技术特征：
1.一种基于深度学习的自动化考试监考方法，其特征在于，包括以下步骤：步骤1：训练出检测考生的深度学习目标检测模型；步骤2：训练出抬脸，低头二分类的深度学习图像抬脸分类模型；步骤3：训练出侧脸，非侧脸二分类的深度学习图像侧脸分类模型；步骤4：训练出回头，非回头二分类的深度学习图像回头分类模型；步骤5：利用步骤1得到的目标检测模型，检测图像中的考生，并将考生对应的包围盒图像切下来；步骤6：对步骤5得到的考生包围盒图像，利用步骤2得到的抬脸模型进行分类，过滤掉低头答卷的考生；步骤7：对于步骤6剩下的抬脸考生，利用步骤3得到的侧脸分类模型进行分类，得到侧脸行为的考生；步骤8：对于步骤6剩下的抬脸考生，利用步骤4得到的回头分类模型进行分类，得到回头行为的考生；步骤9：对步骤7，步骤8中得到的侧脸、回头考生，记录其时间，教室号，可疑图像；步骤10：对步骤9记录的可疑考生，工作人员做最后审核，做相应处理。2.根据权利要求1所述的基于深度学习的自动化考试监考方法，其特征在于：步骤1包括如下步骤：步骤1-1：从考试录制的视频中截取考生考试的图像；步骤1-2：利用步骤1-1的图像标注考生的目标模型学习训练集，这里利用labelimg工具进行标注；步骤1-3：构造yolov4目标检测网络，yolov4的主干网络采用cspdarknet53，脖颈网络采用pan，检测头部分采用yolo的方法，主干用于通过连续地卷积和下采样提取图像的基本特征，脖颈部分针对图像中目标大小不一的问题，构造出多个尺度特征映射用于检测，同时融合了低层的较强细节，定位信息和高层的强语义信息，更有利于多种尺寸目标的检测，检测头是网络生成所有包围盒部分，并执行非极大值抑制算法，去除单个目标的冗余包围盒，得到最终的检测结果；步骤1-4：利用预训练权重初始化yolov4的主干网络，其他部分按需初始化；步骤1-5：利用步骤1-2的数据集，对步骤1-4的目标检测模型进行微调，得到可以检测考生目标的泛化模型。3.根据权利要求2所述的基于深度学习的自动化考试监考方法，其特征在于：步骤2包括以下步骤：步骤2-1：对于步骤1-1中截取的考试图像，框出足量考生抬脸和低头的图像，并切下考生图像；步骤2-2：构建mobilenetv3图像分类网络；步骤2-3：利用预训练权重初始化mobilenetv3网络；步骤2-4：利用步骤2-1的数据集，微调步骤2-3的mobilenetv3网络，得到可以分类抬脸低头的图像分类模型。4.根据权利要求3所述的基于深度学习的自动化考试监考方法，其特征在于：步骤3包括以下步骤：
步骤3-1：对于步骤1-1中截取的考试图像，框出足量考生侧脸和非侧脸的图像，并切下考生图像；步骤3-2：利用步骤3-1的数据集，微调步骤2-3的mobilenetv3网络，得到可以分类侧脸非侧脸的图像分类模型。5.根据权利要求4所述的基于深度学习的自动化考试监考方法，其特征在于：步骤4方法如下：步骤4-1：对于步骤1-1中截取的考试图像，框出足量考生回头和非回头的图像，并切下考生图像；步骤4-2：利用步骤4-1的数据集，微调步骤2-3的mobilenetv3网络，得到可以分类回头非回头的图像分类模型。6.根据权利要求5所述的基于深度学习的自动化考试监考方法，其特征在于：步骤5方法如下：步骤5-1：利用步骤1-5得到考生目标检测模型，对原图像检测，得到考生的包围框；步骤5-2：利用步骤5-1得到考生包围框，切下原图像中考生的图像区域。7.根据权利要求6所述的基于深度学习的自动化考试监考方法，其特征在于：步骤6方法包括：步骤6-1：利用步骤5-2得到考生区域图像，利用步骤2-4得到的模型进行抬脸或者低头图像分类；步骤6-2：利用步骤6-1的分类结果，将低头答卷的考生过滤掉，留下抬脸的考生。8.根据权利要求7所述的基于深度学习的自动化考试监考方法，其特征在于：步骤7方法包括：步骤7-1：将步骤6-2留下的抬脸考生的区域图像输入到步骤3-2得到的模型，进行侧脸非侧脸的分类；步骤7-2：利用步骤7-1的分类结果，将非侧脸的考生过滤掉，只留下侧脸的考生。9.根据权利要求8所述的基于深度学习的自动化考试监考方法，其特征在于：步骤8方法包括：步骤8-1：将步骤6-2留下的抬脸考生的区域图像输入到步骤4-2得到的模型，进行回头非回头的分类；步骤8-2：利用步骤8-1的分类结果，将非回头的考生过滤掉，只留下回头的考生。10.根据权利要求9所述的基于深度学习的自动化考试监考方法，其特征在于：步骤9方法如下：对于步骤7-2中得到的侧脸考生，和步骤8-2得到的回头考生，分别记录他们的行为时间，教室号，行为图像。
技术总结
本发明公开了一种基于深度学习的自动化考试监考方法，包括：步骤1：训练出检测考生的深度学习目标检测模型；步骤2～4：分别训练出深度学习图像抬脸分类模型、侧脸分类模型、回头分类模型；步骤5：利用目标检测模型，检测图像中的考生，并将考生对应的包围盒图像切下来；步骤6：对考生包围盒图像，利用抬脸分类模型进行分类，过滤掉低头答卷的考生；步骤7～8：对于剩下的抬脸考生，分别利用侧脸分类模型、回头分类模型进行分类，得到侧脸、回头行为的考生；步骤9：对侧脸、回头考生，记录其时间，教室号，可疑图像，工作人员做最后审核，做相应处理。本发明实现一定程度自动化、智能化地监考，并且算法速度很快。并且算法速度很快。并且算法速度很快。
技术研发人员：王晨阳 周关龙 张苏杭 丁辉 齐晓强 方良民 张锐 赵志伟 刘舜 郭延文
受保护的技术使用者：苏州金瑞阳信息科技有限责任公司
技术研发日：2021.12.29
技术公布日：2022/5/5