CN112686311A - 一种在线考试系统 - Google Patents
一种在线考试系统 Download PDFInfo
- Publication number
- CN112686311A CN112686311A CN202011609766.1A CN202011609766A CN112686311A CN 112686311 A CN112686311 A CN 112686311A CN 202011609766 A CN202011609766 A CN 202011609766A CN 112686311 A CN112686311 A CN 112686311A
- Authority
- CN
- China
- Prior art keywords
- examinee
- module
- images
- examination
- sending
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 241000209202 Bromus secalinus Species 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 51
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000007781 pre-processing Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 12
- 238000002360 preparation method Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 241000209094 Oryza Species 0.000 claims description 4
- 235000007164 Oryza sativa Nutrition 0.000 claims description 4
- 235000013339 cereals Nutrition 0.000 claims description 4
- 235000009566 rice Nutrition 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 210000005069 ears Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种在线考试系统。本发明包括提出的系统通过增加监控机位以及与深度学习理论结合起来，对考生的实时监控录像进行智能化的在线处理并判断考生是否作弊，由此形成了一套完整的防作弊的在线考试系统。本发明通过增加机位对考生的行为捕捉地更加清晰，提高了判断是否作弊的准确度。与深度学习相结合且根据考生个人特征以及背景环境训练的防作弊模型使得判断考生是否作弊不再局限于监考老师的判断，形成了完整的一套自动化的防作弊系统，节省了大量的人力物力。
Description
技术领域
本发明属于人工智能技术领域，涉及一种在线考试系统。
背景技术
随着互联网技术的快速发展以及移动智能设备的快速普及，在线学习已经成为越来越多人的选择，在这样的背景下，开发安全，公平的在线考试平台已经是迫在眉睫的工作。相比于传统的考试，电子文档更易管理，保存的时间也更长；同时在线考试也可以使得老师从监考中解放出来，节省了大量的人力物力。
虽然在线考试平台有着很大的便利，但是由于其作弊的可能性较高，无法大面积的使用在线考试平台。目前流行的在线考试平台，其主要通过防止切屏操作以及通过摄像头的远程监考来达到防作弊的目的。但是由于摄像头的角度问题，只能捕捉到考生的脸部范围而放过了对考生手部的监控，这就给想要作弊的考生留下了可乘之机；并且在本质上进行监考的依然是坐在服务器面前的监考老师，当老师面对大量的实时监控数据的时候很难做到找出每一个作弊的学生尤其在某些作弊行为比较隐蔽的情况下。
发明内容
本发明的目的就是针对现有的在线考试平台无法捕捉到考生手部动作以及无法智能处理实时监控数据，提出一种基于人工智能的在线考试系统。本发明提出的系统通过增加监控机位以及与深度学习理论结合起来，对考生的实时监控录像进行智能化的在线处理并判断考生是否作弊，由此形成了一套完整的防作弊的在线考试系统。
为实现上述目的，本发明所采用的技术方案是：
一种在线考试系统，包括外部设备，客户端和服务器；所述服务器用来保存考生的信息以及接收客户端上传的考生疑似作弊的数据(可以是图像，一段音频和音频翻译成的文本)和考生提交的试卷；所述的外部设备为一副头戴式耳机，带有摄像头、麦克风的pc机和移动端(智能手机或平板电脑)；头戴式耳机用于屏蔽信号以及降噪；带有摄像头、麦克风的pc机，作为第一机位用于考生登录客户端进行考试以及在考试期间监控考生；移动端(智能手机或平板电脑)作为第二机位在考试期间监控考生；
