基于YOLOv5的智慧监考模型设计与研究

王秋美茜，王鹏涛，张晓宽，刘经纬，纪佳琪,2*

（1. 河北民族师范学院数学与计算机科学学院，承德 067000；2. 河北省文化旅游大数据技术创新中心，承德 067000）

0 引言

近年来，国家逐渐重视实现国家教育考试治理能力的现代化，逐步完善标准化考点建设，不断提升国家教育考试综合治理能力［1］。国家教育考试现行的防作弊系统主要包括考生身份验证、考场巡视和视频监控。标准化考点的监考方式是以人工为主、监控为辅。但是目前这种监考方式存在监考人员工作量大，对考生作弊情况发现不及时等问题，所以，研发一种能够实时检测作弊行为的监考系统实属当前所需。

目标检测算法在近些年发展迅速，在诸多领域都已取得良好的检测效果，并可以逐渐运用到生活当中。结合国家目前的教育改革趋势，目标检测算法可以很好地改进传统的监考方式，可以有效地解决相关问题。虽然国家已经具备智能监考的相关硬件条件，但目前市场还未出现成熟的智能监考系统。如今，众多学者已经对智能监考方法提出了相关解决方案［2-3］。尹力威等［4］基于OpenCV-Python 平台设计了一种SDD算法，对考生的作弊行为进行检测。同时，结合OpenCV4.2 与GPU 缩短了60%的检测时间。但该系统检测准确率不高,也无法实现实时检测。李春梅等［5］提出了一种基于视频行为分析的智能监考辅助系统，运用YOLOv3算法划分考生和违禁品边框，结合MTCNN 算法对面部进行检测。但这种方法对硬件资源需求高，并且算法对视频中远端的考生检测效果不佳［6］。

在以上学者研究的基础上，本文采用YOLOv5模型进行考生作弊行为检测。同时模型检测速度快，拥有高达140 FPS的对象识别速度，且拥有更好的灵活性和速度，有利于考场视频的实时监测。实验结果表明：本文所应用的YOLOv5模型在检测速度和准确性方面均优于上述学者所提模型，证明了方法的有效性和实用性。

1 YOLOv5目标检测模型

本次实验主要运用了目标检测中的YOLO系列，YOLO 是基于区域提取的代表性算法，YOLO 系列又分为YOLOv1、YOLOv2、YOLOv3［7-9］等算法。项目选择较新的YOLOv5算法，考虑到项目平台的需求，发现YOLOv5s 网络最小，速度最快，所以主要采用了YOLOv5中的YOLOv5s模型。YOLOv5s的网络结构如图1所示，此网络结构分为以下部分：输入端、Backbone（主干网络）、Neck 网络和Prediction（输出端）。输入端通过Mosaic数据增强［10］，同时自适应锚框计算，以及自适应图片缩放。

图1 YOLOv5s网络结构

Backbone 包括Focus 结构、跨阶段对等（CSP）结构，有切片下采样的作用；Neck 采用FPN+PAN 的结构；输出端是由分类损失函数和回归函数组成的，可以评判检测的效果。

2 基于目标检测的智慧监考模型

本文基于目标检测的YOLOv5算法，通过前期大量训练集的练习，结合视频处理技术实现适用于标准化考点的智能监考系统。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。

基于YOLOv5 的智慧监考流程如图2 所示，首先由平台管理人员向系统数据库中导入各种违规、作弊行为的数据，训练出目标检测模型。功能分为以下三点：

图2 智慧监考平台工作流程

（1）模型的离线训练。根据收集到的违规、作弊数据，对模型进行训练。图3展示了训练集上没有违规行为的图例，图4展示了不同违规行为的图例。

图3 训练集正常

图4 判定作弊违规图例

（2）在线判断。系统后台会通过与平台相连的摄像装置获取数据，数据传入系统后台，通过训练好的模型对考生进行动作捕捉和姿态估计，并对相应的考生行为进行分析，得出作弊疑似率。

（3）当作弊疑似率大于某一阈值时，考生直接按照作弊处理和通知平台管理人员，并将该考生的个人信息及作弊过程记录在数据库中，以便在考试结束后统一处理；疑似率处于一定阈值区间的考生，平台向管理人员发出警报，通知相应监考教师对其进行核实和重点查看；疑似率较低时，判定为考试正常。

3 实验

3.1 数据采集

模型数据集来自现场真实拍摄中筛选出的常规考试数据集和有作弊行为的数据集。为了更好地模拟考场考试的真实程度，选用了环境条件较好，相对集中的教室，聚集300名考生后按照每名同学左右为空座位的要求进行排列。同时，为了避免考场的选取造成误差，数据采集过程中更换了不同考场。

通过让300名学生在考场中模拟各种考试作弊的方法动作，负责数据采集的人员进行拍照采集，最后采集到考试作弊的数据集，共含有1000张图片，图片都是高分辨率（4608×2128）。

按照8∶2 的比例划分数据集和验证集，筛选出636 个为训练集，364 个为验证集。数据集分为两个类别，作弊（cheat）和正常（normal）。部分数据集图片如图5、图6所示。

图5 作弊数据集

图6 正常数据集

3.2 数据标注

采集完数据后对数据进行一次筛选，将不需要的或者不符合要求的图片进行删除，然后使用Labelimg标注工具，如图7所示，将标注格式转换为VOC 数据格式。通过对作弊行为进行一一标注，生成训练集和验证集文件列表，文件格式为.txt样式，最后进行训练。

图7 使用Labelimg对作弊对象进行标注

3.3 模型训练

模型由GPU 服务器进行训练，表1 为该GPU服务器的相关配置。

表1 实验环境

根据项目需求，选择了YOLOv5 中的YOLOv5s，通过开展大量的实验挑选出最优的相关参数，该项目的参数设置：Epoch=50，batch-size=32，优化方法为Adam。

3.4 实验结果

从图8 可知，其对作弊情况的检测效果precision 为96.3%，recall 为99.5%,mAP@0.5 为98.4%，基本可以满足项目要求。

如图9所示，抽取验证集中的部分图片作为样本数据，将其代入训练完成的权重文件（best.pt）中，得到图片中违规行为的置信度。结果证明模型满足检测作弊回头要求。

运行过程中，将目标检测算法与OpenCV 融合，规划出相应区域，可以实时监测考生作弊行为。

图9 待检测和检测后视频截图

3.5 结果分析

训练集中Bounding box 损失、目标检测损失和分类函数损失的训练结果如图10 所示，在Epoch 介于0～10 时，三种类型的损失函数均值接近垂直下降。在Epoch 介于10～50 时，下降幅度逐渐缓慢，证明训练结果符合项目需求。

图10 训练集中Bounding box损失、目标检测损失和分类函数损失

3.6 精确度、召回率的训练结果分析

如图11所示，在Epoch介于0～20时，两个结果都几乎接近垂直上升；在Epoch介于20～50时，结果浮动不明显，证明训练已趋于收敛。本模型在训练集上的精确度可达96.3%。

图11 精确度、召回率的训练结果

3.7 平均精确度（mAP）的训练结果分析

IoU 显示样本的临界值，IoU 临界值设置低，样本的质量就会变差；设置高，样本的质量就会变好，但是过高的IoU 临界值同样可能造成小尺度目标框的丢失。图12 为不同临界值下的mAP训练结果，当IoU 临界值为0.5时，在Epoch介于0～10 时，mAP 的值接近垂直上升趋势；在Epoch 介于20～50 时，mAP 的值在0.98 左右浮动；当IoU 临界值（0.5、0.55、0.6、0.65、0.7、0.75、0.8、0.85、0.9、0.95）上时，mAP 的平均值在0～20 迭代次数范围内，接近垂直上升趋势；在20～50 迭代次数范围内，上升幅度逐渐缓慢，mAP的平均值在0.73左右浮动。

图12 平均精确度（mAP）的训练结果分析

综上所述，模型训练结果良好，符合项目所需的基本要求。

3.8 不同光线下识别准确度的对比分析

在光线充足和光线较弱环境下的目标人物动作识别结果的比较分析结果如图13 和图14 所示。经过对比得知，光线充足时图片的置信度要高于光线较弱环境时图片的置信度，说明光线充足与光线稍弱相比，光线充足更能提高判断的准确率。但在监考的时候，学校各方面设备全都由相关部门进行保障。教室内光线明亮（即光线充足），极少出现停电现象。基于此情况，我们认为该结果是适用于监考的。

图13 置信度0.89

图14 置信度0.76

3.9 不同像素下识别准确度的对比分析

高像素环境下与低像素环境下的目标人物动作识别结果的比较结果分别如图15和图16所示，图15像素为960×443，图16像素为500×231。经过对比得知，高像素环境下的置信度要高于低像素环境下的置信度，表明像素的高低会对目标人物动作检测的结果造成一定影响。

图15 像素为960×443

图16 像素为500×231

4 结语

综上所述，为实现检测的准确性和实时性，并将人工从繁杂的检测工作中解放出来，提出一种基于YOLOv5网络模型的智慧监考平台。该平台经实验测试，准确率高且能达到视频图像实时性要求，证明本文方法具有一定的优势，但是受时间与精力的限制，模型还存在一定的局限性，目前只在实验环节通过了验证，后期将测试完成后的模型部署至云服务器端，并在需考试的地点安装网络摄像头采集人员信息，通过互联网上传信息至云端进行处理，处理结果返回监考中心实时查看，验证后进行批量推广应用。