1 1

SISTEMA PARA CALIFICACIÓN Y DETECCIÓN DE FRAUDES

EN EXÁMENES DE OPCIÓN MÚLTIPLE

Resumen La visión artificial es un campo de la inteligencia artificial que está en auge en los
——

últimos años, y cada día hay más estudios y desarrollos, investigando sus múltiples beneficios para
la humanidad. Por medio del reconocimiento de patrones y procesado de imágenes (entre otras
muchas técnicas), se consiguen objetivos como la detección, localización y reconocimiento de
objetos en imágenes o la evaluación de resultados.

A lo largo de nuestro proyecto buscamos un sistema que permitiera automatizar el proceso de

evaluación de exámenes de opción múltiple con respuestas aleatorias; con ayuda de una web cam,
tomar una captura del examen en físico para que sea posible el análisis de este, a través de
procesamiento de imágenes.

Palabras clave— Visión Artificial, Python, OpenCV. Imágenes.

Abstract—Artificial vision is a field of artificial intelligence that is booming in recent years, and
every day there are more studies and developments, investigating its multiple benefits for humanity.
Through pattern recognition and image processing, common objectives such as detection, location
and recognition of objects in images or evaluation of results.

Throughout our project we look for a system that allows to automate the process of evaluation of
multiple exams with random answers; With the help of a webcam, take a physical exam capture so
that the sea is possible, analyzing it, through image processing.

1. INTRODUCCIÓN evaluación de exámenes de opción múltiple con

E STE proyecto nace de la necesidad de crear
un sistema que sea capaz de detectar la
información de un examen tipo test y devolver
un resultado de la manera más rápida posible.
Ya existen algunas alternativas que realizan este
proceso, pero con este proyecto se intenta dar
una respuesta inmediata y así reducir y
optimizar el tiempo necesario para dar los
resultados de las pruebas.
La propuesta de este proyecto es diseñar
desarrollar un sistema que permita automatizar el
proceso de
respuestas aleatorias; con ayuda de una cámara,
tomar una captura del examen en físico para que
sea posible el análisis de este, a través de
procesamiento de imágenes y que el algoritmo
implementado sea capaz de detectar potenciales
casos de fraudes en los exámenes.
El sistema está compuesto por tres apartados
principales. El primer segmento de este
sistema, será el encargado de la de captura
de la imagen, el segundo para configurar
nuestra escala de grises y el tercero para la
detección de los bordes.
2 2

2.ESTADO DEL ARTE - Generar opciones de almacenamiento de datos

Actualmente existen aplicaciones que permiten para consultas posteriores o inmediatas.
la corrección de exámenes tipo test a partir de - Mostrar como salida en pantalla la calificación
imágenes. En la gran mayoría de casos estas del examen.
aplicaciones están adaptadas a las necesidades de - Presentar los beneficios a los docentes del
cada organización, por lo que las características tecnológico.
de cada plantilla siguen un patrón fijo. Un
ejemplo es el software utilizado en la 4.MEDODOLOGÍA
Universidad Autónoma de Barcelona, donde En este apartado se explican todas las tareas
existe un servicio para el profesorado que ofrece realizadas durante el desarrollo del sistema de
la posibilidad de corregir exámenes test o detección y proceso de la imagen.
encuestas con unas determinadas características.
Para hacer uso de este servicio es necesario 4.1 CAPTURA DE IMAGEN
reservar una hora y día, por lo que hace de este En los inicios del proyecto se creó una plantilla
servicio poco flexible. También existen del examen para empezar a trabajar, pero ésta
diferentes proyectos que ofrecen herramientas ha ido evolucionada según las necesidades de
para este fin, las cuales una plantilla limitada y los diferentes módulos de la detección.
con unas características muy específicas para
hacer uso del detector. Para la captura se realizó un código en Python
Todas estas herramientas y servicios encontrados con el cual se activa la cámara de nuestro pc.
son procesos offline, es decir, la obtención de
resultados no se realiza al momento de entrega,
sino, que se obtienen cuando el examen ha
acabado y todas las plantillas han sido
procesadas por una herramienta determinada.
Esto hace que el tiempo de respuesta de los
resultados no sea inmediato y se necesiten varios
días.

