NHẬN DIỆN CẢM XÚC KHUÔN MẶT CỦA TRẺ EM BẰNG MÔ HÌNH HỌC SÂU

Ngày nhận bài: 13-10-2025

Ngày duyệt đăng: 12-03-2026

Ngày xuất bản: 29-04-2026

DOI: https://doi.org/10.31817/tckhnnvn.2026.24.4.08

Lượt xem

2

Download

1

Số: Tập 24 Số 4 (2026): Tạp chí Khoa học Nông nghiệp Việt Nam

Chuyên mục:

KỸ THUẬT VÀ CÔNG NGHỆ

Cách trích dẫn:

Trang, N., Thắng, P., & kương, N. (2026). NHẬN DIỆN CẢM XÚC KHUÔN MẶT CỦA TRẺ EM BẰNG MÔ HÌNH HỌC SÂU. Tạp Chí Khoa học Nông nghiệp Việt Nam, 24(4), 506–513. https://doi.org/10.31817/tckhnnvn.2026.24.4.08

NHẬN DIỆN CẢM XÚC KHUÔN MẶT CỦA TRẺ EM BẰNG MÔ HÌNH HỌC SÂU

Nguyễn Quỳnh Trang 1 , Phạm Văn Thắng 1 , Nguyễn Trọng kương (*) 1

  • Tác giả liên hệ: [email protected]
  • 1 Khoa Công nghệ thông tin, Học viện Nông nghiệp Việt Nam

    • Từ khóa

    Trí tuệ nhân tạo, mạng nơron tích chập, nhận diện cảm xúc khuôn mặt

    Tóm tắt


    Trí tuệ nhân tạo đã có những bước tiến mạnh mẽ và trở thành công cụ hữu ích hỗ trợ giải quyết các bài toán phức tạp trong mọi lĩnh vực của cuộc sống. Nghiên cứu này trình bày ứng dụng của mạng nơron tích chập để nhận diện hình ảnh khuôn mặt cảm xúc của con người. Quá trình tiền xử lý và nhận diện khuôn mặt đã sử dụng mạng nơron tích chập đa nhiệm để phát hiện và và nhận dạng các khuôn mặt. Mạng tích chập đa nhiệm giúp phát hiện đặc trưng khuôn mặt, sau đó để phân loại cảm xúc. Bộ dữ liệu sử dụng trong nghiên cứu này bao gồm các video lớp học của học sinh mầm non trong độ tuổi từ 3 đến 5 tuổi, được ghi lại trong các tiết học. Những video này cung cấp hình ảnh cảm xúc khuôn mặt của trẻ trong môi trường lớp học để huấn luyện mô hình đào tạo, phát hiện các khuôn mặt trên màn hình và đưa ra kết quả cảm xúc khi nhận diện. Nghiên cứu cho thấy mạng nơron tích chập đạt độ chính xác là 92% trên tập huấn luyện và 95% trên tập kiểm tra. Mạng nơron tích chập đã chứng tỏ khả năng học tốt hơn so với các mạng nơron thông thường cho cùng bài toán.

    Tài liệu tham khảo

    Adam K.D.B.J. (2014). A method for stochastic optimization. 1412(6). ArXiv. 1412.6980. Afolabi I.A., Omolegho A.I., Idama O., Jones U.E. & Michael O.I. (2025). Effective preprocessing techniques for improved facial recognition under variable conditions. Franklin Open. 10: 100225. Ayham F. & Anis Z. (2014). Novel Solution Based on Face Recognition to Address Identity Theft and Cheating in Online Examination Systems, Advances in Internet of Things. Scientific Research. Diederik P.K. & Jimmy Lei Ba (2014). Adam: A method for stochastic optimization. ArXiv. 1412.6980. Ekman P. (2007). Recognizing faces and feelings to improve communication and emotional life. Emotions revealed. Times Books. ISBN 0-8050-7275-6. Ekman P., Davidson R.J. & Friesen W.V. (1990). The Duchenne smile: Emotional expression and brain physiology: II. Journal of Personality and Social Psychology. 58(2): 342-353. Fernández R., Redolat M., Serra R.E. & González A.G. (2021). A systematic review of facial emotion recognition in Alzheimer's disease: A developmental and gender perspective. Anal. Psicol. Iván d.P.C. (2024). Ipazc/mtcnn: v1.0.0., Zenodo. 13901378. Jiahong S., Davy T.K.N. & Samuel K.W.C. (2023). Artificial Intelligence (AI) Literacy in Early Childhood Education: The Challenges and Opportunities. Computers and Education: Artificial Intelligence. 4: 100124. Jyotsna C., Amudha J., Amritanshu R., Giandomenico N. (2023). IntelEye: An Intelligent Tool for the Detection of Stressful State based on Eye Gaze Data While Watching Video, Procedia Computer Science. 218: 1270-1279. LeCun Y., Bengio Y. & Hinton G. (2015). Deep learning. Nature. 521(7553): 436-444. Mase K. (1991). Recognition of facial expression from optical flow. IEICE Transactions. Information and Systems. 74: 3474-3483. Mehrabian A. (1971). Silent Messages (1st ed.). Belmont, CA: Wadsworth. ISBN 0-534-00910-7.