Explicação curta

Projeto "Reconhecimento da expressão de face" visa reconhecer expressões faciais humanas usando o método Convolucional Neural Network (CNN). O algoritmo da CNN é aplicado para analisar dados visuais, como imagens faciais em formato em escala de cinza, que é então classificada em sete categorias de expressões básicas: feliz, triste, irritado, chocado, medo, nojo e neutro. Este modelo é treinado usando o conjunto de dados FER2013 e atingiu com sucesso uma precisão de 91,67% após o treinamento para 500 épocas.

Objetivos do projeto

Projeto "Reconhecimento da expressão de rosto" é o fim do curso de inteligência artificial em que neste projeto existem conquistas que devem ser alcançadas, incluindo:

1. desenvolvendo um sistema de introdução de expressão facial com base na inteligência artificial. Espera -se que este sistema seja capaz de identificar emoções que irradiam das expressões faciais automaticamente e com precisão.
2. Experimentando algoritmos de aprendizado de máquina para aumentar a precisão das expressões faciais. Neste projeto, o algoritmo CNN é testado para entender até que ponto esse modelo é capaz de reconhecer padrões complexos nos desenhos de face. Esse esforço também inclui otimizar os parâmetros do modelo, dados de treinamento adicionais e o uso de métodos de aumento de dados.

Pilha de tecnologia usada

1. Framework: O Python usa a biblioteca como o TensorFlow/difícil de implementar CNN.
2. conjunto de dados: o conjunto de dados usado é FER2013 (reconhecimento de expressão facial 2013), que contém 35.887 imagens em escala de cinza com 48x48 pixels. Essas imagens estão equipadas com um rótulo que inclui sete categorias de expressão básica.
3. Ferramentas:

• Numpy e Pandas para manipulação de dados.
• matplotlib para visualização.
• Haar Cascade para a detecção de rosto da câmera.

Resultados

1. Como
2. Triste
3. Nervoso
4. Neutro
5. surpreso
6. Com medo
7. Nojento

O problema e como eu lido com isso

1. o problema das diferenças de iluminação que afetam o nível de precisão. 
   As variações de iluminação podem afetar a precisão do modelo. Para superar isso, a normalização dos dados é realizada para garantir que a iluminação na imagem seja mais uniforme, para que os padrões na imagem da face possam ser melhor reconhecidos.

2. complexidade de expressões semelhantes.
   Algumas expressões, como "medo" e "surpresas", têm características semelhantes que são difíceis de distinguir pelos modelos. A solução aplicada é realizar mudanças de dados, como rotação, zoom, inversão e contraste, para melhorar a capacidade da generalização dos modelos de novos dados.

3. o conjunto de dados que é bastante limitado
   O conjunto de dados FER2013, embora bastante grande, não cobre uma variedade de variações faciais globalmente. Para enriquecer o conjunto de dados, uso a técnica de aumento de dados e adiciono dados de outras fontes relevantes para criar uma melhor representação das expressões faciais.

Lições aprendidas

Este projeto fornece informações sobre como os sistemas baseados em inteligência artificial podem ser usados ​​para reconhecer expressões faciais. O processo de desenvolvimento mostra sua importância:

1. Data Pra-Per-Permessesia para lidar com problemas de iluminação e melhorar a qualidade dos dados.
2. Experiência de parâmetros de treinamento para obter combinações ideais, como regulamentar o número de épocas, taxa de aprendizado e tamanho de lote.
3. aumentando a diversidade de dados de treinamento por meio de aumento para melhorar o desempenho do modelo de dados do mundo real.

Ao superar os desafios existentes, este projeto conseguiu criar um modelo de introdução de expressão facial que pode ser aplicada a várias aplicações, como interação humano-computador, análise emocional e monitoramento psicológico.