研究背景与意义
随着在线考试和信息化教学的快速发展，传统人工监考方式在大规模考试场景中逐渐暴露出效率低、主观性强和监管成本高等问题。基于计算机视觉与深度学习的智慧考场技术，能够对考生行为进行自动分析与实时监测，成为当前教育信息化建设的重要研究方向。本文基于 YOLOv8 目标检测算法，设计并实现了一套智慧考场考试防作弊行为检测系统，对考试过程中可能出现的作弊行为进行自动识别与预警，从而提升考试的公平性与智能化水平。
系统总体设计
系统整体采用模块化设计思想，主要包括视频输入模块、作弊行为检测模块、行为统计与判定模块以及 PyQt5 图形化界面展示模块。系统支持本地视频文件和实时摄像头作为输入源，通过对视频流进行逐帧处理，利用深度学习模型对考生行为进行检测与分类，并将检测结果实时绘制在界面中，实现对异常行为的直观展示和统计分析。
YOLOv8 模型与数据集构建
在算法层面，本文选用 YOLOv8 作为核心检测模型，该模型具有 Anchor-Free 结构、推理速度快和检测精度高等优势，适合实时监考场景。根据实际考试环境，构建了包含“左右张望、低头看手机、交头接耳、传递纸条、多考生同框”等多类别作弊行为的数据集，并采用 LabelImg 工具进行标注，生成符合 YOLO 格式的数据标签，为模型训练提供可靠的数据支撑。
模型训练与推理实现
在模型训练阶段，基于 Ultralytics 官方 YOLOv8 框架，对构建的数据集进行训练和验证，通过合理设置训练轮数、输入尺寸和批量大小，获得性能稳定的检测模型。在系统运行过程中，模型对输入视频帧进行实时推理，输出作弊行为的类别信息及对应目标框位置，并结合阈值策略过滤低置信度结果，从而提高系统整体检测准确率。
界面实现与系统效果
在应用层面，采用 PyQt5 构建系统图形用户界面，实现视频画面实时显示、检测结果叠加、作弊行为统计与报警提示等功能。实验结果表明，该系统能够在常见考试场景下稳定运行，对多种作弊行为具有较好的识别效果，具备一定的实用价值。未来可进一步结合人体姿态识别、时序行为分析和边缘计算部署等技术，对系统性能和应用范围进行扩展与优化。
