Machine learning avec l’analyse multimodale pour la détection et la prédiction des assemblages collés = Học máy với phân tích đa phương thức để phát hiện và dự đoán các liên kết dán
Luận văn · Thạc sĩ · năm 2024 · đề tài tham khảo
| Loại tài liệu | Luận văn |
|---|---|
| Bậc học | Thạc sĩ |
| Ngành | Công nghệ thông tin |
| Tác giả | Kpoghomou Raphael |
| Người hướng dẫn | Nassiet Valérie; Bernard Kamsu-Foguem |
| Cơ sở đào tạo | Đại học Quốc gia Hà Nội |
| Năm | 2024 |
| Nguồn | Thư viện số Đại học Quốc gia Hà Nội · trang gốc |
Tóm tắt
In a demanding industrial context, this research explores advanced approaches to detect and predict critical damage in polymer-bonded assemblies. Through a two-phase methodology, it proposes an innovative multimodal solution that integrates visual and physical data. The first phase focuses on damage detection, where the YOLO model demonstrated exceptional efficiency in locating and classifying types of damage. The second phase relies on a pipeline combining ResNet for visual feature extraction and a Multi-Layer Perceptron (MLP) to accurately predict the onset time of delamination, achieving a determination coefficient (R²) of 0.9657. The integration of these models into APIs and an interactive interface ensures their applicability in real-world scenarios while simplifying their use for professionals. The results confirm the power of multimodal architectures in handling heterogeneous data and predicting complex phenomena. This project paves the way for new advancements in enhancing material durability and improving predictive maintenance practices in critical sectors such as aerospace and electronics
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Phát triển phương pháp phân vùng ảnh mô bệnh học sử dụng học sâu ứng dụng trong phát hiện ung thư phổi
- Deep learning approach for driver behavior analysis
- Building an e-commerce website selling second-hand items
- Nghiên cứu xây dựng cơ sở dữ liệu hệ thống thông tin địa lý (GIS) tỉnh Phú Thọ phục vụ bảo vệ môi trường và phát triển bền vững
- Xây dựng hệ thống nhận dạng khuôn mặt sử dụng phương pháp học trực tuyến
- Financial distress prediction: evidence from Vietnam
- Visual Analytics intelligent utilisant la technologie de Réalité Mixte = Phân tích trực quan thông minh sử dụng công nghệ thực tế hỗn hợp.
- Identify and control the speed of DC motor using fuzzy-PI on microcontroller platforms.
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.