模型成功检测到的比例，其计算公式如下：

mAP综合评价模型在不同置信度阈值下的整体检测性能。

2.3 实验结果

在当前阶段的实验验证中，基于YOLOv8的教室设备检测模型在自建的数据集上表现出了较好的检测效果。初步的实验结果表明，该模型能够稳定识别出教室监控画面中的电脑屏幕和投影幕布，在不同光照条件和拍摄角度下都拥有较高的检测准确率和较低的误检率。检测效果如图3所示。

    3 结束语

本文围绕多媒体教室运维管理当中存在的巡检效率低、过度依赖人工等方面的问题，提出了一种基于YOLOv8的教室设备智能检测与中控巡检方法。通过构建的真实场景数据集并训练目标检测模型，实现了对教室电脑屏幕和投影幕布运行状态的自动识别。

研究结果表明，该方法在实际的教室环境中具有良好的可行性以及应用价值，能够有效地提升教室设备巡检的智能化水平。在未来的工作中会进一步扩展检测目标的类别，完善中控设备的巡检策略，并结合更多的教学场景进行验证，从而推动智慧教室运维向更加高效、智能的方向发展。

参考文献：

[1] 林志斌.多媒体教室智能巡检方案研究[J].信息与电脑(理论版),2024,36(16):200-202.

[2] Cai Y, Dai J. Application of image and video teaching method in college physical education classroom multimedia teaching[J]. Frontiers in Educational Research, 2023, 6(28).

[3] Saini M K, Goel N. How smart are smart classrooms? A review of smart classroom technologies[J]. ACM Computing Surveys (CSUR), 2019, 52(6): 1-28.

[4] Jiao F, Huang T. Research on development and application of remote control system for multimedia classroom based on cloud computing[J]. Education and Information Technologies, 2019, 24(2): 1603-1613.

[5] Monti L, Tse R, Tang S K, et al. Edge-based transfer learning for classroom occupancy detection in a smart campus context[J]. Sensors, 2022, 22(10): 3692.

[6] Chenqiang Gao, Sheng Ye, Hang Tian, Yan Yan,Multi-scale single-stage pose detection with adaptive sample training in the classroom scene,Knowledge-Based Systems,Volume 222,2021,107008,ISSN 0950-7051.

尤宇森 舒振宇 万晨

中南民族大学电子信息工程学院