为维护考试公平正义，推进信息化考场建设。2025年暑期，安徽工业大学必赢76net线路唯一官方网站组织赵旭冉、郑宇雪、邵云迪、程云麟、杨梦溪开展了基于深度学习的考场异常行为识别算法创新实践活动。

从考场痛点出发的技术攻关

“考试作弊极大地影响了教育公平和考试公信力，传统人工电子监考方式需要付出极大的人力成本且易于产生视觉疲劳，难以在动态复杂的考场环境中对每位考生实现全过程实时监管。随着深度学习技术的发展，构建基于目标检测的智能化监考系统已成为有效的解决方法。”团队成员邵云迪道出研发初衷。

经过查阅大量的文献，团队决定采用先进的YOLOv7目标检测算法进行考场异常行为识别研究。该算法在目标检测领域具有识别精度高、响应速度快的优势，能够满足实时监测的需求。赵旭冉解释：“YOLOv7相比前代版本在准确率和速度上都有显著提升，这对需要实时处理的考场监控视频至关重要。”

科学构建异常行为数据集

6月30日起，团队在安徽工业大学东校区汇文楼D栋开展数据采集工作。通过模拟考场环境，确定了包含站立，传递可疑物品，使用智能手表，转身，使用手机等常见的异常行为。

数据收集过程充满挑战。团队成员邀请同学参与场景模拟，在空教室中采取多方位录像，从不同角度捕捉异常行为。“我们通过模拟真实考场环境从前后左右等多角度进行数据拍摄，以提升模型的泛化能力和鲁棒性。”负责数据采集的程云麟介绍。

数据处理阶段，团队成员学习了Labelimg等图像标注工具的使用方法，对采集到的图像进行精确标注。“我们需要在每张图片中框选出目标对象并标注类别，这项工作看似简单却极其繁琐，累计标注了数万张图像。”负责数据标注之一的郑宇雪表示。

模型的搭建与测试

在模型搭建过程中，团队遇到了环境依赖冲突问题，在徐韬老师的指导下，通过创建独立的虚拟环境，逐步调试CUDA，PyTorch等关键组件的版本兼容性，最终解决了环境匹配问题，并成功复现了YOLOv7算法。

“下一步我们将在搭建的模型进行考场异常行为数据集的训练和测试，并采用多种数据增强方法，包括调整亮度、添加噪声和随机裁剪等提升模型的泛化能力。”负责算法优化的赵旭冉说。

实践收获与未来展望

经过一个暑假的努力，团队不仅构建了考场异常行为数据集，更成功搭建了基于YOLOv7的异常行为检测原型系统。本次创新实践不仅展现了当代大学生运用专业技术解决社会问题的能力，更体现了安徽工业大学学子对社会责任的自觉担当。通过将所学知识应用于实际场景，团队成员在提升专业技能的同时，也为促进教育公平提供了技术解决方案（撰稿：赵旭冉 汪凡刘潇涵 审核：王天蓝 刘在春 蒋磊）