面向在线考试的行为风险检测方法及电子设备与流程

摘要: 本技术涉及在线教育监考,更具体的说,是涉及一种面向在线考试的行为风险检测方法及电子设备。背景技术:1、随着在线教育与远程测评的普及,在线考试规模持续扩大,依赖人...
面向在线考试的行为风险检测方法及电子设备与流程

本技术涉及在线教育监考,更具体的说,是涉及一种面向在线考试的行为风险检测方法及电子设备。

背景技术:

1、随着在线教育与远程测评的普及,在线考试规模持续扩大,依赖人工远程巡考的监考模式已难以满足高并发、低成本的监考需求,ai 自动化行为监考技术成为行业主流方案。

2、现有在线考试的端侧监考技术,通常在考试客户端中集成人脸检测等算法模型,直接基于模型输出结果触发风险告警。具体而言,检测模型在识别到无人脸、多人人脸等状态后,直接输出对应的 “离座”“多人同框” 等业务风险结论,客户端直接基于该结论执行告警、上报等操作。

3、上述技术方案存在底层检测推理与业务风险解释强耦合的单一架构缺陷:一方面,监考规则的调整(如风险阈值修改、特定风险类型禁用)必须侵入修改检测模型的推理逻辑,无法根据不同考试的监考策略灵活配置,适配成本高;另一方面,新增或替换检测模型时,需要同步改造业务风险判定逻辑,难以快速扩展音频异常、物品检测等多模态监考能力;此外,风险结论与原始检测数据脱节,误报发生时无法追溯判定依据,不利于监考结果的复盘与优化。

技术实现思路

1、鉴于上述问题,提出了本技术以便提供一种面向在线考试的行为风险检测方法及电子设备,以实现对底层检测推理与上层业务风险判定的解耦,从而克服传统方案所存在的问题。具体方案如下:

2、第一方面,提供了一种面向在线考试的行为风险检测方法,应用于考试客户端,方法包括:

3、采集考试过程中考生的多媒体数据;

4、通过端侧检测引擎对所述多媒体数据执行推理,得到原始检测信号,所述原始检测信号为表征考生行为状态的量化特征数据,且不包含业务级别的风险判定结果;

5、通过独立于所述端侧检测引擎运行的风险解释模块获取所述原始检测信号,基于预配置的风险解释策略对所述原始检测信号进行业务风险判定,生成考生行为风险事件;

6、响应于所述考生行为风险事件,执行对应的风险处理操作。

7、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述多媒体数据包括视频数据和/或音频数据;

8、所述端侧检测引擎包括视觉检测器和/或音频分析器;

9、通过端侧检测引擎对所述多媒体数据执行推理,得到原始检测信号的过程,包括:

10、通过所述视觉检测器对所述视频数据进行特征提取,得到视觉量化特征数据;和/或,

11、通过所述音频分析器对所述音频数据进行特征提取,得到音频量化特征数据,由所述视觉量化特征数据和/或所述音频量化特征数据组成所述原始检测信号。

12、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述视觉量化特征数据包括以下至少之一:人脸数量、人脸框、遮挡状态、头部姿态角度、视线偏离比例、嘴部开合度、物体类别标签及其置信度;

13、所述音频量化特征数据包括音频电平值。

14、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述视觉检测器包括第一精度级别的人脸检测模型和第二精度级别的轻量人脸检测模型,所述第一精度级别高于所述第二精度级别;

15、通过所述视觉检测器对所述视频数据进行特征提取的过程,包括:

16、优先启用所述第一精度级别的人脸检测模型对所述视频数据进行特征提取;在所述第一精度级别的人脸检测模型不可用时,降级启用所述第二精度级别的轻量人脸检测模型对所述视频数据进行特征提取;在所述第二精度级别的轻量人脸检测模型不可用时,降级对所述视频数据执行画布像素级分析。

17、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,在通过独立于所述端侧检测引擎运行的风险解释模块获取所述原始检测信号之前,还包括:

18、通过适配层对所述原始检测信号执行格式归一化处理,转换为所述风险解释模块可识别的同一标准状态数据后,再输入至所述风险解释模块。

19、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,多媒体数据采集与端侧推理采用串行定时调度方式:

20、上一帧采样与推理流程完成后,再调度下一帧采样任务,避免采样重叠;

21、当摄像头未就绪时,输出未知状态信号,不直接判定为行为风险。

22、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述风险解释策略包括连续帧确认策略;

23、基于所述连续帧确认策略对所述原始检测信号进行业务风险判定,生成考生行为风险事件的过程,包括:

24、对所述原始检测信号中的目标类型数值进行连续多次采样;

25、当所述目标类型数值连续满足预设异常条件的次数达到第一阈值时,确认生成与所述预设异常条件对应类型的考生行为风险事件;

26、当所述目标类型数值在连续多次采样中恢复至正常范围且稳定保持次数达到第二阈值时,生成恢复事件。

27、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述目标类型数值包括人脸数量;所述预设异常条件包括以下至少之一:人脸数量为零、人脸数量大于1、摄像头画面被遮挡、摄像头关闭;

28、与人脸数量为零对应的考生行为风险事件为离座风险;

29、与人脸数量大于1对应的考生行为风险事件为多人同框风险;

30、与摄像头画面被遮挡对应的考生行为风险事件为摄像头遮挡风险;

31、与摄像头关闭对应的考生行为风险事件为摄像头关闭风险。

32、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述风险解释策略包括姿态基线校准策略;

33、所述方法还包括:

