Projet Mata Kuliah Intelligence artificielle - Reconnaissance des expressions faciales

Brève explication

Le projet « Face Expression Recognition » vise à reconnaître les expressions faciales humaines à l'aide de la méthode Convolutional Neural Network (CNN). L'algorithme CNN est appliqué pour analyser des données visuelles telles que des images faciales au format niveaux de gris, qui sont ensuite classées en sept catégories d'expressions de base : heureux, triste, en colère, surpris, effrayé, dégoûté et neutre. Ce modèle a été formé à l'aide de l'ensemble de données FER2013 et a réussi à atteindre une précision de 91,67 % après un entraînement pendant 500 époques.

Objectifs du projet

Ce projet "Face Expression Recognition" est le projet final du cours d'Intelligence Artificielle où dans ce projet il y a des réalisations qui doivent être réalisées notamment :

1. Développement d'un système de reconnaissance des expressions faciales basé sur l'intelligence artificielle. Ce système devrait être capable d'identifier automatiquement et avec précision les émotions émises par les expressions faciales.
2. Expérimentez des algorithmes d'apprentissage automatique pour améliorer la précision de la reconnaissance des expressions faciales. Dans ce projet, l'algorithme CNN est testé pour comprendre dans quelle mesure ce modèle est capable de reconnaître des motifs complexes dans les images faciales. Cet effort comprend également l'optimisation des paramètres du modèle, l'ajout de données d'entraînement et l'utilisation de méthodes d'augmentation des données.

Pile technologique utilisée

1. Framework : Python utilise des bibliothèques telles que TensorFlow/Keras pour l'implémentation de CNN.
2. Ensemble de données : L'ensemble de données utilisé est FER2013 (Facial Expression Recognition 2013), qui contient 35 887 images en niveaux de gris de visages de dimensions 48x48 pixels. Ces images sont accompagnées d'étiquettes couvrant sept catégories d'expressions de base.
3. Outils : 

• NumPy et Pandas pour la manipulation des données.
• Matplotlib pour la visualisation.
• Haar Cascade pour la détection des visages depuis la caméra.

Résultats

1. Heureux
2. Triste
3. En colère
4. Neutre
5. Surpris
6. Peur
7. Dégoûtant

Les problèmes et comment je les gère

1. Le problème des différences d'éclairage qui affecte le niveau de précision. 
   Les variations d'éclairage peuvent affecter la précision du modèle. Pour surmonter cela, une normalisation des données est effectuée pour garantir que l'éclairage de l'image est plus uniforme afin que les motifs des images faciales puissent être mieux reconnus.

2. Complexité d'expressions similaire.
   Certaines expressions, telles que « effrayé » et « surpris », présentent des caractéristiques similaires difficiles à différencier pour le modèle. La solution mise en œuvre consiste à effectuer une augmentation des données telle que des changements de rotation, de zoom, de retournement et de contraste pour augmenter la capacité de généralisation du modèle à de nouvelles données.

3. Ensemble de données assez limité
   L'ensemble de données FER2013, bien qu'assez volumineux, ne couvre pas toute la gamme des variations de visage à l'échelle mondiale. Pour enrichir l'ensemble de données, j'ai utilisé des techniques d'augmentation des données et ajouté des données provenant d'autres sources pertinentes pour créer une meilleure représentation des expressions faciales.

Leçons apprises

Ce projet fournit un aperçu approfondi de la manière dont les systèmes basés sur l'intelligence artificielle peuvent être utilisés pour reconnaître les expressions faciales. Le processus de développement montre l'importance de :

1. Prétraitement des données pour résoudre les problèmes d'éclairage et améliorer la qualité des données.
2. Expérimentez les paramètres d'entraînement pour obtenir la combinaison optimale, tels que la définition du nombre d'époques, du taux d'apprentissage et de la taille du lot.
3. Diversité accrue des données d'entraînement grâce à l'augmentation pour améliorer les performances du modèle par rapport aux données du monde réel.

En surmontant les défis existants, ce projet a réussi à construire un modèle de reconnaissance des expressions faciales qui peut être appliqué à diverses applications telles que l'interaction homme-machine, l'analyse des émotions et la surveillance psychologique.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!