[ Déploiement mobile d’un réseau de neurones profond pour l’identification des étudiants de l’UAC/ISDA en salle d’examens ]
Volume 39, Issue 1, March 2023, Pages 136–155
KAMBALE KASAMBYA MOÏSE1, HERITIER NSENGE MPIA2, and MUTEGHEKI BARAKA VINGI3
1 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
2 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
3 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
Original language: French
Copyright © 2023 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
The main objective of this study was to implement a system capable of recognition and identification of students of the Université de l’Assomption/Institut Supérieur de Développement de l’Assomption (UAC/ISDA) exams’ rooms. The system will serve as a means to fight against fraud during exam periods, i.e. before a student enters the exam room, the system will identify the student by displaying from his/her captured face the full name and the amount of fees already paid by the student whose face appears on video sequences from Smartphone cameras. This study used 2210 images of human faces at a rate of 10 images per class to train the deep CNN model. Each class was labeled with the identifiers of the respective student such as first name, surname name, promotion and the amount of academic fees already paid. After training the neural network, the auteurs obtained an accuracy of 94% and a loss of 0.25 as validation results. The test was performed on 30 images captured in four different locations of which 29 predicted correctly or 96.66%. These results showed the effectiveness of the artificial neural network for the recognition and identification of UAC/ISDA students. This model answers our problem in the sense that it gives the possibility to identify not the object but the person.
Author Keywords: Deep learning, face recognition, student’s identification, neural networks.
Volume 39, Issue 1, March 2023, Pages 136–155
KAMBALE KASAMBYA MOÏSE1, HERITIER NSENGE MPIA2, and MUTEGHEKI BARAKA VINGI3
1 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
2 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
3 Département d’Informatique de Gestion, Université de l’Assomption au Congo, B.P. 104, Butembo, Nord-Kivu, RD Congo
Original language: French
Copyright © 2023 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
The main objective of this study was to implement a system capable of recognition and identification of students of the Université de l’Assomption/Institut Supérieur de Développement de l’Assomption (UAC/ISDA) exams’ rooms. The system will serve as a means to fight against fraud during exam periods, i.e. before a student enters the exam room, the system will identify the student by displaying from his/her captured face the full name and the amount of fees already paid by the student whose face appears on video sequences from Smartphone cameras. This study used 2210 images of human faces at a rate of 10 images per class to train the deep CNN model. Each class was labeled with the identifiers of the respective student such as first name, surname name, promotion and the amount of academic fees already paid. After training the neural network, the auteurs obtained an accuracy of 94% and a loss of 0.25 as validation results. The test was performed on 30 images captured in four different locations of which 29 predicted correctly or 96.66%. These results showed the effectiveness of the artificial neural network for the recognition and identification of UAC/ISDA students. This model answers our problem in the sense that it gives the possibility to identify not the object but the person.
Author Keywords: Deep learning, face recognition, student’s identification, neural networks.
Abstract: (french)
L’objectif global de cette recherche a été de mettre en place un système de reconnaissance et d’identification des étudiants de Université de l’Assomption/Institut Supérieur de Développement de l’Assomption (UAC/ISDA) à partir du visage. Le système servira comme moyen de lutter contre la fraude en période d’examens, c’est-à-dire avant qu’un étudiant accède à la salle d’examens, le système devra fournir le nom, le post-nom, le prénom, la promotion et le montant déjà payé par l’étudiant dont le visage apparaît sur des séquences vidéo de caméras de Smartphones. Cette étude a utilisé 2210 images de visages humains en raison de 10 images par classe pour entraîner le modèle CNN profond. Chaque classe a été étiquetée par les identifiants de l’étudiant concerné tels que le nom, le post-nom, le prénom, la promotion et le montant déjà payé des frais académiques. Après entraînement de notre réseau de neurones, les auteurs ont obtenu une exactitude de 94%, une perte de 0,25 dans la phase de validation. Le test a été effectué sur 30 images capturées dans quatre endroits différents dont 29 ont prédit correctement soit 96,66%. Ces résultats ont montré l’efficacité du réseau de neurones artificiels pour la reconnaissance et l’identification des étudiants de l’UAC/ISDA. Ce modèle répond à notre problématique en ce sens qu’il donne la possibilité d’identifier non plus l’objet mais la personne.
Author Keywords: Deep Learning, reconnaissance faciale, identification des étudiants, réseaux de neurones.
How to Cite this Article
KAMBALE KASAMBYA MOÏSE, HERITIER NSENGE MPIA, and MUTEGHEKI BARAKA VINGI, “Mobile deployment of a deep neural network to identify UAC/ISDA’ students in exam rooms,” International Journal of Innovation and Applied Studies, vol. 39, no. 1, pp. 136–155, March 2023.
