Ứng dụnghọc sâu đểtối ưu hoá quá trình in 3d slm đểđạt được đường in ổn định

ỦY BAN NHÂN DÂN TỈNH BÌNH DƯƠNG TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT TRẦN THỊ NHƯ QUỲNH ỨNG DỤNG HỌC SÂU ĐỂ TỐI ƯU HỐ Q TRÌNH IN 3D SLM ĐỂ ĐẠT ĐƯỢC ĐƯỜNG IN ỔN ĐỊNH CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 48 01 04 LUẬN VĂN THẠC SĨ BÌNH DƯƠNG – 2022 UỶ BAN NHÂN DÂN TỈNH BÌNH DƯƠNG TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT TRẦN THỊ NHƯ QUỲNH ỨNG DỤNG HỌC SÂU ĐỂ TỐI ƯU HỐ Q TRÌNH IN 3D SLM ĐỂ ĐẠT ĐƯỢC ĐƯỜNG IN ỔN ĐỊNH CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 48 01 04 LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: TS MAI HOÀNG BẢO ÂN BÌNH DƯƠNG – 2022 i MỤC LỤC LỜI CAM ĐOAN iii LỜI CẢM ƠN iv DANH MỤC CHỮ VIẾT TẮT v DANH MỤC BẢNG vi DANH MỤC BẢNG viii MỞ ĐẦU 1 Lý chọn đề tài Mục tiêu nghiên cứu: Tổng quan nghiên cứu đề tài Đối tượng, phạm vi nghiên cứu Phương pháp nghiên cứu Đóng góp đề tài Cấu trúc đề tài CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 1.1 Mạng Nơ- ron tích chập 1.1.1 Mạng Nơ- ron nhân tạo 1.1.2 Mạng Nơ-ron tích chập 14 1.2 Các mơ hình học sâu CNN 21 1.2.1 Sự hình thành phát triển 21 1.3 Tiểu kết chương 27 CHƯƠNG 2: XỬ LÝ DỮ LIỆU ĐƯỜNG IN ĐƠN 3D SLM 28 2.1 Giới thiệu liệu 28 2.2 Tổng quan xử lý liệu 30 2.3 Phân loại đường in đơn trình in 3D SLM 32 2.3.1 Tổng quan 32 2.3.2 Hướng tiếp cận 36 2.3.3 Hướng đề xuất nghiên cứu 36 2.4 Tiểu kết chương 37 CHƯƠNG 3: MƠ HÌNH ĐỀ XUẤT VÀ THỰC NGHIỆM 38 3.1 Giới thiệu liệu 38 3.2 Tổng quan mơ hình đề xuất 39 3.3 Các đặc trưng mơ hình 40 3.3.1 Gán nhãn cho liệu 40 3.3.2 Nhận dạng đường in đơn 3D với CNN 41 ii 3.3.3 Phương pháp đánh giá kết 42 3.4 Huấn luyện mơ hình 44 3.5 Đánh giá 45 KẾT LUẬN 48 HƯỚNG NGHIÊN CỨU 49 TÀI LIỆU THAM KHẢO 50 iii LỜI CAM ĐOAN Tên là: Trần Thị Như Quỳnh Sinh ngày: 10/07/1995 Học viên lớp cao học CH20HT01 – Trường Đại học Thủ Dầu Một Xin cam đoan: Đề tài “Ứng dụng học sâu để tối ưu hóa trình in 3D SLM để đạt đường in ổn định” Thầy TS Mai Hoàng Bảo Ân hướng dẫn cơng trình nghiên cứu riêng tơi Tất tài liệu tham khảo có nguồn gốc, trích dẫn rõ ràng Tác giả xin cam đoan tất nội dung luận văn đề cương yêu cầu Giảng viên hướng dẫn Nếu sai tơi hồn tồn chịu trách nhiệm trước hội đồng khoa học Bình Dương, ngày tháng năm 2022 Tác giả luận văn Trần Thị Như Quỳnh C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an iv LỜI CẢM ƠN Sau thời gian nghiên cứu làm việc nghiêm túc, động viên, giúp đỡ hướng dẫn tận tình Giảng viên Hướng dẫn TS Mai Hoàng Bảo Ân, Luận văn Cao học “Ứng dụng học sâu để tối ưu hóa q trình in 3D SLM để đạt đường in ổn định” hoàn thành Tơi xin bày tỏ lịng biết ơn sâu sắc đến: Giảng viên Hướng dẫn TS Mai Hoàng Bảo Ân tận tình dẫn, giúp đỡ tơi hồn thành luận văn Đồng thời gửi lời cảm ơn đến thầy, cô giảng dạy truyền đạt kiến thức, kinh nghiệm cho suốt thời gian học tập nghiên cứu Tôi chân thành cảm ơn bạn bè, đồng nghiệp gia đình động viên, khích lệ, tạo điều kiện giúp đỡ suốt trình học tập, thực hồn thành luận văn Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an v DANH MỤC CHỮ VIẾT TẮT KÝ HIỆU TÊN TIẾNG ANH ANN Artificial Neural Network CNN Convolution Neural Network FC Fully Connected Conv Convolution layer MNIST Modified National Institute of Standards and Technology database ReLU Rectified Linear Unit RGB Red Green Blue SLM Selective Laser Melting AM Additive