本发明专利技术公开了一种考试作弊识别检测方法、系统及电子设备，通过根据正样本和负样本，对YOLOV4模型进行模型训练和模型改进，得到目标模型；通过在考场内固定的摄像头，获取考场的视频录像；使用所述目标模型对待识别的视频录像进行处理；其中，所述待识别的视频录像包括所述考场的视频录像、本地存储的视频录像；将所述对待识别的视频录像进行处理的结果在所述待识别的视频录像中进行标注，并实时显示被标注后的所述考场的视频录像的画面。本发明专利技术实施例作为线下考试的监考方法，有利于减轻监考人员的压力，更有利于提高监考过程中发现作弊行为的及时性和准确性，可广泛应用于计算机技术领域。术领域。术领域。
【技术实现步骤摘要】
一种考试作弊识别检测方法、系统及电子设备
[0001]本专利技术涉及计算机
，尤其是一种考试作弊识别检测方法、系统及电子设备。
技术介绍
[0002]考试是检测人们知识水平的通用方法，为了保证考试的公平、公正，考场中通常会设有监考人员，以防止考生在考试过程中进行作弊行为。在很多情况下，考试长达两三个小时，给监考人员带来了很大的挑战，时间过长会导致监考人员的监考效率降低，同时，监考人员的压力和负担也会增加，不利于监考人员的身体健康，同时也不利于保证考试的公平性、公正性。
[0003]目前的大多数监考方法都是通过在考试中先进行录像，之后再回放视频进行检查，或在一个监考中控室中人为地同时观察不同考场的所有学生的动作行为，以判断是否有作弊行为的出现来监考。这些方法效率低，也会消耗大量的时间和精力，还会存在判断不准确、不及时的问题。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供一种判断准确、及时的考试作弊识别检测方法、系统及电子设备。
[0005]本专利技术实施例的一方面提供了一种考试作弊识别检测方法，包括：根据正样本和负样本，对YOLOV4模型进行模型训练和模型改进，得到目标模型；其中，所述正样本是考生做正常动作的视频，所述负样本是考生做作弊动作的视频；通过在考场内固定的摄像头，获取考场的视频录像；使用所述目标模型对待识别的视频录像进行处理；其中，所述待识别的视频录像包括所述考场的视频录像、本地存储的视频录像；将所述对待识别的视频录像进行处理的结果在所述待识别的视频录像中进行标记，并实时显示被标记后的所述考场的视频录像的画面。
[0006]可选地，所述根据正样本和负样本，对YOLOV4模型进行模型训练和模型改进，包括：根据所述正样本和所述负样本，每隔一段时间截取所述正样本的视频录像或所述负样本的视频录像的一帧，获得第一视频图像；其中，对所述第一视频图像中不符合要求的，进行重新截取；根据所述第一视频图像中的考生动作，对所述第一视频图像进行分类标注，形成训练集；剔除所述YOLOV4模型的训练过程中的L2正则化过程，使用所述训练集对所述YOLOV4模型进行迭代训练，直至得到目标模型。
[0007]可选地，所述剔除所述YOLOV4模型的训练过程中的L2正则化过程，使用所述训练集对所述YOLOV4模型进行迭代训练，包括：利用2D输入填充层和一个卷积块，对输入的所述训练集中的视频图像的宽和高进行压缩，在YOLOV4算法的CSPDarknet53的分支部分建立一个大残差边，将所述大残差边作为第一计算结果；通过所述YOLOV4算法的所述CSPDarknet53的主干部分对残差结构中的残差块进行卷积计算，得到第二计算结果；将所
述第一计算结果与所述第二计算结果进行cat拼接，输出三个特征层，获得目标模型；其中，所述三个特征层表征图像中不同大小的考生的位置信息和动作类别信息。
[0008]可选地，所述使用所述目标模型对待识别的视频录像进行处理，包括：每隔一段时间截取所述待识别的视频录像的一帧，获得第二视频图像；其中，对所述第二视频图像中不符合要求的，进行重新截取；使用所述目标模型对所述第二视频图像进行考生动作识别；其中，所述考生动作为考生的上半身动作；根据目标模型识别到的所述考生动作，确定所述考生动作的异常结果，根据所述异常结果作出系统预警。
[0009]可选地，所述使用所述目标模型对待识别的视频录像进行考生动作识别，包括：对所述第二视频图像进行考生动作特征提取，获得第二考生动作特征；将所述第二考生动作特征与所述目标模型中的所述三个特征层进行比对，确定所述第二视频图像的考生动作类别。
[0010]可选地，所述方法还包括：根据所述考生动作的异常结果，将考生做出作弊动作的所述第二视频图像记录到作弊检测库。
[0011]可选地，所述方法还包括：将所述被标注后的所述考场的视频录像存储于后端服务器中。
