本发明公开了基于机器学习的远程考试防作弊系统与使用方法,涉及计算机技术与机器学习技术领域。所述的远程考试防作弊系统包含摄像终端模块、算法模块、数据存放模块、B端操作平台,其中,算法模块通过多层神经网络模型对视频数据实时地进行逐帧分析,分析考试过程中考生的实际行为,判断是否出现了潜在作弊行为,与传统的远程考试防作弊系统相比,本发明能有效监控到考生考试时的核心动作区域,识别出考生在考试过程中更有可能做出的作弊方式,同时对考生而言操作简便、成本低,具有更好的实用性。
1.基于机器学习的远程考试防作弊系统,包含摄像终端模块、数据存放模块、B端操作平台,其特征在于,它还包含算法模块,通过由Keras算法包实现的多层神经网络模型对考生完成考试时的桌面区域的视频帧画面进行逐帧分析,判断视频帧画面中出现物体为各种作弊物体的概率,当概率高于最初设定的阈值时,会做出作弊判断。
2.根据权利要求1所述的基于机器学习的远程考试防作弊系统,其特征在于,摄像终端模块中包括一个由两个镜头的整体成型摄像头以及考生操作平台,其中,摄像头上覆盖考生所坐位置桌面的镜头为广角镜头,操作平台上的反馈画面为包含了虚拟桌面边界以及虚拟人体上半身边界的画面。
3.根据权利要求2所述的基于机器学习的远程考试防作弊系统,其特征在于,所述的摄像终端模块中,摄像头上的两个镜头为非固定、镜头摄像方向均可自由调节的镜头。
4.根据权利要求3所述的基于机器学习的远程考试防作弊系统,其特征在于,摄像终端模块中摄像头上镜头摄像范围调整的方式为考生通过操作平台上的反馈画面提示在操作平台上进行操作,远程控制镜头方向变化,将桌面画面以及自身正面画面调整至虚拟桌面边界以及虚拟人体上半身边界内。
5.根据权利要求4所述的基于机器学习的远程考试防作弊系统,其特征在于,摄像终端模块中,考生在操作平台上输入的基本信息包括姓名***号码、性别、年龄、考号、所在地区、正规登记照。
6.根据权利要求1所述的基于机器学习的远程考试防作弊系统,其特征在于,算法模块识别的潜在作弊行为包括,是否为他人,考试中途是否换人,考生是否拿出手机查询答案,考生是否拿出小抄抄袭,考生是否将手移出座位桌面。
7.根据权利要求1所述的基于机器学习的远程考试防作弊系统,其特征在于,数据存放模块中存放的视频片段数据会定期进行备份,将数据从存储服务器备份至备用服务器上,以保证数据存放模块中始终有足够的空间存放视频数据片段。
8.根据权利要求1所述的基于机器学习的远程考试防作弊系统,其特征在于,使用B端操作平台的监考人员为具有考试与监考需求的群体。
9.基于机器学习的远程考试防作弊系统使用方法,其特征在于,它包含如下步骤,
步骤(S1),B端用户在B端操作平台中录入考生的信息,由系统生成考生唯一考号,供考生登录考生的操作平台,
步骤(S2),考生将一体化摄像头连接电源后,夹在电脑显示器正上方或放置在自己前方的合适位置,考生在PC上通过网页或者在手机上通过APP进入考生操作平台,通过收到B端提供的考生唯一考号登录系统,并在考生操作平台上连接上摄像头,考生在操作平台上输入自己的考试基本信息,并进入摄像头调整环节,在摄像头调整环节,先大致将两个镜头摄像方向调整至面对考生自己和面对考试桌面,考生会在操作平台上看到两个镜头摄制的视频画面,与此同时,也可以看到包含了虚拟桌面边界以及虚拟人体上半身边界的画面,此时考生在操作平台上进行精细操作,进一步调整镜头的摄像方向,以使摄制的视频画面正好在虚拟桌面边界以及虚拟人体上半身边界内,如果调整后的画面达到标准,虚拟边界则会由红色线条变成绿色线条,提示调整完成,考生在操作平台上点击开始考试按钮开始远程作答,