Manufacturing Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an vi DANH MỤC BẢNG Hình 1: Mạng Nơ-ron sinh học Hình 2: Cấu trúc mạng Nơ-ron nhân tạo [2] Hình 3: Quá trình xử lý nơ-ron ANN [1] Hình 4: Đồ thị cơng thức hàm kích hoạt: (a) Hàm Sigmoid; (b) Hàm Tanh; (c) Hàm ReLU Hình 5: Trò chơi Alpha Go 11 Hình 6: Mơ cách tính thuật tốn lan truyền ngược [3] 13 Hình 7: Mơ hình lớp CNN [4] 15 Hình 8: Ví dụ mơ hình CNN 16 Hình 9: Cơ chế hoạt động tích chập 17 Hình 10: Minh họa cách tính tích chập ma trận ảnh 18 Hình 11: Phép tương quan chéo hai chiều 18 Hình 12: Tính tốn Conv2D 19 Hình 13: Phương thức Average Pooling Max Pooling 20 Hình 14: Các cột mốc phát triển mạng CNN 22 Hình 15 Sự phát triển mơ hình CNN 22 Hình 16: Kiến trúc LeNet 23 Hình 17: Kiến trúc AlexNet 23 Hình 18: Kiến trúc VGG-16 24 Hình 19: Mơ hình Inception 25 Hình 20: Kiến trúc mạng GoogleNet – Inception V1 25 Hình 21: Kiến trúc mạng ResNets (2015) 26 Hình 22: Kiến trúc DenseNet (2016) 27 Hình 1: Ảnh chụp đường đơn dài 10 mm (các đường ngang mảnh) tạo trình SLM 28 Hình 2: Ba loại đường in loại: (a): loại 1, (b): loại 2, (c): loại 29 Hình 3: Thống kê liệu chia làm loại theo mức lượng vận tốc quét [10] 30 Hình 4: Các bước xử lý liệu 30 Hình 5: Quá trình phân hoạch chia thành đường in đơn 31 Hình 6: Chia liệu thành 10 đường in đơn 31 Hình 7: Chia đường in đơn thành 12 đường in đơn 31 Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an vii Hình 8:Gán nhãn liệu sau phân hoạch (0 đường xấu, đường tốt) 32 Hình 9: Nguyên lý hoạt động công nghệ in 3D SLM 33 Hình 10: Hình vi quang học đường in 3D SLM tốt 34 Hình 11: Hình vi quang học đường in 3D SLM xấu 34 Hình 12: Các loại lỗi đường in đơn SLM [10] 34 Hình 13: Cấu trúc mơ hình nhận dang đường in 3D SLM tốt, xấu 35 Hình 1: Dữ liệu đường in đơn sau tách từ liệu hình gốc 38 Hình 2: Mơ hình tổng quan 39 Hình 3: Tỷ lệ đường in tốt đường in xấu liệu chia 10 - 4220 hình 40 Hình 4: Tỷ lệ đường in tốt đường in xấu liệu chia 12 - 5064 hình 40 Hình 5: Góc nhìn máy tính với ảnh 41 Hình 6: Hình minh hoạ mơ hình xử lý ảnh qua lớp CNN 41 Hình 7: Ma trận nhầm lẫn – Confusion Matrix 42 Hình 8: Cấu trúc mạng CNN tầng lớp 44 Hình 9: Hình ảnh nhận dạng đường in 3D tốt xấu theo huấn luyện 5064 ảnh 47 Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an viii DANH MỤC BẢNG Bảng 1: Giá trị công suất laser tốc độ quét sử dụng để tạo đường in đơn quy trình SLM [10] 29 Bảng 2: Đánh giá độ xác mơ hình liệu 46 Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 46 Accuracy = Số đường in 3D nhận dạng Tổng số đường in Precision = Recall = TP TP + FP TP TP + FN Điều tóm tắt tổng số lượng nhận dạng đường in 3D SLM xác so với tổng số biểu liệu thử nghiệm Đối với liệu chia từ liệu thơ ta có kết đánh sau: Bộ liệu Loss accuracy val_accuracy Đối với liệu 4220 hình 0.0110 0.9867 0.8524 Đối với liệu 5064 hình 0.0073 0.9901 0.8670 Bảng 2: Đánh giá độ xác mơ hình liệu Từ kết cho thấy việc phân hoạch liệu góp phần tăng độ xác mơ hình học lên, song khơng thể phân hoạch q nhỏ hình ảnh khơng đủ nhận dạng đường in 3D Mơ hình CNN tầng lớp nhận dạng đường in 3D SLM việc huấn luyện liệu 5064 hình với độ xác 0.9901 Cài đặt thực tính độ xác theo đánh giá theo đặc trưng Accuracy, Precision, Recall; đặc trưng lớn 0.5 đường in xấu, ngược lại đường in tốt Thực đánh giá lại thuật toán theo test gồm đường in tốt đường in xấu cho kết dự đoán sau: Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 47 Hình 9: Hình ảnh nhận dạng đường in 3D tốt xấu theo huấn luyện 5064 ảnh Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 48 KẾT LUẬN Kết đạt Luận văn đề xuất mơ hình cho việc nhận dạng đường in đơn 3D SLM Ngồi ra, đóng góp quan trọng luận văn liệu huấn luyện đường in đơn 3D SLM phân hoạch theo nhiều cách tìm cách chia điển hình để giới thiệu liệu đường in đơn 3D SLM với gồm 4220 hình ảnh gồm 5064 hình ảnh label Điều góp phần vào việc đánh giá đường in tốt xấu với thông số máy in khác đường in 3D tốt nhất, giảm thiểu chi phí q trình thực nghiệm in mẫu mới,… Hạn chế Mặc dù luận văn đề xuất liệu mơ hình CNN để nhận dạng đường in 3D SLM song chưa đề xuất cách chia tối ưu phù hợp cho liệu chưa thử nghiệm liệu nhiều mơ hình CNN khác Hướng phát triển Từ hạn chế trên, tơi hy vịng phát triển luận văn theo hướng tối ưu hóa q trình phân hoạch liệu để chọn cách chia tốt Đồng thời, thử nghiệm nhiều mơ hình CNN để tìm mơ hình tối có độ xác tốt nhận dạng hiệu Từ trích xuất đặc trưng tiêu biểu liệu để thực tối ưu hóa trình in 3D SLM Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 49 HƯỚNG NGHIÊN CỨU In 3D xu phát triển ngành công nghiệp, đặc biệt in 3D với vật liệu kim loại, làm giảm thiểu sai sót q trình sản xuất trở nên nhanh chóng tiện lợi Vì vậy, nhu cầu liệu đường in lớn để trích xuất đặc trưng đưa phân loại nhận dạng tính chất đường in để mơ tạo chi tiết vật liệu, dụng cụ tốt phục vụ cho ngành nghề Hướng phát triển tới, tơi phân tích thêm liệu huấn luyện đưa đặc trưng cụ thể hình dạng đường in để tăng độ xác mơ hình mạng nơ- ron học sâu Ngồi ra, tìm hiểu xây dựng khảo sát thêm nhiều mơ hình học sâu để chọn phương pháp huấn luyện cho tỷ lệ xác tốt nhận dạng Từ trích xuất đặc trưng đưa thơng số để tối ưu q trình in 3D SLM góp phần vào việc thực nghiệm tạo mẫu Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 50 TÀI LIỆU THAM KHẢO [1] V P Nguyên, “”Nhận dạng ảnh mặt người sử dụng mạng nơron”,” Tạp chí Khoa học & Công nghệ 64(02), p 53 – 57, 2014 [2] vi.wikipedia, "Mạng thần kinh nhân tạo," 12 2021 [Online] Available: https://vi.wikipedia.org/wiki/M%E1%BA%A1ng_th%E1%BA%A7n_kin h_nh%C3%A2n_t%E1%BA%A1o [3] V H Tiệp, "Machine Learning bản," 2018 [Online] Available: https://machinelearningcoban.com/2017/02/24/mlp/#-backpropagation [4] Samer, C H., Rishi, K., & Rowen, "Image Recognition Using," Cadence Whitepaper, p 1–12, 2015 [5] Yoshua Bengio, Yann LeCun, Craig Nohl, Chris Burges, "LeRec: ANN/HMM Hybrid for On-Line Handwriting Recognition," Neural Compulation, pp Volume 7, Number 5, 1995 [6] Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," Advances in Neural Information Processing Systems 25, 2012 [7] Karen Simonyan, Andrew Zisserman, "Very Deep Convolutional Networks For Large-Scale Image Recognition," Conference paper at ICLR 2015, 2015 [8] Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott , "Going Deeper with Convolutions," arXiv:1409.4842 [cs.CV], 2014 [9] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, "Deep Residual Learning for Image Recognition," arXiv:1512.03385 [cs.CV], 2015 [10] Thai Le-Hong, Pai Chen Lin, Jian-Zhong Chen, Thinh Duc Quy Pham, Xuan Van Tran, "Data-driven models for predictions of geometric characteristics of bead fabricated by selective laser melting," Journal of Intelligent Manufacturing, 2021 [11] Y Lecun, L Bottou, Y Bengio, and P Haffner, "Gradientbased learning applied to document recognition," Proceedings