Pengenalan Wajah Bermasker pada Perangkat Bergerak Menggunakan Deep Learning

Prayogo, Raden Bimo Rizki (2021) Pengenalan Wajah Bermasker pada Perangkat Bergerak Menggunakan Deep Learning. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111740000139-Undergraduate_Thesis.pdf] Text
05111740000139-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (3MB) | Request a copy

Abstract

Pengenalan wajah berbasis Deep Convolutional Neural Network (DCNN) telah mencapai kemajuan yang signifikan dalam beberapa tahun terakhir. Pada saat ini, banyak perangkat bergerak menggunakan teknologi pengenalan wajah untuk kebutuhan otentikasi. Dengan sumber daya komputasi yang terbatas pada perangkat bergerak, selain bekerja dengan akurat, dibutuhkan sebuah model DCNN pengenalan wajah yang bekerja dengan cepat dan berukuran kecil. Selain keterbatasan sumber daya, ada beberapa tantangan baru yang muncul, seperti penggunaan masker yang disebabkan oleh pandemi COVID-19. Penggunaan masker ini, mempersulit berbagai sistem pengenalan wajah yang sudah ada sehingga sistem tidak bisa bekerja dengan baik.
Tugas Akhir ini bertujuan untuk membuat aplikasi pengenalan wajah bermasker pada perangkat bergerak berupa smartphone. Sistem yang dibuat akan menguji performa MobileFaceNet dan SeesawFaceNet, yang merupakan model deep learning yang ringan dan efisien. Agar model-model tersebut dapat melaksanakan pengenalan wajah bermasker, model-model tersebut akan di dilatih dengan dataset penganalan wajah yang diagumentasi dengan masker. Program MaskTheFace akan digunakan untuk menghasilkan dataset tersebut.
Saat diujicoba di perangkat smartphone, model yang paling unggul adalah model MobileFaceNet yang dilatih dengan dataset CelebA teraugmentasi, dilatih dengan transfer learning, dan menggunakan Cosine Similarity untuk pengklasifikasian. Model tersebut mendapatkan akurasi label utama sebesar 85% dan akurasi 3 label terbaik sebesar 88.3% pada dataset pengenalan wajah bermasker asli yang penulis kumpulkan. Model tersebut melaksanakan pengenalan dengan kecepatan rata-rata 44 millisecond. Model yang dihasilkan sangat ringan dengan ukuran 4,9 MB.
=====================================================================================================
Deep Convolution Neural Network (DCNN)-based facial recognition has made significant progress in recent years. Currently, many mobile devices use facial recognition technology for authentication needs. With limited computing resources on mobile devices, in addition to working accurately, a facial recognition DCNN model is quick and lightweight is needed. In addition to limited resources, there are several new challenges that have emerged, such as the use of masks caused by the COVID-19 pandemic. The use of masks renders existing facial recognition systems to not work as intended..
This final project aims to create a masked facial recognition application on a mobile device, such as a smartphone. The system created will test the performance of MobileFaceNet and SeesawFaceNet, which are lightweight and efficient deep learning models. In order for these models to carry out face recognition with masks, these models will be trained with a facial recognition dataset that is argumentated with masks. The MaskTheFace program will be used to generate the dataset.
When tested on smartphones, the most superior model is the MobileFaceNet model which is trained with the face mask augmented CelebA dataset, trained by transfer learning, and uses cosine similarity for classification. The model obtained a main label accuracy of 85% and the best 3 labels accuracy of 88.3% in the original masked facial recognition dataset that the authors collected. The model performs recognition at an average speed of 44 milliseconds. The resulting model is very light with a size of 4.9 MB.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Pengenalan wajah, Deep Learning, Covid, MobilFaceNet, SeesawFaceNet, Face Recognition
Subjects: R Medicine > R Medicine (General) > R858 Deep Learning
T Technology > TA Engineering (General). Civil engineering (General) > TA1650 Face recognition. Optical pattern recognition.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: Raden Bimo Rizki Prayogo
Date Deposited: 31 Jul 2021 12:36
Last Modified: 31 Jul 2021 12:36
URI: http://repository.its.ac.id/id/eprint/84612

Actions (login required)

View Item View Item