基于機器學習的智能監考系統

黃廷禾 劉夢瑤 錢澤昊

（上海立信會計金融學院 上海 201209）

0 引言

（1）研究背景。近年來，隨著教育改革的推進，對學生的考核日益嚴格，而考試是評估學生知識掌握程度及教師教學效果的重要指標，目前大部分最終考試方式均為傳統的筆試,盡管其考試方式組織實施簡單，但存在監考力量不足、監考任務繁重、作弊難取證等不足。針對以上問題，本項目提出一種基于機器學習的智能無人監考考試系統，其核心基于用于識別圖像的YOLO模型算法與用于異常行為檢測的圖像學算法，對考生行為及面部等因素進行分析，進而實現自動化的監測和預警考生行為，減少了監考所需人力的同時還提升了監考的效果，有利于推進學校標準化、智能化考場建設，為監考人員減負的同時提升監考效果，最大程度上保證考試的真實性。

（2）研究現狀。近年來，隨著教育改革的推進，對學生的考核日益嚴格，考試科目與次數都在增加，然而傳統監考模式卻已無法滿足學校對于監考的需求。若采用人工監考，需要多個監考老師分區域的巡邏才能覆蓋整體考場，需要的人力更多；且由于考試作弊的行為經常發生在很短的時間區間內，單純以人的注意力很難保證能夠及時發現作弊行為；有些作弊行為停止后很難進行取證。若采用無人監考，存在難以保證考試公平性等問題。因此，研發一種具有智能化功能的監考系統實乃當下所需。

VASM是由美國國防高級研究項目署于1997年設立的，以卡內基梅隆大學為首，SARNOFF戴維研究中心、麻省理工學院等美國十幾所高等院校和研究機構參與的重大視頻監控項目。項目研究利用視頻理解、網絡通信、多種傳感器融合等技術實現對戰場等危險場景或者監控費用昂貴的民用場景的自動視頻監控理解。VSAM 采用分布式主動視頻傳感器，包含了許多先進的實時視頻監控技術，如基于靜止與運動攝像機的實時運動物體檢測與跟蹤等。Object Video VEW 系統是智能視頻監控技術領域占據世界公認的領頭首位置的Object Video公司研發推出的。該系統通過為用戶提供場景過濾功能和Hi-Res功能，來拓寬視頻監控的范圍，能夠處理遠距離的可疑行為，且對復雜的戶外環境有較強的魯棒性，能夠很好的滿足用戶的需求，該產品的配套離線產品Object Video Forensics，通過提高對歷史記錄的分析速度，在一定程度上改善了Object Video VEW系統的實時分析能力。

國內在這方面的研究雖然起步較晚，但目前，國內在計算機視覺技術及視頻處理技術方面已取得長足進步，為智能監考系統的設計提供了技術支持。目標檢測（Object Detection）是計算機圖像、視頻處理工作的基礎 。目標檢測即檢測圖片中的目標物體，需輸出圖像中所有目標的坐標框與目標的具體類別。YOLO（You Only Look Once,YOLO）算法和 SSD（Single Shot Multibox Detector,SSD）算法都是深度學習網絡應用于目標檢測的典型實例。

本文基于機器學習算法為核心，設計了一種以YOLO模型的智能識別物體與基于圖形學異常行為監測為主要功能的智能監考系統，可通過前期大量訓練集的練習，并結合視頻處理技術實現適用于學校的智能監考系統。本系統的使用有利于推進學校標準化、智能化考場建設，為監考人員減負的同時提升監考效果。

1 實現方法

1.1 采用YOLO模型對物體進行識別

YOLO為一種新的目標檢測方法，該方法的特點是實現快速檢測的同時還達到較高的準確率。該模型算法將目標檢測任務看作目標區域預測和類別預測的回歸問題。方法采用單個神經網絡直接預測物品邊界和類別概率，實現端到端的物品檢測。同時，該方法檢測速非常快，基礎版可以達到45幀/s的實時檢測；FastYOLO可以達到155幀/s。與當前最好系統相比，YOLO目標區域定位誤差更大，但是背景預測的假陽性優于當前最好的方法。基于深度學習方法的一個特點就是實現端到端的檢測。相對于其它目標檢測與識別方法（比如Fast R-CNN）將目標識別任務分類目標區域預測和類別預測等多個流程，YOLO將目標區域預測和目標類別預測整合于單個神經網絡模型中，實現在準確率較高的情況下快速目標檢測與識別，更加適合現場應用環境。

1.2 采用圖形學原理進行異常行為識別

采用圖形學原理，對監控錄像的每一幀進行像素級的對比。使用機器學習技術對像素進行閾值估計，并采用該閾值作為違規行為的評判標準。每一幀像素的變化若超過閾值限定范圍，系統則會對該幀進行記錄。

1.3 系統用戶體驗設計

本產品系統啟動并載入視頻后，將開始自動檢測考試違禁物品與違禁行為，若發現異常，將鎖定該異常圖像并截屏發送至后臺管理員對異常信息進行二次審核，并顯示該場考生已錄入信息。

2 創新點

2.1 試用YOLO模型，準確度高

本系統采用最新版的YOLO模型進行檢測，該算法在輸入端采用Mosaic數據增強方式，對圖片進行自適應縮放，以此提升目標檢測的速度以及對小目標、遮蓋物檢測的準確度。同時，YOLOv5的網絡結構使用兩種CSP結構來增加網絡的深度和寬度，以此減少計算量。

2.2 系統采用嵌入式系統，可靠度高

嵌入式系統擁有強穩定性，弱交互性。嵌入式系統一旦開始運行就不需要用戶過多的干預，而這就需要負責系統管理的EOS具有較強的穩定性。嵌入式操作系統的用戶接口一般不提供操作命令，它通過系統的調用命令向用戶程序提供服務。在嵌入式系統中，嵌入式操作系統和應用軟件被固化在嵌入式系統計算機的ROM中。與其他通常的計算機系統相比有更好的硬件適應性，也就是良好的移植性。

2.3 優秀用戶交互設計，體驗度高

對于本系統的廣大用戶群而言，其主要需求是通過本系統完成對學生的實時監控。因而在每天大量的操作中，保持流暢性是用戶最為關心的事情。守星科技在整個系統中只響應點擊操作，以最大限度地減少設備的資源占用。在實際操作的過程中，守星科技竭盡全力減少點擊按鈕的機會。本系統被設計為只要用戶對需求進行選擇，就可自動對操作結果進行呈現。在這樣的模式下，用戶無須擔心有學生的行為被遺漏。在系統響應速度方面，守星科技將盡全力對其進行優化，最大限度地提升本系統的響應速度。

3 總結

教育行業如今正在不斷升溫，高校對于監考的需求也在不斷增加，傳統的監考模式需要耗費巨大的人力物力，而本文中基于YOLO模型與圖像學的監考系統，能夠智能化、多元化地對應用于不同場景，同時該產品安裝流程簡易，易操作，檢測識別的實時性較高，能夠更好地滿足當今教育行業對監考的需求。