计算机毕设选题推荐:基于深度学习的人脸情绪识别方法研究,ResNet50 + 双域外拒识 + Django/Vue 全栈可视化大屏

作者:BYSJMG日期:2026/10/28

精彩专栏推荐订阅:在下方主页👇🏻👇🏻👇🏻👇🏻

💖🔥作者主页:计算机毕设木哥🔥 💖

文章目录

  • 一、项目介绍
  • 二、视频展示
  • 三、开发环境
  • 四、系统展示
  • 五、代码展示
  • 六、项目文档展示
  • 七、项目总结
  • <font color=#fe2c24 >大家可以帮忙点赞、收藏、关注、评论啦 👇🏻

一、项目介绍

人脸情绪识别在人机交互、心理健康筛查和课堂状态分析里都有现实用途,但传统做法依赖人工观察或浅层特征,面对光照变化、遮挡和相近表情时容易误判。通用图像分类模型虽然能识别物体,却缺少对面部情绪的针对性区分,也难以判断输入是否属于情绪识别范围,直接上线会把风景、物品等无关图片硬塞进某个情绪标签。本文通过开发一个人脸情绪识别系统,用以帮助解决多类别面部情绪自动判别以及无关图片误识别的问题。

系统以 PyTorch 框架下的 ResNet50 卷积神经网络作为情绪分类主干,训练阶段引入 EMA 权重平均、Capped 学习率调度和以 macro-F1 为指标的早停策略,使六类情绪的表现保持均衡。模型导出为 ONNX 后由 onnxruntime 在 Django 后端加载推理,配合 Energy 分数与 KNN 特征距离两道域外拒识,把不属于情绪范围的输入拦下。前端用 Vue 与 Element-UI 搭建,借助 ECharts 展示识别结果与统计,支持图片、视频和摄像头三种识别方式,并把每次识别写入历史记录供查询。

经过功能测试,本系统能够面向毕业设计答辩、课程演示和轻量情绪分析场景,帮助不熟悉算法的用户完成上传即得结果的交互体验,也能让使用者回看历史识别记录与类别分布。系统把深度学习模型的训练、导出与 Web 部署串成一条可复现的链路,对希望落地一个视觉识别课题的同学具有参考价值。

二、视频展示

基于深度学习的人脸情绪识别方法研究

三、开发环境

运行环境:Python(conda 虚拟环境)+ Node(volta 管理)
深度学习框架:PyTorch + torchvision(CUDA GPU 加速)
模型结构:ResNet50 图像分类网络(六类情绪)
模型导出与推理:ONNX + onnxruntime(动态 batch,双输出 logits/特征)
域外拒识算法:Energy 能量分数 + KNN 近邻(sklearn NearestNeighbors)
科学计算与图像:NumPy、Pillow、OpenCV、pandas、SciPy、scikit-learn
数据清洗与可解释性:cleanlab、Grad-CAM
数据增强:Albumentations(TrivialAugment)
后端:Django + PyMySQL django-cors-headers
数据库:MySQL
前端:Vue + Element-UI + ECharts

四、系统展示

系统页面模块展示:




五、代码展示

1def _preprocess(image, pre):
2    """严格按 preprocess.json 的顺序做预处理,顺序错位会导致整批预测错误。"""
3    pre = pre or {}
4    short_side = int(pre.get('resize_short_side', 530))
5    crop_size = int(pre.get('crop_size', 512))
6    mean = pre.get('mean') or [0.485, 0.456, 0.406]
7    std = pre.get('std') or [0.229, 0.224, 0.225]
8    scale = float(pre.get('normalize_scale', 1.0 / 255))
9
10    rgb = image.convert('RGB')
11    width, height = rgb.size
12    # 短边缩放到 short_side(双线性)
13    if width <= height:
14        new_w = short_side
15        new_h = max(1, int(round(height * short_side / float(width))))
16    else:
17        new_h = short_side
18        new_w = max(1, int(round(width * short_side / float(height))))
19    resized = rgb.resize((new_w, new_h), Image.BILINEAR)
20    # 中心裁剪到 crop_size
21    left = max(0, (new_w - crop_size) // 2)
22    top = max(0, (new_h - crop_size) // 2)
23    cropped = resized.crop((left, top, left + crop_size, top + crop_size))
24    # 归一化(先缩放再按通道减均值除标准差)
25    arr = np.asarray(cropped, dtype=np.float32) * scale
26    arr = (arr - np.asarray(mean, dtype=np.float32)) / np.asarray(std, dtype=np.float32)
27    # 转 NCHW 并补 batch 维
28    arr = np.transpose(arr, (2, 0, 1))
29    return np.ascontiguousarray(arr[None, ...], dtype=np.float32)
30
31
32def _is_pure_color(image, gate):
33    """纯色 / 低信息输入判定:返回 (是否命中, 说明)。"""
34    if not gate.get('enabled'):
35        return False, ''
36    try:
37        small = image.convert('RGB').resize((32, 32))
38        arr = np.asarray(small, dtype=np.float32)
39        std_value = float(arr.std())
40        unique_count = len(np.unique(arr.reshape(-1, 3), axis=0))
41    except Exception:
42        return False, ''
43    if std_value < float(gate.get('std_threshold', 3.0)):
44        return True, '图像色彩变化过小'
45    if unique_count < int(gate.get('unique_colors', 8)):
46        return True, '图像有效颜色种类过少'
47    return False, ''
48
49

