基于深度学习算法的考试作弊行为检测方法

基于深度学习算法的考试作弊行为检测方法，属于智能识别。

背景技术：

1、在标准线下考场上，偷看他人试卷、抄袭、使用手机等考试作弊行为已经成为了普遍存在的问题。作弊行为不仅令诚实考生受到不公平待遇，也扭曲了考试结果的真实性和准确性，严重影响了考试的公平公正。

2、传统的监考方式主要是人工监考，虽然在一定程度上可以发现作弊行为，但也存在一些弊端。人工监考需要大量的监考人员投入，尤其是对于大规模考试或多个考场同时进行监考的情况，人力成本相对较高。此外，监考员在长时间的监考过程中可能会出现疲劳、注意力不集中等情况，影响其发现作弊行为的效率和准确性。另外，人工监考受限于监考员的视野和感知范围，无法对所有考生的行为进行全面监控和分析。

3、近年来，深度学习算法取得了显著的进展，并展现出在各个领域具有强大的应用潜力。利用深度学习算法可以有效地检测考试作弊行为，从而确保考试的公平和公正。本项发明提出了一种基于深度学习算法的考试作弊行为检测方法，适用于各种线下考试场景。与传统的监考方式相比，该方法大大降低了人力成本，并且效率和准确性更高。

技术实现思路

1、本发明要解决的技术问题是：克服在大规模标准线下考场上人工监考人力成本高、效率和准确性低的问题，提出了基于深度学习算法的考试作弊行为检测方法。与传统的人工监考方法相比，降低了人力成本，具有更高的效率和准确性。由于该方法操作简单，布置、运行、维护成本低，可以广泛应用于课程考试、资格考试等多种线下考试场景。

2、本发明解决其技术问题所采用的技术方案是：

3、基于深度学习算法的考试作弊行为检测方法，其特征在于：包含如下步骤：

4、步骤a，在考场前方布置摄像头，每隔0.05秒从监控视频中提取一帧图像，并检测出图像中所有的人脸；

5、步骤b，将人脸检测结果与考生人脸数据库进行匹配，获取考生姓名信息；

6、步骤c，计算实时人脸检测框与正常考试状态下标准人脸检测框的交并比(iou)，若iou大于等于设定阈值，判定为未作弊，若iou小于设定阈值，则判定人脸位置异常，需要进一步判断作弊行为；

7、步骤d，在图像中截出位置异常的人脸，经尺寸变换后输入到已经训练好的分类器中，进一步判断是否存在作弊行为以及作弊类型。

8、优选的，在所述的步骤a中，采用多任务级联卷积神经网络(mtcnn)进行人脸检测，mtcnn算法是一种基于深度学习的人脸检测和人脸对齐方法，它可以同时完成人脸检测和人脸对齐的任务，相比于传统的算法，它的性能更好，检测速度更快。

9、优选的，在所述的步骤b中，首先使用人脸嵌入模型提取考生的面部特征，并将其以face embedding的向量形式录入数据库，接着提取步骤a中检测到的人脸的面部特征，然后通过人脸匹配系统进行比对，验证考生的姓名信息，face embedding是一种将人脸图像转换为高维向量表示的技术，通过将人脸图像映射到一个高维的特征空间中，可以更好地捕捉人脸的特征和细微差异。

10、优选的，在所述的步骤c中，标准人脸检测框是指考生正常答题时的低头写字姿势下的检测框，为了设定标准人脸检测框，需要提前使用摄像头拍摄考生正常答题时的图像，并检测其中的所有人脸，这些检测框将作为标准检测框，后续实时检测过程中将保持摄像头位置不变。

11、优选的，在所述的步骤c中，检测框面积的计算公式如下：

12、s＝(xmax-xmin)*(ymax-ymin)

13、式中xmin、ymin代表检测框的左上角x、y坐标，xmax、ymax代表检测框的右下角x、y坐标。

14、优选的，在所述的步骤c中，实时检测框与标准检测框的交集左上角和右下角坐标计算公式如下：

15、

16、

17、

18、

19、式中(xlt，ylt)，(xrb，yrb)代表检测框交集左上角和右下角x、y坐标，代表标准检测框左上角和右下角x、y坐标，代表实时检测框左上角和右下角x、y坐标。

