tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Reconocimiento de emociones en tiempo real utilizando redes neuronales convolucionales |
| Títol variant: |
Real-time emotion recognition using convolutional neural networks |
| Data: |
2025 |
| Resum: |
El reconeixement d'emocions facials ha guanyat cada vegada més atenció pel seu potencial per millorar la interacció entre humans i màquines. Aquest projecte explora el desenvolupament d'un sistema en temps real per detectar i classificar vuit emocions bàsiques mitjançant xarxes neuronals convolucionals (CNNs). Utilitzant el conjunt de dades FERPlus i l'arquitectura ResNet-18, el sistema aconsegueix un reconeixement eficient i robust d'emocions. Les tecnologies clau inclouen OpenCV per a la detecció de rostres i Haar Cascades per al preprocessament dels fotogrames de vídeo. El sistema processa els fotogrames amb una latència mitjana de 185ms i ofereix una precisió global del 77%. Gràcies a tècniques d'augmentació de dades, s'han aconseguit millores significatives en classes emocionals infrarepresentades com Fear i Disgust. Aquest informe detalla els objectius, la metodologia i els resultats del projecte, destacant el seu potencial per a aplicacions en educació, sanitat i atenció al client, així com possibles millores futures com la integració de dades multimodals i l'ús d'arquitectures neuronals més profundes. |
| Resum: |
El reconocimiento de emociones faciales ha ganado cada vez más atención por su potencial para mejorar la interacción entre humanos y máquinas. Este proyecto explora el desarrollo de un sistema en tiempo real para detectar y clasificar ocho emociones básicas mediante redes neuronales convolucionales (CNNs). Utilizando el conjunto de datos FERPlus y la arquitectura ResNet-18, el sistema logra un reconocimiento eficiente y robusto de emociones. Las tecnologías clave incluyen OpenCV para la detección de rostros y Haar Cascades para el preprocesamiento de los fotogramas de vídeo. El sistema procesa los fotogramas con una latencia media de 185ms y ofrece una precisión global del 77%. Gracias a técnicas de aumento de datos, se han logrado mejoras significativas en clases emocionales infrarepresentadas como Fear y Disgust. Este informe detalla los objetivos, la metodología y los resultados del proyecto, destacando su potencial para aplicaciones en educación, sanidad y atención al cliente, así como posibles mejoras futuras como la integración de datos multimodales y el uso de arquitecturas neuronales más profundas. |
| Resum: |
Facial emotion recognition has gained increasing attention due to its potential to enhance human-machine interaction. This project explores the development of a real-time system to detect and classify eight basic emotions using convolutional neural networks (CNNs). Utilizing the FERPlus dataset and the ResNet-18 architecture, the system achieves efficient and robust emotion recognition. Key technologies include OpenCV for face detection and Haar Cascades for video frame preprocessing. The system processes frames with an average latency of 185ms and delivers an overall accuracy of 77%. Thanks to data augmentation techniques, significant improvements have been achieved in underrepresented emotional classes such as Fear and Disgust. This report details the project's objectives, methodology, and results, highlighting its potential for applications in education, healthcare, and customer service, as well as possible future improvements such as multimodal data integration and the use of deeper neural architectures. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Català |
| Titulació: |
Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Àrea temàtica: |
Menció Computació |
| Matèria: |
Reconeixement d'emocions ;
Sistemes en temps real ;
Xarxes neuronals convolucionals ;
FERPlus ;
ResNet-18 ;
OpenCV ;
Haar Cascades ;
Intel·ligència artificial ;
Reconocimiento de emociones ;
Sistemas en tiempo real ;
Redes neuronales convolucionales ;
Inteligencia artificial ;
Emotion recognition ;
Real-time systems ;
Convolutional neural networks ;
Artificial intelligence |
visitant ::
identificació
tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
