Дослідження технологій розпізнавання психоемоційного стану людини в системах комп’ютерного зору

Abstract

UA : Робота викладена на 77 сторінках друкованого тексту, містить 15 рисунків, 23 джерела, 4 додатки. Об’єкт дослідження – процес автоматизованого розпізнавання психоемоційного стану людини за зображенням обличчя з використанням методів комп’ютерного зору та машинного навчання. Мета роботи: підвищення ефективності систем розпізнавання емоцій шляхом розробки, навчання та програмної оптимізації моделі на базі архітектури MobileNetV2, що дозволить досягти балансу між високою точністю класифікації та швидкодією, необхідною для роботи в режимі реального часу. Методи дослідження – аналітичний, експериментальний. У ході дослідження проаналізовано методи комп’ютерного зору та реалізовано нейронну мережу на базі архітектури MobileNetV2 із застосуванням Transfer Learning на датасеті FER-2013. Виконано оптимізацію моделі шляхом динамічного квантування у формат TensorFlow Lite. Експериментально підтверджено досягнення швидкодії понад 64 FPS на CPU, що перевершує показники бібліотеки DeepFace при співставній точності. Отримані результати рекомендовано для створення систем реального часу на пристроях з обмеженими ресурсами.

EN : The work is presented on 77 pages of printed text, 15 figures, 23references, 4 annexes. Object of the study – the process of automated recognition of a person’s psycho-emotional state based on facial images using computer vision and machine learning methods. Aim of the study: to improve the efficiency of emotion recognition systems by developing, training and software optimizing a model based on the MobileNetV2 architecture, which will achieve a balance between high classification accuracy and the speed required for real-time operation. Methods of research – analytical and experimental. The study analyzed computer vision methods and implemented a neural network based on the MobileNetV2 architecture using Transfer Learning on the FER-2013 dataset. The model was optimized by dynamic quantization into the TensorFlow Lite format. Experimental results confirmed that the CPU achieved a performance of over 64 FPS, which exceeds the performance of the DeepFace library with comparable accuracy. The results obtained are recommended for creating real-time systems on devices with limited resources.