步骤(S3),算法模块接收摄像终端模块实时传输过来的视频数据以及考生身份信息数
据,并对摄像终端传输过来的考生行为视频数进行逐帧分析,初始的算法模块内已经设有一个经过训练的多层神经网络模型,来分析考试过程中考生是否出现了潜在作弊行为,如果多层神经网络模型判断考生出现了潜在作弊行为,会为该行为打上带有具体作弊名称的标签,同时截取出现行为的时间点,以及前后15s组成一个长度为30s的小视频,储存到服务器,
步骤(S4),视频数据存放模块接收算法模块传送来的潜在作弊行为标签、作弊时间点、相关视频片段存储地址以及考生的基本信息,存储到数据库中,相关视频片段存储到存储服务器中,
步骤(S5),监考人员在PC上通过网页或者在手机上通过APP进入B端操作平台,进入后,监考人员可以看到整场考试中所有潜在作弊考生列表,以及每个考生的潜在作弊行为列表,进入考生的潜在作弊行为列表后,监考人员可以查看具体的潜在作弊行为视频,并对其进行复核,监考人员根据视频片段的具体情况判断考生的行为是否为作弊行为,以便于对考生做后续处理,
步骤(S6),监考人员复核结束后,系统会将监考人员的人工判断结果同步至算法模块,供多层神经网络模型自身迭代,以进一步提升算法分析的准确性。
[0001]本发明涉及计算机技术与机器学习技术领域,尤其是远程监控和神经网络算法的综合运用,具体涉及一种以远程监控为基础,整合多层神经网络算法的远程考试防作弊系统与使用方法。
[0002]后疫情时代的到来,使得人们在各种场景中对“无接触”的需求越来越大,无接触式购物、无接触式面试、无接触式会议等新名词层出不穷。
[0003]在考试这样一种场景中,目前的主流方法还是将所有考生集中到一起,在监考老师的巡视下进行考试。监考老师会借助于各种辅助仪器,如信号屏蔽设备、室内监控摄像头等阻止或监控考生的作弊行为,以避免由于作弊所造成的不公平现象出现。
[0004]但是,这种主流的考试方式也存在着组织成本高昂、容易受到突发事件干扰等问题,人们也在积极考虑新的考试形式以逐渐取代目前这种主流的方式,尤其是在后疫情时代,已经有越来越多的声音认为,需要有一种无接触式的远程考试以及防作弊系统来弥补现有主流考试方式的不足。
[0005] 远程考试或在线考试形式在弥补如上描述的现有主流考试方式不足上具有很大的潜力,借助于移动互联网的普及,尤其是5G技术的普及,远程考试或在线考试很有可能逐渐取代现有的主流考试方式。目前现有技术中已经有提出了多种远程考试与防作弊系统,并且表现出了一定的实用价值。
[0006] 例如公开号为CN206117880U,公开日为2017年4月19日的专利申请公开了一种针对个人远程考试的多摄像头无人监考系统。通过一个正面视频采集摄像头,一个或以上侧面视频采集摄像头,识别考生身份行为以及基于行为或语音分析识别考生的作弊行为。
[0007] 又如公开号为CN109040668B,公开日为2020年5月22日的专利申请公开了一种在线考试防作弊方法。利用考生的多个智能手机,调用智能手机上的第一、第二摄像头分别扫描显示设备上预设区域中的动态变化识别码以及监视考试行为,确保了智能手机处于正常的监控状态以及监控视频内容的有效性,防止了采用预先录制好的监控视频,替代当前考场监控视频的作弊方式。
[0008] 但是,以上提到的技术方案存在着一些问题,如监控中需要用到多个摄像头/智能手机,对考生来说成本过高,又如整个监控系统安装复杂,实用性受到了一定的影响,更为重要的是以上技术方案中提到的监控系统,并没有有效监控到考生的核心动作区域,即考生完成考试时的桌面区域以及考生在考试时双手的动作,也就是说有很多作弊行为无法被有效识别。对考生而言,他们并不需要采用诸如制作假监控视频等高成本的作弊方式,传统的作弊方式,如夹带小抄、考试过程中用手机查询答案等更有可能是考生们选择的方式,因为这些作弊方式隐蔽且高效,同时作弊成本很低。
