tiểu luận môn học khai thác dữ liệu đề tài tìm hiểu các mô hình học sâu cho bài toán đánh giá cảm xúc

Há tháng nhÁn dián cÁm xúc khuôn mặt đ°ợc sử dụng nhiÁu trong cuác sáng: điÁu trß y t¿, giao ti¿p song ngôn ngữ, đánh giá đau của bánh nhân, phát hián nói dái, giám sát tr¿ng thái của ng

Bà GIAO THÔNG VÀN TÀI

TR¯àNG Đ¾I HàC GIAO THÔNG V¾N TÀI TP.HCM

TIÂU LUÀN MÔN HàC

ĐÀ TÀI:

TÌM HIàU CÁC MÔ HÌNH HàC SÂU

HVTH: Đ¾NG THANH VŨ - 1948010109

TR¯¡NG THÞ BIàN - 1948010106

Lớp: Khoa hác máy tính - KM1902 GVHD: TS LÊ VN QUàC ANH

TP.HCM, tháng 07 năm 2022

MĀC LĀC

1 Giới thiáu 3

2 Tổng quan 5

2.1 Ph°¡ng pháp truyÁn tháng 6

2.2 Ph°¡ng pháp hián đ¿i 7

3 Mô hình m¿ng tích chÁp cho nhÁn d¿ng cÁm xúc qua khuôn mặt 8

3.1 Tổng quan vÁ CNN cho nhÁn d¿ng cÁm xúc qua khuôn mặt 8

3.2 Mô hình ki¿n trúc nhÁn d¿ng cÁm xúc qua khuôn mặt 9

3.3 Hồi quy tuy¿n tính (Linear Regression) 10

3.4 Máy vect¡ hß trợ (SVM) 11

3.5 M¿ng n¡-ron tích chÁp (CNN) 12

3.6 Mát sá mô hình khác 13

3.6.1 M¿ng n¡-ron cổ điÃn 13

3.6.2 M¿ng n¡-ron hồi quy (RNN) 14

3.6.3 M¿ng bá nhớ dài-ngắn (Long Short Term Memory networks) 15

3.6.4 M¿ng sinh đái nghßch (GAN) 16

3.6.5 Boltzmann machine 17

3.6.6 Hác tng c°ờng sâu 17

a Autoencoder 18

b Backpropagation 18

c Gradient Descent 19

d M¿ng n¡ ron sâu (Deep Neural Network - DNN) 20

e M¿ng hác sâu niÁm tin (Deep belief net-DBN) 21

K¿t luÁn 22

TÀI LIàU THAM KHÀO 23

GVHD: Lê V n Quác Anh Trang 3

1. Gißi thißu

Khuôn mặt của con ng°ời biÃu hián nhiÁu cÁm xúc mà không cần phÁi nói ra Đó

là mát trong những ph°¡ng tián m¿nh mẽ và tự nhiên nhất đà con ng°ời truyÁn đ¿t thà hián cÁm xúc Không giáng nh° các hình thức giao ti¿p phi ngôn ngữ khác, cÁm xúc trên khuôn mặt nó phổ quát Hián nay, nhÁn d¿ng và phân tích cÁm xúc khuôn mặt tự đáng là mát vấn đÁ thú vß và đầy thách thức, có Ánh h°ởng to lớn đ¿n xã hái CÁm xúc trên khuôn mặt và hành đáng của chúng ta là ph°¡ng tián giao ti¿p phi ngôn ngữ, bao gồm 93% cÁm xúc giao ti¿p của con ng°ời, trong đó 55% thà hián cử chỉ khuôn mặt và hành đáng của con ng°ời CÁm xúc khuôn mặt có thà đ°ợc phân tích dß dàng thông qua hình Ánh khuôn mặt và máy tính có thà t°¡ng tác với con ng°ời, nh° cách con ng°ời t°¡ng tác với nhau

Đó là lý do t¿i sao nhÁn d¿ng cÁm xúc qua khuôn mặt ngày càng đ°ợc sự quan tâm trong mái lĩnh vực Các nhà nghiên cứu đã chỉ ra rằng cÁm xúc trên khuôn mặt là phổ quát và bẩm sinh trong tất cÁ các chủng tác, giới tính và đá tuổi Thêm cÁm xúc trung tính là có bÁy cÁm xúc c¡ bÁn, gồm: trung tính, giÁn dữ, ghê tởm, sợ hãi, h¿nh phúc, buồn và bất ngờ NhÁn d¿ng cÁm xúc qua khuôn mặt có ứng dụng trong các lĩnh vực khác nhau:

