1.立项原因：传统人脸情绪识别存在数据集标准化不足、模型适配性差、检测精度与速度难以兼顾的问题，无法满足实际应用中高效、精准的情绪感知需求。本项目基于 PaddlePaddle 构建情绪识别系统，解决数据集复用性低、模型落地困难、情绪分类准确率不足的产品问题。
2.行业场景与业务背景：面向人机交互、心理健康监测、智能客服、车载交互等领域，服务于智能交互设备厂商、心理健康服务机构、智能客服平台等用户，通过人脸情绪识别实现情绪感知与交互适配，助力提升智能应用的人性化与智能化水平。
1.具体功能模块：包含数据集构建、模型训练、情绪检测、结果统计四大核心模块。
2.主要功能描述：数据集构建模块生成包含 7 类情绪的标准化人脸情绪数据集，输出结构清晰、可直接用于模型训练的 emotion_dataset 文件；模型训练模块基于 PaddlePaddle 框架实现数据预处理、模型搭建与训练，支持 ResNet18 骨干网络微调、损失函数与优化器配置；情绪检测模块支持单张图片上传检测与实时人脸情绪识别，展示检测速度、分类准确率等核心指标；结果统计模块可视化呈现情绪分类分布、检测数据量等统计信息，方便用户直观查看识别效果。
1.负责的具体任务：构建 7 类情绪的人脸情绪数据集，完成数据预处理与标准化输出；基于 PaddlePaddle 框架实现数据适配（灰度图转三通道）、ResNet18 模型搭建与训练，优化交叉熵损失与 Adam 参数；开发情绪识别 Web 界面，实现图片上传、实时检测、结果可视化与数据统计功能。
2.项目技术栈与架构：深度学习框架采用 PaddlePaddle，骨干网络为 ResNet18 预训练模型，损失函数为交叉熵，优化器为 Adam；前端搭建轻量化交互界面，后端提供模型推理接口；采用数据预处理 - 模型训练 - 推理部署的流水线架构，保障数据集复用性与模型落地性。
3.实现亮点与难点：亮点是数据集结构清晰可复用，模型轻量高效（检测速度 42ms，准确率 94.8%），界面友好易用；难点是灰度图适配模型输入的处理，ResNet18 微调的精度优化，以及平衡检测速度与分类准确率的性能调优。
评论