本发明针对传统远程考试防作弊系统无法精准识别作弊行为、操作复杂的问题,提出基于机器学习的智能监控方案。通过双镜头摄像头实时采集考生桌面及人体区域视频,利用Keras构建的多层神经网络模型对视频帧进行逐帧分析,结合概率阈值判断潜在作弊行为,并生成30秒片段供人工复核。系统通过算法迭代优化检测精度,实现低成本、高准确率的作弊识别,解决了远程考试中核心动作区域监控不足的技术难题。
1.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。
2.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。
3.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。
4.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。
5.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。
6.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。
7.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。
8.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。
9.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。
11.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。
13.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,
14.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;
15.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;
16.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。
17.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;
18.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。
19.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。
20.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
21.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。
22.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。
23.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。
24.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。
25.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。
26.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。
27.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、考号、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。
28.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:
29.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;
30.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;
31.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;
32.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;
33.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;
34.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。
37.(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。
38.(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。
39.(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。
40.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。
46.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。
47.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,
49.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;
50.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;
51.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;
52.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;
53.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;
54.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、考号、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。
56.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。
58.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。
59.在考试过程中,系统会将摄像头摄制好的考试实况视频同步给算法模块,算法模块中预设一个经过初始训练的多层神经网络模型,可以对同步过来的视频数据实时地进行逐帧分析,判断考生是否表现出了潜在作弊行为(尤其是考生所做位置桌面上是否有各种可供作弊的物品或资料)。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。
60.考试结束后,监考人员在b端操作平台中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
61.请参阅图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、算法模块、数据存放模块、b端操作平台。其中,摄像终端模块包含一个包括两个镜头的整体成型摄像头以及操作平台,用于考生调试以及考试时对考生的行为进行实时监控;算法模块是整个系统的核心,实现先对考生潜在作弊行为的实时分析,并将认定为潜在作弊行为的情况保存视频片段;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,同时能减小算法模块的存储负担,提升算法模块的运算效率;b端操作平台是监考人员的操作平台,作用是对算法模块认定的潜在作弊行为进行人工认定,以便对考生进行后续处理,同时也能对算法模块中的多层神经网络模型进行训练。
62.请参阅图2,基于机器学习的远程考试防作弊系统的数据实时传输流程为:摄像终端模块收集考生的基本信息以及开始过程中的实况视频,并将以上信息实时传输至算法模块,算法模块对传输过来的视频数据进行实时逐帧分析,并将认定的潜在作弊行为相关数据传输至数据存放模块,监考人员对考生潜在作弊行为进行复核时,数据存放模块会将潜在作弊行为相关数据传输至b端操作平台,供监考人员查看,监考人员复核结束后,复核后的潜在作弊行为标签数据会存储到数据库,供多层神经网络模型自身迭代所用。
63.请参阅图3,基于机器学习的远程考试防作弊系统的考生考前调试流程为:考试开始前,考生先在考试位置前安放好收到或购买来的摄像头,然后进入摄像头调试环节,在摄像头调试环节,考生需要登录操作平台,可以通过网页打开,也可以通过手机app打开,并通过收到的唯一考号登录操作平台,考生登录后需要在操作平台上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,随后,会进入到摄像头调试画面,考生会看到一个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。
64.请参阅图4,基于机器学习的远程考试防作弊系统的算法模块工作流程为: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,先将考生身份信息数据存储到数据库中,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的小视频存储到服务器上,并给出存储地址。
65.算法模块的核心是一个多层神经网络模型,使用python语言编写,通过keras算法包实现。首先需要对该多层神经网络模型进行训练,包含常见的考试录像照片。例如使用手机作弊,训练人员需要将所有参与训练的图片做上标记,具体来说,就是将使用手机作弊的图片标记为1,未使用手机作弊的图片标记为0。然后将参与训练的图片进行一系列的处理(例如灰度转换)后,使用神经网络模型进行训练。因为有多种作弊类型,因此神经网络的输出也是多分类。
69.用神经网络模型对样本建模,x为样本集合。在本实施例中,每一组样本均具有相同的因素数量,x1,x2,
,xn为其中的因素。例如在本实施例中,x1为视频帧内是否包含手机,x2为是否遮挡屏幕,x3为双手是否在视频帧内,
,xn是否为测试者本人。y为分类集合,yi∈0,1,2,3,4,cj则为y1、y2、y3、y4、y5所对应的字符串。在本实施例中yi分别代表使用手机作弊(y1)、使用小抄作弊(y2)、他人(y3)、使用考试电脑作弊(y4)、有他人协助(y5)。对于给定的样本xi,计算其为标签cj(各分类y对应的标签,例如y1取值0,对应的标签c1为“使用手机作弊”)的概率p(cjxi),则模型的输出为:
j xi)代表给定样本下属于y1、y2、y3、y4、y5的概率。多层神经网络将输出每种作弊类型的概率,此时可以设定一个的阈值,一般设定为0.6-0.9,如果阈值为0.6,则表示当预测概率小于或等于0.6时,程序初步判定为不作弊,当预测概率大于0.6时,则初步判断为作弊;如果阈值为0.9,则表示当预测概率小于或等于0.9时,程序初步判定为不作弊,当预测概率大于0.9时,则初步判断为作弊。
本实施例中以阈值为0.8进行说明,例如判断测试者是否“使用手机作弊”时,如果算法模型输出的y1的预测概率超过0.8,即可初步认为样本对应的测试者涉及使用手机作弊。系统使用者需要自己根据视频录像的回放对参考人员是否作弊做出评判,并以打标签的方式反馈给算法,算法会根据系统使用者的反馈自行迭代调整。当算法训练结束后,将会使用在新一轮的分析中,算法模块会使用训练好的算法,接收视频帧,然后再次输出参考人员作弊的概率。
请参阅图5,基于机器学习的远程考试防作弊系统的监考人员复核流程为,监考人员登录b端复核与反馈操作平台(同样可在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,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;监考人员复核结束后的行为标签数据会传输至算法模块,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。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
针对在线考试中利用第三方应用作弊的问题,提出通过客户端启动后实时检测并终止指定作弊程序(如即时通讯、浏览器等),结合人脸识别、IP地址验证及随机试题生成等多维度防控措施,有效阻断作弊途径。 ...
针对远程考试缺乏监考导致的作弊问题,提出通过人脸识别与微表情分析技术,结合图像处理和大数据分析,实时监测考生行为动态。系统通过采集考生图像,建立人面模型,分析微表情变化及异常动作,自动识别作弊...
远程考试因缺乏监考易导致作弊,影响公平性。通过图像采集与分析模块,结合微表情识别和行为动态监测技术,实时判断考生作弊行为并预警,有效提升远程考试的公正性。 ...
1.数字信号处理 2.传感器技术及应用 3.机电一体化产品开发 4.机械工程测试技术 5.逆向工程技术研究
1.振动信号时频分析理论与测试系统设计 2.汽车检测系统设计 3.汽车电子控制系统设计