Phân loại hình ảnh mối hàn thép dựa trên công nghệ xử lý dữ liệu lớn

Nguyễn Xuân Huy - CH2002007

Khuyết tật hàn là các lỗi được tạo ra do sai lệch về hình dáng bên ngoài, độ nặng và cấu trúc kim loại so với thiết kế trong quá trình làm việc của thợ hàn với máy hàn. Khuyết tật hàn có thể ảnh hưởng đến chất lượng và thẩm mỹ của mối hàn. Trong quá trình sản xuất và thi công thép tiền chế cho các công trình, nếu các khuyết tật mối hàn không được phát hiện sẽ không đảm bảo chất lượng và an toàn cho công trình, cũng như đe dọa tính mạng con người. Trong lĩnh vực gia công, có 2 cách kiểm tra khuyết tật mối hàn là kiểm tra phá hủy và kiểm tra không phá hủy. Kiểm tra phá hủy thường thực hiện trong các phòng thí nghiệm, trong khi kiểm tra không phá hủy thường được ưu tiên thực hiện trong quá trình sản xuất.

Có nhiều phương pháp kiểm tra không phá hủy để kiểm tra khuyết tật trong mối hàn như kiểm tra bằng sóng siêu âm (UT), kiểm tra bằng tia X (RT), kiểm tra bằng tia gamma (GT), kiểm tra bằng dòng điện xoay chiều (ET), và kiểm tra bằng phương pháp quang (VT). Lĩnh vực thị giác máy tính đang được ứng dụng trong các lĩnh vực y tế, an ninh, sản xuất kinh doanh, việc phân loại khuyết tật mối hàn dựa trên hình ảnh cũng có thể thực hiện bằng thị giác máy tính.

Dữ liệu hình ảnh về khuyết tật mối hàn rất đa dạng do quá trình sản xuất. Tuy nhiên, nghiên cứu ứng dụng phân loại khuyết tật mối hàn sử dụng các phương pháp học sâu cho bộ dữ liệu ngày càng lớn sẽ gặp rất nhiều thách thức. Một trong những thách thức lớn nhất đó là chất lượng hình ảnh khi thu thập từ camera hoặc điện thoại thông minh bị ảnh hưởng bởi góc chụp ảnh, độ sáng hoặc các mối hàn bị che khuất. Điều này dẫn đến việc có thể thiếu sót thông tin và làm giảm độ chính xác của mô hình phân loại. Bên cạnh đó, chi phí huấn luyện cho mô hình cũng là một thách thức khác. Một số phương pháp học sâu đòi hỏi một lượng lớn dữ liệu và thời gian để huấn luyện, và việc thu thập dữ liệu phù hợp cũng là một nguyên nhân khó khăn. Ngoài ra, việc xây dựng một mô hình phân loại khuyết tật mối hàn đáng tin cậy và chính xác có thể đòi hỏi sự cân nhắc kỹ lưỡng và công phu trong quá trình thu thập và xử lý dữ liệu.

Để giải quyết những thách thức trên, Luận văn này đề xuất một phương pháp phân hình ảnh mối hàn dựa trên công nghệ xử lý dữ liệu lớn. Phương pháp này sử dụng các mô hình dữ liệu đào tạo trước để học chuyển giao (LT) và dữ liệu đào tạo áp dụng phương pháp đào tạo song song phân tán. Nền tảng tập trung dữ liệu Apache Spark kết hợp thư viện BigDL giúp cho việc huấn luyện phát hiện khuyết tật mối hàn trở nên nhanh chóng và chính xác hơn.

Từ kết quả thực nghiệm 1 của bộ dữ liệu hàn nhiệt gồm 9,058 hình ảnh cho thấy, Trong tác vụ 3 class, mô hình EfficientNetB0 cho kết quả thấp nhất (0.4394, 0.2035 và 0.2683 cho các độ đo Accuracy, Macro F1-score và Weighted F1-score), trong khi ResNet101 và VGG16 cho kết quả tốt hơn. VGG16 cho kết quả tốt nhất trong 5 mô hình cài đặt (với 0.8230 Accuray, 0.8205 Macro F1-score và 0.8222 Weighted F1- score). Trong tác vụ 7 class, EfficientNB0 và VGG16 lần lượt cho kết quả không tốt đồng thời hiệu suất của các mô hình ở tác vụ 7 class thấp hơn khoảng 20% so với tác vụ 3 class.

Căn cứ kết quả thí nghiệm 2 có thể đánh giá thời gian trung bình huấn luyện mô hình từ xxx giây cho bộ dữ liệu 9,058 tấm ảnh cho huấn luyện song song phân tán trên mạng LAN so với xxx giây của qua VPN, độ chính xác đạt xx%. Với phương pháp Đồng bộ hóa Dữ liệu Song Song, Kết quả cho thấy rằng huấn luyện trên một GPU chỉ nhanh hơn một chút so với nhiều GPU (xxs / epoch so với xxs / epoch). Tuy nhiên, nếu huấn luyện mô hình với lượng dữ liệu lớn khả năng xử lý của 1 GPU thì việc sử dụng chỉ 1 GPU để huấn luyện có thể gây khó khăn và trở nên quá tải. Giải pháp hợp lý trong trường hợp này là sử dụng huấn luyện mô hình song song và phân tán dữ liệu. Đó là một trong những giải pháp tốt nhất để làm việc với dữ liệu lớn hiện nay.

