dongu-vestnik04.ru Вестник Донецкого университета. Серия 04. Технические науки Vestnik of Donetsk University. Series 04. Technical Sciences 2663-4228 528 10.5281/zenodo.20799872 Articles Статьи Research Article RESEARCH ON THE QUALITY OF NEURAL NETWORK RECOGNITION OF STUDENTS ENTERING THE CLASSROOM BY SIMULATING A VIDEO STREAM OF FACIAL IMAGES FROM A DATABASE ИССЛЕДОВАНИЕ КАЧЕСТВА НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ СТУДЕНТОВ ПРИ ВХОДЕ В АУДИТОРИЮ ПУТЁМ МОДЕЛИРОВАНИЯ ВИДЕОПОТОКА ИЗОБРАЖЕНИЙ ЛИЦ ИЗ БАЗЫ ДАННЫХ https://orcid.org/0000-0001-6822-7306 Fediaev Oleg Ivanovich Федяев Олег Иванович olegfedyayev@mail.ru 1 Sukhanov Anton Alekseevich Суханов Антон Алексеевич studysukhanov@mail.ru 2 ФГБОУ ВО «Донецкий национальный технический университет» Donetsk National Technical University ФГБОУ ВО «Донецкий национальный технический университет» Donetsk National Technical University 2 NO2 (05.0) №2 (05.0) 43 57 23 07 2026 Copyright ©; 2026, Вестник Донецкого университета. Серия 04. Технические науки Copyright ©; 2026, Vestnik of Donetsk University. Series 04. Technical Sciences 2026 Вестник Донецкого университета. Серия 04. Технические науки Vestnik of Donetsk University. Series 04. Technical Sciences Эта статья распространяется на условиях лицензии Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) This article is distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0) https://dongu-vestnik04.ru/index.php/vestnik04/article/view/528

The problem of video-based recording of student presence at a training session is considered. The formulation of the face recognition task and the functional diagram of the system are presented. Student face recognition is planned in real-time using the VGGFace16 convolutional neural network model. In this work, the dynamics of the recognition process were modeled through special experiments using color photographs of 1,680 individuals. During the simulation, the light flux containing face images, fed to the video camera of the recognition system, was generated by a separate computer, which set various scenarios for the computational experiments. A study was conducted on the influence of the dataset size and the dynamics of face presentation in the video stream on recognition accuracy. The performance of the recognition algorithms was evaluated using various quality metrics. This video monitoring system can be recommended for use by educators in educational institutions.

Статья посвящена автоматизации регистрации присутствия студентов на учебном занятии с помощью компьютерного зрения. Выполнена математическая постановка задачи компьютерного распознавания лиц с ориентацией на использовании предварительно обученной нейросети. Предложена функциональная схема системы, обеспечивающая распознавание лиц студентов в режиме реального времени с помощью свёрточной нейронной сети VGGFace16. В данной работе динамика процесса распознавания моделировалась с помощью специальных экспериментов на примере цветных фотографий 1680 человек. При моделировании световой поток с изображениями лиц, подаваемый на видеокамеру системы распознавания, генерировался отдельным компьютером, задающим различные варианты вычислительных экспериментов. Проведено исследование влияния размера датасета и динамики передачи лиц в видеопоток на точность распознавания. Оценки эффективности алгоритмов распознавания получены с помощью различных метрик качества. Систему видеоконтроля можно рекомендовать преподавателям образовательных учреждений.

 computer vision, video recording of students, video stream, convolutional neural network, VGGFace16 model, face recognition, quality metrics компьютерное зрение, видеорегистрация студентов, видеопоток, свёрточная нейронная сеть, модель VGGFace16, распознавание лиц, метрики качества

[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]

