。

本系统通过整合先进的YOLOV8…本研究提出了一种创新的独居老人情感状态监护系统基于YOLOV8深度学习模型旨在通过对老年人面部表情的实时监测与分析来精准识别其情感变化从而提高独居老人的生活质量确保其心理健康。

本系统通过整合先进的YOLOV8算法进行图像检测与情感识别具备高效的情感状态判断能力。

YOLOV8模型在情感识别领域具有出色的性能表现能够在复杂场景中准确定位和分析面部表情为情感状态监控提供了坚实的技术支持。

在系统架构方面研究采用了基于PyQt5的用户界面开发框架界面设计简洁直观操作流程友好便于用户快速上手。

系统通过数据集的全面训练和测试不仅能准确检测老年人面部表情的细微变化还能对多种情感状态进行精准分类如快乐、悲伤、愤怒、焦虑等。

此外系统具有强大的实时监控功能能够持续追踪老年人的情绪变化。

为了确保系统的实际应用价值本研究通过多个独居老人的数据集进行训练与测试验证了其在情感状态识别中的高准确性和稳定性。

实验结果表明该系统在实时性、鲁棒性与精确性等关键性能指标上均表现优异能够适应各种复杂的家庭或养老院环境。

进一步的应用分析显示该系统不仅可以有效提升老年人的生活质量还可以为社会老龄化问题提供一种技术支持方案具有广阔的应用前景。

本系统未来的优化方向可能包括进一步提升情感识别的精度扩展支持的情感种类甚至结合音频数据进行多模态情感分析。

同时增加与智能家居、健康监测设备的联动性打造更加全面的老年人情感状态监护网络将为独居老年人群体提供更全面、更安全的生活环境。

算法流程

通过搜集关于数据集为各种各样的老人情感状态相关图像并使用Labelimg标注工具对每张图片进行标注分8个检测类别分别是’老人愤怒’,’老人鄙视’,’老人厌恶’,’老人恐惧’,’老人高兴’,’老人平和’,’老人悲伤’,’老人惊讶’。

目标检测标注工具

1labelimg:开源的图像标注工具标签可用于分类和目标检测它是用python写的并使用Qt作为其图形界面简单好用虽然是英文版的。

其注释以

PASCAL

VOC格式保存为XML文件这是ImageNet使用的格式。

此外它还支持

2安装labelimg

https://pypi.tuna.tsinghua.edu.cn/simple

结束后在cmd中输入labelimg

接下来就开始标注画框标记目标的label然后d切换到下一张继续标注不断重复重复。

3数据准备

这里建议新建一个名为data的文件夹这个是约定俗成不这么做也行里面创建一个名为images的文件夹存放我们需要打标签的图片文件再创建一个名为labels存放标注的标签文件最后创建一个名为

classes.txt

定义自己要标注的所有类别这个文件可有可无但是在我们定义类别比较多的时候最好有这个创建一个这样的txt文件来存放类别

生成文件如下:

存放标签信息的文件的文件名为与图片名相同内容由N行5列数据组成。

每一行代表标注的一个目标通常包括五个数据从左到右依次为类别id、x_center、y_center、width、height。

模型训练

YOLOv8是一个SOTA模型它建立在Yolo系列历史版本的基础上并引入了新的功能和改进点以进一步提升性能和灵活性使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。

其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数可在CPU到GPU的多种硬件平台上运行。

YOLOv8是Yolo系列模型的最新王者各种指标全面超越现有对象检测与实例分割模型借鉴了Yolov5、Yolov6、YoloX等模型的设计优点在全面提升改进Yolov5模型结构的基础上实现同时保持了Yolov5工程化简洁易用的优势。

Yolov8模型网络结构图如下图所示

本研究使用了包含各种老年情绪状态相关图像的数据集并通过Labelimg标注工具对每张图像中的目标边框Bounding

Box及其类别进行标注。

然后主要基于YOLOv8n这种模型进行模型的训练训练完成后对模型在验证集上的表现进行全面的性能评估及对比分析。

模型训练和评估流程基本一致包括数据集准备、模型训练、模型评估。

本次标注的目标类别为老年情绪状态数据集中共计包含25262张图像其中训练集占17101张验证集占5406张测试集占2755张。

部分图像如下图所示

部分标注如下图所示

图片数据的存放格式如下在项目同时将检测的图片分为训练集与验证集放入datasets目录下。

接着需要新建一个data.yaml文件用于存储训练数据的路径及模型需要进行检测的类别。

YOLOv8在进行模型训练时会读取该文件的信息用于进行模型的训练与验证。

train:

“E:/ElderlyEmotionsObjective_v8/datasets/train/images”训练集的路径

val:

“E:/ElderlyEmotionsObjective_v8/datasets//valid/images”验证集的路径

test:

“E:/ElderlyEmotionsObjective_v8/datasets/test/images”测试集的路径

nc:

这个文件定义了用于模型训练和验证的数据集路径以及模型将要检测的目标类别。

数据准备完成后通过调用train.py文件进行模型训练epochs参数用于调整训练的轮数batch参数用于调整训练的批次大小(根据内存大小调整最小为1)。

CPU/GPU训练代码如下

的预训练YOLOv8模型yolov8n.pt是预先训练好的模型文件。

使用YOLO模型进行训练主要参数说明如下

在深度学习的过程中我们通常通过观察损失函数下降的曲线来了解模型的训练情况。

对于YOLOv8模型的训练主要涉及三类损失定位损失box_loss、分类损失cls_loss以及动态特征损失dfl_loss。

训练完成后相关的训练过程和结果文件会保存在

runs/

定位损失box_loss预测框与标定框之间的误差GIoU越小定位得越准

分类损失cls_loss计算锚框与对应的标定分类是否正确越小分类得越准

动态特征损失dfl_lossDFLLoss是一种用于回归预测框与目标框之间距离的损失函数。

在计算损失时目标框需要缩放到特征图尺度即除以相应的stride并与预测的边界框计算Ciou

Loss同时与预测的anchors中心点到各边的距离计算回归DFLLoss。

这个过程是YOLOv8训练流程中的一部分通过计算DFLLoss可以更准确地调整预测框的位置提高目标检测的准确性。

训练结果如下

这张图展示了YOLOv8模型在训练和验证过程中的多个重要指标的变化趋势具体如下

train/box_loss

1这是训练过程中边界框损失的变化。

边界框损失用于衡量模型预测的目标框与实际目标框的差异。

2随着训练的进行损失逐渐减少表明模型在定位目标时的误差逐渐减少。

train/cls_loss

1这是训练集上的分类损失。

分类损失衡量模型对目标类别的预测准确性。

2损失值随着训练逐渐减少表明模型在分类目标类别时的准确性逐渐提高。

train/dfl_loss

2此损失通常用于边界框精度的优化损失下降表明模型在预测边界框时的性能有所提升。

metrics/precision(B)

1这是训练集上的精度precision曲线。

精度表示模型在检测到的目标中有多少是真正的目标。

metrics/recall(B)