34、在考试开始后的预设时段内,采集所述原始检测信号中头部姿态角度样本,基于采集到的多个头部姿态角度样本建立个体头部姿态角度基线;

35、则基于所述姿态基线校准策略对所述原始检测信号进行业务风险判定,生成考生行为风险事件的过程,包括:

36、获取当前时刻的原始检测信号中的头部姿态角度相对于所述个体头部姿态角度基线的偏移量;

37、当所述偏移量超过头部姿态阈值时,生成姿态异常风险事件。

38、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,采集头部姿态角度样本的过程,包括:在头部偏航角和翻滚角未超过第四阈值、且视线偏离比例未超过第五阈值时,采集当前时刻的头部姿态角度作为有效样本;

39、所述个体头部姿态角度基线为多个头部姿态角度样本的统计中心值。

40、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述头部姿态阈值包括偏航和翻滚角阈值、俯仰角阈值、视线偏离比例阈值、嘴部开合度阈值中的至少一项;

41、则当所述偏移量超过头部姿态阈值时,生成姿态异常风险事件的过程,包括:

42、若当前时刻的头部姿态角度中的偏航角和/或翻滚角的绝对值超过所述偏航和翻滚角阈值,生成转头风险事件;

43、若当前时刻的头部姿态角度中的俯仰角的绝对值超过所述俯仰角阈值,生成低头或抬头风险事件;

44、若当前时刻的头部姿态角度中的实现偏离比例的绝对值超过所述视线偏离比例阈值,生成视线偏离风险事件;

45、若当前时刻的头部姿态角度中的嘴部开合度超过所述嘴部开合度阈值,且当前时刻的音频未静音,生成嘴部异常张开风险事件。

46、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述风险解释策略还包括重武装策略;所述方法还包括:

47、在所述考生行为风险事件确认后,当所述目标类型数值恢复至正常范围时,重置连续采样计数并置为重武装状态;在所述重武装状态下,当所述目标类型数值再次连续满足所述预设异常条件的次数达到所述第一阈值时,再次确认生成所述考生行为风险事件。

48、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述风险解释策略还包括短暂不可评估容忍策略;所述方法还包括:

49、当因所述原始检测信号中目标类型数值缺失导致当前次采样无法判定是否满足所述预设异常条件时,维持当前连续采样计数不变;仅当连续无法判定的次数达到第三阈值时,重置所述连续采样计数。

50、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,所述风险解释策略包括时间窗聚合策略;

51、基于所述时间窗聚合策略对所述原始检测信号进行业务风险判定,生成考生行为风险事件的过程,包括:

52、在预设时间窗口内,统计已确认的指定类型考生行为风险事件的发生次数;

53、当所述发生次数超过设定聚合阈值时,生成行为模式聚合风险事件,并清空所述预设时间窗口内的计数。

54、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,还包括:

55、响应于场景控制指令,将当前监测模式设置为暂停状态或音频静音状态;

56、在所述暂停状态下,继续采集所述多媒体数据并执行推理,但暂停生成所述考生行为风险事件;

57、在所述音频静音状态下,继续采集所述多媒体数据并执行推理,但暂停基于音频类原始检测信号生成所述考生行为风险事件。

58、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,响应于所述考生行为风险事件,执行对应的风险处理操作的过程,包括:

59、响应于所述考生行为风险事件,锁定事件发生时间戳,截取组合证据图,所述组合证据图包括考试页面内容、监考浮窗画面、摄像头视频帧及强控遮罩中至少两者的合成画面。

60、在一种可能的设计中,在本技术实施例的第一方面的另一种实现方式中,响应于所述考生行为风险事件,执行对应的风险处理操作的过程,还包括:

61、将所述组合证据图保存为本地证据文件;

62、通过临时凭证将所述本地证据文件上传至对象存储服务;

63、生成与所述考生行为风险事件对应的风险轨迹项,所述风险轨迹项包含以下至少之一:事件类型、事件状态、事件发生时间、组合证据图上传状态、组合证据图存储地址。

64、第二方面,提供了一种电子设备,包括:存储器和处理器;

65、所述存储器,用于存储程序;

66、所述处理器,用于执行所述程序,实现如本技术第一方面任一项所述的面向在线考试的行为风险检测方法的各个步骤。

67、借由上述技术方案,本技术通过在端侧检测引擎与业务风险输出之间设置独立的风险解释模块,实现了原始检测信号的获取与业务风险判定的解耦,当考试主办方需要调整风险判定规则(如修改连续触发帧数、增加特定场景的屏蔽策略等)时,仅需在风险解释模块中更新风险解释策略,无需修改底层检测引擎的代码或重新训练检测引擎,极大降低了系统的升级维护成本,并支持策略的快速迭代。

68、由于本技术设置了独立的风险解释模块,因此在将原始检测信号转换为最终风险事件之前,支持灵活配置风险解释策略,如引入时序平滑处理、多帧综合判定等逻辑,这些逻辑相比于传统检测模型的单次推理结果,能够有效滤除因设备抖动、环境瞬时变化等带来的原始检测信号噪声,从根本上避免了传统方案依赖单帧信号进行风险告警所存在的频繁误报,提升监控结果的可信度。

69、此外,本技术的风险事件与原始检测信号对应,在出现误报或监考争议时,可通过原始检测信号追溯判定依据,快速定位问题来源,便于监控规则的优化与事后复盘。

70、进一步,由于检测引擎和风险解释模块解耦,二者可以分别独立进行性能优化、功能迭代,降低模块间强耦合带来的研发协同成本。