Hình 1 Trạng thái cảm xúc khuôn mặt cơ bản trong nghiên cứu của Matsumoto

• Giáo dục: PhÁn ứng của ng°ời hác trong thời gian thực và sự tham gia vào nái dung là giáo dục là mát th°ớc đo l°ờng cho hiáu quÁ của bài giÁng

GVHD: Lê V n Quác Anh Trang 4

• Ti¿p thß: Đây là mát cách tuyát vời đà các công ty kinh doanh phân tích cách khách hàng phÁn hồi với quÁng cáo, sÁn phẩm, bao bì và thi¿t k¿ cửa hàng của

há

• Ch¡i game: Với sự ra đời của game thực t¿ Áo gần với trÁi nghiám thực t¿ NhÁn d¿ng cÁm xúc khuôn mặt đóng mát vai trò quan tráng đà cÁi thián trÁi nghiám ch¡i trò ch¡i

• BÁo mÁt: Nó có thà giúp xác đßnh hành vi đáng ngờ trong đám đông và có thà đ°ợc sử dụng đà ngn chặn tái ph¿m và những kẻ khủng bá tiÁm nng

• Chm sóc sức khße: Nó có thà hữu ích trong viác tự đáng hóa dßch vụ y t¿ CÁ sức khße thà chất và tinh thần có thà đ°ợc phân tích thông qua ứng dụng này

• Dßch vụ khách hàng: QuÁn lý dßch vụ khách hàng có thà hiáu quÁ h¡n bằng cách

sử dụng há tháng nhÁn d¿ng cÁm xúc khuôn mặt Phân tích phÁn hồi của khách hàng và phÁn ứng của máy tính sẽ đÁm bÁo t°¡ng tác máy tính với con ng°ời trong cuác sáng thực Há tháng nhÁn dián cÁm xúc khuôn mặt đ°ợc sử dụng nhiÁu trong cuác sáng: điÁu trß y t¿, giao ti¿p song ngôn ngữ, đánh giá đau của bánh nhân, phát hián nói dái, giám sát tr¿ng thái của ng°ời lái xe phát hián tr¿ng thái buồn ngủ dựa vào cÁm xúc trên khuôn mặt đ°ợc phát triÃn đà cÁnh báo cho ng°ời lái xe khi thấy dấu hiáu buồn ngủ, mát mßi

Há c¡ mặt đóng vai trò quan tráng trong viác t¿o ra các biÃu cÁm của mặt, các c¡ trên khuôn mặt ở tr¿ng thái khác nhau với những tr¿ng thái biÃu cÁm khác nhau

Hình 2 Hệ cơ mặt

GVHD: Lê V n Quác Anh Trang 5

Nói chung, tr°ớc khi có những sự phát triÃn trong lĩnh vực công nghá thông tin, đặc biát là trong lĩnh vực thß giác máy, viác phân tích biÃu cÁm khuôn mặt vÁ c¡ bÁn là vấn đÁ của những nhà nghiên cứu tâm lý và bác sĩ Tuy nhiên sau đó đã có những sự thay đổi và đã xuất hián nhiÁu nhóm nghiên cứu, nhiÁu công ty đầu t° vào vấn đÁ phân tích biÃu cÁm khuôn mặt trên ph°¡ng dián xử lý Ánh và đồ háa máy tính Có thà kà đ¿n mát vài k¿t quÁ khởi đầu nh°: vào nm 1978, Suwa và các cáng sự đã trình bày mát khÁo sát s¡ bá vÁ viác phân tích biÃu cÁm khuôn mặt tự đáng từ mát chußi các hình Ánh; vào những nm 90, vấn đÁ nghiên cứu biÃu cÁm khuôn mặt tự đáng đ¿t đ°ợc nhiÁu sự quan tâm với sự tiên phong của Mase và Pentland, trong công trình này các tác giÁ trình bày mát ph°¡ng pháp sử dụng luồng quang hác đà °ớc l°ợng các cử đáng của c¡ mặt