20、优选的，在所述的步骤c中，实时检测框与标准检测框的iou计算公式如下：

21、smax＝s1+s2-smin

22、

23、式中s1、s2、smin、smax分别代表标准检测框、实时检测框、检测框交集和检测框并集的面积。

24、优选的，在所述的步骤d中，训练所需的作弊行为分类器：

25、首先构建包含2000张不同朝向人脸图片的分类数据集，该数据集分为三类，人脸朝向左右两侧的被归类为“偷看他人试卷”，人脸朝向下方的被归类为“偷看小抄或手机”，人脸朝向前方的被归类为“未作弊”；训练的模型选用torchvision中集成的resnet50模型，并引入预训练权重进行训练；训练的损失函数选用crossentropyloss(交叉熵损失)；训练的优化器选用sgd(随机梯度下降)。

26、与现有技术相比，本发明所具有的有益效果是：

27、该方法使用实时人脸检测框与标准人脸检测框的交并比来判断人脸位置是否异常，再进一步通过已经训练好的作弊行为分类器对异常位置的人脸进行分类，异常位置的人脸输入分类器之前需要进行数据预处理，以适应resnet50模型的结构。

28、该方法通过深度学习算法实现了考试作弊行为的检测，大大降低了人力成本，并且保证了检测效率、检测准确性及检测稳定性。

技术特征：

1.基于深度学习算法的考试作弊行为检测方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于深度学习算法的考试作弊行为检测方法，其特征在于：在所述的步骤a中，采用多任务级联卷积神经网络(mtcnn)进行人脸检测，mtcnn算法是一种基于深度学习的人脸检测和人脸对齐方法，它可以同时完成人脸检测和人脸对齐的任务，相比于传统的算法，它的性能更好，检测速度更快。

3.根据权利要求1所述的基于深度学习算法的考试作弊行为检测方法，其特征在于：在所述的步骤b中，首先使用人脸嵌入模型提取考生的面部特征，并将其以face embedding的向量形式录入数据库，接着提取步骤a中检测到的人脸的面部特征，然后通过人脸匹配系统进行比对，验证考生的姓名信息，face embedding是一种将人脸图像转换为高维向量表示的技术，通过将人脸图像映射到一个高维的特征空间中，可以更好地捕捉人脸的特征和细微差异。

4.根据权利要求1所述的基于深度学习算法的考试作弊行为检测方法，其特征在于：在所述的步骤c中，标准人脸检测框是指考生正常答题时的低头写字姿势下的检测框，为了设定标准人脸检测框，需要提前使用摄像头拍摄考生正常答题时的图像，并检测其中的所有人脸，这些检测框将作为标准检测框，后续实时检测过程中将保持摄像头位置不变，检测框面积的计算公式如下：

5.根据权利要求1所述的基于深度学习算法的考试作弊行为检测方法，其特征在于：在所述的步骤d中，训练所需的作弊行为分类器：

技术总结在标准线下考场上，偷看他人试卷、小抄、手机等考试作弊行为严重影响了考试的公平公正。传统的人工监考模式已经难以有效监测和防范这些作弊行为，本发明提出的基于深度学习算法的考试作弊行为检测方法，能够实时监测潜在作弊行为。包含以下步骤：步骤a，从监控视频中提取图像，并输入到多任务级联卷积神经网络(MTCNN)中进行人脸检测，获取检测结果；步骤b，将检测结果与考生人脸数据库匹配，获取考生姓名信息；步骤c，对比检测到的人脸位置信息与正常考试状态下的人脸位置信息，确定位置异常的人脸；步骤d，在图像中截出位置异常的人脸，经尺寸变换后输入到已经训练好的分类器中，判断是否存在作弊行为及其作弊类型。技术研发人员：左海强,郑宇博,黄启洲,王荣迪,任伟强受保护的技术使用者：中国石油大学（华东）技术研发日：技术公布日：2024/7/29