3.OBJETIVOS
El objetivo principal es desarrollar un sistema
que permita automatizar el proceso de
evaluación de exámenes de opción múltiple con
Figura 1. Código en Python para captura de pantalla
respuestas aleatorias; con ayuda de una web cam,
tomar una captura del examen en físico para que Conforme a la programación se configuro de tal
sea posible el análisis de este, a través de manera que al presionar la tecla “Q”, se tome la
procesamiento de imágenes y que el algoritmo captura de la imagen y en seguida se apague la
implementado sea capaz de detectar potenciales web cam.
casos de fraudes en los exámenes.
Con la imagen obtenida se procederá a ajustar
3.1 OBJETIVOS ESPECÍFICOS
- Calificar mediante la comparación de para que tenga dimensiones específicas y con
respuestas. puntos de referencia para proseguir con la
validación de la imagen.
3 3
Figura 2. Patrón de referencia.
4.2 Procesamiento de la imagen.
Este módulo se encarga de filtrar la imagen para
prepararla para el resto de etapas del proyecto.
Principalmente elimina el ruido, homogeneiza la
iluminación y pasa la imagen a una escala de grises
con la que será más fácil trabajar.
Figura 3. Código para escala de grises.
Figura 4. Imagen tomada con “web cam”(Escala de grises).
4.3 Detección de bordes
Para la detección de bordes se hizo uso de la
máscara Prewitt 3 x 3 "gradiente suavizado", para
la convolución(operador matemático) se procedió
a barrer la imagen pixel por pixel , y con estos
valores se multiplican con la máscara, después del
resultado de la multiplicación se toman y se hace
una suma de todos sus valores para tener el
gradiente en “x” y “y” según sea el caso; después
sacamos una distancia para obtener el gradiente en
magnitud , por último los gradientes más grandes
o cercanos a 255 (Blanco) se toman como borde y
los que sean menores se dejan como fondo.
Figura 5. Código para la detención de bordes(parte1).
4 4
Figura 5.1 Código para la detención de bordes(parte2).
Figura 5.2. Código para la detención de bordes(parte3).
Para validar la imagen se requiere hacer que dichos
puntos de referencia formen un cuadrado de
dimensiones pre-establecidas, esto para minimizar
la cantidad de errores de comparación (sesgo de
imágenes, imágenes incompletas, ruido).
Figura 6. Esquinas que forman cada tabla.
5. CONCLUSIÓN
Al ser un trabajo que sigue en proceso de
elaboración, se ha logrado comprender la
manera en la que el software de Python y la
facilidad para implementar códigos a diferencia
de otros lenguajes como c++ o java con la
librería de OpenCV, la forma en la que se
manejan operaciones matriciales para manejar
imágenes, la importancia de usar escala de
grises para la detección de bordes y la
implementación de estos mismos. Se espera
mejorar conforme se avance en la realización
del proyecto, así como intentar mejorar los
algoritmos de programación y buscar la manera
de volver más eficiente la ejecución del código
(a través de funciones) y mejorar la precisión de
los resultados para mayor comodidad del
usuario final.
6. REFERENCIAS
[1] J. Canny, “A computational approach to
edge detection,” Pattern Analysis and
Machine Intelligence, IEEE Transactions on,
vol. PAMI-8, pp. 679-698, Nov 1986.
5 5

[12] LAMBERT, Kenneth A.; OSBORNE,

[2] D. Holz, S. Holzer, R. B. Rusu, and S.
Behnke, “Real-time plane segmentation using
rgb-d cameras,” in RoboCup 2011: Robot Soccer
World Cup XV, pp. 306¬ 317, Springer, 2012.
[3] G. M. Hegde and C. Ye, “A recursive planar
feature extraction method for 3d range data
segmentation,” in Systems, Man, and Cybernetics
(SMC), 2011 IEEE International Conference on,
pp. 3119-3124, IEEE, 2011.
Martin. “Fundamentals of Python: first
programs”. United States: Cengage Learning,
2011. ISBN: 978-1-111-82270-5
[13] MARUCH, Stef; MARUCH, Aahz. “Python
for dummies”. United States: John Wiley & Sons,
2006. ISBN: 978-0-471-77864-6

[4] A. Bleiweiss and M. Werman, “Fusing time-of-

flight depth and color for real-time segmentation
and tracking,” in Dynamic 3D Imaging, pp. 58-69,
Springer, 2009.

[5] G. Danciu, M. Ivanovici, and V. Buzuloiu,

“Improved contours for tof cameras based on
vicinity logic operations,” in Optimization of
Electrical and Electronic Equipment (OPTIM),
2010 12th International Conference on, pp. 989-
992, May 2010.

[6] A. D. Sappa and B. X. Vintimilla, “Cost-based

closed-contour representations,” Journal of
Electronic Imaging, vol. 16, no. 2, pp. 1-9, 2007.

[7] Gonzalo Pajares, Jesús M. de la Cruz. Visión

por Computador. Imágenes digitales y
aplicaciones. RaMa, 2001.

[8] F. Escolano, O. Colomina, M.A.Cazorla. Visión

Artificial: Extracción de Características I, 2006.

[9] Hill Green. Canny Edge Detection Tutorial.

2002.

[10] Python Programming Language – Official

Website. http://www.python.org

[11] PILGRIM, Mark. “Dive into Python”. United

States: Springer-Verlag New York Inc, 2004.
ISBN: 1-59059-356-1
6 6