표제지
목차
Abstract 8
I. 서론 9
II. 관련 연구 12
2.1. 스트레스 감지(Stress Recognition) 12
2.2. CNN(Convolutional Neural Network) 15
2.3. 이미지 분류 CNN 알고리즘 16
2.4. 얼굴감정인식(FER:Facial Expression Recognition) 17
III. 본론 18
3.1. 학습 데이터셋 구성 19
3.2. 데이터 전처리 (Data Pre-Processing) 22
3.3. 얼굴검출(Face Detection and Cropping) 모듈 23
3.4. Facial Expression Recognition(FER)모듈 25
가. InceptionV3 25
나. Xception 26
다. MobileNetV2 27
3.5. 스트레스 데이터 수치화(Digitalize) 모듈 32
IV. 실험결과 및 테스트 34
4.1. FER 모듈 실험결과 34
4.2. 실시간 스트레스 감지 테스트 37
4.3. 스트레스 감지 시스템 시각화 40
V. 결론 41
VI. 참고문헌 42
〈표 1〉 백인/아시아인의 인종별 평균 얼굴인식 응답시간 19
〈표 2〉 얼굴 감정 데이터셋 종류별 이미지 개수 21
〈표 3〉 얼굴 감정 분류별 이미지 데이터 개수 21
〈표 4〉 3가지 CNN 모델의 Top-1 Accuracy 및 파라메터 수 25
〈표 5〉 FER 모듈 생성을 위한 CNN 모델 Transfer Learning 테스트 31
〈표 6〉 스트레스 데이터 수치화 및 연산기준 32
〈표 7〉 FER 모듈 생성을 위한 CNN 모델 테스트 결과 34
〈표 8〉 CNN 모델 테스트 결과 중 모델별 Top 3 Accuracy 35
〈표 9〉 FER 모듈 인식률 테스트를 위한 표정 기준 37
〈표 10〉 FER 모듈 인식률 테스트 정확도 판단 기준 38
〈표 11〉 피실험자별 실시간 인식률 테스트 결과 및 최종선정 FER 모듈 39
〈그림 1〉 전국 감정노동자 규모 9
〈그림 2〉 감정노동자 정신건강실태 및 산재현황 10
〈그림 3〉 콜센터 운영형태 현황 및 협력사 비중 10
〈그림 4〉 CK+, Oulu-CASIA, KMU-FED 데이터셋 13
〈그림 5〉 스탠다드 CNN의 구조 15
〈그림 6〉 ILSVRC 연도별 정확도 16
〈그림 7〉 이미지 오류를 포함한 Kaggle FER2013 dataset 일부 17
〈그림 8〉 스트레스 감지 시스템 설계 프로세스 전반 18
〈그림 9〉 백인/아시아인의 인종별 평균 얼굴인식 정확도 19
〈그림 10〉 데이터 셋 구성 프로세스 전반 20
〈그림 11〉 얼굴영역 검출 및 자르기 - 데이터 전처리 22
〈그림 12〉 InceptionV3 모델의 아키텍쳐 26
〈그림 13〉 Xception 모델의 아키텍쳐 26
〈그림 14〉 MobileNetV2 모델의 아키텍쳐 및 퍼포먼스 27
〈그림 15〉 InceptionV3 모델의 딥러닝 학습 로그 - Accuracy, Loss 36
〈그림 16〉 Xception 모델의 딥러닝 학습 로그 - Accuracy, Loss 36
〈그림 17〉 MobileNetV2 모델의 딥러닝 학습 로그 - Accuracy, Loss 36
〈그림 18〉 FER 모듈 실시간 인식률 테스트 38
〈그림 19〉 실시간 스트레스 감지 시스템 수치변화 모니터링 그래프 40