và dựa vào đó đà nhÁn d¿ng mát sá biÃu cÁm đặc tr°ng, theo đó những thí nghiám ban đầu cho thấy đá chính xác khoÁng 80% khi nhÁn bán lo¿i: h¿nh phúc, giÁn dữ, ghê tởm,

và ng¿c nhiên Nghiên cứu vÁ biÃu cÁm khuôn mặt trong lĩnh vực công nghá thông tin rất đ°ợc quan tâm đ¿n chính bởi vì nó hứa hẹn rất nhiÁu ứng dụng trong cuác sáng, chẳng h¿n:

• Các há tháng xác thực bằng sinh trắc hác trong thời gian thực cho phép ng°ời dùng đng nhÁp bằng cách nhìn vào áng kính camera

• Các há tháng kiÃm soát vào ra và có l°u v¿t thời gian

• Các ứng dụng nhÁn d¿ng đái t°ợng không cần sự ghi danh tr°ớc

• Há tháng giám sát video và nhÁn d¿ng khuôn mặt tự đáng

2. Tổng quan

Đầu tiên, khi muán nghiên cứu vÁ đÁ tài này, b¿n cần phÁi chuẩn bß những ki¿n thức hác máy là gì? Phân lo¿i các kỹ thuÁt hác máy? Đ°a ra mát sá kỹ thuÁt hác máy? Ti¿p theo, tìm hiÃu vÁ SVM cách thức ho¿t đáng và ứng dụng của SVM trong thực t¿ Cuái cùng, tìm hiÃu vÁ CNN: giới thiáu vÁ khái niám và mô hình CNN Các ki¿n thức trên, các b¿n có thà dß dàng tìm hiÃu qua các bài báo, website khác trên m¿ng, mình sẽ không nhắc đ¿n nữa, n¿u có thời gian mình sẽ có những bài báo đi chi ti¿t vÁ những chủ

đÁ này Sau đây, mình xin bắt đầu vào phần nái dung chính của bài vi¿t và theo nh° mình

có tìm hiÃu thì ch°a có nhiÁu bài vi¿t nào đ°ợc nhắc đ¿n nái dung nghiên cứu này Chủ

GVHD: Lê V n Quác Anh Trang 6

đÁ của mình là nhÁn d¿ng cÁm xúc qua khuôn mặt, sử dụng 2 ph°¡ng pháp chính là SVM

và CNN Mục tiêu của bài vi¿t:

tháng Mình có tìm hiÃu 1 sá bài báo và 1 sá các phần mÁm ứng dụng thực t¿ hián nay vÁ nhÁn dián khuôn mặt thì thấy có 2 vấn đÁ chính và quan tráng nhất cần giÁi quy¿t là: Thi¿u dữ liáu traning và các bi¿n thà không liên quan đ¿n biÃu hián cÁm xúc: ánh sáng, t° th¿ đầu và sai lách nhÁn d¿ng Đà giÁi quy¿t vấn đÁ trên thì ph°¡ng pháp nhÁn d¿ng cÁm xúc qua khuôn mặt đ°ợc chia thành nhiÁu h°ớng theo các tiêu chí khác nhau, chia thành hai lo¿i chính: ph°¡ng pháp truyÁn tháng

và ph°¡ng pháp hián đ¿i ĐÃ hiÃn rõ h¡n th¿ nào là ph°¡ng pháp truyÁn tháng, ph°¡ng pháp hián đ¿i, thì mình sẽ nói qua vÁ nái dung này:

2.1. Ph°¢ng pháp truyßn thống

Há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt với ph°¡ng pháp truyÁn tháng thì xử lý bài qua các giai đo¿n: tiÁn xử lý hình Ánh khuôn mặt, trích xuất đặc tr°ng và phân lo¿i

Hình 3 Ki ến trúc nhận dạng khuôn mặt bằng phương pháp truyền thống

• TiÁn xử lý là quá trình đ°ợc sử dụng đà cÁi thián hiáu suất của há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt và đ°ợc thực hián các lo¿i quy trình khác nhau: cn chỉnh đá rõ, chia tỷ lá hình Ánh, điÁu chỉnh đá t°¡ng phÁn và sử dụng các quy trình nâng cao đà cÁi thián các khung biÃu thức

