Projek Mata Kuliah Kecerdasan Buatan - Pengecaman Ekspresi Wajah

Penjelasan Ringkas

Projek "Pengecaman Ekspresi Wajah" bertujuan untuk mengenali ekspresi muka manusia menggunakan kaedah Convolutional Neural Network (CNN). Algoritma CNN digunakan untuk menganalisis data visual seperti imej muka dalam format skala kelabu, yang kemudiannya diklasifikasikan kepada tujuh kategori ekspresi asas: gembira, sedih, marah, terkejut, takut, jijik dan neutral. Model ini dilatih menggunakan set data FER2013 dan berjaya mencapai ketepatan 91.67% selepas latihan selama 500 zaman.

Matlamat Projek

Projek "Face Expression Recognition" ini merupakan projek akhir kursus Kepintaran Buatan di mana dalam projek ini terdapat pencapaian yang perlu dicapai antaranya:

1. Membangunkan sistem pengecaman ekspresi muka berasaskan kecerdasan buatan. Sistem ini dijangka dapat mengenal pasti emosi yang terpancar daripada mimik muka secara automatik dan tepat.
2. Percubaan dengan algoritma pembelajaran mesin untuk meningkatkan ketepatan pengecaman ekspresi muka. Dalam projek ini, algoritma CNN diuji untuk memahami sejauh mana model ini dapat mengenali corak kompleks dalam imej muka. Usaha ini juga termasuk mengoptimumkan parameter model, menambah data latihan dan menggunakan kaedah penambahan data.

Tech Stack Digunakan

1. Kerangka: Python menggunakan perpustakaan seperti TensorFlow/Keras untuk pelaksanaan CNN.
2. Set Data: Set data yang digunakan ialah FER2013 (Pengecaman Ekspresi Wajah 2013), yang mengandungi 35,887 imej skala kelabu wajah dengan dimensi 48x48 piksel. Imej ini disertakan dengan label yang meliputi tujuh kategori ungkapan asas.
3. Alat: 

• NumPy dan Pandas untuk manipulasi data.
• Matplotlib untuk visualisasi.
• Haar Cascade untuk pengesanan muka daripada kamera.

Keputusan

1. Gembira
2. Sedih
3. Marah
4. Neutral
5. Terkejut
6. Takut
7. Menjijikkan

Masalah dan Cara Saya Mengatasinya

1. Masalah perbezaan pencahayaan yang menjejaskan tahap ketepatan. 
   Variasi pencahayaan boleh menjejaskan ketepatan model. Untuk mengatasinya, normalisasi data dijalankan bagi memastikan pencahayaan dalam imej lebih seragam supaya corak dalam imej muka dapat dikenali dengan lebih baik.

2. Kerumitan ungkapan yang serupa.
   Sesetengah ungkapan, seperti "takut" dan "terkejut," mempunyai ciri serupa yang sukar untuk dibezakan oleh model. Penyelesaian yang dilaksanakan adalah untuk menjalankan penambahan data seperti putaran, zum, flipping dan perubahan kontras untuk meningkatkan keupayaan generalisasi model kepada data baharu.

3. set data yang agak terhad
   Set data FER2013, walaupun agak besar, tidak merangkumi rangkaian penuh variasi wajah di seluruh dunia. Untuk memperkayakan set data, saya menggunakan teknik penambahan data dan menambahkan data daripada sumber lain yang berkaitan untuk mencipta perwakilan ekspresi muka yang lebih baik.

Pengajaran

Projek ini memberikan pandangan mendalam tentang cara sistem berasaskan kecerdasan buatan boleh digunakan untuk mengecam ekspresi muka. Proses pembangunan menunjukkan kepentingan:

1. Pra-pemprosesan data untuk menangani isu pencahayaan dan meningkatkan kualiti data.
2. Uji parameter latihan untuk mendapatkan gabungan optimum, seperti menetapkan bilangan zaman, kadar pembelajaran dan saiz kelompok.
3. Meningkatkan kepelbagaian data latihan melalui penambahan untuk meningkatkan prestasi model berbanding data dunia sebenar.

Dengan mengatasi cabaran sedia ada, projek ini berjaya membina model pengecaman ekspresi muka yang boleh digunakan pada pelbagai aplikasi seperti interaksi manusia-komputer, analisis emosi dan pemantauan psikologi.

Atas ialah kandungan terperinci Projek Mata Kuliah Kecerdasan Buatan - Pengecaman Ekspresi Wajah. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!