【技术实现步骤摘要】
应用神经网络的在线考试检验系统
[0001]本专利技术涉及在线考试领域，尤其涉及一种应用神经网络的在线考试检验系统。
技术介绍
[0002]在线考试是指通过操作计算机在网络上进行考试整个过程的一种考试形式，脱离了纸质媒体，也可以说成是通过网络媒体进行的考试。
[0003]实现在线考试需要搭建一套在线考试系统。在线考试学习系统是取代传统考试的应用型软件，完全实现电脑自动化。传统考试从出题、组卷、印刷，到试卷的分发，答题、收卷，再到判卷，公布成绩，统计分析考试结果整个过程都需要人工参与，周期长，工作量大，容易出错，还要有适当的保密工作，使得整个学习考试成本较大。在线考试学习系统可以完全实现无纸化、网络化、自动化的计算机在线学习考试，对信息化建设具有较大帮助。
[0004]但是，在线考试，尤其是对于未成年人的各类升学考试以及各类资格考试的组织过程中，经常发现有成年人替代未成年人执行在线考试的作弊场景，这种作弊场景会导致在线考试的不公平，需要进行严加防范，然而，由于在线考试具有远程操作的特殊性，这种作弊场景存在较大的操作空间，很难执行有效的针对性的验弊操作。
技术实现思路
[0005]为了解决现有技术中的技术问题，本专利技术提供了一种应用神经网络的在线考试检验系统，能够针对参加在线考试的当前考试人员，将其前后成像图像分块进行拼接以获得组合图像分块，采用经过定制学习后的深度神经网络以基于组合图像分块的各项成像数据智能检验当前参考人员是否为成人目标，从而提升了成人替考的检验精度和检验效率。>[0006]根据本专利技术的一方面，提供了一种应用神经网络的在线考试检验系统，所述系统包括：
[0007]参数分析机构，设置在运行在线考试应用程序的便携式终端内，用于检测所述在线考试应用程序的API函数的考试启动参数的取值，并基于所述在线考试应用程序的API函数的考试启动参数的取值发出考试启动信号或者考试待机信号；
[0008]多机位摄像机，包括设置在所述便携式终端的前后两侧的第一摄像机构和第二摄像机构，所述多机位摄像机与所述参数分析机构通过网络建立执行数据交互的网络通信链路，用于在接收到所述考试启动信号时，驱动所述第一摄像机构和所述第二摄像机构同步对所述便携式终端的前后环境分别执行成像动作，以分别获得第一捕获图像和第二捕获图像；
[0009]目标识别器件，与所述多机位摄像机连接，用于识别所述第一捕获图像中的最大面积的人体目标占据的图像分块以作为第一图像分块，并识别所述第二捕获图像中的最大面积的人体目标占据的图像分块以作为第二图像分块，将所述第一图像分块与所述第二图像分块进行拼接以获得组合图像分块；
[0010]类型判断器件，与所述目标识别器件连接，用于基于组合图像分块的各个像素点
的各个灰度值、组合图像分块的各个像素点分别对应的各个成像景深以及组合图像分块的像素点的数量采用深度神经网络模型判断所述组合图像分块对应的是成人目标还是未成人目标；
[0011]指令触发器件，与所述类型判断器件连接，用于在所述类型判断器件采用深度神经网络模型判断所述组合图像分块对应的是成人目标时，发出作弊预警指令；
[0012]其中，所述指令触发器件还用于在所述类型判断器件采用深度神经网络模型判断所述组合图像分块对应的是未成人目标时，发出正常应试指令。
[0013]由此可见，本专利技术主要具备以下三处显著的技术效果：
[0014]技术效果A：针对参加在线考试的当前考试人员，将其前后成像图像分块进行拼接以获得组合图像分块，基于组合图像分块的各个像素点的各个灰度值、组合图像分块的各个像素点分别对应的各个成像景深以及组合图像分块的像素点的数量采用深度神经网络模型判断所述组合图像分块对应的是成人目标还是未成人目标，从而实现对替考行为的智能化检验；
[0015]技术效果B：通过检测在线考试应用程序的API函数的考试启动参数的取值判断考试是否启动，并仅仅在考试启动时方执行后续的替考行为的智能化检验，从而减少过多无意义的检验操作；
[0016]技术效果C：对深度神经网络执行多次学习动作以获得深度神经网络模型，其中，学习的次数与第一摄像机构或第二摄像机构的成像解析度正向关联，所述第一摄像机构与所述第二摄像机构的成像解析度相等，从而保证了深度神经网络模型智能化检验结果的可靠性和稳定性。
[0017]本专利技术的应用神经网络的在线考试检验系统逻辑紧凑、运行稳定。由于能够将参加在线考试的当前考试人员的前后成像图像分块进行拼接以获得组合图像分块，采用经过定制学习后的深度神经网络以基于组合图像分块的各项成像数据智能检验当前参考人员是否为成人目标，从而形成对成人替考舞弊行为的有效威慑。
附图说明
[0018]以下将结合附图对本专利技术的实施方案进行描述，其中：
[0019]图1为根据本专利技术A实施方案示出的应用神经网络的在线考试检验系统的内部结构示意图。
[0020]图2为根据本专利技术B实施方案示出的应用神经网络的在线考试检验系统的内部结构示意图。
[0021]图3为根据本专利技术C实施方案示出的应用神经网络的在线考试检验系统的内部结构示意图。
