Республикалық ғылыми-тәжірибелік конференция материалдары

121 
ИСПОЛЬЗОВАНИЕ СИСТЕМ РАСПОЗНАВАНИЯ ЛИЦ В ОБРАЗОВАНИЙ 
 
Ерсултанова З.С. 
к.т.н., асс. профессор 
Костанайский государственный педагогический университет им. У.Султагазина 
Казахстан, Костанай 
Аңдатпа. Мақалада автор Қытайдағы тҧлғаны тану жҥйелерін пайдаланудың ҥлгісін 
береді. Ол сондай-ақ жоғары оқу орнында оқу процесін бақылауды автоматтандыру ҥшін 
тҧлғаны тану жҥйелерін қолдану міндетін қойып, осы мәселені шешу ҥшін кейбір жасанды 
интеллект әдістерін сипаттайды. 
Кілт сҿздер: тҧлғаны тану, датчик, білім беру, бҧлт, жҥйе, студент. 
Summary. In the article, the author gives an example of the use of recognition systems in 
assignments in China. He also sets forth the task of using face recognition systems to automate the 
monitoring of the educational process at a higher educational institution and describes some 
artificial intelligence methods for solving this problem. 
Key words: face identification, sensor, education, cloud, system, student. 
В Китае на сегодняшний день используются системы слежения за 
собственными гражданами для слежения за настроением работников на 
предприятиях с помощью специальных датчиков. Сегодня так же широко 
используются технологии распознавания лиц, которые применяют для 
слежения за учащимися старшей школы в Ханчжоу. Каждые 30 секунд 
технология распознавания лиц фиксирует лица учеников, которые находятся в 
классных комнатах старшей школы № 11 в Ханчжоу. Задача технологии — 
определить настроение каждого учащегося. Она классифицирует состояния как 
счастливый, сердитый, напуганный, смущенный или расстроенный.
Кроме того, система фиксирует действия учащихся и понимает, когда они 
пишут, читают, отвечают преподавателю или спят во время занятий. Подобная 
система слежения используется в первую очередь для повышения 
эффективности учебного процесса, однако она также помогает предотвратить 
возможные инциденты в учебных заведениях. 
Стоит отметить, что данные учащихся находятся в безопасности. Система 
не хранит снимки из классных комнат. Кроме того, все данные хранятся 
локально и не уходят в облако. Возможно, не каждому учащемуся понравится 
тот факт, что за ним наблюдают каждые 30 секунд, но есть и ощутимые плюсы 
использования системы распознавания лиц для них. К примеру, учащимся не 
требуется носить с собой какие-либо удостоверения или карточки. Система 
распознавания лиц работает в школьной столовой и библиотеке. 
Анализируя особенности образовательной среды педагогических вузов с 
точки 
зрения 
реализации 
психолого-педагогического 
сопровождения 
участников образовательного процесса, мы зачастую сталкиваемся с 
отсутствием автоматизированных процессов для облегчения преподавательской 
деятельности как проверка присутствия на занятий студентов в больших 
поточных аудиториях для последущих выявлений успеваемости студентов по 
данному предмету, что ещѐ в настоящем времени немало актуально в 

122 
образований. В связи с вышеизложенным, мы предлагаем разработку 
автоматизированной системы для контроля учебного процесса, основанной на 
применений интеллектуально - информационных систем, где логическая 
(или смысловая) обработка информации превалирует над вычислительной.
Автоматизация контроля учебного процесса предполагает создание 
автоматизированной интеллектуальной системы с сенсорным определением 
кодов личных карточек студентов, предназначенных для подключения к 
индивидуальному компьютеру преподавателя с целью определения количества 
студентов присутствующих на занятиях в поточных аудиториях и 
автоматического определения личности студента через расшифровки кодов 
личных 
карточек. 
В 
последующем 
автоматизированный 
контроль 
посещаемости студентами лекционных занятий позволит определить точное 
количество студентов присутствующих на занятий и автоматизированное 
выставление оценок, так же распознавание лиц студентов установит точную 
личность студента по посещению студентом занятий по предмету, где 
предусмотрены лекций в поточных аудиториях, которые содержат более ста 
студентов.
Интеллектуальные 
информационные 
системы применяются для 
решения сложных задач, где основная сложность решения связана с 
использованием слабо формализованных знаний специалистов-практиков и 
где логическая (или смысловая) обработка информации превалирует над 
вычислительной[2]. 
В качестве метода разработки программной реализации решения задачи 
выбраны нейросетевые методы распознавания человека по изображению лица. 
Нейросетевые методы, основанные на применении различных типов 
искусственных нейронных сетей (ИНС, в дальнейшем просто нейронные сети, 
НС), в последнее время получили широкое распространение. 
Основные задачи, решаемые при помощи нейронных сетей следующие: 
- Разбиение пространства признаков на области, соответствующие 
классам (классификация, распознавание, кластеризация). 
- Извлечение ключевых характеристик, сжатие и реконструкция образов. 
- Аппроксимация функции многих переменных с любой заданной 
точностью. 
- Прогнозирование временных рядов. 
- Ассоциативная память. 
- Решение оптимизационно-комбинаторных задач. 
- Топологически упорядоченное преобразование пространства. 
- Распознавание с учѐтом топологии пространства. 
Большинство из этих задач прямо или косвенно связаны с 
распознаванием изображений [3]. 
Настройка нейронной сети для решения определѐнной задачи 
производиться в процессе обучения на наборе тренировочных примеров. 
Таким образом, не требуется вручную определять параметры модели 
(выбирать ключевые признаки, учитывать их взаимоотношение и т.п.) – НС 
извлекает параметры модели автоматически наилучшим образом в процессе 

123 
обучения. Остаѐтся только построить тренировочную выборку. В задачах 
классификации при этом происходит неявное выделение ключевых признаков 
внутри сети, определение их значимости и системы взаимоотношений между 
признаками. В настоящее время разработаны мощные, гибкие и универсальные 
механизмы обучения различных типов НС [4], [5]. 
Кроме различных способов применения нейронных сетей к распознаванию 
человека по изображению лица, существует множество работ, посвящѐнных 
применению нейронных сетей к распознаванию и обработке изображений других 
видов объектов. Среди них можно назвать научные исследования машинного 
обучения труды Farid Melgani –University of Trento, который получил следующие 
выводы в своем исследований в данной области:[6]. 
В многочисленных приложениях система распознавания должна 
анализировать сложные явления. 
Для повышения вероятности системы часто используется один из 
разных датчиков (Источники). 
В этих сценариях система должна быть способна к взлому. 
Рис.1 Мультисенсорные распознавательные системы 
 
Слияние может происходить на двух основных уровнях данных / 
функций и уровней принятия решений, каждый из которых является объектом 
различной методологической проблематики (рис.1). 
Таким образом, применение интеллектуально - информационных систем 
и технологий в образовании требует решения интеллектуальных задач в 
распределѐнных компьютерных средах. Использование искусственного 
интеллекта и выбора одного из методик решения задач как искусственные 
нейронные сети, робототехнических систем и распознавания образов. Решение 
задач ИИС имеют важную роль в науке и их реализации значительно приведут 
к улучшению работ работников сферы образования. Также контроль учебного 
процесса улучшить посещаемость студентами занятий в поточных аудиториях 
вместимостью до ста человек. 

124 

жүктеу/скачать 5.34 Mb.

Достарыңызбен бөлісу: