ระบบลงชื่อเข้าร่วมกิจกรรมด้วยการตรวจจับใบหน้า
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบการลงทะเบียนเข้าร่วมกิจกรรมโดยใช้การตรวจจับใบหน้า เพื่อเพิ่มประสิทธิภาพในการจัดการเวลาลงชื่อเข้าร่วมกิจกรรม ลดข้อผิดพลาดในการบันทึกข้อมูลและตรวจสอบตัวตนของผู้เข้าร่วมงานได้อย่างมีประสิทธิภาพด้วยโมเดลการจดจำใบหน้าที่พัฒนาโดยใช้เทคนิคการเรียนรู้เชิงลึก Convolutional Neural Networks (CNNs) ร่วมกับเทคโนโลยีตรวจจับใบหน้า You Only Look Once (YOLO) โปรแกรมประยุกต์ได้รับการพัฒนาด้วย Python และ node.js บนเฟรมเวิร์กเว็บ koa.js ฐานข้อมูลผู้ใช้และประวัติกิจกรรมถูกจัดเก็บไว้ใน MySQL ระบบได้รับการทดสอบภายใต้สภาพแสงภายในอาคาร ระยะการตรวจจับใบหน้า 0.5, 1 และ 2 เมตร จำนวนใบหน้าเป้าหมาย 1, 2 และ 4 คน และจำนวนภาพใบหน้าต้นแบบต่อคน 4 และ 8 คน ทดสอบ 1,000 ครั้งภายใต้แต่ละเงื่อนไขการทดสอบ ผลการทดสอบพบว่า 1) จำนวนภาพใบหน้าต้นแบบต่อคนใบหน้าที่มีนัยสำคัญมากขึ้นช่วยเพิ่มความแม่นยำและประสิทธิภาพของการตรวจจับใบหน้า 2)ระยะการตรวจจับใบหน้าที่ใกล้ที่สุดให้ผลลัพธ์ที่แม่นยำที่สุด 3) จำนวนใบหน้าเป้าหมายในการตรวจจับใบหน้าแต่ละครั้งจำนวนน้อยลงส่งผลให้มีความแม่นยำมากขึ้น 4) ระบบลงทะเบียนกิจกรรมการตรวจจับใบหน้าแสดงประสิทธิภาพการตรวจจับใบหน้าโดยเฉลี่ย 0.17 วินาทีต่อเซสชันการตรวจจับ ซึ่งสามารถช่วยลดเวลาในการลงทะเบียนได้ 5) ยืนยันตัวตนของผู้เข้าร่วมกิจกรรมได้อย่างมีประสิทธิภาพด้วยความแม่นยำเฉลี่ยร้อยละ 70
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
References
A. A. M. Alshiha, M. W. Al-Neama, and A. R. Qubaa, “Parallel Hybrid Algorithm for Face Recognition Using Multi-Linear Methods,” International Journal of Electrical and Electronics Research, vol. 11, no. 4, pp. 1013–1021, Nov. 2023.
I. Adjabi, A. Ouahabi, A. Benzaoui, and A. Taleb-Ahmed, “Past, Present, and Future of Face Recognition: A Review,” Electronics, vol. 9, no. 8, p. 1188, Jul. 2020.
S. I. Serengil and A. Ozpinar, “LightFace: A Hybrid Deep Face Recognition Framework,” in Proc. 2020 Innovations in Intelligent Systems and Applications Conference (ASYU), Istanbul, Turkey, 2020, pp. 1-5.
H. Jiang and E. Learned-Miller, “Face Detection with the Faster R-CNN,” in Proc. 2017 12th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2017), Washington, DC, USA, 2017, pp. 650-657.
Z. Li, F. Liu, W. Yang, S. Peng and J. Zhou, “A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects,” IEEE Transactions on Neural Networks and Learning Systems, vol. 33, no. 12, pp. 6999-7019, Dec. 2022.
R. Yamashita, M. Nishio, R. K. G. Do, and K. Togashi, “Convolutional Neural networks: an Overview and Application in Radiology,” Insights into Imaging, vol. 9, no. 4, pp. 611–629, Jun. 2018.
S. R. Dubey, S. K. Singh, and B. B. Chaudhuri, “Activation functions in deep learning: A comprehensive survey and benchmark,” Neurocomputing, vol. 503, pp. 92–108, Sep. 2022.
A. Zafar et al., “A Comparison of Pooling Methods for Convolutional Neural Networks,” Applied Sciences, vol. 12, no. 17, p. 8643, Jan. 2022.
Nwankpa, C. E., Ijomah, W., Gachagan, A., and Marshall, S. “Activation functions: comparison of trends in practice and research for deep learning,” in Proc. 2nd International Conference on Computational Sciences and Technology, Jamshoro, Pakistan. 2021. pp.124 - 133.
G. K. L. Rao, A. C. Srinivasa, Y. H. P. Iskandar, and N. Mokhtar, “Identification and analysis of photometric points on 2D facial images: a machine learning approach in orthodontics,” Health and Technology, vol. 9, no. 5, pp. 715–724, Mar. 2019.
Z. Xie, J. Li, and H. Shi, “A Face Recognition Method Based on CNN,” Journal of Physics: Conference Series, vol. 1395, p. 012006, Nov. 2019.
D. Garg, P. Goel, S. Pandya, A. Ganatra, and K. Kotecha, “A Deep Learning Approach for Face Detection using YOLO,” 2018 IEEE Punecon, Nov. 2018.
F. Gunawan, C. -L. Hwang and Z. -E. Cheng, “ROI-YOLOv8-Based Far-Distance Face-Recognition,” in Proc. 2023 International Conference on Advanced Robotics and Intelligent Systems (ARIS), Taipei, Taiwan, 2023, pp. 1-6.
F. Ozdamli, A. Aljarrah, D. Karagozlu, and M. Ababneh, “Facial Recognition System to Detect Student Emotions and Cheating in Distance Learning,” Sustainability, vol. 14, no. 20, p. 13230, Oct. 2022.
D. Shi and H. Tang, “A New Multiface Target Detection Algorithm for Students in Class Based on Bayesian Optimized YOLOv3 Model,” Journal of Electrical and Computer Engineering, vol. 2022, pp. 1–12, Jan. 2022.