• Trích xuất đặc tr°ng trong thß giác máy tính là mát giai đo¿n quan tráng, nó phát hián ra viác chuyÃn từ mô tÁ đồ háa sang mô tÁ dữ liáu ẩn, trích chán những đặc

GVHD: Lê V n Quác Anh Trang 7

tr°ng riêng nhất của hình Ánh, sau đó những mô tÁ dữ liáu này có thà đ°ợc sử dụng làm đầu vào cho bài toán phân lo¿i

• Phân lo¿i là giai đo¿n cuái cùng của há tháng nhÁn dián cÁm xúc qua khuôn mặt (FER), đà phân lo¿i ra các lo¿i cÁm xúc trên khuôn mặt: h¿nh phúc, buồn bã, bất ngờ, tức giÁn, sợ hãi, ghê tởm và bình th°ờng Sử dụng các ph°¡ng pháp phân lo¿i nh°: Cây quy¿t đßnh (ID3), SVM, HMM (Hidden Markov Model) thì phân lo¿i SVM cho đá chính xác và phân lo¿i tát nhất Chính vì vÁy, mình chán SVM đ¿i dián cho ph°¡ng pháp truyÁn tháng đà sử dụng cho há tháng nhÁn dián của mình

2.2. Ph°¢ng pháp hißn đ¿i

Trong phần này, sẽ mô tÁ các b°ớc chính phổ bi¿n trong há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt thực hián qua các giai đo¿n: tiÁn xử lý, phân lớp sử dụng hác sâu Những nm gần đây, hác sâu có đá chính xác h¡n ph°¡ng pháp truyÁn tháng vì nó không phÁi qua b°ớc trích xuất các đặc tr°ng mát cách t°ờng minh, nó sẽ thực hián đi kèm với ph°¡ng pháp phân lo¿i

Hình 4 Ki ến trúc hệ thống nhận dạng cảm xúc khuôn mặt bằng phương pháp deep learning

• TiÁn xử lý Ánh: cũng phÁi xử lý 1 sá vấn đÁ của Ánh đầu vào há tháng, xử lý tr°ớc quá trình trainning Các b°ớc thực hián: Cn chỉnh khuôn mặt đà phát hián khuôn mặt, tng dữ liáu hình Ánh đÁm bÁo đủ dữ liáu training, cuái cùng là chuẩn hóa

dữ liáu khuôn mặt Sử dụng các ph°¡ng pháp CNN, DBN, DAE, RNN, GAN

GVHD: Lê V n Quác Anh Trang 8

• Phân lo¿i: Trong ph°¡ng pháp truyÁn tháng b°ớc trích xuất đặc tr°ng và b°ớc phân lo¿i tính nng là đác lÁp với nhau, trong Deep learning có thà thực hián FER theo cách từ đầu đ¿n cuái Mát lớp mất đ°ợc thêm vào cuái m¿ng đà điÁu chỉnh lßi lan truyÁn ng°ợc, sau đó xác suất dự đoán của từng m¿u có thà đ°ợc m¿ng trực ti¿p xuất ra

3. Mô hình m ¿ng tích ch¿p cho nh¿n d¿ng cÁm xúc qua khuôn m¿t

Trong nái dung này, chúng ta sẽ đặt câu hßi <Có nên k¿t hợp đặc tr°ng truyÁn tháng

và CNN cho há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt không?= ĐÃ trÁ lời cho câu hßi trên, cần phÁi làm rõ và tìm hiÃu các nái dung nh°: giới thiáu tổng quan vÁ ph°¡ng pháp CNN cho há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt, ti¿p theo sẽ giới thiáu mô hình thi¿t k¿ CNN k¿t hợp đặc tr°ng truyÁn tháng cho há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt

3.1. T ổng quan vß CNN cho nh¿n d¿ng cÁm xúc qua khuôn m¿t

NhÁn d¿ng cÁm xúc qua khuôn mặt trong môi tr°ờng tự nhiên là mát trong những lĩnh vực đ°ợc nghiên cứu tích cực trong nhiÁu nm nay, tuy nhiên không tránh khßi mát

sá những thách thức trong há tháng cần phÁi tìm cách giÁi quy¿t khắc phục các vấn đÁ

đó Đà giÁi quy¿t các thách thức đó, há đã tổ chức thành cuác thi đà thúc đẩy sự ti¿n bá trong lĩnh vực này Trong sá các cuác thách thức, có mát cuác thi thách thức dùng database FER2013, k¿t quÁ chi¿n thắng chung cuác là sử dụng ph°¡ng pháp CNN dùng

đà nhÁn d¿ng cÁm xúc khuôn mặt

GVHD: Lê V n Quác Anh Trang 9

3.2. Mô hình ki ến trúc nh¿n d¿ng cÁm xúc qua khuôn m¿t

Hình 5 Mô hình CNN k ết hợp đặc trưng truyền thống cho hệ thống nhận dạng cảm xúc

Hình 5 mô hình thi¿t k¿ của há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt sử dụng ph°¡ng pháp CNN k¿t hợp với đặc tr°ng truyÁn tháng Đầu vào là hình Ánh có kích th°ớc 48x48 pixel và 1 chanels (Ánh xám) đ°ợc lấy trong bá dữ liáu dataset FER2013, đầu ra của há tháng là dự đoán cÁm xúc của hình Ánh ĐÃ thực hián quá trình có đ°ợc đầu ra há tháng cần thực hián theo hai giai đo¿n: tiÁn xử lý hình Ánh, phân lớp sử dụng hác sâu Trong

đó b°ớc trích chán đặc tr°ng đ°ợc thực hián mát cách không t°ờng minh, ẩn bên trong giai đo¿n phân lớp sử dụng hác sâu, các giai đo¿n thực hián mát cách liÁn m¿ch không phân chia mát cách quá cụ thà và rõ ràng nh° ph°¡ng pháp truyÁn tháng Hình 5 mô hình ki¿n trúc của ph°¡ng pháp CNN, đầu vào là hình Ánh có kích th°ớc là 48x48, sau đó đồng thời thực hián 2 viác song song:

• Ành đầu vào thực hián đi qua ph°¡ng pháp deep learning hián đ¿i Trong giai đo¿n này, thực hián đi qua các b°ớc các tầng tích chÁp, tầng gáp, tầng k¿t nái T¿o ra tầng k¿t nái có kích th°ớc 1024

GVHD: Lê V n Quác Anh Trang 10

features) Đầu ra là t¿o ra tầng k¿t nái có kích th°ớc 1024 Cuái cùng, hai công viác thực hián song song gáp l¿i t¿o thành tầng k¿t nái đầy đủ có kích th°ớc 256

và cho ra k¿t quÁ đầu ra là mát trong 7 tr¿ng thái cÁm xúc Mô hình SVM thi¿t k¿ cho há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt

Mô hình CNN c¡ bÁn thi¿t k¿ cho há tháng nhÁn d¿ng cÁm xúc qua khuôn mặt

3.3. H ồi quy tuyến tính (Linear Regression)

Phân tích hồi quy tuy¿n tính là mát ph°¡ng pháp phân tích quan há giữa bi¿n phụ thuác y với mát hay nhiÁu bi¿n đác lÁp x Đây đ°ợc coi là mô hình c¡ bÁn và đ¡n giÁn nhất trong hác máy Ý t°ởng của mô hình là xây dựng mát hàm tuy¿n tính ÿ̂ bằng cách k¿t hợp các bi¿n đầu vào sao cho ÿ̂ -> y

Trong đó, ý0, ý1, &, ý�㕘 (với ví dụ trên k = 3) đ°ợc gái là các tham sá của mô hình, ý0 còn đ°ợc gái là bias þ�㕖 là các đặc tr°ng đ°ợc đ°a vào mô hình y là đ¿i dián

GVHD: Lê V n Quác Anh Trang 11

cho các lớp của đầu ra, với bài toán này, y = 0 t°¡ng ứng với tiêu cực, y = 1 t°¡ng ứng với tích cực ÿ̂ là k¿t quÁ dự đoán của mô hình hác máy, ÿ̂ ∈ (0,1), n¿u ÿ̂ -> 0 thì câu đầu vào đ°ợc dự đoán thuác lớp tiêu cực, ng°ợc l¿i n¿u ÿ̂ -> 1 thì câu đó đ°ợc k¿t luÁn thuác lớp tích cực