1这是训练集上的召回率recall曲线。

召回率表示模型检测出的真实目标的比例。

val/box_loss

2与训练损失类似验证损失的下降表明模型在验证集上也表现得越来越好。

val/cls_loss

1这是验证集上的mAP50曲线表示在交并比阈值为0.5时模型的平均精度mean

Average

1这是验证集上的mAP50-95曲线表示在不同交并比阈值从0.5到0.95下模型的平均精度。

这组图展示了模型在训练和验证过程中的表现模型的各项损失均随着训练的进行逐渐减少而各项指标则逐渐提高表明模型的性能逐步优化。

Precision-Recall

3例如“Happy”类别的mAP值为0.956说明该类别在不同阈值下的平均精度较高。

蓝色粗线

1代表所有类别的总体精确率-召回率曲线并且图例中显示了总体的mAP0.5值为0.829。

mAP0.5

Precision是在不同的阈值通常为0.5下计算的精确率和召回率的综合性能指标。

2图中的mAP0.5值代表模型在该阈值下的平均表现值越高表示模型的整体检测性能越好。

曲线形状

2例如“Happy”类别的曲线接近图的右上角表明该类别的模型表现非常好精确率和召回率都较高。

3而“Neutral”类别的曲线较低表示该类别的模型表现相对较弱。

Contempt,

Surprise上的分类性能。

通过分析每个类别的精确率-召回率曲线可以帮助我们了解模型在哪些类别上表现良好在哪些类别上还需要改进。

4.检测结果识别

模型训练完成后我们可以得到一个最佳的训练结果模型best.pt文件在runs/train/weights目录下。

我们可以使用该文件进行后续的推理检测。

imgTest.py

‘models/best.pt’指定预训练模型的路径这个模型将用于目标检测任务。

2img_path

“TestFiles/imagetest.jpg”指定需要进行检测的图片文件的路径。

加载预训练模型

task’detect’)使用指定路径加载YOLO模型并指定检测任务为目标检测

conf

model(img_path)对指定的图片执行目标检测results

显示检测结果

results[0].plot()将检测到的结果绘制在图片上。

2cv2.imshow(“YOLOv8

res)使用OpenCV显示检测后的图片窗口标题为“YOLOv8

此代码的功能是加载一个预训练的YOLOv8模型对指定的图片进行目标检测并将检测结果显示出来。

执行imgTest.py代码后会将执行的结果直接标注在图片上结果如下

这段输出是基于YOLOv8模型对图片“imagetest.jpg”进行检测的结果具体内容如下

图像信息

1处理的图像路径为TestFiles/imagetest.jpg。

2图像尺寸为

这张图表显示了基于YOLOv8模型的目标检测系统的检测结果界面。

以下是各个字段的含义解释

用时Time

2在当前情况下选择的是“全部”意味着显示所有检测到的目标信息。

类型Type:

1这表示模型对检测到的目标属于“老人高兴”类别的置信度为99.01%。

2置信度反映了模型的信心置信度越高模型对这个检测结果越有信心。

目标位置Object

这些坐标表示在图像中的目标区域范围框定了检测到的“老人高兴”的位置。

这张图展示了独居老人情绪状态的一次检测结果包括检测时间、检测到的种类、各行为的置信度、目标的位置信息等。

用户可以通过界面查看并分析检测结果提升独居老人情绪状态监测的效率。

3.图片检测说明

点击打开图片按钮选择需要检测的图片或者点击打开文件夹按钮选择需要批量检测图片所在的文件夹。

操作演示如下

2点击保存按钮会对检测结果进行保存存储路径为save_data目录下。

检测结果系统识别出图片中的老年人情绪状态并显示检测结果包括总目标数、用时、目标类型、置信度、以及目标的位置坐标信息。

4.视频检测说明

点击视频按钮打开选择需要检测的视频就会自动显示检测结果再次点击可以关闭视频。

点击保存按钮会对视频检测结果进行保存存储路径为save_data目录下。

检测结果系统对视频进行实时分析检测到老年人情绪状态并显示检测结果。

表格显示了视频中多个检测结果的置信度和位置信息。

这个界面展示了系统对视频帧中的多目标检测能力能够准确识别老年人情绪状态并提供详细的检测结果和置信度评分。

5.摄像头检测说明

点击打开摄像头按钮可以打开摄像头可以实时进行检测再次点击可关闭摄像头。

检测结果系统连接摄像头进行实时分析检测到老年人情绪状态并显示检测结果。

实时显示摄像头画面并将检测到的行为位置标注在图像上表格下方记录了每一帧中检测结果的详细信息。

6.保存图片与视频检测说明

点击保存按钮后会将当前选择的图片(含批量图片)或者视频的检测结果进行保存。

5optimizer’SGD’:

但在某些情况下可能由于硬件限制或其他原因用户需要在CPU上进行训练。

温馨提示在CPU上训练深度学习模型通常会比在GPU上慢得多尤其是像YOLOv8这样的计算密集型模型。

除非特定需要通常建议在GPU上进行训练以节省时间。

2.训练日志结果

也反映出模型在不同情感类别上的表现。

较高的精度和召回率表明模型在该任务中的性能平衡较好。

例如“高兴”类的表现尤为突出精度为

0.892召回率为

该图展示了YOLOv8模型在不同情感类别上的检测效果较为均衡尤其是在“快乐”和“惊讶”类别上表现突出而在“平和”类别上的表现略差一些。

整体的平均精度指标mAP50和mAP50-95显示了模型的稳定性能。