DSpace logo

Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.utmachala.edu.ec/handle/48000/15453
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorRivas Asanza, Wilmer Braulio-
dc.contributor.authorJaramillo Romero, Segundo Ezequiel-
dc.date.accessioned2020-03-12T15:00:46Z-
dc.date.available2020-03-12T15:00:46Z-
dc.date.issued2020-
dc.identifier.otherECFIC-2020-IS-DE-00002-
dc.identifier.urihttp://repositorio.utmachala.edu.ec/handle/48000/15453-
dc.descriptionCon los avances tecnológicos en el área de inteligencia artificial, y en especial gracias las técnicas de aprendizaje profundo, resulta posible la clasificación de imágenes y el reconocimiento facial. En este proyecto se ha creado una arquitectura de aprendizaje profundo con cuatro capas para la detección de emociones, utilizando cinco clases enojado, feliz, neutral, triste y sorprendido del dataset de Kaggle denominado Learn facial expressions from an image FER2013, empleando un total de 15,000 imágenes para el entrenamiento de la red neuronal convolucional en la plataforma Kaggle Notebooks, las herramientas utilizadas fueron el lenguaje Python, la biblioteca Keras, Tensorflow, OpenCV y el algoritmo pre-entrenado Frontal Face de Haar Cascade, obteniendo una precisión del 67.13. Mientras que para el reconocimiento facial se consideró la biblioteca Face Recognition, la misma que posee una precisión del 99.38. Por último, se desarrolló un servicio web basado en Django para responder a las solicitudes que se realizan desde una aplicación web, implementada en Laravel, para la comunicación de los dos frameworks se utilizó la librería de axios, el acceso a la aplicación se lo realiza a través del reconocimiento del rostro, una vez iniciada la sesión es posible realizar pruebas de detección de emociones y de reconocimiento facial.es_ES
dc.description.abstractWith technological advances in the area of artificial intelligence, and especially thanks to deep learning techniques, image classification and facial recognition are possible. This project has created a deep learning architecture with four layers for the detection of emotions, using five classes angry, happy, neutral, sad and surprised of the Kaggle dataset called Learn facial expressions from an image FER2013 , using a total of 15,000 images for the training of the convolutional neural network in the Kaggle Notebooks platform, the tools used were the Python language, the Keras library, Tensorflow, OpenCV and the pre-trained algorithm Front Face of Haar Cascade, obtaining an accuracy of 67.13. While the Face Recognition library was considered for facial recognition, it has an accuracy of 99.38. Finally, a web service based on Django was developed to respond to requests made from a web application, implemented in Laravel, for the communication of the two frameworks the axios library was used, access to the application is made through face recognition, once the session is started, it is possible to perform tests for the detection of emotions and facial recognition.es_ES
dc.format.extent41 p.es_ES
dc.language.isoeses_ES
dc.rightsopenAccesses_ES
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectCLASIFICACIÓN DE IMÁGENes_ES
dc.subjectDETECCIÓN DE EMOCIONes_ES
dc.subjectRECONOCIMIENTO FACIALes_ES
dc.subjectRED NEURONAL CONVOLUCIONes_ES
dc.titleDetección de emociones y reconocimiento facial utilizando aprendizaje profundoes_ES
dc.typeExamen Complexivoes_ES
dc.emailsejaramillo_est@utmachala.edu.eces_ES
dc.cedula0705642379es_ES
dc.utmachtitulacion.titulacionExamen complexivoes_ES
dc.utmachbibliotecario.bibliotecarioPeralta Mercyes_ES
dc.utmachproceso.procesoPT-011119 (2019-2)es_ES
Aparece en las colecciones: Examen complexivo Ingeniería de sistemas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
ECFIC-2020-IS-DE-00002.pdfEXAMEN COMPLEXIVO3,25 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons