Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hệ Thống Điểm Danh Tự Động Thực Thời Gian Dựa Trên Nhận Diện Khuôn Mặt Sử Dụng Face API và OpenCV
Tóm tắt
Truyền thống, việc điểm danh sinh viên là một mối quan tâm lớn đối với các trường đại học và giảng viên phải dành rất nhiều thời gian và công sức để điểm danh thủ công. Hệ thống điểm danh sinh trắc học hiện tại không tự động, do đó lãng phí nhiều thời gian, khó duy trì và yêu cầu phải xếp hàng để quét dấu vân tay để điểm danh. Trong thời đại hiện đại, mọi người đều sở hữu điện thoại thông minh và luôn kết nối qua internet. Trong bài báo này, việc giám sát điểm danh sẽ được thực hiện thông qua điện thoại thông minh có sẵn với hầu hết các giảng viên. Một số thuật toán phát hiện đối tượng phổ biến là mạng nơ-ron hồi tiếp, mạng nơ-ron tích chập dựa trên vùng (RCNN), Faster RCNN, và Single Shot Detector. Cấu trúc thống nhất của chúng tôi dựa trên thuật toán YOLO V3 (You Only Look Once) cho việc nhận diện khuôn mặt và Microsoft Azure sử dụng Face API cho nhận diện khuôn mặt (cơ sở dữ liệu khuôn mặt). Phần độc đáo là camera được lắp đặt trong lớp học sẽ chụp ảnh hai lần, một lần ở đầu giờ và một lần ở cuối giờ để đảm bảo sinh viên đã tham gia đầy đủ lớp học. YOLO V3 sẽ đầu tiên đếm số lượng sinh viên trong một hình ảnh, sau đó xác định các khuôn mặt là đã biết hay chưa biết, tạo ra các bảng tính riêng biệt và một email sẽ được gửi vào cuối tháng tới sinh viên, phụ huynh và giảng viên. Hệ thống được thiết kế hoạt động hiệu quả trong triển khai thời gian thực cho việc đếm và phát hiện. Tất cả hệ thống của chúng tôi đã chứng minh khả năng đạt độ chính xác cao trong việc nhận diện khuôn mặt và hiệu suất.
Từ khóa
#Hệ thống điểm danh tự động #Nhận diện khuôn mặt #YOLO V3 #Face API #OpenCVTài liệu tham khảo
Fawaz, A. (2019). A smart classroom of wireless sensor networks for students time attendance system. In IEEE integrated STEM education conference (ISEC).
Helmi, R., Yusuf, S., & Jamal, A. (2019). Face recognition automatic class attendance system (FRACAS). In IEEE international conference on automatic control and intelligent systems (I2CACIS 2019), Selangor, Malaysia, June 29, 2019.
Xing, Y. (2019). A class attendance system based on SL4A. In IEEE 4th international conference on cloud computing and big data analytics.
Mijić, D., Durutović, J., Bjelica, O., & Ljubojević, M. (2019). An improved version of student attendance management system based on RFID. In 18th international symposium INFOTEH-JAHORINA, March 20–22, 2019.
McCluskey, C. P., Bynum, T. S., & Patchin, J. W. (2004). Reducing chronic absenteeism: An assessment of an early truancy initiative. NCCD News,50(2), 214–234.
Li, J., Gu, J., Huang, Z., & Wen, J. (2019). Application research of improved YOLO V3 algorithm in PCB electronic component detection. Applied Sciences,9, 3750. https://doi.org/10.3390/app9183750.
Arsenovic, M., Sladojevic, S., Anderla, A., & Stefanovic, D. (2017). FaceTime—Deep learning based face recognition attendance system. In IEEE 15th international symposium on intelligent systems and informatics. University of Novi Sad, SISY 2017, September 14–16, Subotica, Serbia.
Varadharajan, E., Dharani, R., Jeevitha, S., Kavinmathi, B., & Hemalatha, S. (2016). Automatic attendance management system using face detection. In Online international conference on green engineering and technologies (IC-GET).
Shoewu, O., & Idowu, O. A. (2012). Development of attendance management system using biometrics. The Pacific Journal of Science and Technology,13(1), 300–307.
Yadav, V., & Bhole, G. P. (2019). Cloud based smart attendance system for educational institutions. In 2019 international conference on machine learning, big data, cloud and parallel computing (Com-IT-Con), India, Feb 14th–16th, 2019.
Albuhairi, T., & Altameem, A. (2019). Using RFID technology in vaccination cards for Saudi children. In First international conference on sustainable technologies for computational intelligence, pp. 125–137.
Das, S. (2017). CNN architectures: LeNet, AlexNet, VGG, GoogLeNet, ResNet and more ….. Medium, November 16, 2017 [Online]. Retrieved September 22, 2018 from https://medium.com/@sidereal/cnns-architectures-lenet- alexnet-vgg-googlenet-resnet-and-more-666091488df5.
Zhao, Z.-Q., Zheng, P., Xu, S., & Wu, X. (2019). Object detection with deep learning: A review. IEEE Transactions on Neural Networks and Learning Systems,30(11), 3212–3232.
Rosebrock, A. (2018). YOLO object detection with OpenCV. Py Image Search. Retrieved December 20, 2018.
Maj, M. (2018). What is object detection? Introduction to YOLO algorithm. Appsilon Data Science. Retrieved December 18, 2018 from https://appsilon.com/object-detection-yolo-algorithm.
Geethapriya, S., Duraimurugan, N., & Chokkalingam, S. P. (2019). Real-time object detection with Yolo. International Journal of Engineering and Advanced Technology (IJEAT),8(3S), 1–4. https://www.ijeat.org/wp-content/uploads/papers/v8i3S/C11240283S19.pdf.
Kim, C., Lee, J., Han, T., & Kim, Y.-M. (2018). A hybrid framework combining background subtraction and deep neural networks for rapid person detection. Journal of Big Data,1, 1. https://doi.org/10.1186/s40537-018-0131-x.