of the IEEE, pp Vol 86, No 11, pp 2278–2324 doi: 10.1109/5.726791, 1998 [12] F Chollet, "Keras," 2015 [Online] Available: https://github.com/fchollet/keras [13] Martín Abadi, Paul Barham, Jianmin Chen, Zhifeng Chen, Andy Davis, Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Geoffrey Irving, Michael Isard, Manjunath Kudlur, Josh Levenberg, Rajat Monga, Sherry Moore, Derek G Murray, Benoit Steiner, Paul Tucker, "Tensorflow: A Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an 51 [14] [15] [16] [18] system for large-scale machine learning," in In Proceedings of the 12th USENIX Conference on Operating Systems Design and Implementation, 2016 OpenCV, "Open source computer vision library," 2015 [Online] Available: https://www.opencv.org Vinmec, "https://www.vinmec.com/," 2022 [Online] Available: https://www.vinmec.com/vi/tin-tuc/thong-tin-suc-khoe/suc-khoe-tongquat/neuron-kinh-la-gi-chuc-nang-phan-loai-cau-truc/ Phuong Dong Nguyen, Thanh Q Nguyen, Q B Tao, Frank Vogel & H NguyenXuan, "A data-driven machine learning approach for the 3D printing process optimisation," Virtual and Physical Prototyping, 2022 R Szeliski, Computer Vision: Algorithms and Applications, The University of Washington, 2022 Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc NHẬN XÉT LUẬN VĂN THẠC SĨ Tên đề tài: Ứng dụng học sâu để tối ưu hố q trình in 3D SLM để đạt đường in ổn định Họ tên học viên: Trần Thị Như Quỳnh Người viết nhận xét: TS Phạm Anh Phương Cơ quan công tác: Trường Đại học Sư phạm – Đại học Đà Nẵng NỘI DUNG NHẬN XÉT Tính cấp thiết, ý nghĩa khoa học thực tiễn luận văn SLM (Selective Laser Melting) kỹ thuật công nghệ in 3D sử dụng vật liệu kim loại dạng bột tác động chùm laser lượng cao làm tan chảy hợp hạt bột kim loại với tạo thành vật thể kim loại 3D Công nghệ in SLM nghiên cứu tổ chức nghiên cứu hiệp hội Fraunhofer Aachen, Đức vào năm 1995 Đến đầu năm 2000, cơng nghệ in thức thương mại hóa Với mức lượng in tốc độ khác tia Laser thực in chi tiết nhỏ đường in không ổn định không cho sản phẩm mong muốn Mặt khác, chi phí để chạy thử nghiệm cho chi tiết cao cần áp dụng mơ hình học máy để nhận diện đường in từ đưa phương án dự đốn để tạo đường in ổn định cho máy laser để tiết kiệm chi phí hoạt động đề tài có ý nghĩa khoa học thực tiễn Sự phù hợp đề tài với chuyên ngành đào tạo Đề tài học viên phù hợp với chuyên ngành đào tạo Hệ thống thông tin Về phương pháp nghiên cứu sử dụng Học viên sử dụng phương pháp phân tích tổng hợp tài liệu liên quan tiến hành thực nghiệm để so sánh, đánh giá kết Về cấu trúc, hình thức luận văn Ngồi phần mở đầu kết luận, cấu trúc luận văn bao gồm chương: - Chương giới thiệu mạng nơ ron tích chập vấn đề có liên quan đến đề tài - Chương giới thiệu quy trình xử lý liệu đường in đơn 3D cơng nghệ in SLM - Kết luận văn nằm Chương 3, chương đề xuất mô hình nhận dạng đừng in đơn 3D với mạng nơ ron tích chập đồng thời tiến hành thực nghiệm đánh giá kết Nhận xét chung: Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn C.vT.Bg.Jy.Lj.Tai lieu Luan vT.Bg.Jy.Lj van Luan an.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj Do an.Tai lieu Luan van Luan an Do an.Tai lieu Luan van Luan an Do an Stt.010.Mssv.BKD002ac.email.ninhd.vT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.LjvT.Bg.Jy.Lj.dtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn.Stt.010.Mssv.BKD002ac.email.ninhddtt@edu.gmail.com.vn.bkc19134.hmu.edu.vn