DOI: https://doi.org/10.65258/jutekom.v2.i1.44
تاريخ النشر: 2026-01-19
المؤلف: Muhammad Al Faris Syabil وآخرون
الموضوع الرئيسي: التعرف على العواطف والمزاج
نظرة عامة
تدرس هذه الدراسة فعالية شبكة الأعصاب التلافيفية (CNN) في التعرف على مشاعر الوجه باستخدام مجموعة بيانات FER2013، التي تتكون من صور رمادية منخفضة الدقة مصنفة إلى سبع فئات عاطفية: الغضب، الاشمئزاز، الخوف، السعادة، الحياد، الحزن، والدهشة. تسلط الأبحاث الضوء على التحديات التي تطرحها توزيع الفئات غير المتوازن في مجموعة البيانات وانخفاض دقة الصور. تم تنفيذ بنية أساسية لشبكة CNN، تتضمن طبقات تلافيفية، وطبقات تجميع، وطبقات متصلة بالكامل، مع خطوات معالجة مسبقة تشمل تطبيع الصور وتوليد البيانات بناءً على دفعات. تم تدريب النموذج باستخدام مُحسّن آدم وخسارة الانتروبيا المتقاطعة الفئوية، مع آلية إيقاف مبكر للتخفيف من الإفراط في التكيف. حققت شبكة CNN دقة اختبار إجمالية بلغت 55.50%، مع درجات F1 أعلى للمشاعر ذات الميزات الوجهية المميزة، مثل السعادة والدهشة، بينما أظهرت الفئات الأقل مثل الاشمئزاز والخوف أداءً أقل.
تؤكد النتائج على إمكانية استخدام بنية شبكة CNN بسيطة كنقطة أساس للتعرف على مشاعر الوجه، على الرغم من قيودها مقارنة بالنماذج الأكثر تعقيدًا. كشفت تحليل الأداء حسب الفئة عن تصنيفات خاطئة متكررة بين المشاعر ذات الأنماط الوجهية المتشابهة، لا سيما بين الخوف، الحزن، والتعبيرات المحايدة. تؤكد الدراسة على أهمية معالجة عدم التوازن بين الفئات والتشابهات الدقيقة بين الفئات في أنظمة التعرف على المشاعر. قد تعزز الأعمال المستقبلية دقة التصنيف من خلال زيادة البيانات، وإعادة توازن الفئات، أو استخدام هياكل أعمق مع آليات انتباه. النموذج المقترح يعد حلاً عمليًا لتطبيقات التعرف على المشاعر الخفيفة في البيئات ذات الموارد الحاسوبية المحدودة، مثل منصات التعلم الإلكتروني وأنظمة تحليل المشاعر في الوقت الحقيقي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية التعرف على مشاعر الوجه (FER) ضمن مجالات رؤية الكمبيوتر والذكاء الاصطناعي، مشددة على تطبيقاته في التفاعل بين الإنسان والآلة، والمراقبة، والرعاية الصحية، وتحليل السلوك. تعتبر تعبيرات الوجه وسيلة رئيسية لنقل المشاعر، مما يجعل التعرف التلقائي أمرًا حيويًا لتعزيز استجابة النظام وتخصيصه. على الرغم من التقدم، لا يزال FER يمثل تحديًا بسبب عوامل مثل التباين في مظهر الوجه، والإضاءة، ووضع الرأس، والطبيعة الذاتية للتعبير العاطفي، مما يعقد التعرف الدقيق، خاصة بين المشاعر المتشابهة مثل الخوف والحزن. بالإضافة إلى ذلك، فإن عدم توازن فئات المشاعر في مجموعات البيانات، مثل التمثيل الناقص لمشاعر مثل الاشمئزاز والخوف، يتطلب استخدام مقاييس تقييم متنوعة تتجاوز الدقة، بما في ذلك الدقة، والاسترجاع، ودرجة F1، لضمان تقييم عادل لأداء النموذج.
تناقش الورقة هيمنة الشبكات العصبية التلافيفية (CNNs) في مهام التعرف المعتمدة على الصور، مشيرة إلى قدرتها على تعلم الميزات مباشرة من البيانات الخام دون الحاجة إلى استخراج يدوي. أظهرت الدراسات السابقة أن CNNs تتفوق على الطرق التقليدية في FER، خاصة مع الأنماط البصرية المعقدة. تهدف الدراسة إلى تقييم بنية شبكة CNN بسيطة باستخدام مجموعة بيانات FER2013، التي، على الرغم من تحدياتها مثل انخفاض الدقة وعدم توازن الفئات، تعد معيارًا قياسيًا لدراسات FER. تتضمن الطريقة المقترحة استراتيجية إيقاف مبكر للتخفيف من الإفراط في التكيف وتعزيز التعميم. من خلال التركيز على نموذج CNN بسيط، تسعى الدراسة إلى إنشاء تقييم أساسي، وتوضيح تأثير خصائص مجموعة البيانات على أداء التعرف، ومعالجة التحديات التي تواجه التطبيقات العملية لـ FER.
الطرق
تستخدم الدراسة منهجية بحث تجريبية للتحقيق في فعالية شبكة الأعصاب التلافيفية (CNN) في التعرف على مشاعر الوجه، مع الاستفادة بشكل خاص من مجموعة بيانات FER2013. يركز التصميم التجريبي على تقييم قدرة بنية شبكة CNN الأساسية على استخراج ميزات تمييزية من صور رمادية منخفضة الدقة، لا سيما في سياق توزيع الفئات غير المتوازن.
لزيادة موثوقية النتائج، تم هيكلة المنهجية بدقة لتعزيز إمكانية إعادة الإنتاج والتقييم الموضوعي، مع الالتزام بالممارسات المعمول بها ضمن مجال أبحاث رؤية الكمبيوتر. تضمن هذه الطريقة أن النتائج يمكن التحقق منها ومقارنتها مع دراسات أخرى في هذا المجال.
المناقشة
تناقش الورقة البحثية تنفيذ وتقييم شبكة الأعصاب التلافيفية (CNN) للتعرف على مشاعر الوجه باستخدام مجموعة بيانات FER2013، التي تتكون من صور رمادية مصنفة إلى سبع فئات عاطفية. تطرح خصائص مجموعة البيانات، بما في ذلك انخفاض الدقة وعدم التوازن الكبير بين الفئات، تحديات لتدريب النموذج وتقييمه. تتكون بنية شبكة CNN المستخدمة من ثلاث طبقات تلافيفية تليها طبقات تجميع قصوى، مع استخدام دوال تنشيط ReLU لالتقاط الميزات المعقدة. تم تدريب النموذج باستخدام مُحسّن آدم بمعدل تعلم 0.001، وتم تنفيذ آلية إيقاف مبكر لمنع الإفراط في التكيف، مما أسفر عن دقة اختبار نهائية بلغت 55.50%.
شملت مقاييس التقييم الدقة الإجمالية، والدقة، والاسترجاع، ودرجات F1، مع التركيز بشكل خاص على درجة F1 بسبب عدم توازن مجموعة البيانات. أشارت النتائج إلى أن المشاعر ذات الأنماط البصرية الواضحة، مثل السعادة والدهشة، حققت درجات F1 أعلى، بينما أظهرت الفئات الأقل مثل الاشمئزاز أداءً أقل بكثير. كشفت تحليل مصفوفة الالتباس عن تصنيفات خاطئة متكررة بين المشاعر المتشابهة، مما يبرز قيود بنية شبكة CNN في تمييز التعبيرات الوجهية الدقيقة. تختتم الدراسة بالقول إنه بينما يوفر نموذج CNN المقترح نقطة أساس معقولة للتعرف على مشاعر الوجه، فإن تحسينات مستقبلية مثل زيادة البيانات والهياكل الأعمق ضرورية لتحسين دقة التصنيف والموثوقية، خاصة للتطبيقات في البيئات ذات الموارد المحدودة.
DOI: https://doi.org/10.65258/jutekom.v2.i1.44
Publication Date: 2026-01-19
Author(s): Muhammad Al Faris Syabil et al.
Primary Topic: Emotion and Mood Recognition
Overview
This study investigates the efficacy of a Convolutional Neural Network (CNN) for facial emotion recognition using the FER2013 dataset, which comprises low-resolution grayscale images categorized into seven emotion classes: angry, disgust, fear, happy, neutral, sad, and surprise. The research highlights the challenges posed by the dataset’s imbalanced class distribution and low image resolution. A baseline CNN architecture was implemented, incorporating convolutional, pooling, and fully connected layers, with preprocessing steps including image normalization and batch-based data generation. The model was trained using the Adam optimizer and categorical cross-entropy loss, with an early stopping mechanism to mitigate overfitting. The CNN achieved an overall test accuracy of 55.50%, with higher F1-scores for emotions with distinct facial features, such as happy and surprise, while minority classes like disgust and fear showed lower performance.
The findings underscore the potential of a simple CNN architecture as a baseline for facial emotion recognition, despite its limitations compared to more complex models. Class-wise performance analysis revealed frequent misclassifications among emotions with similar facial patterns, particularly between fear, sad, and neutral expressions. The study emphasizes the importance of addressing class imbalance and subtle inter-class similarities in emotion recognition systems. Future work may enhance classification accuracy through data augmentation, class rebalancing, or deeper architectures with attention mechanisms. The proposed model serves as a practical solution for lightweight emotion recognition applications in environments with limited computational resources, such as e-learning platforms and real-time emotion analysis systems.
Introduction
The introduction of this research paper highlights the significance of facial emotion recognition (FER) within the realms of computer vision and artificial intelligence, emphasizing its applications in human-computer interaction, surveillance, healthcare, and behavioral analysis. Facial expressions serve as a primary means of conveying emotions, making automatic recognition crucial for enhancing system responsiveness and personalization. Despite advancements, FER remains challenging due to factors such as variations in facial appearance, illumination, head pose, and the subjective nature of emotional expression, which complicates accurate recognition, especially among similar emotions like fear and sadness. Additionally, the imbalance of emotion classes in datasets, such as the underrepresentation of emotions like disgust and fear, necessitates the use of diverse evaluation metrics beyond accuracy, including precision, recall, and F1-score, to ensure a fair assessment of model performance.
The paper discusses the dominance of Convolutional Neural Networks (CNNs) in image-based recognition tasks, noting their ability to learn features directly from raw data without the need for manual extraction. Previous studies have shown that CNNs outperform traditional methods in FER, particularly with complex visual patterns. The research aims to evaluate a simple CNN architecture using the FER2013 dataset, which, despite its challenges like low resolution and class imbalance, serves as a standard benchmark for FER studies. The proposed approach incorporates an early stopping strategy to mitigate overfitting and enhance generalization. By focusing on a straightforward CNN model, the study seeks to establish a baseline evaluation, elucidate the impact of dataset characteristics on recognition performance, and address the challenges faced in practical FER applications.
Methods
The study utilizes an experimental research methodology to investigate the efficacy of a Convolutional Neural Network (CNN) in recognizing facial emotions, specifically leveraging the FER2013 dataset. The experimental design focuses on evaluating a baseline CNN architecture’s capability to extract discriminative features from low-resolution grayscale images, particularly in the context of imbalanced class distributions.
To enhance the reliability of the findings, the methodology is meticulously structured to promote reproducibility and objective evaluation, adhering to established practices within the field of computer vision research. This approach ensures that the results can be validated and compared with other studies in the domain.
Discussion
The research paper discusses the implementation and evaluation of a Convolutional Neural Network (CNN) for facial emotion recognition using the FER2013 dataset, which comprises grayscale images categorized into seven emotion classes. The dataset’s characteristics, including low resolution and significant class imbalance, pose challenges for model training and evaluation. The CNN architecture employed consists of three convolutional layers followed by max-pooling layers, utilizing ReLU activation functions to capture complex features. The model was trained using the Adam optimizer with a learning rate of 0.001, and an early stopping mechanism was implemented to prevent overfitting, resulting in a final test accuracy of 55.50%.
The evaluation metrics included overall accuracy, precision, recall, and F1-scores, with particular emphasis on the F1-score due to the dataset’s imbalance. Results indicated that emotions with clear visual patterns, such as happy and surprise, achieved higher F1-scores, while minority classes like disgust exhibited significantly lower performance. The confusion matrix analysis revealed frequent misclassifications among similar emotions, underscoring the limitations of the CNN architecture in distinguishing subtle facial expressions. The study concludes that while the proposed CNN model provides a reasonable baseline for facial emotion recognition, future enhancements such as data augmentation and deeper architectures are necessary to improve classification accuracy and robustness, particularly for applications in resource-constrained environments.