所述头戴式耳机具有降噪模块、屏蔽信号模块和压力检测模块，降噪模块包括被动降噪模块和主动降噪模块，被动降噪模块采用物理原理初步滤去环境噪声，主动降噪模块发出与外界噪声幅值相等且反相的声波来达到深度去噪效果；所述号屏蔽模块用来屏蔽作弊考生藏在耳中的米粒耳机的信号，使其无法接收到无线电信号；所述压力检测模块，在考试期间，考生试图将耳机脱下，压力检测模块会检测到压力的改变，当压力变化的大小达到阈值时，客户端发出提醒：请考生正确佩戴耳机。将考生行为拍照并上传服务器，将标记次数加一，当标记次数达到阈值时，即判断考生作弊。
第一机位的摄像头正对考生的脸部，第二机位的摄像头在考生右后方45度，距离一米左右，要求考生的双手在第二机位的摄像头的范围内。第二机位的设备同时要求能登录考试客户端。
所述的客户端用于接收以及处理客户端上传的数据；包括登录模块，窗口锁定以及热键屏蔽模块，实时监控模块，存储模块；
所述登录模块包括人脸采集模块和人脸验证模块，人脸采集模块用于对考生的人脸进行图像采集；人脸验证模块用于考试准备阶段对考生身份的认证；
人脸验证模块在验证失败次数达到设定次数时，将该考生账户锁定，若要解锁，需联系考生所属学校或者机构；
所述窗口锁定以及热键屏蔽模块包括窗口锁定模块和热键屏蔽模块，窗口锁定模块用于在考试期间使客户端始终保持最大化，并始终保持所有窗口最前端；客户端采用单窗口运行模式，在考生登录客户端进入考试准备阶段时，窗口即执行最大化操作，并且置于所有窗口的最前端。考试正式开始后，客户端每一秒检查一次窗口是否被置顶，若未被置顶，立即强制置顶且进行截图操作，将截图上传服务器，启动报警模块，提醒考生不要做与考试无关的动作，当考生违规操作次数达到阈值时，则判定考生作弊，取消考生考试资格。由于检查时间间隔短，考生无法在这个时间内做出有效的操作，保护了考试的公平。
热键屏蔽模块用于屏蔽考试期间考生使用快捷键，组合键位以及鼠标的右键，使考生无法进行与考试无关的动作。屏蔽热键模块通过加载低级键盘钩子截获大部分的系统热键，并且屏蔽它们，同时屏蔽鼠标右键功能，在此同时，由于智能输入法在输入特定词汇时，会出现提示性词语或者对拼音有纠错功能，因此智能输入法也会被屏蔽，智能输入法的屏蔽采用进程名称监控的方法。
所述实时监控模块包括训练模型模块、作弊识别模块、语音捕捉模块、定时比对模块和报警模块；所述的训练模型模块用于在考试准备阶段针对不同的考生训练不同的作弊识别模型，提高作弊识别的准确度；第一机位以及第二机位摄像头全程对考生上半身行为轨迹进行追踪，通过作弊识别模块实时识别作弊行为；在考试期间，语音捕捉模块用于实时检测当前声音并识别；所述定时比对模块在考试中，每隔10到15分钟进行人脸比对，用于防止出现替考以及多人考试的情况；所述的报警模块用于出现疑似作弊的情况时，提醒考生停止当前行为，将情况记录；
所述训练模型模块，在考生登录客户端进入考前准备阶段时，开始针对考生训练作弊识别模型，采用深度学习中的CNN神经网络，模型的输入为考生连续的四帧图像并人为的标记作弊的可能性，可能性分为0,0.25,0.5,0.75,1五档。
所述存储模块包括本地存储模块和上传模块，本地存储模块用于将考生全程的考试视频保存；上传模块用于将考试疑似作弊或者确定作弊的行为上传到服务器，留作证据。
一个考生需要训练两个模型分别属于第一机位以及第二机位。模型训练具体包括以下步骤：
S1.首先对第一机位，在考生进入考试准备阶段后，发出指令：请考生正对摄像头，并保持脸部清晰的出现在镜头前；
S2.摄像头采集图像并进行图像预处理由处理器标记为0，送入神经网络训练；
S3.上述步骤完成后，发出指令：请考生倾斜身体20到30度，让脸部出现在镜头的轮廓内；
S4.摄像头采集图像并进行图像预处理由处理器标记为0.25，送入神经网络训练；
S5.上述步骤完成后，发出指令：请考生倾斜身体30度到45度，让脸部出现在镜头的轮廓内；
S6.摄像头采集图像并进行图像预处理由处理器标记为0.5，送入神经网络训练；
S7.上述步骤完成后，发出指令：请考生倾斜身体，只让脸部的一半出现在镜头的轮廓内；
S8.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S9.上述步骤完成后，发出指令：请考生倾斜身体，让脸部不出现在镜头的轮廓内；
S10.摄像头采集图像并进行图像预处理由处理器标记为1，送入神经网络训练；
S11.上述步骤完成后，发出指令：请考生侧脸80度到90度；
S12.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S13.其次对第二机位，主要针对考生的手部动作。在第一机位的模型训练完成后，开始第二机位的模型训练。发出指令：请考生双手放在桌子上；
S14.摄像头采集图像并进行图像预处理由处理器标记为0，送入神经网络训练；
