一、项目概述
随着教育信息化的发展，传统人工监考方式在大规模考试中暴露出效率低、人力成本高、主观性强等问题。为提升考试管理智能化和规范化水平，本项目设计并实现了一套基于 YOLOv12 深度学习算法的考试异常行为检测与分析系统，能够对考场中多类异常行为进行实时识别、标注、统计和留存。
系统核心功能包括：
-
多源视频输入与处理（视频文件、实时摄像头、静态图片）
-
12类考场异常行为自动检测与标注
-
异常行为实时统计与分析
-
数据持久化存储与回溯查询
-
考场管理与考试规则配置
通过该系统，监考人员可有效减轻工作负担，提高考试公平性与规范性。
二、核心技术与算法亮点
1. YOLO12n 核心模型
系统采用 YOLOv12n（Nano） 作为检测核心，相较前代模型具备以下优势：
-
轻量化：参数量仅 2.6M，计算量 6.7 GFLOPs，模型文件约 5.5MB
-
高精度：在考试异常行为验证集上达到 mAP@0.5 = 99.50%，mAP@0.5:0.95 = 99.48%
-
高效实时：GPU 推理速度 50+ FPS，支持 CPU 边缘部署
-
小目标友好：多尺度特征融合（FPN+PAN），结合注意力模块 A2C2f
-
优化回归与分类：采用 DFL 和 Varifocal Loss，动态分配正负样本以提升定位与分类精度
2. 异常行为检测类别
系统能够自动识别 12 类典型考场异常行为：
提前作答 | 左右偏头 | 向后偏头 | 考试站立
传递可疑物品 | 捡拾可疑物品 | 携带可疑物品 | 手放桌下并埋头
考生中途出入考场 | 举手 | 销毁试卷 | 考后继续作答
3. 模型架构
-
Backbone：C3k2 轻量模块提取多尺度特征
-
Neck：FPN+PAN 特征金字塔，结合 A2C2f 注意力模块
-
Head：三尺度解耦检测头，采用 Anchor-Free 机制输出边界框、行为类别概率和置信度
4. 数据集与训练策略
-
数据集：5,463 张标注图像（训练集3,824张，验证集1,092张，测试集547张）
-
数据增强：Mosaic、随机翻转、缩放、色彩抖动、平移
-
训练配置：150轮训练，学习率线性衰减，前3轮 warmup
-
训练结果：
-
精确率 99.86%，召回率 99.69%
-
mAP@0.5:0.95 达 99.48%
-
损失函数平稳下降，训练与验证集曲线一致，无过拟合现象
-
三、系统架构与实现
1. 软件架构
-
语言与框架：Python 3.12 + PySide6 + OpenCV + SQLite
-
架构设计：四层模块化架构（数据层、算法层、业务逻辑层、展示层）
-
异步处理：DetectWorker 多线程保证 GUI 流畅
2. 系统功能模块
| 模块 | 功能概述 |
|---|---|
| 视频检测 | 支持 MP4/AVI/MOV，逐帧识别，标注视频和抓拍图片 |
| 实时检测 | 本地或网络摄像头流实时识别，异常行为触发告警 |
| 数据分析 | 统计识别次数、行为分布、置信度；可视化展示（条形图、饼图） |
| 记录管理 | SQLite 持久化存储，查询历史识别记录，支持按来源和行为类别统计 |
| 参数配置 | 考场信息、考试时间、规则管理、防作弊设置、告警提醒 |
四、系统性能与测试
-
实时性能：平均帧率 30 FPS 以上，支持实时监控
-
检测精度：mAP@0.5 = 99.50%，mAP@0.5:0.95 = 99.48%，精确率 99.86%，召回率 99.69%
-
模型轻量化：仅 2.6M 参数，适合 GPU/CPU 及边缘设备部署
-
异常行为识别可靠性：误识别率和漏检率均低于 0.5%
五、开发心得与经验总结
-
模型轻量化与实时性平衡
在保证高精度的前提下，使用 YOLO12n 轻量化模型，减少参数量和计算复杂度，使模型在 CPU/边缘设备也能实时运行。
-
注意力模块提升小目标检测
A2C2f 注意力增强模块能够突出手部动作、可疑物品等关键区域，显著提高小目标及复杂场景的检测能力。
-
数据集质量与多样性关键
高质量标注、丰富场景和多光照条件数据增强了模型泛化能力，为高 mAP 提供了坚实基础。
-
端到端系统集成
结合 PySide6 GUI、多线程异步处理和 SQLite 数据库，实现了从实时检测、标注到统计分析和存储的完整闭环，提升系统可用性与易用性。
-
训练策略优化收敛
Mosaic 增强策略结合 warmup 学习率，使模型快速收敛，减少前期不稳定，提高最终性能。
六、总结与展望
该系统实现了 基于 YOLO12n 的考场异常行为智能识别，具有高精度、轻量化、实时化、可视化和数据分析功能，能够显著提升考试监控效率和公平性。
未来可进一步扩展：
-
增加更多异常行为类别及行为动作组合识别
-
集成多摄像头同步识别与跨摄像头行为追踪
-
引入视频摘要和自动告警机制
-
支持云端/边缘协同部署，实现大规模考试场景下的智能监控