Список литературы 1. Goodfellow, I. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. – Cambridge, Mass.: MIT Press, 2016. – 802 p. 2. Gulli, A. Deep Learning with Keras : implement neural networks with Keras on Theano and TensorFlow / A. Gulli, S. Pal. – Birmingham: Packt Publishing, 2017. – 318 p. 3. Golikov, O. Y. Methods of the development of the architecture of the neural networks for identification and authentication of individuals / O. Y. Golikov, M. A. Ramos // Physical Sciences and Technology. – 2020. – Vol. 7, No. 3-4. – P. 44-49. 4. Ong, J. W. The application of image processing for monitoring student’s attention level during online class / J. W. Ong, W. J. Chew, S. K. Phang // Journal of Physics: Conference Series. – 2021. – Vol. 2120, No. 1. – P. 012028 5. Puthea, Kh. The Attendance Marking System based on Eigenface Recognition using OpenCV and Python / Kh. Puthea, R. Hartanto, R. Hidayat // Journal of Physics: Conference Series. – 2020. – Vol. 1551, No. 1. – P. 012012. 6. Reading and Writing Images and Video [Электронный ресурс] // OpenCV 2.4.13.7 documentation. – URL: https://docs.opencv.org/2.4/modules/highgui/doc/reading_and_writing_images_and_video.html (дата обращения 14.01.2026). 7. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features / P. Viola, M. Jones // Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001. – IEEE, 2001. – 8 p. 8. Simonyan, K. Very Deep Convolutional Networks for Large-Scale Image Recognition [Электронный ресурс] / K. Simonyan, A. Zisserman // arXiv. – 2014. – URL: https://arxiv.org/abs/1409.1556 (дата обращения 15.02.2026). 9. Abdlkader, F. D. Design and analysis of face recognition system based on VGGFace-16 with various classifiers / F. D. Abdlkader, M. F. Ghanim // IAES International Journal of Artificial Intelligence. – 2024. – Vol. 13, No. 2. – P. 1499. 10. Суханов, А. А. Исследование качества распознавания студентов по изображению лиц в системе видеоконтроля / А. А. Суханов, О. И. Федяев // Информационно-телекоммуникационные системы и технологии: материалы Всероссийской научно-практической конференции, Кемерово, 23–25 октября 2024 года. – Кемерово: Кузбасский государственный технический университет им. Т.Ф. Горбачева, 2024. – С. 210-214. 11. Face Recognition Dataset - Oneshot Learning [Электронный ресурс] // Kaggle. – URL: https://www.kaggle.com/datasets/stoicstatic/face-recognition-dataset/data (дата обращения 15.02.2026). 12. Khawaja Muhammad Fahd. Comparison of Evaluation Metrics used in Machine Learning Models [Электронный ресурс] // Educative. – URL: https://www.educative.io/blog/evaluation-metrics-ml-models (дата обращения 16.02.2026). REFERENCES LIST 1. Goodfellow, I. Deep learning / I. Goodfellow, Y. Bengio, A. Courville. – Cambridge, Mass.: MIT Press, 2016. – 802 p. 2. Gulli, A. Deep Learning with Keras : implement neural networks with Keras on Theano and TensorFlow / A. Gulli, S. Pal. – Birmingham: Packt Publishing, 2017. – 318 p. 3. Golikov, O. Y. Methods of the development of the architecture of the neural networks for identification and authentication of individuals / O. Y. Golikov, M. A. Ramos // Physical Sciences and Technology. – 2020. – Vol. 7, No. 3-4. – P. 44-49. 4. Ong, J. W. The application of image processing for monitoring student’s attention level during online class / J. W. Ong, W. J. Chew, S. K. Phang // Journal of Physics: Conference Series. – 2021. – Vol. 2120, No. 1. – P. 012028 5. Puthea, Kh. The Attendance Marking System based on Eigenface Recognition using OpenCV and Python / Kh. Puthea, R. Hartanto, R. Hidayat // Journal of Physics: Conference Series. – 2020. – Vol. 1551, No. 1. – P. 012012. 6. Reading and Writing Images and Video [Электронный ресурс] // OpenCV 2.4.13.7 documentation. – URL: https://docs.opencv.org/2.4/modules/highgui/doc/reading_and_writing_images_and_video.html (дата обращения 14.01.2026). 7. Viola, P. Rapid Object Detection using a Boosted Cascade of Simple Features / P. Viola, M. Jones // Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001. – IEEE, 2001. – 8 p. 8. Simonyan, K. Very Deep Convolutional Networks for Large-Scale Image Recognition [Электронный ресурс] / K. Simonyan, A. Zisserman // arXiv. – 2014. – URL: https://arxiv.org/abs/1409.1556 (дата обращения 15.02.2026). 9. Abdlkader, F. D. Design and analysis of face recognition system based on VGGFace-16 with various classifiers / F. D. Abdlkader, M. F. Ghanim // IAES International Journal of Artificial Intelligence. – 2024. – Vol. 13, No. 2. – P. 1499. 10. Суханов, А. А. Исследование качества распознавания студентов по изображению лиц в системе видеоконтроля / А. А. Суханов, О. И. Федяев // Информационно-телекоммуникационные системы и технологии: материалы Всероссийской научно-практической конференции, Кемерово, 23–25 октября 2024 года. – Кемерово: Кузбасский государственный технический университет им. Т.Ф. Горбачева, 2024. – С. 210-214. 11. Face Recognition Dataset - Oneshot Learning [Электронный ресурс] // Kaggle. – URL: https://www.kaggle.com/datasets/stoicstatic/face-recognition-dataset/data (дата обращения 15.02.2026). 12. Khawaja Muhammad Fahd. Comparison of Evaluation Metrics used in Machine Learning Models [Электронный ресурс] // Educative. – URL: https://www.educative.io/blog/evaluation-metrics-ml-models (дата обращения 16.02.2026).