S15.上述步骤完成后，发出指令：请考生双手置于桌下；
S16.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S17.上述步骤完成后，发出指令：请考生双手离开第二机位有效范围内；
S18.摄像头采集图像并进行图像预处理由处理器标记为1，送入神经网络训练。
上述步骤完成后，针对考生个人的作弊识别模型已经训练完成，考生应静静等待考试开始。
所述作弊识别模块，在考生进入考试时，开始启动，每隔一秒钟取考生的连续四帧图像，经过图像预处理后，送入作弊识别模型进行识别，输出的是一个概率，0代表没有作弊，1代表确定作弊。概率在0.4以下时，系统会判断考生进行的是正常的考试行为。当概率大于0.4时，启动报警模块，首先提示考生：回到正确的考试姿势，不要做与考试无关的动作；其次将考生的动作拍照并上传到服务器；最后将该考生标记。当概率值等于1或者违规操作次数以及被标记次数达到阈值时，判断考生作弊，强制提交试卷，以及成绩做0分处理，通知所属学校或者机构。
所述语音捕捉模块，在考试期间实时检测，在检测到声音输出时，立即进行对比识别，如果是噪声，则模块继续实时检测；如果是语音输出，对语音中的词汇进行识别，保存，发送到服务器，标记次数加一，并提醒考生：考试期间保持安静。当标记次数达到阈值时，断定考生考试期间与他人交流，立即结束考试，取消考试成绩，通知所属学校或者机构。
所述定时比对模块，在考试期间，每隔10到15分钟执行一次人脸比对模块，当人脸匹配失败时，此模块会立即进行第二次匹配，若匹配三次都失败，系统判断考生中途替考，取消成绩。由于作弊识别模块的存在，定时比对模块并不需要以很高的频率去执行。此模块和作弊识别模块组成了一道双保险，进一步降低了考生作弊而未被发现的风险。此模块主要作用是防止出现多人考试或者替考的现象。
所述本地存储模块：将考生考试全程录像保存在客户端所在设备中(此设备如果是手机就保存在手机中，如果是pc机就保存在pc机中)，如果考生对处理结果有异议，可以凭借全程录像发起申诉；因此请勿随意删除全程录像。
与现有技术相比，本发明具有以下优点：(1)通过头戴式耳机，降低了环境噪声对考生的影响，屏蔽了戴在耳中的通讯设备的信号，使其无法与外界设备通讯。(2)通过增加机位对考生的行为捕捉地更加清晰，提高了判断是否作弊的准确度。(3)采用屏蔽热键以及智能输入法的方式，来进一步杜绝考生作弊的心思。(4)与深度学习相结合且根据考生个人特征以及背景环境训练的防作弊模型使得判断考生是否作弊不再局限于监考老师的判断，形成了完整的一套自动化的防作弊系统，节省了大量的人力物力。(5)采用语音捕捉模块，对考试环境周围声音进行实时检测，进一步杜绝了考生与他人交流的可能性，提高了考试的公平性。
附图说明
图1为窗体控制模块以及实时监控模块具体工作方式的流程图；
图2为本发明的整体流程图；
图3位本发明包含的所有模块以及模块之间的所属关系。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的分析。以下实施方式或者附图用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，数字“0”，“0.25”，“0.5”，“0.75”，“1”等，仅是为了便于描述本发明而不是要求本发明必须以特定数字来操作，因此不应当理解为对本发明的限制。
参照图2以及图3，本发明公开了一种在线考试系统，包括以下步骤：A.考生登录；B.戴上耳机C.训练防作弊模型；D.开启窗体控制以及热键屏蔽模块；E.开启实时监控模块；F.开始考试；G.考试结束；
其中步骤A具体包括：考生进行人脸对比验证，进入考试准备阶段。
其中步骤B具体包括：如果将此步骤放在步骤C之后，由于训练样本与测试样本人脸特征存在差别，会导致神经网络判断的准确度下降。因此此步骤应在步骤C之前。在考试期间，考生试图将耳机脱下，压力检测模块会检测到压力的改变，当压力变化的大小达到阈值时，客户端发出提醒：请考生正确佩戴耳机。将考生行为拍照并上传服务器。将标记次数加一，当标记次数达到阈值时(在一般的情况下阈值th1为5次，管理员也可根据具体情况自行设置)，即判断考生作弊。
其中步骤C具体包括：1.针对考生训练作弊识别模型，采用深度学习中的CNN神经网络。2.模型的输入为考生连续的四帧图像并人为的标记作弊的可能性，可能性分为0，0.25，0.5，0.75，1五档。3.一个考生需要训练两个模型分别属于第一机位以及第二机位。模型训练具体包括以下步骤：
S1.首先对第一机位，在考生进入考试准备阶段后，发出指令：请考生正对摄像头，并保持脸部清晰的出现在镜头前；
S2.摄像头采集图像并进行图像预处理由处理器标记为0，送入神经网络训练；
S3.上述步骤完成后，发出指令：请考生倾斜身体20度到30度，让脸部出现在镜头的轮廓内；
S4.摄像头采集图像并进行图像预处理由处理器标记为0.25，送入神经网络训练；
S5.上述步骤完成后，发出指令：请考生倾斜身体30度到45度，让脸部出现在镜头的轮廓内；
S6.摄像头采集图像并进行图像预处理由处理器标记为0.5，送入神经网络训练；
S7.上述步骤完成后，发出指令：请考生倾斜身体，只让脸部的一半出现在镜头的轮廓内；
S8.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S9.上述步骤完成后，发出指令：请考生倾斜身体，让脸部不出现在镜头的轮廓内；
S10.摄像头采集图像并进行图像预处理由处理器标记为1，送入神经网络训练；
S11.上述步骤完成后，发出指令：请考生侧脸80度到90度；
S12.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S13.其次对第二机位，主要针对考生的手部动作。在第一机位的模型训练完成后，开始第二机位的模型训练。发出指令：请考生双手放在桌子上；
S14.摄像头采集图像并进行图像预处理由处理器标记为0，送入神经网络训练；
S15.上述步骤完成后，发出指令：请考生双手置于桌下；
S16.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S17.上述步骤完成后，发出指令：请考生双手离开第二机位有效范围内；
S18.摄像头采集图像并进行图像预处理由处理器标记为1，送入神经网络训练。
上述步骤完成后，针对考生个人的作弊识别模型已经训练完成，考生应静静等待考试开始。
其中步骤D具体包括：考试正式开始后，客户端每一秒检查一次窗口是否被置顶，若未被置顶，立即强制置顶且进行截图操作，将截图上传服务器，启动报警模块，提醒考生不要做与考试无关的动作，当考生违规操作次数达到阈值时，(在一般的情况下阈值th2为5次，管理员也可根据具体情况自行设置)则判定考生作弊，取消考生考试资格。在考试期间，学生无法使用快捷键(比如Ctrl-c,Ctrl-v)对试卷上的内容进行操作，同时屏蔽鼠标右键以及智能输入法的使用。
其中步骤E具体包括：在考生进入考试时，开始启动，每隔一秒钟取考生的连续四帧图像，经过图像预处理后，送入作弊识别模型进行识别，输出的是一个概率，0代表没有作弊，1代表确定作弊。概率在0.4以下时，系统会判断考生进行的是正常的考试行为。当概率大于0.4时，启动报警模块，首先提示考生：回到正确的考试姿势，不要做与考试无关的动作；其次将考生的动作拍照并上传到服务器；最后将该考生标记。当概率值等于1或者违规操作次数以及被标记次数达到阈值时，(在一般的情况下阈值th3为5次，管理员也可根据具体情况自行设置)判断考生作弊，强制提交试卷，以及成绩做0分处理，通知所属学校或者机构，并发送该考生违规行为图片以及全程考试录像；同时语音捕捉模块在考生考试期间实时工作，在检测到声音输出时，立即进行对比识别，如果是噪声，则模块继续实时检测；如果是语音输出，对语音中的词汇进行识别，保存，发送到服务器，标记次数加一，并提醒考生：考试期间保持安静。当标记次数达到阈值时(在一般的情况下阈值th4为5次，管理员也可根据具体情况自行设置)，断定考生考试期间与他人交流，取消考试成绩，通知所属学校或者机构，并发送相关违规操作行为截图或语音文本。
其中步骤F具体包括：如图1所示，在考生进行考试期间，定时比对模块，窗体控制以及热键屏蔽模块以及作弊识别模块都在实时运行。其中定时对比模块每10到15分钟开启一次，对考生进行人脸验证，若遇到三次匹配失败则判断考生作弊。其中窗体控制模块每一秒钟判断一次客户端窗口是否在最前，若不是在最前端，则强制置顶且对屏幕截屏，将截图发送到服务器，违规操作次数加一，当违规操作次数达到阈值时则判断考生作弊。其中作弊识别模块每一秒钟截取四帧考生的图像送入训练好的模型进行判断。若概率P<0.4,则考生行为正常；若概率0.4<P<1,则认为考生做出了疑似作弊的动作，系统提示考生，并发送考生图像至服务器，且标记次数加一，当标记次数到阈值时，则判断作弊；若概率P＝1，则直接判断考生作弊；其中语音捕捉模块在考生考试期间实时工作，在检测到声音输出时，立即进行对比识别，如果是噪声，则模块继续实时检测；如果是语音输出，对语音中的词汇进行识别，保存，连同语音片段一起发送到服务器，标记次数加一，并提醒考生：考试期间保持安静。当标记次数达到阈值时，断定考生考试期间与他人交流，视为考生作弊。
其中步骤G具体包括：当考试时间到或者考生提前交卷，视为考试结束，客户端将试卷上传服务器供老师批阅或者检查。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (7)
1.一种在线考试系统，包括外部设备，客户端和服务器；其特征在于：所述服务器用来保存考生的信息以及接收客户端上传的考生疑似作弊的数据和考生提交的试卷；
