点击了解更多
1、项目简介
基于 深度学习算法的表情检测系统是一个先进的软件解决方案，旨在通过深度学习技术识别并分类人脸表情。本项目利用了 Mini-Xception 卷积神经网络（CNN）来训练一个能够准确检测七种基本表情（愤怒、厌恶、恐惧、快乐、中性、悲伤、惊讶）的模型，并提供了实时摄像头检测、静态图像检测及视频检测等功能。
1.1技术栈
-
开发环境：Python 3.5 及以上版本
-
深度学习框架：TensorFlow
-
计算机视觉库：OpenCV
-
图形用户界面库：PyQt5
-
其他依赖库：Keras, NumPy, Scikit-Learn, Matplotlib, Tkinter
1.2 实现功能
-
模型训练：使用 FER2013 数据集训练一个 Mini-Xception 模型以分类七种基本表情。
-
数据预处理：对原始 FER2013 数据集中的图像进行清洗与优化，确保数据质量。
-
模型验证与优化：采用交叉验证、早停策略（Early Stopping）、学习率衰减等方法来防止过拟合并优化模型性能。
-
实时摄像头检测：利用摄像头捕捉图像并实时检测和分类表情。
-
静态图像检测：用户可以从文件中选择一张图片进行表情检测。
-
视频检测：用户可以选择一段视频文件进行连续的表情检测。
-
结果展示与保存：提供图形用户界面展示检测结果，并允许用户保存结果到本地文件。
1.3 项目描述
该项目的核心是使用 Mini-Xception 网络训练一个表情分类模型。在训练过程中，我们采用了多种数据增强技术和回调函数（如 CSV 日志记录、模型检查点、早期停止和学习率衰减），以确保模型能够在大量表情数据上泛化良好。此外，为了提高数据质量，项目还包括了对 FER2013 数据集进行优化的步骤，涉及图像的转换、清洗和重新组织。
训练完成后，系统提供了一个基于 PyQt5 的图形用户界面，用户可以通过该界面使用训练好的模型进行表情检测。界面支持从摄像头、图片或视频中进行表情检测，并可以保存检测结果。
1.4 其他补充说明
-
数据优化：由于 FER2013 数据集中可能存在非人脸图像或标签错误的情况，因此需要进行数据清洗与重新构建，以提高模型的准确性和鲁棒性。
-
用户界面：使用 PyQt5 开发的图形用户界面，提供直观的操作流程，便于用户进行表情检测操作。
-
模型应用：除了模型训练之外，还提供了模型的应用示例代码，包括如何加载模型、进行图像处理以及表情预测。
2、效果截图
2.1 基于图片预测效果
2.2 基于视频（或摄像头）预测效果
2.3 模型训练效果
