Exam Monitoring System_G09
System Monitoring System comme son nom l'indique est un système de surveillance d'examen qui utilise du machine Learning et de technologie web afin de permettre a l'étudiant de passer les examens à distance en évitant les fraudes.
Slides & Videos
Members
Name | Contribution |
---|---|
Chaima Abdellali | -Réalisation de la partie desktop (WebApp) -Réalisation de la reconnaisse Faciale . -l'établissement de l'état de l'art -Recherche Approfondit sur les outils et les apis |
Ramy Alzebk | -Realisation des Parties Mobile App et serveur -Reconnaissance d'objets -test unitaire et fonctionnel -Recherche et utilisations de Pattern adapté au problème |
State of the Art
Business Aspect
une étude a été faites par l’université de de LAVAL afin d’automatiser la prise de décision, afin de dire si un élève a triché ou pas , La méthode décrite se base sur les avancées en intelligence artificielle, notamment des réseaux génératifs adversaires (generative adversials networks GANs) des réseaux récurrents (recurrent
Université de Paris Sorbonne Nord 3
neurals networks RNN) et de réseaux à convolutions
Respondus Monitor est une solution de surveillance entièrement automatisée. Les étudiants utilisent une webcam pour s’enregistrer pendant un examen en ligne. Par la suite, les événements signalés et les résultats de la surveillance sont mis à la disposition de l’instructeur pour un examen plus approfondi.
Technical Aspect
Aide intelligente pour la surveillance d’examens
une étude a été faites par l’université de de LAVAL afin d’automatiser la prise de décision, afin de dire si un élève a triché ou pas , La méthode décrite se base sur les avancées en intelligence artificielle, notamment des réseaux génératifs adversaires (generative adversials networks GANs) des réseaux récurrents (recurrent neurals networks RNN) et de réseaux à convolutions (Convolutional neural networks CNN). Cette études résous le problème différemment , elle utilise la vidéo et frappe du clavier et le son pour trancher et utilisé un réseau a convolution pour analyser chaque type de données cité précédemment . Ces données sont entraînées et tester sur les données récoltées .
Project Description
Problem Definition
Challenges & Motivation
Real and Complete Usecases
Fonctionnalités générales
WebApp :
- Autentification a l’aide des identifiant de l’université (le numéro d’étudiant et son mot de passe de son compte universitaire)
- • Envoie des données
MobileApp :
- •Authentification à l’aide d’un id de la session saisit par l’étudiant
- •Reconnaisance Faciale
- •Envoies des évènements
Serveur:
- •Generer une Session (Session id)
- •Traitement des évènements
Sénarios idéal
- L’étudiant ouvre l’application desktop du système ( Webapp ), une interface graphique est affiché afin de lui permettre saisir son identifiant et son mot de passe fournit par l’université.
- Les informations (id+mot de passe ) sont envoyer au serveur
- Le serveur génère et envoie un id session qui correspond a la session de l’étudiant (id unique pour chaque session )
- L’id session est affiché dans l’interface du Webapp.
- L’étudiant doit saisir l’id de la session dans l’application mobile (MobileApp)
- L’étudiant doit placer la camera du téléphone face a l’écran de l’ordinateur
- Un écran est détecté par la camera du téléphone
- L’étudiant commence l’examen
- Une détection facial est faite au long de l’examen (reconnaissance faciale de l’étudiant , de multiple personne dans la salle ..ect)
- 10.L’application web envoie une alerte et des captures d’crans au serveur a chaque fois qu’il détecte une tentative de fraude
- 11.L’étudiant clique sur le bouton de fin d’examen .
- 12.Un bashbord est généré contenant , des informations sur l’étudiant(son id+mot de pass+sa photo +la date et l’heure du début de l’examen ainsi que les alertes enregistré pendant l’examen avec des captures d’écran )
Technical Description
Fonctionnalités générales
WebApp :
- Autentification a l’aide des identifiant de l’université (le numéro d’étudiant et son mot de passe de son compte universitaire)
- • Envoie des données(id + mot de passe)
MobileApp :
- •Authentification à l’aide d’un id de la session saisit par l’étudiant (Session id *)
- •Reconnaisance Faciale
- •Envoies des evenements au serveur *
Serveur:
- •Generer une Session (Session id)
- •Traitement des evenement
- •Generer un bashbord ( id de m’étudiant +mot de pass+sa photo +la date et l’heure du début de l’examen ainsi que les alertes enregistré pendant l’examen avec des captures d’écran )
Génération des alarmes
Chaque client (le téléphone, le desktop) génère des alarmes selon des protocoles. Chaque client dispose un model pour implémenter le protocole. Le desktop dispose un model de reconnaissance facial et le téléphone dispose un model de reconnaissance d’objet.
Les protocoles actuels sont les suivants:
- •MobileApp:
- •Détection de deux écran au même temps.
- •Détection d’une personne .
- •Détection d’objets .
- •WebAPP:
- •Détection d’un visage différent du visage de l’étudiant
- •Détection de plusieurs visage au même temps .
Chaque alarme est envoyé accompagné d’une capture de caméra et du type de cet alarme. Pour restreindre le nombre des cas faux positives chaque client limite les alarmes générer à 10 alarmes par minutes.
Reconnaissance Faciale et d’objets
La reconnaissance faciale et d’objets dans la Partie WebApp et MobileApp, est faite à l’aide d’un model pré entrainé d’une librairie déjà existante en Javascript (Voir la Partie langages et Apis) .
Langages et Apis
WebApp:
Cette Partie a été implémenté en utilisant des technologie web afin de Créer une interface ergonomique et utilisable dans tout type de diapositives. Le laquage utilisé dans cette partie est javascript et plus précisément avec Raact Apis . L’apis utilisé pour la partie détection faciale :Face apis js (voir partie références ). Pour l’envoie de données L’apis xios
Mobile Apis :
Cette partie a été implémenté avec aussi une technologie Web :Ionic Apis pour la partie interface et pour la partie machine learning( Detection d’objet a été faite avec l’apis COCOssd qui utilise des modèles de Tensorflow .
Serveur :
Cette partie a été implémenté en utilisant Python flask afin de générer un deshbord .
Hardware
Materials
Image | Name | Part Number | Price | Count | Link |
---|---|---|---|---|---|
Web/mobile/serveur | 0 | 0 | 0 | 🛒 |