¯u điÃm: Đ¡n giÁn, dß cài đặt và sử dụng

Nh°ợc điÃm:

• Dß nh¿y cÁm với nhißu

• Không biÃu dißn đ°ợc các mô hình phức t¿p

3.4. Máy vect¢ hỗ trÿ (SVM)

Nh° đã bi¿t, với bài toán phân lo¿i nhß phân tuy¿n tính ta cần vẽ đ°ợc mặt phân tách (với không gian 2 chiÁu thì mặt phẳng này là đ°ờng phân tách): ÿ�㕇þ + Ā = 0 đà phân biát đ°ợc dữ liáu Khi đó dấu của hàm °ớc l°ợng H = {x -> sng(ÿ�㕇þ + Ā), a ∈ �㕅�㕁,

b ∈ R} sẽ thà hián đ°ợc điÃm dữ liáu x nằm ở cụm dữ liáu nào SVM chính là mát bián pháp đà thực hián đ°ợc phép lấy mặt phẳng nh° vÁy

Mát máy vector hß trợ thực hián phân lo¿i bài vi¿t thành 2 lớp tích cực và tiêu cực bằng cách lÁp bÁn đồ phi tuy¿n của tÁp dữ liáu huấn luyán thành mát không gian đặc tr°ng đa chiÁu Sau đó, xây dựng mát siêu phẳng (ranh giới quy¿t đßnh) N-chiÁu đà tách

bá dữ liáu thành hai cụm tích cực và tiêu cực

Hình 6 Ví dụ về 2 đường thẳng khác nhau cho phép tách bộ dữ liệu thành 2 cụm

Hình 6 cho thấy mát bá dữ liáu tuy¿n tính đ°ợc tách biát trong mát không gian 2 chiÁu với hai cách khác nhau đà phân biát chúng Chất l°ợng của siêu phẳng này đ°ợc quy¿t đßnh bởi mát khoÁng cách (đ°ợc gái là biên) của điÃm dữ liáu gần nhất của mßi

Downloaded by tran quang (quangsuphamhoak35@gmail.com)

GVHD: Lê V n Quác Anh Trang 12

lớp đ¿n mặt phẳng này KhoÁng cách biên càng lớn thì sự phân chia các điÃm ra thành hai lớp càng tát, nghĩa là sẽ đ¿t đ°ợc k¿t quÁ phân lo¿i tát

Đái với bài toán phân tích tình cÁm trong câu, mßi bình luÁn đầu vào sẽ cho n đặc tr°ng thông qua kỹ thuÁt tf-idf Do đó, các câu này sẽ đ°ợc biÃu dißn thành các điÃm dữ liáu trong không gian n chiÁu Nhiám vụ của chúng ta là sử dụng SVM đà xây dựng 2 siêu phẳng làm biên t°¡ng ứng cho 2 lớp tích cực và tiêu cực sao cho khoÁng cách biên này là lớn nhất

¯u điÃm:

• Hiáu quÁ trong không gian sâu

• V¿n hiáu quÁ trong tr°ờng hợp kích th°ớc không gian lớn h¡n sá m¿u

• Dß tùy chỉnh với nhiÁu hàm kernel khác nhau

Tích chÁp là mát khái niám trong xử lý tín hiáu sá nhằm bi¿n đổi thông tin đầu vào qua mát phép tích chÁp với bá lác, nhằm trÁ vÁ đầu ra là mát tín hiáu mới Tín hiáu này

sẽ giÁm bớt những đặc tr°ng mà bá lác không quan tâm, giữ l¿i những đặc tr°ng chính

và quan tráng nhất

Bên c¿nh input layer và output layer, mô hình CNN còn có thêm mát sampling layer đà giới h¿n sá l°ợng n¡-ron tham gia vào các layer t°¡ng ứng Viác xây dựng mô hình trÁi qua ba giai đo¿n chính:

• Quá trình tích chÁp (convolution): Thông qua các tích chÁp giữa ma trÁn đầu vào với bá lác đà t¿o thành các đ¡n vß trong mát tầng mới Quá trình này có thà dißn

Downloaded by tran quang (quangsuphamhoak35@gmail.com)