基于机器学习的智能监考系统

黄廷禾 刘梦瑶 钱泽昊

（上海立信会计金融学院 上海 201209）

0 引言

（1）研究背景。近年来，随着教育改革的推进，对学生的考核日益严格，而考试是评估学生知识掌握程度及教师教学效果的重要指标，目前大部分最终考试方式均为传统的笔试,尽管其考试方式组织实施简单，但存在监考力量不足、监考任务繁重、作弊难取证等不足。针对以上问题，本项目提出一种基于机器学习的智能无人监考考试系统，其核心基于用于识别图像的YOLO模型算法与用于异常行为检测的图像学算法，对考生行为及面部等因素进行分析，进而实现自动化的监测和预警考生行为，减少了监考所需人力的同时还提升了监考的效果，有利于推进学校标准化、智能化考场建设，为监考人员减负的同时提升监考效果，最大程度上保证考试的真实性。

（2）研究现状。近年来，随着教育改革的推进，对学生的考核日益严格，考试科目与次数都在增加，然而传统监考模式却已无法满足学校对于监考的需求。若采用人工监考，需要多个监考老师分区域的巡逻才能覆盖整体考场，需要的人力更多；且由于考试作弊的行为经常发生在很短的时间区间内，单纯以人的注意力很难保证能够及时发现作弊行为；有些作弊行为停止后很难进行取证。若采用无人监考，存在难以保证考试公平性等问题。因此，研发一种具有智能化功能的监考系统实乃当下所需。

VASM是由美国国防高级研究项目署于1997年设立的，以卡内基梅隆大学为首，SARNOFF戴维研究中心、麻省理工学院等美国十几所高等院校和研究机构参与的重大视频监控项目。项目研究利用视频理解、网络通信、多种传感器融合等技术实现对战场等危险场景或者监控费用昂贵的民用场景的自动视频监控理解。VSAM 采用分布式主动视频传感器，包含了许多先进的实时视频监控技术，如基于静止与运动摄像机的实时运动物体检测与跟踪等。Object Video VEW 系统是智能视频监控技术领域占据世界公认的领头首位置的Object Video公司研发推出的。该系统通过为用户提供场景过滤功能和Hi-Res功能，来拓宽视频监控的范围，能够处理远距离的可疑行为，且对复杂的户外环境有较强的鲁棒性，能够很好的满足用户的需求，该产品的配套离线产品Object Video Forensics，通过提高对历史记录的分析速度，在一定程度上改善了Object Video VEW系统的实时分析能力。

国内在这方面的研究虽然起步较晚，但目前，国内在计算机视觉技术及视频处理技术方面已取得长足进步，为智能监考系统的设计提供了技术支持。目标检测（Object Detection）是计算机图像、视频处理工作的基础 。目标检测即检测图片中的目标物体，需输出图像中所有目标的坐标框与目标的具体类别。YOLO（You Only Look Once,YOLO）算法和 SSD（Single Shot Multibox Detector,SSD）算法都是深度学习网络应用于目标检测的典型实例。

本文基于机器学习算法为核心，设计了一种以YOLO模型的智能识别物体与基于图形学异常行为监测为主要功能的智能监考系统，可通过前期大量训练集的练习，并结合视频处理技术实现适用于学校的智能监考系统。本系统的使用有利于推进学校标准化、智能化考场建设，为监考人员减负的同时提升监考效果。

1 实现方法

1.1 采用YOLO模型对物体进行识别

YOLO为一种新的目标检测方法，该方法的特点是实现快速检测的同时还达到较高的准确率。该模型算法将目标检测任务看作目标区域预测和类别预测的回归问题。方法采用单个神经网络直接预测物品边界和类别概率，实现端到端的物品检测。同时，该方法检测速非常快，基础版可以达到45帧/s的实时检测；FastYOLO可以达到155帧/s。与当前最好系统相比，YOLO目标区域定位误差更大，但是背景预测的假阳性优于当前最好的方法。基于深度学习方法的一个特点就是实现端到端的检测。相对于其它目标检测与识别方法（比如Fast R-CNN）将目标识别任务分类目标区域预测和类别预测等多个流程，YOLO将目标区域预测和目标类别预测整合于单个神经网络模型中，实现在准确率较高的情况下快速目标检测与识别，更加适合现场应用环境。

1.2 采用图形学原理进行异常行为识别

采用图形学原理，对监控录像的每一帧进行像素级的对比。使用机器学习技术对像素进行阈值估计，并采用该阈值作为违规行为的评判标准。每一帧像素的变化若超过阈值限定范围，系统则会对该帧进行记录。

1.3 系统用户体验设计

本产品系统启动并载入视频后，将开始自动检测考试违禁物品与违禁行为，若发现异常，将锁定该异常图像并截屏发送至后台管理员对异常信息进行二次审核，并显示该场考生已录入信息。

2 创新点

2.1 试用YOLO模型，准确度高

本系统采用最新版的YOLO模型进行检测，该算法在输入端采用Mosaic数据增强方式，对图片进行自适应缩放，以此提升目标检测的速度以及对小目标、遮盖物检测的准确度。同时，YOLOv5的网络结构使用两种CSP结构来增加网络的深度和宽度，以此减少计算量。

2.2 系统采用嵌入式系统，可靠度高

嵌入式系统拥有强稳定性，弱交互性。嵌入式系统一旦开始运行就不需要用户过多的干预，而这就需要负责系统管理的EOS具有较强的稳定性。嵌入式操作系统的用户接口一般不提供操作命令，它通过系统的调用命令向用户程序提供服务。在嵌入式系统中，嵌入式操作系统和应用软件被固化在嵌入式系统计算机的ROM中。与其他通常的计算机系统相比有更好的硬件适应性，也就是良好的移植性。

2.3 优秀用户交互设计，体验度高

对于本系统的广大用户群而言，其主要需求是通过本系统完成对学生的实时监控。因而在每天大量的操作中，保持流畅性是用户最为关心的事情。守星科技在整个系统中只响应点击操作，以最大限度地减少设备的资源占用。在实际操作的过程中，守星科技竭尽全力减少点击按钮的机会。本系统被设计为只要用户对需求进行选择，就可自动对操作结果进行呈现。在这样的模式下，用户无须担心有学生的行为被遗漏。在系统响应速度方面，守星科技将尽全力对其进行优化，最大限度地提升本系统的响应速度。

3 总结

教育行业如今正在不断升温，高校对于监考的需求也在不断增加，传统的监考模式需要耗费巨大的人力物力，而本文中基于YOLO模型与图像学的监考系统，能够智能化、多元化地对应用于不同场景，同时该产品安装流程简易，易操作，检测识别的实时性较高，能够更好地满足当今教育行业对监考的需求。