应用于智慧教育的人工智能异常识别方法技术

本发明专利技术涉及一种应用于智慧教育的人工智能异常识别方法，其包括：接收考试管理终端发送的第一监考信息以及智能监考设备发送的第二监考信息。将监控视频按照预设步长分割以生成监考图像序列。根据考试座位分布信息和考生座位映射信息对监考图像序列进行处理得到考生监考序列包，并对考生监考序列包进行处理得到异常识别特征向量。将异常识别特征向量输入到人工智能异常识别模型以识别相应考生是否存在作弊行为。在人工智能异常识别模型识别出相应考生存在作弊行为时，发送作弊警示信息到考试管理终端；在人工智能异常识别模型识别出相应考生不存在作弊行为时，根据所述异常识别特征向量对人工智能异常识别模型进行更新训练。

【技术实现步骤摘要】
应用于智慧教育的人工智能异常识别方法
本专利技术涉及智慧教育和人工智能领域，尤其涉及一种应用于智慧教育的人工智能异常识别方法。
技术介绍
随着人工智能技术的普及，人类社会正在从信息化时代步入智能化时代。我们在生活中己经能切身感受到人工智能带来的便利，很多场景中能够找到人工智能的身影。人工智能作为新一轮产业变革的核心驱动力之一，对社会和经济将产生深远影响。人工智能与行业场景深度结合，会产生显著的效益，人工智能可以助力传统行业实现跨越式升级，同时人工智能技术本身也得以持续进化。目前安防、金融、教育等行业的人工智能变革已经取得了较好的成果。教师的工作是传道受业解惑，但是目前教师除了教书育人，还要做许多辛苦的工作，比如批改大量作业和监考等。将人工智能应用到考场监考，将大大降低教师的劳动强度，有利于考试的组织安排，保证考试的工作性。
技术实现思路
有鉴于此，本专利技术提供了一种应用于智慧教育的人工智能异常识别方法，其包括：接收考试管理终端发送的第一监考信息以及智能监考设备发送的第二监考信息；将监控视频在时间维度本文档来自技高网...

【技术保护点】
1.一种应用于智慧教育的人工智能异常识别方法，其特征在于，接收考试管理终端发送的第一监考信息以及智能监考设备发送的第二监考信息；/n将监控视频在时间维度上按照预设步长分割为若干个监考图像，并按照时间顺序将所有监考图像进行排列以生成监考图像序列；/n根据考试座位图获取考试座位分布信息，并根据考试座位分布信息将监考图像划分若干个不规则网格，然后根据所有不规则网格的重心得到内插网格间距；/n根据所述内插网格间距将监考图像划分为等间距的规则网格以得到监考划分图像，并根据监考划分图像得到监考子图包；/n根据考试座位图获取考生座位映射信息，并根据考生座位映射信息对监考子图包进行映射处理以得到考生监考序列包...

【技术特征摘要】
1.一种应用于智慧教育的人工智能异常识别方法，其特征在于，接收考试管理终端发送的第一监考信息以及智能监考设备发送的第二监考信息；
将监控视频在时间维度上按照预设步长分割为若干个监考图像，并按照时间顺序将所有监考图像进行排列以生成监考图像序列；
根据考试座位图获取考试座位分布信息，并根据考试座位分布信息将监考图像划分若干个不规则网格，然后根据所有不规则网格的重心得到内插网格间距；
根据所述内插网格间距将监考图像划分为等间距的规则网格以得到监考划分图像，并根据监考划分图像得到监考子图包；
根据考试座位图获取考生座位映射信息，并根据考生座位映射信息对监考子图包进行映射处理以得到考生监考序列包；
根据考生监考序列包获取行为识别点序列，并根据行为识别点序列获取所有行为识别点的时间特征和空间特征，然后将行为识别点的时间特征和空间特征进行特征融合以获取行为识别点的时空特征；
根据每个行为识别点的时空特征和每个行为识别点的周围行为识别点的时空特征进行像素直方图统计以得到异常识别特征向量；
从数据库获取异常识别训练数据，并根据异常识别训练数据进行神经网络模型训练以得到人工智能异常识别模型，然后将异常识别特征向量输入到人工智能异常识别模型以识别相应考生是否存在作弊行为；
在人工智能异常识别模型识别出相应考生存在作弊行为时，发送作弊警示信息到考试管理终端；
在人工智能异常识别模型识别出相应考生不存在作弊行为时，根据所述异常识别特征向量对人工智能异常识别模型进行更新训练。


2.根据权利要求1所述的方法，其特征在于，将异常识别特征向量输入到人工智能异常识别模型识别相应考生是否存在作弊行为包括：
将异常识别特征向量输入到预先训练的人工智能异常识别模型，人工智能异常识别模型对所述异常识别特征向量进行数据处理以得到所述异常识别特征向量的异常值，并将所述异常识别特征向量的异常值与异常阈值进行比较；
在所述异常识别特征向量的异常值大于或等于异常阈值时，人工智能异常识别模型识别相应考生存在作弊行为并输出识别结果；
在所述异常识别特征向量的异常值小于异常阈值时，人工智能异常识别模型识别相应考生不存在作弊行为并输出识别结果。


3.根据权利要求1或2所述的方法，其特征在于，人工智能异常识别模型对异常识别特征向量进行数据处理得到异常识别特征向量的异常值包括：
人工智能异常识别模型的卷积层提取异常识别特征向量的异常识别特征；
人工智能异常识别模型的激励层对所述异常识别特征进行非线性映射以对所述异常识别特征进行特征增强；
人工智能异常识别模型的池化层对所述异常识别特征进行数据压缩和参数压缩以降低异常识别特征的维度从而减小过拟合；
人工智能异常识别模型的全连接层将所述异常识别特征进行扁平化处理为一维张量，并将所述一维张量输入到分类器中以得到所述异常识别特征向量的异常值。


4.根据权利要求1至3之一所述的方法，其特征在于，所述第一监考信息包括：考试编号、考试时间、考试地点和考试座位图；所述第二监考信息包括：考试编号、考试时间、考试地点和监考视频。


5.根据权利要求4所述的方法，其特征在于，根据考试座位分布信息得到监考划分图像包括：
以监考图像中心为坐标轴原点建立标准坐标系，并以标准坐标系为参考坐标系建立距离矩阵，然后根据考试座位分布信息将监考图像划分若干个不规则网格；
根据距离矩阵获取监考图像中每个不规则网格的重心到标准坐标系的原点的距离，并根据所有不规则网格的重心到标准坐标系的原点的距离得到内插网格间距；
根据所述内插网格间距将...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：彭皓，
类型：发明
国别省市：四川;51