具体实施方式
[0022]下面将参照附图对本专利技术的应用神经网络的在线考试检验系统的实施方案进行详细说明。
[0023]图1为根据本专利技术A实施方案示出的应用神经网络的在线考试检验系统的内部结构示意图，所述系统包括：
[0024]参数分析机构，设置在运行在线考试应用程序的便携式终端内，用于检测所述在线考试应用程序的API函数的考试启动参数的取值，并基于所述在线考试应用程序的API函数的考试启动参数的取值发出考试启动信号或者考试待机信号；
[0025]示例地，所述在线考试应用程序包括多种类型的API函数，用于分别表示所述在线考试应用程序的各种状态；
[0026]多机位摄像机，包括设置在所述便携式终端的前后两侧的第一摄像机构和第二摄像机构，所述多机位摄像机与所述参数分析机构通过网络建立执行数据交互的网络通信链路，用于在接收到所述考试启动信号时，驱动所述第一摄像机构和所述第二摄像机构同步对所述便携式终端的前后环境分别执行成像动作，以分别获得第一捕获图像和第二捕获图像；
[0027]目标识别器件，与所述多机位摄像机连接，用于识别所述第一捕获图像中的最大面积的人体目标占据的图像分块以作为第一图像分块，并识别所述第二捕获图像中的最大面积的人体目标占据的图像分块以作为第二图像分块，将所述第一图像分块与所述第二图像分块进行拼接以获得组合图像分块；
[0028]类型判断器件，与所述目标识别器件连接，用于基于组合图像分块的各个像素点的各个灰度值、组合图像分块的各个像素点分别对应的各个成像景深以及组合图像分块的像素点的数量采用深度神经网络模型判断所述组合图像分块对应的是成人目标还是未成人目标；
[0029]指令触发器件，与所述类型判断器件连接，用于在所述类型判断器件采用深度神经网络模型判断所述组合本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种应用神经网络的在线考试检验系统，其特征在于，所述系统包括：参数分析机构，设置在运行在线考试应用程序的便携式终端内，用于检测所述在线考试应用程序的API函数的考试启动参数的取值，并基于所述在线考试应用程序的API函数的考试启动参数的取值发出考试启动信号或者考试待机信号；多机位摄像机，包括设置在所述便携式终端的前后两侧的第一摄像机构和第二摄像机构，所述多机位摄像机与所述参数分析机构通过网络建立执行数据交互的网络通信链路，用于在接收到所述考试启动信号时，驱动所述第一摄像机构和所述第二摄像机构同步对所述便携式终端的前后环境分别执行成像动作，以分别获得第一捕获图像和第二捕获图像；目标识别器件，与所述多机位摄像机连接，用于识别所述第一捕获图像中的最大面积的人体目标占据的图像分块以作为第一图像分块，并识别所述第二捕获图像中的最大面积的人体目标占据的图像分块以作为第二图像分块，将所述第一图像分块与所述第二图像分块进行拼接以获得组合图像分块；类型判断器件，与所述目标识别器件连接，用于基于组合图像分块的各个像素点的各个灰度值、组合图像分块的各个像素点分别对应的各个成像景深以及组合图像分块的像素点的数量采用深度神经网络模型判断所述组合图像分块对应的是成人目标还是未成人目标；指令触发器件，与所述类型判断器件连接，用于在所述类型判断器件采用深度神经网络模型判断所述组合图像分块对应的是成人目标时，发出作弊预警指令；其中，所述指令触发器件还用于在所述类型判断器件采用深度神经网络模型判断所述组合图像分块对应的是未成人目标时，发出正常应试指令。2.如权利要求1所述的应用神经网络的在线考试检验系统，其特征在于：基于组合图像分块的各个像素点的各个灰度值、组合图像分块的各个像素点分别对应的各个成像景深以及组合图像分块的像素点的数量采用深度神经网络模型判断所述组合图像分块对应的是成人目标还是未成人目标包括：将组合图像分块的各个像素点的各个灰度值、组合图像分块的各个像素点分别对应的各个成像景深以及组合图像分块的像素点的数量输入到深度神经网络模型，并执行深度神经网络模型以获得深度神经网络模型输出的成人识别标识；其中，基于组合图像分块的各个像素点的各个灰度值、组合图像分块的各个像素点分别对应的各个成像景深以及组合图像分块的像素点的数量采用深度神经网络模型判断所述组合图像分块对应的是成人目标还是未成人目标包括：当深度神经网络模型输出的成人识别标识为0B01时，判断所述组合图像分块对应的是成人目标时。3.如权利要求2所述的应用神经网络的在线考试检验系统，其特征在于，所述系统还包括：多次学习器件，与所述类型判断器件连接，用于对深度神经网络执行多次学习动作以获得所述深度神经网络模型，并将所述深度神经网络模型发送给所述类型判断器件使用。4.如权利要求3所述的应用神经网络的在线考试检验系统，其特征在于：对深度神经网络执行多次学习动作以获得所述深度神经网络模型，并将所述...
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。