Projekt Mata Kuliah Künstliche Intelligenz - Gesichtsausdruckserkennung

Kurze Erklärung

Das Projekt „Face Expression Recognition“ zielt darauf ab, menschliche Gesichtsausdrücke mithilfe der Methode Convolutional Neural Network (CNN) zu erkennen. Der CNN-Algorithmus wird angewendet, um visuelle Daten wie Gesichtsbilder im Graustufenformat zu analysieren, die dann in sieben grundlegende Ausdruckskategorien eingeteilt werden: glücklich, traurig, wütend, überrascht, ängstlich, angewidert und neutral. Dieses Modell wurde mit dem FER2013-Datensatz trainiert und erreichte nach dem Training über 500 Epochen eine Genauigkeit von 91,67 %.

Projektziele

Dieses Projekt „Gesichtsausdruckserkennung“ ist das Abschlussprojekt des Kurses „Künstliche Intelligenz“, in dem in diesem Projekt Erfolge erzielt werden müssen, darunter:

1. Entwicklung eines auf künstlicher Intelligenz basierenden Gesichtsausdruckerkennungssystems. Von diesem System wird erwartet, dass es in der Lage ist, Emotionen, die von Gesichtsausdrücken ausgehen, automatisch und genau zu erkennen.
2. Experimentieren Sie mit maschinellen Lernalgorithmen, um die Genauigkeit der Gesichtsausdruckerkennung zu verbessern. In diesem Projekt wird der CNN-Algorithmus getestet, um zu verstehen, inwieweit dieses Modell in der Lage ist, komplexe Muster in Gesichtsbildern zu erkennen. Dieser Aufwand umfasst auch die Optimierung von Modellparametern, das Hinzufügen von Trainingsdaten und die Verwendung von Methoden zur Datenerweiterung.

Tech-Stack verwendet

1. Framework: Python verwendet Bibliotheken wie TensorFlow/Keras für die CNN-Implementierung.
2. Datensatz: Der verwendete Datensatz ist FER2013 (Facial Expression Recognition 2013), der 35.887 Graustufenbilder von Gesichtern mit den Abmessungen 48x48 Pixel enthält. Diese Bilder sind mit Beschriftungen versehen, die sieben grundlegende Ausdruckskategorien abdecken.
3. Tools: 

• NumPy und Pandas zur Datenmanipulation.
• Matplotlib zur Visualisierung.
• Haarkaskade zur Gesichtserkennung von der Kamera.

Ergebnisse

1. Glücklich
2. Traurig
3. Wütend
4. Neutral
5. Überrascht
6. Angst
7. Ekelhaft

Die Probleme und wie ich damit umgehe

1. Das Problem der Unterschiede in der Beleuchtung, die sich auf die Genauigkeit auswirken. 
   Beleuchtungsschwankungen können die Modellgenauigkeit beeinträchtigen. Um dieses Problem zu lösen, wird eine Datennormalisierung durchgeführt, um sicherzustellen, dass die Beleuchtung im Bild gleichmäßiger ist, sodass Muster in Gesichtsbildern besser erkannt werden können.

2. Ähnliche Komplexität von Ausdrücken.
   Einige Ausdrücke wie „Angst“ und „überrascht“ weisen ähnliche Merkmale auf, die für das Modell schwer zu unterscheiden sind. Die implementierte Lösung besteht darin, Datenerweiterungen wie Drehung, Zoom, Spiegelung und Kontraständerungen durchzuführen, um die Generalisierungsfähigkeit des Modells auf neue Daten zu erhöhen.

3. Ziemlich begrenzter Datensatz
   Der FER2013-Datensatz ist zwar recht umfangreich, deckt jedoch nicht das gesamte Spektrum an Gesichtsvarianten weltweit ab. Um den Datensatz anzureichern, habe ich Datenerweiterungstechniken verwendet und Daten aus anderen relevanten Quellen hinzugefügt, um eine bessere Darstellung der Gesichtsausdrücke zu erstellen.

Gelernte Lektionen

Dieses Projekt bietet tiefe Einblicke, wie auf künstlicher Intelligenz basierende Systeme zur Erkennung von Gesichtsausdrücken eingesetzt werden können. Der Entwicklungsprozess zeigt die Bedeutung von:

1. Datenvorverarbeitung zur Behebung von Beleuchtungsproblemen und zur Verbesserung der Datenqualität.
2. Experimentieren Sie Trainingsparameter, um die optimale Kombination zu erhalten, z. B. das Festlegen der Anzahl der Epochen, der Lernrate und der Stapelgröße.
3. Erhöhte Vielfalt an Trainingsdaten durch Erweiterung, um die Modellleistung im Vergleich zu realen Daten zu verbessern.

Durch die Bewältigung bestehender Herausforderungen gelang es diesem Projekt, ein Modell zur Erkennung von Gesichtsausdrücken zu entwickeln, das auf verschiedene Anwendungen wie Mensch-Computer-Interaktion, Emotionsanalyse und psychologische Überwachung angewendet werden kann.

Das obige ist der detaillierte Inhalt vonProjekt Mata Kuliah Künstliche Intelligenz - Gesichtsausdruckserkennung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!