Yüz görüntülerinden derin öğrenmeye dayalı stres tespiti

Abstract

Endüstri ve güvencesiz çalışma alanlarında, bireyler işçi veya personel olsun çalışma ortamlarında mesleki görevlerinin bir ön koşulu olarak refahlarını kaçınılmaz olarak etkileyen çok sayıda faktöre maruz kalırlar. Bununla birlikte, bu stres faktörlerinin birey üzerindeki etkisini ölçmek, sayısal ölçümlere bağlı olmasından dolayı zor bir görev haline gelmektedir. Ayrıca kişilerin stres değeri bulundukları ortamın etkilerine bağlı olarak değişiklikler göstermektedir ve psikolojik olarak bireyler üzerinde farklı etkiler oluşturmaktadır. Aşırı stres, kişinin fiziksel ve zihinsel sağlığı, üretkenlik ve iş performansında, odaklanma ve karar verme ile uygulama yeteneklerinde, işe bağlılığı ve iş memnuniyeti üzerinde önemli ölçüde negatif etkiler oluşturmaktadır. Bunun ışığında, çalışanların taşıdığı hem fiziksel hem de psikolojik gerilimleri, kendi mesleki alanlarında üstlendikleri belirli görevlere göre uyarlanmış ölçülebilir ölçümlerle ifade etmek çok büyük önem taşıyor. Tehlikeli sınıfta yer alan işletmelerin (örneğin, yüksekte çalışma, maden ocak işlerinde çalışma, vb.) yüksek dikkat ve enerji isteyen iş guruplarında çalışanın stres analizi, duygu/durum tespiti çalışanların anlık olarak yüz görüntülerinin otomatik olarak alınması ile stres durum belirlenmesi bu çalışmada yapılacaktır. Çalışanın durumu, elde edilen anlık yüz resimleri üzerinde görüntü işleme teknolojileri ile işe başlamadan önce tespit edilip uygun pozisyonlarda çalışması için öneri vermeyi hedeflenmektedir. Daha önceki çalışmalarda, çalışanın stres seviyesini tespit etmek için kalp atış hızı, ten rengi değişimi, vücut sıcaklığı gibi bileşenlerle ölçümler yapıldığı gözlemlenmiştir. Fakat, bu araştırmanın amacı, sadece yüz resimlerine bakarak derin öğrenme tekniklerinden başarı oranı yüksek seviyede olan özelleştirilmiş Evrişimli Sinir Ağları (ESA) modeli kullanılarak ne kadar başarımlı stresin ölçülebildiğini görmekle birlikte, alınan yüz görüntüleri üzerinden analizler yapılarak çalışanın ne kadar stresli olduğu tespit edilmek istenmektedir. Çalışmada, FER2013 veri seti ile 7 farklı duygu tespiti ve yüz üzerindeki 68 noktadan göz, ağız, kaş aktiviteleri referans alınarak çalışanların duygu durumları ile stres analizi sonuçları başarılı bir şekilde elde edilmektedir.

The most important element of industry and hazardous work areas, people, workers or staffs are both exposed to various factors in the working environment and also affected by work conditions as a requirement of their jobs. It cannot be calculated clearly that the stress of these factors affecting the human/employee can be expressed with numerical values. In addition, the stress value of people varies depending on the effects of the environment they are in and creates different effects on individuals psychologically. The detrimental impact of excessive stress on an individual's overall well-being, effectiveness at work, cognitive abilities, and job satisfaction cannot be overstated. Hence, it becomes imperative to quantify the physical and psychological strains experienced by employees, tailored to their specific work environments. In this study, stress analysis, emotion/state detection of the employees in the work groups that require high attention and energy will be made by automatically taking instant facial images of the employees in the enterprises in the dangerous class (for example, working at height, working in mining works, etc.). It is aimed to determine the status of the employee before starting the work with image processing technologies on the instant face pictures obtained and to give suggestions for them to work in appropriate positions. In previous studies, it was observed that measurements were made with components such as heart rate, skin color change, and body temperature to determine the stress level of the employee. The objective of this study is to assess the extent to which stress can be quantified using the specialized Convolutional Neural Networks (CNN) model, a highly effective deep learning method. The focus lies solely on evaluating facial images to ascertain the employee's level of stress. In the study, with the FER2013 data set, 7 different emotion detections and eye, mouth, and eyebrow activities from 68 points on the face are taken as reference, and the results of the employees' emotional states and stress analysis are successfully obtained.