所述的外部设备为头戴式耳机，带有摄像头、麦克风的pc机和移动端；头戴式耳机用于屏蔽信号以及降噪；带有摄像头、麦克风的pc机，作为第一机位用于考生登录客户端进行考试以及在考试期间监控考生；移动端作为第二机位在考试期间监控考生；第一机位的摄像头正对考生的脸部，第二机位的摄像头在考生右后方45度，距离一米左右，要求考生的双手在第二机位的摄像头的范围内；第二机位的设备同时要求能登录考试客户端；
所述的客户端用于接收以及处理客户端上传的数据；包括登录模块，窗口锁定以及热键屏蔽模块，实时监控模块，存储模块；所述登录模块包括人脸采集模块和人脸验证模块，人脸采集模块用于对考生的人脸进行图像采集；人脸验证模块用于考试准备阶段对考生身份的认证；所述窗口锁定以及热键屏蔽模块包括窗口锁定模块和热键屏蔽模块，窗口锁定模块用于在考试期间使客户端始终保持最大化，并始终保持所有窗口最前端；所述的热键屏蔽模块用于屏蔽考试期间考生使用快捷键，组合键位以及鼠标的右键，使考生无法进行与考试无关的动作；所述的实时监控模块包括训练模型模块、作弊识别模块、语音捕捉模块、定时比对模块和报警模块；所述的训练模型模块用于在考试准备阶段针对不同的考生训练不同的作弊识别模型，提高作弊识别的准确度；第一机位以及第二机位摄像头全程对考生上半身行为轨迹进行追踪，通过作弊识别模块实时识别作弊行为；在考试期间，语音捕捉模块用于实时检测当前声音并识别；所述定时比对模块在考试中，每隔10到15分钟进行人脸比对，用于防止出现替考以及多人考试的情况；所述的报警模块用于出现疑似作弊的情况时，提醒考生停止当前行为，将情况记录；所述的存储模块包括本地存储模块和上传模块，本地存储模块用于将考生全程的考试视频保存；上传模块用于将考试疑似作弊或者确定作弊的行为上传到，留作证据。
2.如权利要求1所述的在线考试系统，其特征在于：所述的头戴式耳机具有降噪模块、屏蔽信号模块和压力检测模块，降噪模块包括被动降噪模块和主动降噪模块，被动降噪模块采用物理原理初步滤去环境噪声，主动降噪模块发出与外界噪声幅值相等且反相的声波来达到深度去噪效果；所述号屏蔽模块用来屏蔽作弊考生藏在耳中的米粒耳机的信号，使其无法接收到无线电信号；所述压力检测模块，在考试期间，考生试图将耳机脱下，压力检测模块会检测到压力的改变，当压力变化的大小达到阈值时，客户端发出提醒：请考生正确佩戴耳机；将考生行为拍照并上传服务器，将标记次数加一，当标记次数达到阈值时，即判断考生作弊。
3.如权利要求1所述的在线考试系统，其特征在于：所述的人脸验证模块在验证失败次数达到设定次数时，将该考生账户锁定，若要解锁，需联系考生所属学校或者机构。
4.如权利要求1所述的在线考试系统，其特征在于：所述的客户端采用单窗口运行模式，在考生登录客户端进入考试准备阶段时，窗口即执行最大化操作，并且置于所有窗口的最前端；考试正式开始后，客户端每一秒检查一次窗口是否被置顶，若未被置顶，立即强制置顶且进行截图操作，将截图上传服务器，启动报警模块，提醒考生不要做与考试无关的动作，当考生违规操作次数达到阈值时，则判定考生作弊，取消考生考试资格；由于检查时间间隔短，考生无法在这个时间内做出有效的操作，保护了考试的公平。
5.如权利要求1所述的在线考试系统，其特征在于：所述的屏蔽热键模块通过加载低级键盘钩子截获大部分的系统热键，并且屏蔽它们，同时屏蔽鼠标右键功能，在此同时，由于智能输入法在输入特定词汇时，会出现提示性词语或者对拼音有纠错功能，因此智能输入法也会被屏蔽，智能输入法的屏蔽采用进程名称监控的方法。
6.如权利要求1所述的在线考试系统，其特征在于：所述的训练模型模块，在考生登录客户端进入考前准备阶段时，开始针对考生训练作弊识别模型，采用深度学习中的CNN神经网络，模型的输入为考生连续的四帧图像并人为的标记作弊的可能性。
7.如权利要求1所述的在线考试系统，其特征在于：每个考生需要训练两个模型分别属于第一机位以及第二机位；所述的训练模型模块的模型训练具体包括以下步骤：
S1.首先对第一机位，在考生进入考试准备阶段后，发出指令：请考生正对摄像头，并保持脸部清晰的出现在镜头前；
S2.摄像头采集图像并进行图像预处理由处理器标记为0，送入神经网络训练；
S3.上述步骤完成后，发出指令：请考生倾斜身体20度到30度，让脸部出现在镜头的轮廓内；
S4.摄像头采集图像并进行图像预处理由处理器标记为0.25，送入神经网络训练；
S5.上述步骤完成后，发出指令：请考生倾斜身体30度到45度，让脸部出现在镜头的轮廓内；
S6.摄像头采集图像并进行图像预处理由处理器标记为0.5，送入神经网络训练；
S7.上述步骤完成后，发出指令：请考生倾斜身体，只让脸部的一半出现在镜头的轮廓内；
S8.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S9.上述步骤完成后，发出指令：请考生倾斜身体，让脸部不出现在镜头的轮廓内；
