Detecting the usage of a mobile phone during an online test using AI technology

• Autorzy: Al-allaf Ahmad F. , Asker Bashar H.

Identyfikatory

DOI

10.15199/48.2022.11.11

Warianty tytułu

PL

Wykrywanie użycia telefonu komórkowego podczas testu online z wykorzystaniem technologii AI

• Języki publikacji: EN

Abstrakty

EN

In this research, the YOLOV5 machine learning algorithm was used to detect using of the mobile phone during the electronic test. A custom dataset of phone images in different poses and orientations was created and then categorized using the Makesense webpage. The webcam on the examinee's computer captures real-time videos of the examinee and then analyzes them with the YOLOV5 algorithm. The maximum accuracy of real-time mobile phone usage detection was 92% and FAR 4%. For comparison and verification purposes, the Jetson Nano was used to detect phone usage for the same data set. The accuracy of detection with Jetson was up to 85% with 5% FAR. The two results were good and promising.

PL

Jednym z niebezpieczeństw egzaminów elektronicznych jest oszustwo przy użyciu telefonu komórkowego. W badaniach wykorzystano algorytm uczenia maszynowego YOLOV5 do wykrywania użycia telefonu komórkowego podczas testu elektronicznego. Utworzono niestandardowy zestaw danych obrazów telefonu w różnych pozach i orientacjach, a następnie skategoryzowano go za pomocą strony internetowej Makesense. Kamera internetowa na komputerze osoby badanej przechwytuje wideo osoby badanej w czasie rzeczywistym, a następnie analizuje je za pomocą algorytmu YOLOV5. Maksymalna dokładność wykrywania użycia telefonu komórkowego w czasie rzeczywistym wyniosła 92%, a FAR 4%. Do celów porównawczych i weryfikacji wykorzystano Jetson Nano do wykrywania użycia telefonu dla tego samego zestawu danych. Dokładność wykrywania za pomocą Jetson wynosiła do 85% przy 5% FAR. Oba wyniki były dobre i obiecujące.

Słowa kluczowe

EN

YOLOv5; cell phone detection; cheating in the online exam; jetson nano

PL

telefon komórkowy; egzamin online; YOLOv5

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 11
• Strony: 67--70
• Opis fizyczny: Bibliogr. 21 poz. rys.

Twórcy

autor

Al-allaf Ahmad F.

• Northern Technical University, Engineering Technical College of Mosul, Department of Computer Engineering Technology, IRAQ

autor

Asker Bashar H.

• Northern Technical University, Engineering Technical College of Mosul, Department of Computer Engineering Technology, IRAQ

Bibliografia

• [1] Najwan W., Nawal A. and Mohammed G., Automatic Detection of Underage Troopers from LiveVideos Based on Deep Learning, Przegląd Elektrotechniczny, 97(2021), No.9, 85-88.
• [2] Zhu L., Geng X., Li Z. and Liu C., Improving YOLOv5 with Attention Mechanism for Detecting Boulders from Planetary Images. Remote Sens. 13(2021), No.3776, 1-19.
• [3] Nelson J. and Solawetz J., Responding to the Controversy about YOLOv5, 12/JUN/2020, Available at: https://blog.roboflow.com/yolov4-versus-yolov5.
• [4] Syahri M. and Budi P., Automatics Detect and Shooter Robot Based on Object Detection Using Camera, Przegląd Elektrotechniczny, 98(2022), No.1, 50-54.
• [5] Kasper M., Hahn N., Berger S., Sebulonsen T., Myrland Ø., and Kummervold P., Short Communication: Detecting Heavy Goods Vehicles in Rest Areas in Winter Conditions Using YOLOv5, Algorithms, 14(2021), No. 114, 1-11.
• [6] Zhe H., Zhenyu Y., Yue M., Chao F. and Anying C., Mobile Phone Component Object Detection Algorithm Based on Improved SSD, 10th International Conference of Information and Communication Technology (ICICT), 183 (2021), 107–114.
• [7] Poonam R., Subhrajit N. and Sparsh M., Detecting Usage of Mobile Phones Using Deep Learning Technique, International Conference on Smart Objects and Technologies for Social Good (GoodTechs ’20), 2020.
• [8] Yan B., Fan P., Lei X., Liu Z. and Yang F., A Real-Time Apple Targets Detection Method for Picking Robot Based on Improved YOLOv5. Remote Sens. ,13(2021), No.1619, 1-23.
• [9] Abhinu C., Aswin P, Kiran K., Bonymol B. and Viji K., Multiple Object Tracking Using Deep Learning with YOLOV5, International Journal of Engineering Research & Technology (IJERT), 9(2021), No.13, 47-51.
• [10] Do Thuan, Evolution of Yolo Algorithm and Yolov5: The State-of-the-Art Object Detection Algorithm, Bachelor’s Thesis, Information Technology, Oulu University of Applied Sciences, 2021, 1-61.
• [11] IIdar I., YOLOv4 vs YOLOv5, 30/JUN/2020, available at: https://medium.com/deelvin-machine-learning/yolov4-vs-yolov5-db1e0ac7962b.
• [12] Xu R., Lin H., Lu K., Cao L. and Liu Y., A Forest Fire Detection System Based on Ensemble Learning. Forests, 12(2021), No.217, 1-17.
• [13] Song Q., Li S., Bai Q., Yang J., Zhang X., Li Z. and Duan Z., Object Detection Method for Grasping Robot Based on Improved YOLOv5, Micromachines, 12(2021), No.1273., 1-18.
• [14] Maciej G. and Stanisław O., Classical Versus Deep LearningMethods for Anomaly Detection in ECG Using Wavelet Transformation, Przegląd Elektrotechniczny, 97(2021), No.6, 72-76.
• [15] Lei F., Tang F. and Li S., Underwater Target Detection Algorithm Based on Improved YOLOv5, Journal of Marine Science and Engineering, 10(2022), No.310, 1-19.
• [16] Souha A. and Zied L., Visual Emotion Sensing Using Convolutional Neural Network, Przegląd Elektrotechniczny, 98(2022), No.3, 89-92.
• [17] Vinay S., Face Mask Detection Using YOLOv5 for COVID19, M.Sc. thesis, San Marcos, California state university, 2020,1-24.
• [18] Makesense, https://www.makesense.ai/
• [19] Roboflow company, https://roboflow.com/
• [20] NVIDIA company, developer.nvidia.com/embedded/jetson-nano.
• [21] NVIDIA company, tx-team.de/images/JetsonNano-overview.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).