六、项目文档展示

七、项目总结

人脸情绪识别在人机交互、心理健康筛查和课堂状态分析中都有现实用途,但依靠人工观察或浅层特征的传统做法,面对光照变化、遮挡和彼此相近的表情时容易误判,通用图像分类模型又缺少对面部情绪的针对性,还会把风景、物品这类无关图片硬塞进某个情绪标签。本课题据此开发了一套人脸情绪识别系统,以 PyTorch 下的 ResNet50 卷积神经网络作为分类主干,训练时引入 EMA 权重平均、Capped 学习率调度和以 macro-F1 为指标的早停,让愤怒、厌恶、恐惧、开心、悲伤、惊讶六类情绪的表现保持均衡;模型导出为 ONNX 后由 onnxruntime 在 Django 后端加载推理,配合 Energy 分数与 KNN 特征距离两道域外拒识,把不属于识别范围的输入拦下而非勉强归类,前端用 Vue 与 Element-UI 借助 ECharts 展示结果与类别统计,支持图片、视频和摄像头三种输入并自动留存识别历史。经功能测试,系统能帮助不熟悉算法的用户完成上传即得结果的体验,也能让使用者回看历史记录与情绪分布,把模型的训练、导出与 Web 部署串成一条可复现的链路,对希望落地视觉识别课题的同学具有参考价值。

大家可以帮忙点赞、收藏、关注、评论啦 👇🏻

💖🔥作者主页:计算机毕设木哥🔥 💖


参考文档


《计算机毕设选题推荐:基于深度学习的人脸情绪识别方法研究,ResNet50 + 双域外拒识 + Django/Vue 全栈可视化大屏》 是转载文章,点击查看原文。


相关推荐


越华环保集团碳惠小屋:物联网 + 区块链赋能碳普惠终端,构建可信个人碳账户体系
MuMuMu12232026/10/20

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */ #content_views .toc, /* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */ #content_views.markdown_views > p:empty:has(+ .toc), #content_views.markdown_views > .toc + p:emp


八种语言的工作流引擎,我用 6 张 UML 图画完了
mldong2026/10/17

写在前面 jeeflow 的文档站有八篇概念文(架构、领域模型、执行引擎、扩展、SPI、契约、门面、元数据),加起来 1,263 行。我刚才在 docs/ 和 SPEC.md 里搜了一遍 classDiagram、sequenceDiagram、erDiagram、mermaid、plantuml——零命中。八篇全是文字和表格。 这不是偷懒。图这东西一旦画出来就得跟着代码走,而这套引擎九个月里从一种语言长到八种,谁也不敢画一张"保证下周还对"的图。 但缺图的代价我最近几个月反复遇到:新人问"任务