[0009] 因此,克服以上提到的现有技术中存在的缺陷是本技术领域需要解决的问题。
[001 1] 本发明的目的在于提供基于机器学习的远程考试防作弊系统与使用方法,以解决上述背景技术中提出的现有的远程考试防作弊系统与使用方法存在不能很好地全面有效识别考生作弊行为,尤其是一些隐蔽性较高作弊行为的问题,能有效识别考生多种作弊行为,同时也能有效降低考生考前的设备安装成本,进而提升了整个系统与方法的实用性。
[0013] 为实现上述目的,本发明提供如下技术方案,基于机器学习的远程考试防作弊系统,它包含摄像终端模块、算法模块、数据存放模块、B端操作平台,其中,
[0014] 所述的摄像终端模块包含两个部分,摄像头和考生操作平台。摄像头为包括两个镜头的整体成型摄像头,可以在考试过程中放置在考生正前方或夹在考生使用电脑屏幕的正上方,并且通过网络连接到数据实时传输模块以及考生操作平台。考试时,其中一个镜头正对考生面部及前胸部分,持续获取考生的正面视频数据,另一个镜头摄像范围则覆盖考生所坐的位置的桌面,持续获取视频数据。考生的操作平台,可以通过网页或者手机APP打开。考生需要在操作平台上完成两个操作,一、输入自己的基本信息,二、通过界面上的反馈画面提示将镜头调整至达到监考要求的位置,
[0015] 所述的算法模块内设一个经过训练的多层神经网络模型,一方面可以对摄像终端传输过来的视频数据实时地进行逐帧分析,分析视频帧画面中是否出现了可用于作弊的物品,以此分析考试过程中考生的实际行为,判断是否出现了潜在作弊行为,神经网络模型会输出视频帧画面中出现物体为各种作弊物体的概率,当概率高于最初设定的阈值时,会做出作弊判断,一旦多层神经网络模型判断考生出现了作弊行为,会为该行为打上带有具体作弊名称的标签,同时截取出现行为的时间点,以及前后15s组成一个长度为30s的小视频存档,另一方面,可以收集B端操作平台反馈过来的人工复核结果,即考生的这个行为是否是作弊行为,如果是作弊行为,具体的作弊行为名称是什么,用于多层神经网络模型的自身迭代,以进一步提升算法分析的准确性,
[0016] 所述的数据存放模块包括结构化数据库和存储服务器两部分,结构化数据库的主要功能是接收算法模块识别出来的潜在作弊行为标签、作弊时间点、相关视频片段存储地址以及考生的基本信息,并按照一定的格式存储在数据库中,供B端操作平台调用,存储服务器是存放相关视频片段的地方。
[0017] 所述的B端操作平台一方面用于B端录入考生信息,由系统生成考生唯一考号,供考生登录考生操作平台,另一方面用于监考人员对作弊行为数据进行人工复核,首先,监考人员根据视频片段的具体情况判断考生的行为是否为作弊行为,以便于对考生做后续处理,然后,系统将监考人员的人工判断结果同步到结构化数据库,供多层神经网络模型自身迭代,
[0018] 作为本发明的进一步改进,所述的摄像终端模块中,摄像头上覆盖考生所坐位置桌面的镜头为广角镜头,以达到尽可能多的覆盖桌面范围。
[0019] 作为本发明的进一步改进,所述的摄像终端模块中,摄像头上的两个镜头非固定,镜头摄像方向均可自由调节。
[0020] 作为本发明的进一步改进,所述的摄像终端模块中,操作平台上的反馈画面为包
