一、项目概述

本项目基于 Flask 框架开发，结合计算机视觉技术（利用 YOLOv10 等模型 ），实现对课堂视频的智能分析。可检测视频中学生手机使用情况、面部表情（专注、分心等 ），统计专注度、手机使用率等指标，生成可视化图表，辅助教师了解课堂状态。

二、功能架构

（一）核心功能模块

1. 视频上传与管理：支持上传常见视频格式（mp4、avi、mov ），安全存储至服务器指定目录。
2. 模型加载与推理：加载手机检测、面部表情识别模型，对视频帧进行分析，输出检测结果（如手机位置、表情分类 ）。
3. 数据分析与统计：统计视频中总学生数、专注度分数、手机使用比例、表情分布等，支持平滑处理优化数据。
4. 可视化图表生成：生成专注度随时间变化曲线、表情分布饼图、手机使用频率柱状图，直观展示分析结果。

（二）流程逻辑

1. 用户上传视频 → 系统校验文件 → 保存文件 → 加载模型 → 逐帧分析视频 → 统计与处理数据 → 生成图表 → 返回结果给前端展示。

三、技术实现

（一）环境依赖

• 基础环境：Python（建议 3.8+ ）、Flask 框架。
• 计算机视觉：OpenCV（视频处理 ）、PyTorch（模型推理 ）、YOLOv10（目标检测 ）。
• 数据处理：Pandas（数据统计 ）、Matplotlib（图表生成 ）。
• 其他：Werkzeug（文件上传 ）、logging（日志记录 ）等。

（二）关键代码解析

1. 模型加载（load_models 函数 ）

python

运行

def load_models():models_loaded = Truephone_model = Noneface_model = Nonetry:# 加载手机检测模型，配置置信度、IOU 阈值，指定设备（CPU/GPU ）phone_model = torch.hub.load('yolov10s.pt', 'custom', path='yolov10s.pt', force_reload=False)phone_model.conf = 0.45  phone_model.iou = 0.4   phone_model.to(DEVICE)  logger.info("手机检测模型加载成功")except Exception as e:logger.error(f"手机检测模型加载失败: {e}")phone_model = Nonemodels_loaded = False# 面部表情识别模型加载逻辑类似...return phone_model, face_model, models_loaded

• 作用：初始化并加载目标检测模型，为视频分析提供推理能力；通过 try - except 捕获加载异常，确保系统鲁棒性。

2. 视频分析（analyze_video 函数 ）

python

运行

def analyze_video(video_path, phone_model, face_model, models_loaded):cap = cv2.VideoCapture(video_path)  # 打开视频流# 初始化结果存储字典，包含学生数、手机使用帧数、表情统计等results = {'total_students': 0,'phone_usage_frames': 0,'emotion_frames': defaultdict(int),'frame_analysis': [],'detected_students': set()}while True:ret, frame = cap.read()  # 逐帧读取视频if not ret:break# 每隔一定帧数（analyze_every ）执行分析，平衡精度与速度if frame_count % analyze_every == 0:  # 模型推理：检测人脸、表情、手机，统计结果face_results = face_model(frame)  phone_results = phone_model(frame)  # 数据统计与平滑处理...results['frame_analysis'].append(analysis_result)  # 保存帧分析结果# 计算平均专注度、手机使用率等指标，生成报告report = {'video_path': video_path,'analysis_time': datetime.now().strftime('%Y-%m-%d %H:%M:%S'),# 其他报告字段...}return report

• 核心逻辑：通过 OpenCV 读取视频帧，调用加载好的模型进行目标检测；对检测结果统计、平滑，最终生成包含多维度指标的分析报告。

3. 图表生成（generate_charts 函数 ）

python

运行

def generate_charts(report):charts = {}# 专注度随时间变化图表fig, ax = plt.subplots(figsize=(10, 4))timestamps = [frame['timestamp'] for frame in report['frame_analysis']]focus_scores = [frame['focus_score'] for frame in report['frame_analysis']]# 绘制折线图（含平滑处理 ），保存为 Base64 编码（方便前端展示 ）ax.plot(timestamps, focus_scores, color='blue', linewidth=2)  canvas = FigureCanvas(fig)img = BytesIO()fig.savefig(img, format='png', bbox_inches='tight')img.seek(0)charts['focus_over_time'] = base64.b64encode(img.getvalue()).decode()# 表情分布饼图、手机使用频率柱状图逻辑类似...return charts

• 实现思路：利用 Matplotlib 绘制可视化图表，将图表转换为 Base64 编码，便于通过 JSON 接口传递给前端页面展示。

4. Flask 路由与交互（app.route 装饰器 ）

python

运行

@app.route('/upload', methods=['POST'])
def upload_file():if 'file' not in request.files:return jsonify({'error': '没有文件上传'}), 400file = request.files['file']# 校验文件、保存文件filename = secure_filename(file.filename)  file_path = os.path.join(app.config['UPLOAD_FOLDER'], filename)  file.save(file_path)  # 调用模型加载、视频分析、图表生成函数phone_model, face_model, models_loaded = load_models()  report = analyze_video(file_path, phone_model, face_model, models_loaded)  charts = generate_charts(report)  # 构造响应结果，返回给前端result = {'success': True,'filename': filename,'report': { ... },  # 分析报告关键指标'charts': charts,   # 可视化图表 Base64 数据# 其他字段...}return jsonify(result)

• 交互流程：接收前端上传的视频文件，完成校验、存储后，调用核心分析逻辑，最终将分析报告、可视化图表通过 JSON 响应返回，支撑前端页面展示。

四、部署与运行

（一）环境搭建步骤

1. 安装依赖：

   • 确保安装 Python 环境，执行 pip install -r requirements.txt（需提前准备包含 Flask、OpenCV、PyTorch 等依赖的 requirements.txt 文件 ）。
   • 若使用 GPU 加速，需额外配置 CUDA、cuDNN，确保 PyTorch 成功调用 GPU。

2. 模型准备：

   • 准备手机检测模型文件（yolov10s.pt ）、面部表情识别模型文件（best.pt ），放置于项目目录。

3. 启动服务：

   • 执行 python app.py 启动 Flask 应用，默认监听 0.0.0.0:5000，可通过浏览器 / 前端请求访问接口。

（二）目录结构建议

plaintext

project/
├── app.py               # 主程序，包含 Flask 路由、核心逻辑
├── requirements.txt     # 依赖清单
├── uploads/             # 上传视频存储目录（自动创建 ）
├── yolov10s.pt          # 手机检测模型文件
├── best.pt              # 面部表情识别模型文件
└── templates/           # 前端页面（如 face.html ）

五、注意事项

1. 模型依赖：模型文件（yolov10s.pt、best.pt ）需与代码中加载路径一致，若路径变更，需修改 load_models 函数内 torch.hub.load 的 path 参数。
2. 性能优化：视频分析耗时与视频长度、模型复杂度相关，可通过调整 analyze_every（分析间隔帧数 ）平衡速度与精度；GPU 环境可显著提升模型推理速度。
3. 错误处理：代码中通过 try - except 捕获部分异常，但实际部署需关注日志（logging 输出 ），及时排查模型加载失败、视频无法解析等问题。
4. 前端适配：返回的图表为 Base64 编码，前端需通过 <img src="data:image/png;base64,{{ charts.focus_over_time }}"> 等方式渲染展示。