隨着網絡信息的高速普及，智能手機的更新換代，越來越多的學生都擁有個人智能手機。雖然家長的初衷大都是想讓孩子汲取到最新的知識和信息，但是由於大多數學生的自控能力較弱、不能有效辨別網絡內容的真實性和虛假性，加之網絡上的游戲、小說等板塊的吸引力太大，這就導致大部分學生在沒有家長或老師監管的情況下，大都沉迷手機不能自拔，嚴重影響了孩子的學習和成長環境。
現在的校園大都對學生手機的使用沒有過多的限制，因此，在課堂中玩手機的現象也越來越多，這不僅降低了學生的課堂學習效率，影響了學生自身的成長與發展，帶壞了學校風氣，還嚴重影響了教學活動的正常開展。基於上述種種，校園智能手機檢測成為校園課堂教學活動的監管重點之一。
隨着AI智能檢測分析、大數據、互聯網等新興技術的發展，AI智能檢測學校學生玩手機的場景，已經成為智慧校園管理的重要一環。針對以上痛點和AI智能科技的運用，TSINGSEE青犀視頻以AI智能分析為依托，通過雲平台數據匯總、GPS定位、智能告警與安防監控視頻等功能，聯合高校研發，助力打造AI智能識別的產學研項目，實現AI智能識別學生課堂玩手機的監測。
研究方向
我們目前的主要研究方向就是學生在課堂玩手機的智能識別（目標檢測），即找出監控圖像或畫面中所有含有手機的物體，包含手機的類別和使用手機的定位。雖然近些年基於深度卷積神經網絡的手機檢測方法使得檢測精度有了很大提升，但是在實際應用中仍然存在很多的問題和挑戰。了解了目標檢測領域的最新發展趨勢，針對課堂玩手機檢測的挑戰和難度：目標尺度范圍大、實時檢測問題、弱監督檢測問題和樣本不均衡等問題，我們研發所使用的技術也得到了進一步的確定。
技術使用
1.深度學習是一類模式分析方法的統稱，就具體研究內容而言，主要涉及三類方法：
(1)基於卷積運算的神經網絡系統，即卷積神經網絡(CNN)。
(2)基於多層神經元的自編碼神經網絡，包括自編碼以及近年來受到廣泛關注的稀疏編碼兩類。
(3)以多層自編碼神經網絡的方式進行預訓練，進而結合鑒別信息進一步優化神經網絡權值的深度置信網絡。
2.卷積神經網絡
卷積神經網絡仿造生物的視知覺機制構建，可以進行監督學習和非監督學習，其隱含層內的卷積核參數共享和層間連接的稀疏性使得卷積神經網絡能夠以較小的計算量對格點化（grid-like topology）特征，例如像素和音頻進行學習、有穩定的效果且對數據沒有額外的特征工程要求。
3.計算機視覺（CV）
計算機視覺是一門研究如何使機器“看”的科學，更進一步的說，就是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做圖形處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。作為一個科學學科，計算機視覺研究相關的理論和技術，試圖建立能夠從圖像或者多維數據中獲取‘信息’的人工智能系統。
技術實現
1.輸入手機圖片。即從多個手機圖片數據集中進行標記，然后將這些已經標記的圖片輸入，經過卷積神經網絡進行分類處理。
2.在手機源圖片上提取兩千左右的候選區域。
3.對於每個候選區域采用卷積神經網絡（CNN）計算特征。
4.對於每個候選區域采用支持向量機（SVM）進行分類，對於每個類都提供一個SVM分類器。
技術擴展應用
課堂智能手機使用的智能識別檢測研究，不但能應用到學校課堂當中，還可以應用到日常辦公等場景。而且這一套目標檢測算法走通以后，還可以實現其他場景中的人、車、物、行為等的識別檢測。