审批流程图上那些亮着的线,数据库里一条都没存:jeeflow 工作流引擎的高亮是重算出来的
mldong2026/10/11

一、先给一条能被当场推翻的断言:库里没有"边" 一条审批单打开,流程图上走过的线是绿的、当前那一格是橙的。直觉上这套颜色该来自数据库里"走过的边"的记录——但建表 SQL 里八张 wf_* 表,没有一个字段用来存边。可以这么自证: grep -icE 'edge|transition|line' schema-mysql.sql # 输出 0 任务表 wf_process_task 里跟画布对得上的只有两列:task_name 说明这一行发生在哪个节点(注释写着"任务名称编码",存的是画布节点


ai agent --- redis 缓存
snow来了2026/10/2

一.redis 是什么? 1.概念 Redis(Remote Dictionary Server)是一个基于内存的键值对(Key-Value)数据库,同时也是一个高性能的缓存中间件。 它最大的特点是快——读写操作都在内存中完成,官方标称读性能可达 10 万+ QPS(每秒查询数)。 放在内存里面的东西就叫 缓存,因为程序一断开,内存里面的东西就清空了。 2.为什么radis很快? 他的数据放在内存里面--不需要读取磁盘 他是单线程模型--避免多线程上下文切换 他是基于多路复用(epol


DeepSeek Harness 系列图解
怕浪猫2026/9/26


Linux系统——基础IO(上)
进击的荆棘2026/9/18

💁‍♂️个人主页:进击的荆棘 👇作者其它专栏: 《数据结构与算法》《算法》《C++起始之路》《Linux》 目录 1.理解“文件” 2.C文件接口 3.系统文件I/O 4.理解“一切皆文件” 5.缓冲区 1.理解“文件” 1.1狭义理解 ●文件在磁盘里 ●磁盘是永久性存储介质,因此文件在磁盘上的存储是永久性的 ●磁盘是外设(既是输出设备也是输入设备) ●磁盘上的文件本质是:对文件的所有操作,都是对外设的输入和输出,检查IO 1.2广义理解 ●L


密码管理工具站正式上线啦
乱码三千2026/9/10

前言 互联网时代要存储的密码实在太多, 脑袋压根记不过来, 只能借助外物, 比如存到便签里, 或者建一个Excel表格, 但是存在两个问题, 那就是安全性和便捷性不够 我的要求是随时随地都能查看、编辑、保存和新增密码, 无论是外出还是在家, 也不管是使用电脑还是手机, 可以进行无缝切换 其实苹果自带的密钥就很好用, 但是局限于苹果设备, 万一哪天换安卓了, 就很尴尬, 虽然支持云端存储, 但是不能导出到本地, 安全性和便捷性还是不足 便签的话更不用说了, 明文显示, 安全性极差 既然存到第三方平


同一份 15 个流程 JSON,第六种语言也跑通了:工作流引擎 Rust 移植实录
mldong2026/9/2

一、第六格不是"翻译" 这个系列写过五门语言的工作流引擎:Java、Go、Python、Node、PHP。五门语言读的是同一份东西——引擎仓库里 flows/ 目录下的 15 个流程 JSON:简单审批、多任务、条件路由、fork-join、三种会签、退回发起人、混合模式……六语言 demo 共读这一个目录,改一处,六边验证。 第六种语言是 Rust。 先说清楚一件事,免得标题被误读:Rust 里不缺"工作流引擎"——做任务编排(durable execution)的有 Temporal、wor


OpenTelemetry Java 扩展:无需分叉 agent 即可自定义追踪
Elasticsearch2026/8/25

作者:来自 Elastic Sylvain Juge 一个 JAR 文件,在 OpenTelemetry Java agent 启动时加载,就可以过滤健康检查、重命名 span、添加资源属性以及控制采样,而无需修改应用程序代码。 你刚刚为一个 Java 应用设置了自动插桩。无需修改任何代码,追踪数据就开始流向你的可观测性平台。几分钟后,你发现健康检查端点正在大量充斥你的追踪视图,而且事务名称反映的是通用的框架模式,而不是你的业务领域操作。 分叉 agent 可以解决这个问题,但这样一来,你就需


把 Agent 做成一家公司,真比通用提示词好用吗?
苏灿烤鱼2026/8/12

它卖的不是一个万能 Agent,而是一套可挑选、可安装的 AI 专业分工。 ⚡️ 30 秒速读:msitarzewski/agency-agents 以 143,086 星、今日 +971 登上 GitHub Trending #1,连续 3 天在榜,排名从 #3、#2 升到 #1。它把不同专业角色写成独立 Agent 文件,每个文件包含身份与性格、核心任务与工作流、带代码示例的技术交付物、成功指标和沟通风格;可用原生桌面应用或 Shell 脚本安装到 Claude Code、Cursor、

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读