Từ những kết quả này, ta có thể thấy rằng công nghệ xử lý dữ liệu lớn là một phương pháp phù hợp trong việc phân loại hình ảnh khuyết tật mối hàn thép. Việc áp dụng công nghệ này giúp tăng độ chính, giảm thời gian đáng kể xử lý đào tạo dữ liệu và giúp giảm chi phí đào tạo. Ngoài ra, phương pháp này chứng tỏ có hiệu quả và thiết thực trong ứng dụng thực tế.

Trân trọng.

Nghiên cứu hệ thống quản lý, tư vấn và chăm sóc sức khỏe tích hợp công nghệ blockchain

Lê Ngọc Hiển - CH1802007

Blockchain đang trong quá trình phát triển mạnh mẽ và hoàn thiện mình trở thành một công nghệ an toàn, đáng tin cậy về việc chia sẻ dữ liệu. Blockchain được ứng dụng vào nhiều lĩnh vực khác nhau như: Tài chính, quản lý chuỗi cung ứng, công nghiệp thực phẩm, IOT, y tế và chăm sóc sức khỏe…

Đề tài thử nghiệm xây dựng hệ thống quản lý, tư vấn, chăm sóc sức khỏe kết hợp với công nghệ blockchain (Hyperledger Fabric Blockchain) vào việc bảo mật hệ thống và truy cập dữ liệu giữa các đối tượng tham gia vào hệ thống (bệnh nhân, bác sĩ, dược sĩ, bệnh viện, nhà thuốc). Cùng với đó là thiết kế hệ thống theo kiến trúc Microservices kết hợp với các công nghệ hiện đại như Elastic Search, Azure Service Bus, Redis Cache giúp cải thiện hiệu năng khi tích hợp Blockchain và tăng độ tin cậy của hệ thống, cũng như hỗ trợ tối đa cho việc theo dõi và phân tích dữ liệu trên mạng lưới Blockchain.

Tổng quan đề tài đã đưa ra kiến trúc hệ thống phù hợp khi tích hợp công nghệ blockchain, các phương thức giao tiếp một cách hiệu quả giữa các dịch vụ trong kiến trúc Microservices. Từ đó cho ra những ưu nhược điểm và cách khắc phục cách khắc phục trong quá trình xây dựng và phát triển. Từ đó mở ra chiến lược phát triển hệ thống sau này mà vẫn đảm bảo được hiệu năng của hệ thống. Kèm theo đó đề tài cũng xây dựng một nghiệp vụ phù hợp trong hệ thống quản lý tư vấn chăm sóc sức khỏe trực tuyến, tạo nên sự thuận tiện và hiệu quả cho bệnh nhân.

Trân trọng.

Phân loại mã độc Android bằng mạng sinh đối kháng và học máy

Nguyễn Công Danh - CH1902029

Đề tài tập trung nghiên cứu và thực nghiệm các mô hình học máy Random Forest (RF), Extra Trees (ET) và học sâu (deep learning) Deep Neural Network (DNN), Convolutional Neural Network (CNN) và sử dùng mạng sinh đối kháng Auxiliary Classifier Generative Adversarial Network (AC-GAN) để nâng cao độ hiệu quả trong phân loại mã độc trên hai tập dữ liệu phổ biến là Drebin và CICMalDroid2020. Thử nghiệm việc áp dụng mẫu đối kháng vào huấn luyện mô hình trong những trường hợp tập dữ liệu mất cân bằng.

Đề tài đã xây dựng được mô hình phân loại phù hợp, ứng dụng hiệu quả các mô hình học máy và mạng sinh đối kháng trong phân loại trên cả loại và họ mã độc với các tập dữ liệu phổ biến khác nhau. Kết quả sau cùng cho thấy độ chính xác cao (>99%) và có tính cạnh tranh s với một số nghiên cứu liên quan trước đây. Luận văn đã áp dụng đồng thời các thuật toán học máy, học sâu và mạng sinh đối kháng cho tập dữ liệu dạng bảng, sử dụng một số kỹ thuật tối ưu để tăng khả năng phân loại cho mô hình.

Trân trọng.

Đếm phương tiện giao thông sử dụng phân tích dữ liệu lớn thời gian thực và học sâu

Nguyễn Văn Viết - CH2002024

Đề tài nghiên cứu với mục tiêu xây dựng một mô hình đếm phương tiện giao thông sử dụng phân tích dữ liệu lớn thời gian thực và học sâu. Mô hình này được nghiên cứu và xây dựng nhằm áp dụng để giải quyết các hạn chế trong các hệ thống giao thông thông minh ngày nay. Luận văn này đã trình bày các mục tiêu nghiên cứu và đối tượng nghiên cứu về xử lý dữ liệu lớn theo thời gian thực với dữ liệu là hình ảnh; các mô hình học sâu trong xử lý ảnh để giải quyết bài toán phát hiện đối tượng và theo dõi đối tượng. Về phân tích dữ liệu lớn, đề tài đã trình bày về sự kết hợp giữa Spark Streaming và Kafka để tối ưu hiệu suất xử lý ảnh thời gian thực. Về giải quyết các bài toán như phát hiện, phân loại, theo dõi và đếm phương tiện giao thông, đề tài đã trình bày mô hình học sâu với sự kết hợp của 2 mô hình đang đạt state-of-the-art của lĩnh vực là YOLOv7 và StrongSORT. Mô hình trên được hiệu chỉnh với bộ dữ liệu là UA-DETRAC cho kết quả đánh giá Precision đạt 81%, Recall đạt 65%, và Mean Average Precision (@0.5) đạt 65%. Từ các nghiên cứu trong trên, đề tài cũng đã xây dựng được một ứng dụng mô phỏng thực tế để đếm phương tiện giao thông theo thời gian thực sử dụng công nghệ web dạng client-server.

Trân trọng.