Reconocimiento de emociones faciales mediante redes neuronales convolucionales y transfer learning

Resumen

El reconocimiento automático de emociones faciales es una temática relevante dentro del campo de la inteligencia artificial y la visión por computador, debido a su aplicación en sistemas interactivos, educación, salud y seguridad. El presente estudio tiene como objetivo desarrollar e implementar una aplicación web para la detección de emociones humanas a partir de imágenes faciales, utilizando redes neuronales convolucionales profundas y técnicas de transferencia de aprendizaje. La investigación se desarrolló bajo un enfoque cuantitativo de tipo experimental. Para el entrenamiento del modelo se empleó el dataset FER2013, compuesto por imágenes faciales en escala de grises clasificadas en siete emociones básicas. Se implementaron dos modelos: una red convolucional entrenada desde cero y un modelo basado en transfer learning utilizando MobileNetV2 preentrenado con ImageNet. Los resultados evidencian que el modelo con transferencia de aprendizaje alcanza una mayor precisión, logrando valores entre el 75 % y 85 % en el conjunto de prueba. Finalmente, el sistema fue integrado en una aplicación web desarrollada con Flask, permitiendo la detección de emociones en tiempo real con una visualización intuitiva para el usuario.

Abstract

Facial emotion recognition is a relevant topic within artificial intelligence and computer vision due to its application in interactive systems, education, healthcare, and security. This study aims to develop and implement a web application for detecting human emotions from facial images using deep convolutional neural networks and transfer learning techniques. The research follows a quantitative and experimental approach. The FER2013 dataset was used for training, consisting of grayscale facial images classified into seven basic emotions. Two models were implemented: a convolutional neural network trained from scratch and a transfer learning model based on MobileNetV2 pre-trained on ImageNet. The results show that the transfer learning model achieves higher accuracy, reaching values between 75% and 85% on the test set. Finally, the system was integrated into a Flask-based web application, enabling realtime emotion detection with intuitive visualization.