Tunteiden tunnistaminen tekoälyn ja koneoppimisen avulla

Abstract

Opinnäytetyön tarkoituksena oli luoda tunteidentunnistusohjelma sekä tutustua yleisesti tekoälyyn, koneoppimiseen, kasvojen tunnistamiseen sekä tunteiden tunnistamiseen. Toteutetun ohjelman tavoitteena oli tunnistaa henkilön tunnetila reaaliaikaisesta videokuvasta. Ohjelma perustuu itse luotuun tunnistusmalliin, joka kehitettiin itse luotujen tunteita ilmaisevien kasvokuvien avulla.

Opinnäytetyössä tutkittiin erilaisia koneoppimismenetelmiä ja -algoritmeja, ja mallin kehittämisessä käytettiin Random Forest -menetelmää. Koodauskielenä toimi Python. Mallikuvat luotiin itse tekoälyllä hyödyntäen Stable Diffusion -ohjelmaa. Osa malleista oli hieman vajavaisia itse luotujen kuvien takia, eivätkä ne aina tunnistaneet tunteita oikein, mikä asetti haasteita ohjelman tarkkuudelle ja luotettavuudelle.

Tulokset osoittavat, että ohjelma pystyy tunnistamaan tunteita, mutta sen tarkkuus on hyvin vaihteleva. Tekniikat valittiin usean eri kokeilun kautta päätyen eniten tarkkuutta antaviin menetelmiin. Tulevaisuudessa ohjelmaa voisi olla mahdollista kehittää entistä tarkemmaksi paremman materiaalin avulla. Siihen on mahdollista lisätä toimintoja.

The purpose of this thesis was to develop an emotion recognition program and to explore the concepts of artificial intelligence, machine learning, facial recognition, and emotion detection. The goal of the implemented program was to identify a person’s emotional state from real-time video. The program is based on a custom-built recognition model, which was created using self-generated images that express various emotions.

This thesis explores different machine learning methods and algorithms, with final models for the program created with Random Forest technique. The programming language was Python, and the model images were generated with assistance of Stable Diffusion. Due to the use of self-created images, some of the models were limited in their capabilities and did not always accurately recognize emotions, which hinders the precision and reliability of the program.

The results show that the program is capable of recognizing emotions, but its accuracy varies widely. The techniques were selected with multiple experiments, finally leading to the methods that provided highest accuracy. In the future, it might be possible to increase program’s accuracy with better base data and to add additional functionalities.