[0021] 作为本发明的进一步改进,所述的摄像终端模块中,摄像头上镜头摄像范围调整的方式为考生通过操作平台上的反馈画面提示在操作平台上进行操作,远程控制镜头方向变化,将桌面画面以及自身正面画面调整至虚拟桌面边界以及虚拟人体上半身边界内。
[0022] 作为本发明的进一步改进,所述的摄像终端模块中,考生在操作平台上输入的基本信息包括姓名*手机号码、性别、年龄、考号、所在地区、正规登记照。
[0023] 作为本发明的进一步改进,所述的算法模块识别的潜在作弊行为包括,是否为他人,考试中途是否换人,考生是否拿出手机查询答案,考生是否拿出小抄抄袭,考生是否将手移出座位桌面等情况。
[0024] 作为本发明的进一步改进,所述的算法模块中多层神经网络模型通过Python语言实现,提升了数据运算的效率与便捷性。
[0025] 作为本发明的进一步改进,所述的数据存放模块中存放的视频片段数据会定期进行备份,将数据备份至备用服务器上,以保证数据存放模块中始终有足够的空间存放视频数据片段。
[0026] 作为本发明的进一步改进,所述的B端操作平台中,使用B端操作平台的监考人员包括老师、企业HR、企业培训师等具有考试与监考需求的群体。
[0027] 作为本发明的进一步改进,所述的B端操作平台中,监考人员可以根据考生的姓名**号、手机号码等信息搜索考生是否有潜在作弊行为视频片段,或者根据性别、年龄、所在地区筛选出全部潜在作弊行为视频片段。
[0028] 本发明还提供了一种基于机器学习的远程考试防作弊系统使用方法,包含如下步骤,
[0029] 步骤(S1) ,B端用户在B端操作平台中录入考生的信息,由系统生成考生唯一考号,供考生登录考生的操作平台,
[0030] 步骤(S2) ,考生将一体化摄像头连接电源后,夹在电脑显示器正上方或放置在自己前方的合适位置,考生在PC上通过网页或者在手机上通过APP进入考生操作平台,通过收到B端提供的考生唯一考号登录系统,并在考生操作平台上连接上摄像头,考生在操作平台上输入自己的考试基本信息,并进入摄像头调整环节,在摄像头调整环节,先大致将两个镜头摄像方向调整至面对考生自己和面对考试桌面,考生会在操作平台上看到两个镜头摄制的视频画面,与此同时,也可以看到包含了虚拟桌面边界以及虚拟人体上半身边界的画面,此时考生在操作平台上进行精细操作,进一步调整镜头的摄像方向,以使摄制的视频画面正好在虚拟桌面边界以及虚拟人体上半身边界内,如果调整后的画面达到标准,虚拟边界则会由红色线条变成绿色线条,提示调整完成,考生在操作平台上点击开始考试按钮开始远程作答,
[0031] 步骤(S3) ,算法模块接收摄像终端模块实时传输过来的视频数据以及考生身份信息数据,并对摄像终端传输过来的考生行为视频数进行逐帧分析,初始的算法模块内已经设有一个经过训练的多层神经网络模型,来分析考试过程中考生是否出现了潜在作弊行为,如果多层神经网络模型判断考生出现了潜在作弊行为,会为该行为打上带有具体作弊名称的标签,同时截取出现行为的时间点,以及前后15s组成一个长度为30s的小视频,储存到服务器,
[0032] 步骤(S4) ,视频数据存放模块接收算法模块传送来的潜在作弊行为标签、作弊时间点、相关视频片段存储地址以及考生的基本信息,存储到数据库中,相关视频片段存储到存储服务器中,
[0033] 步骤(S5) ,监考人员在PC上通过网页或者在手机上通过APP进入B端操作平台,进入后,监考人员可以看到整场考试中所有潜在作弊考生列表,以及每个考生的潜在作弊行为列表,进入考生的潜在作弊行为列表后,监考人员可以查看具体的潜在作弊行为视频,并对其进行复核,监考人员根据视频片段的具体情况判断考生的行为是否为作弊行为,以便于对考生做后续处理,
[0034] 步骤(S6) ,监考人员复核结束后,系统会将监考人员的人工判断结果(包括作弊行为的确认以及人工核实后调整的行为标签)同步至算法模块,供多层神经网络模型自身迭代,以进一步提升算法分析的准确性。
[0037] (1)本发明中的摄像终端模块安装与调试过程简单,无需多个摄像头/智能手机,考生只需将一体化摄像头摆放至合适位置,并根据C端操作平台上的反馈提示在操作平台上进行操作,远程控制镜头方向变化,将桌面画面以及自身正面画面调整至虚拟桌面边界以及虚拟人体上半身边界内即可完成设置。对考生而言操作简便、成本低,具有更好的实用性。
[0038] (2)本发明能有效监控到考生考试时的核心动作区域,即考生完成考试时的桌面区域以及考生在考试时双手的动作,可以识别出考生在考试过程中更有可能做出的作弊方式。
[0039] (3)本发明的算法模块使用的是多层神经网络模型对视频中的视频帧进行识别,判断是否出现作弊行为,在使用过程中,监考人员的核实反馈会不断训练多层神经网络模型,优化多层神经网络模型,能够不断提升判断作弊行为的准确性,相比于传统的识别方式,本发明的准确性更高,产品优化迭代的成本更低。
[0040] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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。
[0046] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完
整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0047] 请参阅图1-图5,本具体实施方式采用以下技术方案,一种基于机器学习的远程考试防作弊系统与使用方法,所述的远程考试防作弊系统包含摄像终端模块、算法模块、数据存放模块、B端操作平台,其中,
[0049] 第一部分是包括两个镜头的整体成型摄像头,B端用户可在考试前邮寄给考生(考试结束后需要邮寄回)或考生自行购买相同功能摄像头使用。考试开始前,摄像头需要放置在考生正前方合适位置或夹在考生使用电脑屏幕的正上方,并且通过网络连接到数据实时传输模块以及考生操作平台。摄像头上的两个镜头非固定,镜头摄像方向均可自由调节,即两个镜头均可以调整摄像范围。考试时,摄像头的其中一个镜头正对考生面部及前胸部分,持续获取考生的正面视频数据,另一个镜头摄像范围则覆盖考生所坐的位置的桌面,持续获取视频数据,且摄像头上覆盖考生所坐位置桌面的镜头为广角镜头,以达到尽可能多的覆盖桌面范围,
[0050] 第二部分是考生的操作平台,可以通过网页打开,或者通过手机APP打开。考生登录后需要在操作平台上完成两个动作,一、输入自己的基本信息,包括姓名*手机号码、性别、年龄、考号、所在地区、正规登记照。二、通过界面上的反馈画面提示将镜头调整至达到监考要求的位置。操作平台上的反馈画面为包含了虚拟桌面边界以及虚拟人体上半身边界的画面,考生通过查看操作平台上的反馈画面提示进行操作,远程控制摄像头镜头方向变化,将桌面画面以及自身正面画面调整至虚拟桌面边界以及虚拟人体上半身边界内,如果调整后的画面达到标准,虚拟边界则会由红色线条变成绿色线条,提示调整完成,考生在操作平台上点击开始考试按钮开始远程作答,
[0051] 不同于现有的远程考试系统中的摄像终端模块,本系统中的摄像头获取容易,安装简便,在操作平台上的调试过程傻瓜化,对考生而言操作简便、成本低,具有更好的实用性,
[0052] 算法模块的核心是一个经过训练的多层神经网络模型,通过Python语言实现,提升了数据运算的效率与便捷性。多层神经网络模型经过初始训练后,可对一些常见的隐蔽作弊行为进行识别。考试过程中,算法模块对摄像终端传输过来的视频数据实时地进行逐帧分析,分析考试过程中考生的实际行为,判断是否出现了潜在作弊行为,包括是否为他人,考试中途是否换人,考生是否拿出手机查询答案,考生是否拿出小抄抄袭,考生是否将手移出座位桌面等情况。在实时分析过程中,如果多层神经网络模型判断考生出现了作弊行为,会为该行为打上带有具体作弊名称的标签,同时截取出现行为的时间点,以及前后15s组成一个长度为30s的小视频存档,储存到服务器。另一方面,考试结束后,算法模块也可以收集B端操作平台传输过来的人工复核结果,即考生的这个行为是否是作弊行为,如果是作弊行为,具体的作弊行为名称是什么,用于多层神经网络模型的自身迭代,以进一步提升算法分析的准确性,
[0053] 数据存放模块主要起到衔接算法模块与B端操作平台的作用,包括结构化数据库和存储服务器两部分,结构化数据库的主要功能是接收算法模块识别出来的潜在作弊行为
标签、作弊时间点、相关视频片段存储地址以及考生的基本信息,并按照一定的格式存储在数据库中,供B端操作平台调用,存储服务器是存放相关视频片段的地方。同时,数据存放模块中存放的视频片段数据会定期进行备份,将数据从存储服务器备份至备用服务器,以保证数据存放模块中的存储服务器始终有足够的空间存放视频数据片段,
[0054] B端操作平台,一方面用于B端录入考生信息,由系统生成考生唯一考号,供考生登录考生的操作平台,另一方面也是监考人员的操作平台,监考人员包括老师、企业HR、企业培训师等具有考试与监考需求的群体。监考人员可在PC上通过网页或者在手机上通过APP 进入操作平台,进入操作平台后对作弊行为数据进行人工复核,进入操作平台后,监考人员可以看到整场考试中所有潜在作弊考生列表,以及每个考生的潜在作弊行为列表,进入考生的潜在作弊行为列表后,监考人员可以查看具体的潜在作弊行为视频,并对其进行复核,监考人员根据视频片段的具体情况判断考生的行为是否为作弊行为,以便于对考生做后续处理,同样,监考人员可以根据考生的姓名**号、手机号码等信息搜索考生是否有潜在作弊行为视频片段,或者根据性别、年龄、所在地区筛选出全部潜在作弊行为视频片段。经过监考人员复核结束后的行为标签数据也会传输至算法模块,供多层神经网络模型自身迭代,提升算法分析的准确性。
[0056] 在远程考试过程中,系统会同时监控考生的正面视频数据以及考生所坐的位置的桌面,并将视频数据同步给算法模块,算法模块中的多层神经网络模型会对传输过来的视频数据进行逐帧分析,以判断视频的逐帧画面上是否出现了可以用于作弊的物品,如拿出手机、拿出纸条、拿出书本等,如果检测到了相关的物品,会判定出现了潜在作弊行为,为该行为打上带有具体作弊名称的标签,同时截取出现行为的时间点,以及前后15s组成一个长度为30s的小视频存档,传输至数据存放模块存放。考试结束后,监考人员对多层神经网络模型认定的潜在作弊行为进行复核,如果确认潜在作弊行为确实为作弊行为,则对考生进行后续处理。监考人员复核后的行为标签也会反馈至算法模块,供多层神经网络模型自身迭代,以进一步提升识别的准确性。
[0058] 本实例中,使用者为求职者(后面统一称其为考生) ,在应聘的过程中,需要进行远程笔试,监考人员为企业HR(后面统一称其为监考人员) 。笔试开始前,考生已经收到监考人员快递来的摄像头以及唯一考号,同时被告知通过考生的操作平台进行考试前的设备调试。在考生安放好摄像头并且在操作平台上调试好镜头位置后,开始远程考试。k8凯发官网