S10.摄像头采集图像并进行图像预处理由处理器标记为1，送入神经网络训练；
S11.上述步骤完成后，发出指令：请考生侧脸80度到90度；
S12.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S13.其次对第二机位，主要针对考生的手部动作；在第一机位的模型训练完成后，开始第二机位的模型训练；发出指令：请考生双手放在桌子上；
S14.摄像头采集图像并进行图像预处理由处理器标记为0，送入神经网络训练；
S15.上述步骤完成后，发出指令：请考生双手置于桌下；
S16.摄像头采集图像并进行图像预处理由处理器标记为0.75，送入神经网络训练；
S17.上述步骤完成后，发出指令：请考生双手离开第二机位有效范围内；
S18.摄像头采集图像并进行图像预处理由处理器标记为1，送入神经网络训练；
上述步骤完成后，针对考生个人的作弊识别模型训练完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011609766.1A CN112686311A (zh) | 2020-12-30 | 2020-12-30 | 一种在线考试系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011609766.1A CN112686311A (zh) | 2020-12-30 | 2020-12-30 | 一种在线考试系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686311A true CN112686311A (zh) | 2021-04-20 |
Family
ID=75454985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011609766.1A Pending CN112686311A (zh) | 2020-12-30 | 2020-12-30 | 一种在线考试系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686311A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113568823A (zh) * | 2021-09-27 | 2021-10-29 | 深圳市永达电子信息股份有限公司 | 一种员工操作行为监控方法、系统和计算机可读介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101765770B1 (ko) * | 2016-02-29 | 2017-08-07 | 손부경 | 영상 처리를 이용한 온라인 시험의 부정행위 검출 시스템 및 그 방법과 이를 구현하기 위한 프로그램이 저장된 기록매체 |
| CN110135282A (zh) * | 2019-04-25 | 2019-08-16 | 沈阳航空航天大学 | 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法 |
| CN110807090A (zh) * | 2019-10-30 | 2020-02-18 | 福建工程学院 | 一种面向在线考试的无人监考方法 |
| CN111382672A (zh) * | 2019-12-31 | 2020-07-07 | 国网北京市电力公司 | 在线考试的作弊监测方法和装置 |
| CN111709001A (zh) * | 2020-06-16 | 2020-09-25 | 上海卓越睿新数码科技有限公司 | 一种防止在线考试作弊的方法 |
| CN112102129A (zh) * | 2020-09-21 | 2020-12-18 | 南京润北智能环境研究院有限公司 | 一种基于学生端数据处理的智能考试作弊识别系统 |
-
2020
- 2020-12-30 CN CN202011609766.1A patent/CN112686311A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101765770B1 (ko) * | 2016-02-29 | 2017-08-07 | 손부경 | 영상 처리를 이용한 온라인 시험의 부정행위 검출 시스템 및 그 방법과 이를 구현하기 위한 프로그램이 저장된 기록매체 |
| CN110135282A (zh) * | 2019-04-25 | 2019-08-16 | 沈阳航空航天大学 | 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法 |
| CN110807090A (zh) * | 2019-10-30 | 2020-02-18 | 福建工程学院 | 一种面向在线考试的无人监考方法 |