[0012]本专利技术实施例另一方面还提供了一种考试识别检测系统，包括：第一模块，用于根据正样本和负样本，对YOLOV4模型进行模型训练和模型改进，得到目标模型；其中，所述正样本是考生做正常动作的视频，所述负样本是考生做作弊动作的视频；第二模块，用于通过在考场内固定的摄像头，获取考场的视频录像；第三模块，用于使用所述目标模型对待识别的视频录像进行处理；其中，所述待识别的视频录像包括所述考场的视频录像、本地存储的视频录像；第四模块，用于将所述对待识别的视频录像进行处理的结果在所述待识别的视频录像中进行标记，并实时显示被标记后的所述考场的视频录像的画面。
[0013]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如上文所述的方法。
[0014]本专利技术实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如上文所述的方法。
[0015]本专利技术的实施例根据正样本和负样本，对YOLOV4模型进行模型训练和模型改进，得到目标模型；其中，所述正样本是考生做正常动作的视频，所述负样本是考生做作弊动作的视频；通过在考场内固定的摄像头，获取考场的视频录像；使用所述目标模型对待识别的视频录像进行处理；其中，所述待识别的视频录像包括所述考场的视频录像、本地存储的视频录像；将所述对待识别的视频录像进行处理的结果在所述待识别的视频录像中进行标注，并实时显示被标注后的所述考场的视频录像的画面。本专利技术实施例作为线下考试的监考方法，有利于减轻监考人员的压力，更有利于提高监考过程中发现作弊行为的及时性和准确性。
附图说明
[0016]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他
的附图。
[0017]图1是本专利技术实施例提供的方法流程图；
[0018]图2是本专利技术实施例提供的YOLOV4核心CSPDarknet53主干网络结构图；
[0019]图3是本专利技术实施例提供的考场摄像头分布图；
[0020]图4是本专利技术实施例提供的自制训练集训练结果图。
具体实施方式
[0021]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0022]针对目前的监考方法效率低，消耗大量的时间和精力，还会存在判断不准确、不及时的问题，本专利技术实施例提供了一种考试作弊识别检测方法，包括：根据正样本和负样本，对YOLOV4模型进行模型训练和模型改进，得到目标模型；其中，所述正样本是考生做正常动作的视频，所述负样本是考生做作弊动作的视频；通过在考场内固定的摄像头，获取考场的视频录像；使用所述目标模型对待识别的视频录像进行处理；其中，所述待识别的视本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种考试作弊识别检测方法，其特征在于，包括：根据正样本和负样本，对YOLOV4模型进行模型训练和模型改进，得到目标模型；其中，所述正样本是考生做正常动作的视频，所述负样本是考生做作弊动作的视频；通过在考场内固定的摄像头，获取考场的视频录像；使用所述目标模型对待识别的视频录像进行处理；其中，所述待识别的视频录像包括所述考场的视频录像、本地存储的视频录像；将所述对待识别的视频录像进行处理的结果在所述待识别的视频录像中进行标记，并实时显示被标记后的所述考场的视频录像的画面。2.根据权利要求1所述的一种考试作弊识别检测方法，其特征在于，所述根据正样本和负样本，对YOLOV4模型进行模型训练和模型改进，包括：根据所述正样本和所述负样本，每隔一段时间截取所述正样本的视频录像或所述负样本的视频录像的一帧，获得第一视频图像；其中，对所述第一视频图像中不符合要求的，进行重新截取；根据所述第一视频图像中的考生动作，对所述第一视频图像进行分类标注，形成训练集；剔除所述YOLOV4模型的训练过程中的L2正则化过程，使用所述训练集对所述YOLOV4模型进行迭代训练，直至得到目标模型。3.根据权利要求2所述的一种考试作弊识别检测方法，其特征在于，所述剔除所述YOLOV4模型的训练过程中的L2正则化过程，使用所述训练集对所述YOLOV4模型进行迭代训练，包括：利用2D输入填充层和一个卷积块，对输入的所述训练集中的视频图像的宽和高进行压缩，在YOLOV4算法的CSPDarknet53的分支部分建立一个大残差边，将所述大残差边作为第一计算结果；通过所述YOLOV4算法的所述CSPDarknet53的主干部分对残差结构中的残差块进行卷积计算，得到第二计算结果；将所述第一计算结果与所述第二计算结果进行cat拼接，输出三个特征层，获得目标模型；其中，所述三个特征层表征图像中不同大小的考生的位置信息和动作类别信息。4.根据权利要求3所述的一种考试作弊识别检测方法，其特征在于，所述使用所述目标模型对待识别的视频录像进行处理，包括...
【专利技术属性】
技术研发人员：廖芷萱，朱定局，张馨月，高千茜，陈泽泰，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。