周晓宇 李连民 张义骞 胡沛逊 仝玉璘 张恩

摘要：对于疫情期间线上考试人工监考费时费力，很难发现学生作弊行为而且难以当场取证的问题，文中设计了一种利用YOLO算法设计，基于TensorFlow的智能监考系统。此系统通过收取关于作弊的面部表情变化图像建立起训练集模型，对作弊过程中面部的表情（例如紧张，眼神飘忽不定等）进行分类，从而实现该系统功能。此系统不仅可以对考场内学生进行实时监测并提醒，且对学生作弊产生的面部表情以及正在进行的作弊行为进行取证。经过测试，此系统能够在规定场景中正常运行及识别作弊准确率达68.5%，不仅仅满足疫情期间学校对学生实时监考的要求，而且为今后无人监考系统大规模实施提供了有效参考数据。

关键词：TensorFlow;YOLOv3;人工智能;目标检测

中图分类号：TP391   文献标识码：A

文章编号：1009-3044（2021）35-0075-02

近年来，随着教育的现代化，传统的考试监督方式不太适合形势发展，人工监考存在着漏洞，大型考试作弊的事情很难及时发现，给考试带来了不公平，因此，智能监考系统迎刃而出。

随着近年来计算机视觉技术以及网络的快速发展，基于python的目标检测作为计算机视觉一大应用，使用深度学习进行目标检测，并结合算法，可以实时的目标检测，OpenCV深度学习的实时目标检测需要有效介入摄像头，这里在介绍目标检测时用的主要的算法，SSD（Single Shot Detectors）算法和YOLO（You Only Look Once）算法。

本文通过python环境设计了YOLO 算法，通过数据集进行训练模型，并结合图像处理技术实现智能监考系统。

1整体性系统设计

基于设计的系统流程图设计如图1所示。其运行方式分为以下四步：

（1）启动程序，并通过摄像头设备获取数据;

（2）对已获取的视频进行预处理;

（3）该系统在TensorFlow框架下，利用YOLOv3算法从图像中检测出人体，并对人体帧进行标记;

（4）图像分为正常图像和作弊性图像。一旦发现多个作弊行为，系统会报警提醒。

2智能监考实现的具体解决办法

2.1如何识别考生的作弊动作

考生头部、手部大范围的移动都被算法视为作弊。当学生嘴部张合频率过于频繁、频繁点头等都被算法视为作弊。正常考试情况如图2所示，作弊考试情况如图3所示。

2.2使用场景

由于本项目在设计初衷针对网课考试的检测，所以大部分使用场景较为单一，不需要出现多人动态识别的情况。届时可以大大降低对设备性能的依赖程度，以及不需要过度判断环境的异常情况，从而可以减少运算时间，加快运算识别速度。

2.3 YOLOv3算法的简要概述

YOLO是一种常用的目标检测算法。YOLO非常快，由于检测问题是一个回归问题，所以不需要复杂的通道。它可以处理更快地处理实时的视频流，可以更快地完成视频分类，检验延迟可达25毫秒，精度相对于原有的算法也有了两倍的提升。

2018年4月华盛顿大学的 Joseph Redmon 和 Ali Farhadi 提出 YOLO 的最新版本 YOLOv3相比。在320×320版本下，YOLOv3的运行时间为22毫秒，速度为28.2 mAP，精度与SSD相当，但速度是SSD的三倍。

在YOLOv3中，由于只有卷积层，所以当通过更改卷积步长来控制输出图形大小尺度，所以对输入的素材类型大小没有严格的限制条件。流程图中，输入图片以256*256作为样例。YOLO与其他算法的区别在于它重新定义了一个回归。该算法将单个神经网络应用于整个素材的识别，将图片素材分割化，通过标准的单元预测每个区域的类型值。Yolo的整个网络，吸取了Resnet、Densenet、FPN的精髓，可以说是融合了目标检测当前业界最有效的全部技巧。如图4为官方测试Yolov3算法与其他算法的比较示例图。

2.4其他情况类比概况

在实际情况中，学生在家进行网上考试并不一定只有肢体作弊的情况发生。手持其他物品或以其他形式出现的纸条、参考书、手机和耳机等外部资源，也将会影响考试的公平性。在Yolo算法中将对不同物品进行分类识别。若此时学生并无违规动作，却出现了违规物品，同样将被判定为作弊。如图3、图4所示。

3区分作弊动作的分析与实验

3.1头部检测

根据头部识别算法，先将头部的边界框划分出来，更具改边界框值的变化率以及相对于水平的几何偏移量可以判别出该考生是否存在异常考试的情况。

3.2眼睛以及嘴部检测

在考试过程中，眼睛的移动情况与嘴部的情况也是作弊的一个判断点。在识别初期需要首先进行脸部点位的确定，这里使用了TensorFlow的三层CNN模型搭建。

数据集主要使用了kaggle上Facial Keypoints Detection比赛提供的数据集。该数据集包含包括7，049幅图像，96×96像素的灰度图像。预测15个人脸关键点。数据集中每一张图片刚好包含整个人脸。数据集预处理完毕后导出dat文件，并为后续训练做准备。

由于数据集来源不够广泛，在作弊的目标检测算法中，目标识别率为86%，作弊诊断率为68.5%，不够精准，在后续进一步扩大数据集，有望加强与提高目标识别精度。

各数据参数设置如图7所示。

4结束语

本论文是基于TensorFlow和YOLOv3人工智能目标检测技术，通过对视频内容的切分处理、数据集比对的方式，实现了通过计算机进行考试中作弊检测，将作弊情况反馈给主机监考系统。实验中，系统检测成功率约为78%，但系统仍存在缺陷，例如，无法同时处理多个摄像头返回的数据图像，识别的速度还不够快。在后续的实验测试中，应当加强在运行速度中的提高，使用更多的数据集进行训练，达到一个可以基本实现的目标水准。

參考文献

[1] 吴凯.头部运动分析及其在考场视频监控系统中的研究与应用[D].北京：北京理工大学，2011.

[2] 李孟晓，王保栋，戴文斌，等.一种标准考场环境下的考试作弊行为智能检测方法[J].信息技术与信息化，2020（10）：213-216.

[3] 邹国锋，傅桂霞，李海涛，高明亮，王科俊.多姿态人脸识别综述[J].模式识别与人工智能，2015，28（07）：613-625.

[4] 张华华.计算机化考试与中国教育评估[J].心理学探新，2013，33（05）：387-391.

[5] 袁小平，马绪起，刘赛.改进YOLOv3的行人车辆目标检测算法[J].科学技术与工程，2021，21（8）：3192-3198.

【通联编辑：梁书】