| CN111382672A (zh) * | 2019-12-31 | 2020-07-07 | 国网北京市电力公司 | 在线考试的作弊监测方法和装置 |
| CN111709001A (zh) * | 2020-06-16 | 2020-09-25 | 上海卓越睿新数码科技有限公司 | 一种防止在线考试作弊的方法 |
| CN112102129A (zh) * | 2020-09-21 | 2020-12-18 | 南京润北智能环境研究院有限公司 | 一种基于学生端数据处理的智能考试作弊识别系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113568823A (zh) * | 2021-09-27 | 2021-10-29 | 深圳市永达电子信息股份有限公司 | 一种员工操作行为监控方法、系统和计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
| US10810510B2 (en) | Conversation and context aware fraud and abuse prevention agent | |
| Labayen et al. | Online student authentication and proctoring system based on multimodal biometrics technology | |
| CN112328999B (zh) | 双录质检方法、装置、服务器及存储介质 | |
| CN106850648B (zh) | 身份验证方法、客户端和服务平台 | |
| CN107977776A (zh) | 信息处理方法、装置、服务器及计算机可读存储介质 | |
| Soewito et al. | Attendance system on Android smartphone | |
| US20190026606A1 (en) | To-be-detected information generating method and apparatus, living body detecting method and apparatus, device and storage medium | |
| CN110795963A (zh) | 一种基于人脸识别的监控方法、装置及设备 | |
| CN111241883B (zh) | 防止远程被测人员作弊的方法和装置 | |
| KR20180050968A (ko) | 온라인 시험 관리 방법 | |
| CN106941506A (zh) | 基于生物特征的数据处理方法和装置 | |
| CN109389028A (zh) | 基于动作分析的人脸识别方法、装置、设备及存储介质 | |
| CN113947376A (zh) | 基于多重生物特征的c/s打卡方法和装置 | |
| US20230267531A1 (en) | Onboarding Platform for Performing Dynamic Mitigation Analysis | |
| CN114677634B (zh) | 面签识别方法、装置、电子设备及存储介质 | |
| CN111553189A (zh) | 基于视频信息的数据验证方法、装置及存储介质 | |
| CN112788269A (zh) | 视频处理方法、装置、服务器及存储介质 | |
| CN112686311A (zh) | 一种在线考试系统 | |
| CN111402096A (zh) | 一种在线授课质量管理方法、系统、设备和介质 | |
| CN110795971B (zh) | 一种用户行为识别方法、装置、设备及计算机存储介质 | |
| US11418757B1 (en) | Controlled-environment facility video communications monitoring system | |
| CN114220148A (zh) | 线上考试监考的处理方法、装置、终端设备及存储介质 | |
| KR102615709B1 (ko) | 녹음 녹화 프로그램이 구비된 응시자 단말의 정면 카메라와 보조 카메라를 사용하여 부정 행위를 방지하는 안면윤곽선 인식 인공 지능을 사용한 온라인 시험 시스템 및 그 방법 | |
| US20230259885A1 (en) | Onboarding platform for performing dynamic mitigation analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |