Tóm tắt Luận án Tiến sĩ Công nghệ dệt may: Phân loại vóc dáng nam trung niên thành phố Hồ Chí Minh ứng dụng xây dựng Avatar trong phần mềm thiết kế trang phục 3D

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

6
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Công nghệ dệt may "Phân loại vóc dáng nam trung niên thành phố Hồ Chí Minh ứng dụng xây dựng Avatar trong phần mềm thiết kế trang phục 3D" được nghiên cứu với mục tiêu: Phân loại và phân tích đặc điểm vóc dáng nam trung niên thành phố Hồ Chí Minh từ dữ liệu quét 3D; Nghiên cứu xây dựng mô hình 3D Avatar từ dữ liệu quét 3D theo vóc dáng nam trung niên thành phố Hồ Chí Minh.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Công nghệ dệt may: Phân loại vóc dáng nam trung niên thành phố Hồ Chí Minh ứng dụng xây dựng Avatar trong phần mềm thiết kế trang phục 3D

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI NGUYỄN MẬU TÙNG PHÂN LOẠI VÓC DÁNG NAM TRUNG NIÊN THÀNH PHỐ HỒ CHÍ MINH ỨNG DỤNG XÂY DỰNG AVATAR TRONG PHẦN MỀM THIẾT KẾ TRANG PHỤC 3D Ngành: Công Nghệ Dệt, May Mã số: 9540204 TÓM TẮT LUẬN ÁN TIẾN SĨ CÔNG NGHỆ DỆT, MAY Hà Nội – 2023
Công trình được hoàn thành tại: Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: TS. Trần Thị Minh Kiều PGS.TS. Phạm Thế Bảo Phản biện 1: Phản biện 2: Phản biện 3: Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Đại học Bách Khoa Hà Nội họp tại Đại học Bách khoa Hà Nội Vào hồi …….. giờ, ngày ….. tháng ….. năm ……… Có thể tìm hiểu luận án tại thư viện: 1. Thư viện Tạ Quang Bửu - ĐHBK Hà Nội 2. Thư viện Quốc gia Việt Nam
MỞ ĐẦU 1. TÍNH CẤP THIẾT CỦA LUẬN ÁN Trong những năm gần đây, công nghệ 3D được mọi người nhắc đến ngày càng nhiều và đang trở thành chủ đề nở rộ trên thế giới. Chúng ta đã thấy sự phát triển của công nghệ 3D trong giải trí, trong các ngành công nghiệp và đang tiến gần cuộc sống tiêu dùng hàng ngày. Cùng với sự phát triển thần tốc của công nghệ điện toán, ngành công nghệ may và thời trang cũng đang tận dụng các kỹ thuật mới để phát triển. Các nhà khoa học phát triển cửa hàng quần áo trực tuyến dưới dạng ứng dụng web. Virtual fashion phục vụ thời trang may sẵn phục vụ mục đích tùy chọn của khách hàng thông minh. Ứng dụng của thực tế ảo trong ngành may mặc bắt đầu từ những năm 1980, là công nghệ hiển thị ảo hàng may mặc ba chiều dựa trên thực tế ảo và công nghệ mô phỏng kỹ thuật số. Với sự hỗ trợ của công nghệ thiết kế 3D, trí tuệ nhân tạo và công nghệ thực tế ảo, thời trang kỹ thuật số bùng nổ mạnh mẽ hơn bao giờ hết, đặc biệt phù hợp với xu hướng phát triển thời trang bền vững. Optitex, V- Stitcher, CLO3D,v.v là những phần mềm thiết kế thời trang 3D tiên phong, có thể tích hợp việc xây dựng mô hình người, thiết kế mẫu 2D, may ảo 3D, mô phỏng vải và trình diễn thời trang ảo. Đồng thời, khả năng đánh giá ảo độ vừa vặn trang phục và các chức năng khác có thể được sử dụng để tạo ra quần áo cho người tiêu dùng dựa trên vóc dáng cơ thể của họ. Hiện nay, việc ứng dụng các phần mềm thiết kế 3D ngày càng trở nên phổ biến tại Việt Nam, hứa hẹn một tương lai mới của ngành công nghiệp thời trang thế giới nói chung và ngành công nghiệp dệt may Việt Nam nói riêng. Vì vậy việc nghiên cứu xây dựng mô hình 3D Avatar làm cơ sở nền tảng xây dựng ma-nơ-canh kỹ thuật số theo vóc dáng người Việt Nam có thể tích hợp vào các phần mềm thiết kế thời trang 3D đang là xu hướng giải pháp giúp nâng cao năng lực cạnh tranh của ngành công nghệ dệt may nước ta trong xu thế hội nhập thế giới. Ứng dụng các phần mềm 3D tại Việt Nam mở ra tương lai mới cho ngành công nghiệp thời trang tại Việt Nam và trên thế giới. Xây dựng mô hình 3D Avatar làm cơ sở nền tảng xây dựng ma-nơ-canh kỹ thuật số theo vóc dáng người Việt Nam có khả năng tích hợp vào các phần mềm thiết kế thời trang 3D. Phương pháp xây dựng mô hình 3D Avatar theo vóc dáng cơ thể bằng máy học sâu là khoa học và công nghệ hiện đại tiên phong. 2. MỤC TIÊU NGHIÊN CỨU CỦA LUẬN ÁN - Nghiên cứu phân loại vóc dáng nam trung niên thành phố Hồ Chí Minh. - Xây dựng được ma-nơ-canh kỹ thuật số phù hợp với vóc dáng người Việt Nam. Ứng dụng được làm Avatar trong các phần mềm thiết kế trang phục 3D. 3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU CỦA LUẬN ÁN 3.1 Đối tượng nghiên cứu Để hoàn thành được mục tiêu nghiên cứu của đề tài, hai nhóm đối tượng được nghiên cứu là:
- Để đạt được mục tiêu phân loại vóc dáng nam trung niên thành phố Hồ Chí Minh, luận án sử dụng dữ liệu kích thước 2D và đám mây điểm 3D cơ thể của 378 người nam trung niên khối văn phòng ở thành phố Hồ Chí Minh, Việt Nam. - Để hoàn thành mục tiêu xây dựng được Avatar 3D trong các phần mềm thiết kế trang phục 3D theo vóc dáng người Việt Nam, luận án sử dụng dữ liệu 2D và 3D kích thước cơ thể của 1706 người Việt Nam, gồm cả nam giới và và nữ giới. 3.2 Phạm vi nghiên cứu - Nghiên cứu phân loại vóc dáng và đặc điểm nhân trắc của nam trung niên khối văn phòng sống và làm việc tại thành phố Hồ Chí Minh, tuổi từ 30 đến 60. - Nghiên cứu phương pháp xây dựng mô hình 3D Avatar cơ thể người ở trạng thái tĩnh theo kích thước và vóc dáng người Việt Nam. 4. NỘI DUNG NGHIÊN CỨU CỦA LUẬN ÁN - Nội dung 1: Phân loại và phân tích đặc điểm vóc dáng nam trung niên thành phố Hồ Chí Minh từ dữ liệu quét 3D. - Nội dung 2: Nghiên cứu xây dựng mô hình 3D Avatar từ dữ liệu quét 3D theo vóc dáng nam trung niên thành phố Hồ Chí Minh. 5. PHƯƠNG PHÁP NGHIÊN CỨU CỦA LUẬN ÁN Nội dung nghiên cứu được thực hiện bằng các phương pháp sau: - Phương pháp phân tích và tổng hợp: nghiên cứu, phân tích các tài liệu, công trình khoa học ở Việt Nam và trên thế giới có nội dung liên quan. Nhận xét, đánh giá các vấn đề còn tồn tại. Từ đó, định hướng nghiên cứu của luận án phù hợp với điều kiện ở Việt Nam. - Phương pháp nghiên cứu thực nghiệm cho từng nội dung cụ thể. 6. Ý NGHĨA KHOA HỌC CỦA LUẬN ÁN 1) Đã Đã xây dựng được phương pháp tiên tiến có độ chính xác cao để thu thập được dữ liệu 3D của 1106 nam giới TP. HCM tuổi từ 18-60. 2) Đã phối hợp giữa khoa học nhân trắc và thiết kế thời trang để trích xuất các kích thước cơ thể người từ dữ liệu 3D và sử dụng công cụ toán thống kê để phân tích dữ liệu phục vụ phân loại vóc dáng cho đối tượng nam trung niên Việt Nam. 3) Lấy dữ liệu đầu vào là kết quả nội dung nghiên cứu 1 (kích thước 2D và vóc dáng 3D nam trung niên TP HCM), dựa trên cơ sở khoa học nhân trắc xây dựng các bài toán phân tích thành phần chính và sử dụng phương pháp máy học sâu và phương pháp toán học nội suy để giải các bài toàn tiến tới mục tiêu xây dựng mô hình 3D Avatar phù hợp với cơ thể nam trung niên TP. HCM có khả năng kết nối với phần mềm thiết kế thời trang 3D của nước ngoài đang có trên thị trường. 7. GIÁ TRỊ THỰC TIỄN CỦA LUẬN ÁN 1) Bộ dữ liệu nhân trắc 2D và 3D nam trung niên thành phố HCM trên cơ sở dữ liệu 3D của 1106 nam giới TP. HCM tuổi 18-60 được thu thập bằng thiết bị quét cơ 2
thể người là đóng góp thực tiễn cho sự phát triển ngành thời trang may sẵn của Việt Nam. 2) Xây dựng thành công Avatar 3D, kết nối thành công Avatar mới với phần mềm thiết kế thời trang CLO3D, ứng dụng thành công Avatar mới trong thiết kế thời trang là đóng góp mới góp phần thúc đẩy công nghệ thiết kế thời trang 3D tại Việt Nam. 8. ĐIỂM MỚI CỦA LUẬN ÁN 1) Đã xây dựng được bộ dữ liệu 2D và 3D cơ thể người từ 30 đến 60, nam trung niên thành phố HCM. Phân loại được thành 5 vóc dáng. 2) Xây dựng được Avatar 3D theo vóc dáng nam trung niên thành phố HCM sử dụng phương pháp nội suy toán học, kết nối được phần mềm thiết kế thời trang CLO3D. Ứng dụng thành công Avatar mới trong các phần mềm thiết kế thời trang là đóng góp thúc đẩy ngành Công nghệ dệt may và Thiết kế thời trang tại Việt Nam. 3) Đã ứng dụng phương pháp máy học sâu để xây dựng Avatar 3D. 9. KẾT CẤU CỦA LUẬN ÁN Luận án gồm 3 chương: - Chương 1: Tổng quan về phân loại vóc dáng, đặc điểm nhân trắc nam giới và mô phỏng mô hình 3D cơ thể người - Chương 2: Đối tượng, nội dung và phương pháp nghiên cứu - Chương 3: Kết quả nghiên cứu và bàn luận. 3
CHƯƠNG 1: NGHIÊN CỨU TỔNG QUAN Để chuẩn bị kiến thức nền tảng nhằm giúp đạt được mục tiêu nghiên cứu đã đề ra, nghiên cứu tổng quan của luận án tiến sĩ này sẽ tập trung vào hai nội dung quan trọng và các khía cạnh liên quan của mỗi nội dung. Trong nội dung lớn thứ nhất, tổng quan về phân loại vóc dáng gồm: (1) Phương pháp xác định thông số kích thước cơ thể người; (2) Phương pháp phân loại vóc dáng cơ thể người gồm nhiều cách như: i) theo đặc trưng hình dạng tư thế cơ thể, ii) theo tỷ lệ kích thước cơ thể; iii) theo chỉ số tương quan; iv) theo xử lý số liệu thống kê. Trong nội dung lớn thứ hai, tổng quan về ứng dụng công nghệ 3D tạo mô hình Avatar 3D trong ngành công nghiệp dệt may gồm: (1) Nghiên cứu mô hình sản phẩm từ dữ liệu quét 3D cơ thể; (2) Phương pháp nội suy toán học hay hồi quy từ dữ liệu quét 3D để xây dựng mô hình 3D, (3) Phương pháp máy học, mà đặc biệt là máy học sâu xây dựng Avatar cơ thể người từ dữ liệu quét 3D. Qua nghiên cứu, đã kết luận được các nội dung sau: Ngành dệt may là một trong ngành mũi nhọn trong nền kinh tế quốc dân nước ta. Hiện nay xu hướng sử dụng các phần mềm thiết kế trang phục 3D đang phổ biến trên thế giới cũng như ở Việt Nam. Tuy nhiên vóc dáng trong các phần mềm này chưa được nghiên cứu từ dữ liệu nhân trắc và vóc dáng của người Việt Nam. Vì vậy việc nghiên cứu xây dựng Avatar 3D theo thông số người Việt để thiết kế cho trang phục là giải pháp nâng cao năng lực cạnh tranh của ngành công nghệ dệt may nước ta trong xu thế hội nhập. Theo quy luật sinh học nói chung, cứ khoảng 10-15 năm, do những điều kiện sống thay đổi, tầm vóc, thể lực của cơ thể người cũng có những biến đổi. Các công trình nghiên cứu trước đây đã chỉ ra rằng đặc điểm hình dáng cơ thể người mặc có ảnh hưởng không nhỏ đến việc thiết kế trang phục và tạo dáng quần áo. Các nghiên cứu trước đây đều phân hình dạng cơ thể nam giới Việt Nam trong độ tuổi lao động sử dụng giá trị chênh lệch vòng ngực và vòng bụng, chưa phân tích dáng từng phần cơ thể, tỷ lệ giữa các kích thước, chiều cao, chiều dài thân. Hơn nữa, các công trình nghiên cứu vóc dáng cơ thể nam giới ở Việt Nam trong độ tuổi lao động nhưng chưa nghiên cứu sâu cho nhóm đối tượng tuổi trung niên. Có nhiều cách để thu thập dữ liệu và phân loại vóc dáng cơ thể. Trong đấy phương pháp xác định thông số kích thước cơ thể bằng máy quét 3D cho kết quả chính xác và lưu trữ sử dụng lâu dài phục vụ tốt cho nghiên cứu kế thừa. Kết quả đo được xử lý số liệu bằng phương pháp xác suất thống kê, chạy trên phần mềm SPSS có độ tin cậy cao. Các bài toán xử lý số liệu xác định phân phối chuẩn, như phân tích thành phần chính, phân tích phân nhóm K-mean, phân tích biệt số, ANOVA, t-test được tin dùng nhiều bới các nhà khoa học, kết quả tin cậy. Do vậy trong luận án sẽ kế thừa phương pháp nghiên cứu phân loại vóc dáng này cho đối tượng nam trung niên Việt Nam sống và làm việc tại thành phố Hồ Chí Minh. 3D là công nghệ được xây dựng từ các phần mềm máy tính, giúp người sử dụng có thể quan sát hình ảnh trong không gian ba chiều. Khi biểu diễn một mô hình ba 4
chiều, ta có thể: Biểu diễn dưới dạng mô hình khung dây, mô hình lưới đa giác; biểu diễn bề mặt trơn tham số; biểu diễn đường và mặt cong tham số NURBS. Cơ sở lý thuyết về mô hình hóa được trình bày các phương pháp xây dựng mô hình hóa 3D theo bài toán nội suy đa thức. Đa thức là một hàm đơn giản, dễ tính đạo hàm và nguyên hàm. Nội suy bằng hàm Spline bậc 3 là thực hiện ghép nối trơn tru nhiều đa thức bậc thấp từng khúc để nội suy một hàm số cho trước. Nội suy đường cong Hermite được sử dụng rộng rãi trong đồ họa máy tính để có được các đường cong hoặc quỹ đạo chuyển động đi qua các điểm xác định của mặt phẳng hoặc không gian ba chiều. Do việc sử dụng các thiết bị quét 3D rất tốn thời gian và tốn kém, nhiều sự chú ý đã được ghép nối với vấn đề tự động tạo mô hình 3D. Theo truyền thống, các phép đo như chiều dài, chu vi và độ cong có ích cho việc mô tả sự xuất hiện của các đối tượng thực tế. Tuy nhiên, việc xây dựng lại các mô hình dựa trên máy tính từ các phép đo này vẫn là một thách thức. Hạn chế chung là bộ thước đo thưa thớt không đủ để nắm bắt được sự phức tạp trong hình dạng của các đối tượng thực tế. Các giải pháp hiện tại cho mô hình 3D được yêu cầu một nguồn đầu vào phong phú như hình ảnh hoặc mẫu 3D. Các cách tiếp cận để xây dựng mô hình 3D chỉ sử dụng các phép đo là tương đối cũ và không thực tế, đặc biệt là trong việc xây dựng mô hình con người 3D bằng cách sử dụng nhân trắc học. Các mô hình tái tạo dựa trên mạng nơ- ron tích chập (Convolutional Neural Network -CNN), được áp dụng thành công để tạo hình dạng 3D từ dữ liệu 2D; tuy nhiên, họ yêu cầu một lượng lớn dữ liệu đào tạo và chi phí tính toán cao. Cho tới thời điểm nghiên cứu sinh bắt đầu nghiên cứu thì chưa có công trình nghiên cứu khoa học nào sử dụng mạng nơ-ron tích chập để xây dựng Avatar 3D. Sau khi tổng quan các nghiên cứu trước đây có nội dung liên quan đến đề tài, luận án xác định có 2 vấn đề chưa được quan tâm trong công cuộc cạnh tranh phát triển ngành công nghệ may và thiết kế thời trang ở Việt Nam. Một là thiết kế trang phục cho đối tượng nam trung niên Việt Nam chưa được quan tâm nhiều so với sự đóng góp vào sự phát triển đất nước của họ. Hai là trên thế giới chưa có công trình nghiên cứu khoa học nào ứng dụng công nghệ thông tin tiên tiến máy học sâu để tái tạo và xây dựng mô hình Avatar 3D dựa trên mạng nơ-ron. 5
CHƯƠNG 2: ĐỐI TƯỢNG, NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU Để thực hiện được mục tiêu nghiên cứu của đề tài “Phân loại vóc dáng nam trung niên thành phố Hồ Chí Minh ứng dụng xây dựng xây dựng Avatar trong phần mềm thiết kế trang phục 3D”, nội dung nghiên cứu của luận án được thực hiện như sơ đồ sau: 2.1 Mục tiêu nghiên cứu (xem phần A) 2.2 Đối tượng và phạm vi nghiên cứu (xem phần A) 2.3 Nội dung nghiên cứu (xem phần A) 2.4 Phương pháp nghiên cứu Nội dung nghiên cứu được thực hiện bằng các phương pháp sau: - Phương pháp phân tích và tổng hợp: nghiên cứu, phân tích các tài liệu, công trình khoa học ở Việt Nam và trên thế giới có nội dung liên quan. Nhận xét, đánh 6
giá các vấn đề còn tồn tại. Từ đó, định hướng nghiên cứu của luận án phù hợp với điều kiện ở Việt Nam. - Phương pháp nghiên cứu thực nghiệm cho từng nội dung cụ thể, được trình bày từng nội dung. 2.4.1 Phương pháp nghiên cứu thực nghiệm trong phân loại vóc dáng nam trung niên Thành phố Hồ Chí Minh Để phân loại vóc dáng nam trung niên TP.HCM làm dữ liệu đầu vào cho xây dựng Avatar 3D, luận án sử dụng phương pháp nghiên cứu điều tra cắt ngang dữ liệu nhân trắc. Thực nghiệm phân loại vóc dáng cho nam giới được thiết kế thành 3 giai đoạn. (1) là thu thập dữ liệu 3D và mô tả đặc trưng thống kê dữ liệu các kích thước cơ thể người. (2) là phân loại vóc dáng cho tổng 1106 nam giới TP.HCM tuổi 18÷60. (3) nghiên cứu tập trung vào phân tích sự đa dạng vóc dáng cho 378 nam trung niên TP.HCM. 2.4.1.1 Thu thập dữ liệu 3D và mô tả đặc trưng thống kê dữ liệu các kích thước cơ thể người Thực nghiệm được thực hiện qua các bước sau: - Chuẩn bị thiết bị đo và hướng dẫn đo dữ liệu kích thước cơ thể 2D và 3D - Xác định cỡ mẫu - Xác định kích thước cơ thể sử dụng cho nghiên cứu vóc dáng và xây dựng mô hình 3D Avatar. - Mô tả đặc trưng thống kê của các kích thước cơ thể người 2.4.1.2 Phân loại vóc dáng cho nam giới TP.HCM (18÷60 tuổi) bằng phương pháp xử lý thống kê Phân loại vóc dáng cho tổng 1106 nam giới trọng độ tuổi lao động bao gồm sinh viên, công nhân, cán bộ, giảng viên đến từ các trường Đại học và Cao đẳng trong TP. Hồ Chí Minh. Các bước thực nghiệm phân tích phân loại vóc dáng và đặc điểm: - Phân tích thành phần chính, - Kiểm định KMO và Bartlett’s, - Phân tích phân nhóm K-mean và phân tích biệt số, - Phân tích ANOVA hoặc T-test, - Tính tỷ lệ liên hệ giữa các kích thước. Xử lý dữ liệu trên phần mềm SPSS. Các bài toán xử lý số liệu xác định phân phối chuẩn, như phân tích thành phần chính, phân tích phân nhóm K-mean, phân tích biệt số, ANOVA, t-test được tin dùng nhiều bới các nhà khoa học, kết quả tin cậy trong nghiên cứu phân loại vóc dáng như đã trình bày ở phần tổng quan. Do vậy trong luận án sẽ kế thừa phương pháp nghiên cứu phân loại vóc dáng này cho đối tượng nam trung niên Việt Nam sống và làm việc tại thành phố Hồ Chí Minh. 7
2.4.1.3 Phân loại vóc dáng cho nam trung niên TP.HCM (30÷60 tuổi) bằng phương pháp xử lý thống kê Sau khi xác định được sự đa dạng vóc dáng trong nam giới, nghiên cứu phân loại vóc dáng tập trung vào phân tích vóc dáng lứa tuổi trung niên với 378 bộ dữ liệu 2D và 3D. Kết quả mô tả dữ liệu và đặc trưng cơ thể của từng vóc dáng được sử dụng làm dữ liệu đầu vào của Avatar ban đầu để xây dựng nên đa dạng Avatar 3D theo đa dạng vóc dáng nam trung niên TP. Hồ Chí Minh. Phương pháp phân loại vóc dáng tương tự như trên. 2.4.2. Phương pháp nghiên cứu xây dựng mô hình 3D Avatar cơ thể người từ dữ liệu quét 3D theo vóc dáng nam trung niên Thành phố Hồ Chí Minh Nội dung 2: Nghiên cứu xây dựng Avatar từ dữ liệu quét 3D theo vóc dáng nam trung niên thành phố Hồ Chí Minh. Bài toán xây dựng mô hình 3D Avatar cơ thể người từ số đo 2D (các kích thước vòng của cơ thể) thực chất là hai bài toán nội suy:  Từ số đo tay nội suy vòng quan trọng theo hình dáng của vòng tại vị trí đo.  Từ các vòng quan trọng nội suy các vòng ở giữa. Để nội suy hiện tại có hai hướng tiếp cận: (1) hướng tiếp cận nội suy toán học và (2) hướng tiếp cận máy học (đặc biệt là học sâu) – đây là hướng tiếp cận hiện đại. Luận án tiến hành xây dựng hai mô hình theo hai hướng tiếp cận để đánh giá mức độ chính xác và hợp lý cho bài toán. Sau khi xây dựng được hai mô hình cho đối tượng là nữ thì luận án hy vọng mô hình này cũng có thể áp dụng cho số đo cơ thể là nam, vì cơ thể nữ giới sẽ biến đổi nhiều hơn nam sau khi có gia đình, đặc biệt sau khi sinh con; nghĩa là mô hình được xây dựng có thể tổng quá hóa cho đối tượng là con người mà không còn phân biệt là nam hay nữ. Đồng thời, mỗi bộ dữ liệu được quét từ các thiết bị khác nhau nên sẽ có số lượng điểm ảnh, kích thước khác nhau. Nếu phương pháp có thể giải quyết tốt cho hai bộ dữ liệu thì có nghĩa là phương pháp đã tổng quát hóa tốt. 2.4.2.1 Thiết kế mô hình 3D bằng phương pháp nội suy. * Môi trường thực nghiệm Ngôn ngữ lập trình: Python Môi trường xem 3D: Blender Cấu hình máy: CPU Intel Core i5, RAM 4GB Hệ điều hành: Microsoft Windows 10 Professional * Dữ liệu thực nghiệm + Dữ liệu quét 3D của 600 phụ nữ Việt Nam Luận án đề xuất một phương pháp hình thành các hàm biến dạng để có thể xây dựng lại cơ thể người 3D bằng các thông số kích thước cơ thể 2D và 3D. Ý tưởng tiên tiến trong phương pháp của chúng tôi là chia cơ thể 3D thành các phần nhỏ. Theo cách đó, các tham số khác nhau cần thiết để nội suy cho từng phần được thiết 8
lập. Ghép các phần lại thành mô hình 3D cơ thể người hoàn chỉnh. Các bước tiến hành xây dựng mô hình 3D bằng phép toán nội suy như sau: a) Đề xuất quy trình xây dựng mô hình 3D tổng quát b) Xây dựng bộ số đo cho mô hình c) Xác định vị trí các mặt cắt chính d) Xác định các điểm trọng yếu của mỗi mặt cắt e) Điều chỉnh các điểm trọng yếu trên mặt cắt tương ứng với số đo 2D f) Xây dựng mô hình mặt cắt chính từ các điểm trọng yếu bằng phép nội suy g) Xây dựng mô hình nội suy các mặt cắt trên các phần của cơ thể h) Đánh giá sai số mô hình 3D 2.4.2.2 Xây dựng Avatar 3D bằng phương pháp máy học sâu. * Môi trường thực nghiệm + Ngôn ngữ lập trình: Python và các thư viện chính là PyTorch và numpy + Cấu hình máy: máy chủ Linux với RAM 24 GB, GPU với RAM 12GB và CPU Xeon với 2.2Ghz. Các đám mây điểm và các mắt lưới là một bước thiết yếu trong việc xây dựng các mô hình 3D. Bài viết này giới thiệu một phương pháp mới để tạo ra đám mây điểm của các đối tượng 3D từ các thông số kích thước cơ thể quan trọng. Để tìm mối quan hệ giữa hình dạng và kích thước, chúng tôi trình bày một phương pháp thể hiện dữ liệu 3D được gọi là cấu trúc lát mỏng (slice- structure). Một mô hình học tập dựa trên Mạng nơ-ron tích chập (Convolutional Neural Network -CNN) được thiết kế, sau đó được thao tác để tương thích với sự miêu tả dữ liệu. Các lát cắt chính được tạo ra bằng cách khớp với chiều cao xác định trước trước khi toàn bộ đám mây điểm được điều chỉnh bởi Mạng nơ-ron tích chập (Convolutional Neural Network ). Quy trình xây dựng Avatar 3D hoàn thiện theo các bước sau: a) Xác định bộ dữ liệu cho máy học chuyên sâu b) Tiền xử lý dữ liệu c) Các kích thước cần thiết d) Phương pháp luận: Xây dựng các lát cắt chính; tạo toàn bộ đám mây điểm e) Mô hình máy học f) Đánh giá sai số mô hình dự đoán và mô hình thực tế 2.4.2.3 May ảo sản phẩm Áo dài nam theo Avtar vóc dáng nam trung niên TP.HCM Thiết kế thời trang 3D đang đóng vai trò quan trọng và đã đang được ứng dụng rộng rãi trong công nghiệp may mặc trang phục. Phần mềm CLO3D uy tín và độ tin cậy tiêu dùng cao cho phép các nhà thiết kế tạo và điều chỉnh các sản phẩm may một cách nhanh chóng. Từ đó, đưa ra các giải pháp kĩ thuật để giảm thiểu các vấn đề trong quy trình sản xuất sản xuất hàng loạt. Ngoài ra, phần mềm CLO3D còn hỗ trợ quá trình kiểm tra, đánh giá sự vừa vặn của trong phục để phản hồi một cách nhanh chóng cho khách hàng để tiến hành cho bước chỉnh sửa tiếp theo. 9
Mô hình Avatar 3D theo vóc dáng của nam trung niên TP.HCM sau khi được xây dựng theo phương pháp của luận án được lưu ở đuôi .OBJ tương thích với phần mềm CLO3D. Luận án tổng hợp các qui trình thiết và thử mẫu trên CLO3D ứng dụng trong các nghiên cứu thiết kế thời trang tùy chỉnh cho khách hàng thông minh và đề xuất quy trình như sau: 10
CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU VÀ BÀN LUẬN 3.1 Kết quả bộ dữ liệu số đo 2D và 3D cơ thể người. Luận án đã thu thập được 1106 bộ dữ liệu 2D và 3D của 1106 nam giới thành phố Hồ Chí Minh tuổi từ 18 đến 60, trong đấy có 378 nam trung niên trong độ tuổi 30 đến 60. Mỗi một bộ dữ liệu có: 1) File dữ liệu 3D ở dạng đám mây điểm ảnh như hình 3.1 2) File dữ liệu 3D 60 mốc nhân trắc được trích xuất tự động như hình 3.2 3) File mô tả vị trí kích thước trên cơ thể 3D như hình 3.3 Hình 3.1: Dữ liệu 3D ở dạng đám mây điểm ảnh và bể Hình 3.2: Dữ liệu 3D mặt trơn được trích xuất tự động. của mốc nhân trắc được trích xuất tự động. Hình 3. 3: Vị trí các kích thước cơ thể. 11
3.2. Kết quả mô tả đặc trưng thống kê dữ liệu kích thước cơ thể 3.2.1 Mô tả dữ liệu nhân trắc nam giới thành phố Hồ Chí Minh Đối tượng của nghiên cứu này là 1106 nam giới trong độ tuổi từ 18 đến 60, trong đó có 728 nam giới ở độ tuổi từ 18 đến dưới 30 chiếm 65.82% và 34.18% nam giới trong độ tuổi từ 30 đến 60. Trong nghiên cứu này, dữ liệu nhân trắc của 38 kích thước đã được sử dụng để xác định các đặc điểm liên quan đến vóc dáng cơ thể của nam giới trưởng thành Việt Nam, đồng thời là các kích thước quan trọng trong việc thiết lập hình dạng cơ thể Avatar trong phần mềm CLO3D [6]. Các kích thước điển hình của cơ thể bao gồm: 14 kích thước chiều cao, 7 kích thước chiều dài, 14 kích thước chu vi, 2 kích thước chiều rộng và cân nặng. Kết quả phân tích các đặc trưng thống kê, biểu đồ đường cong chuẩn chuẩn (Histograms with normal curve) và biểu đồ xác suất chuẩn (Normal Q-Q Plots) như ̅ trong bảng 3.1, các kích thước nhân trắc được sử dụng đều giá trị trung bình (X) nằm gần các giá trị trung vị (Me). Đồng thời, các kích thước đều có độ tin cậy nằm trong giới hạn cho phép. Tuy nhiên kích thước chiều dài từ đốt cổ 7 đến eo có biểu đồ xác suất chuẩn (Normal Q-Q Plots) và trị số mong đợi phân bố không nằm sát theo đường phân phối chuẩn. Bảng3.1. Bảng tổng hợp biểu đồ phân phối chuẩn của các kích thước cơ thể Các kích Biểu đồ Histogram Biểu đồ Q-Q Plots thước Chiều cao cơ thể Dài cổ 7 đến eo 3.2.2 Mô tả dữ liệu nhân trắc nam trung niên thành phố Hồ Chí Minh Theo tài liệu về độ tuổi lao động, nam giới trong độ tuổi 30-60 được gọi là nam trung niên. Độ tuổi này đóng góp lớn cho kinh tế nước nhà nhưng chưa có 12
nghiên cứu về vóc dáng và đặc điểm cơ thể dành riêng cho họ. Số lượng người được đo cho nghiên cứu này là 378 nam giới trung niên trong độ tuổi từ 30 đến 60 được phân bổ tương đối đồng đều. Trong đó có có 115 người nhóm 30÷40 tuổi, 120 người nhóm 41÷50 tuổi, 143 người nhóm 51÷60 tuổi. Trong nghiên cứu này, dữ liệu nhân trắc học của 38 kích thước cơ thể được sử dụng để xác định các đặc điểm liên quan đến hình thể của nam trung niên TP.HCM. Kết quả phân tích các đặc trưng thống kê, biểu đồ đường cong chuẩn (Histograms with normal curve) và biểu đồ xác suất chuẩn (Normal Q-Q Plots) cho ̅ thấy hầu hết kích thước nhân trắc được sử dụng đều có giá trị trung bình (X) nằm gần các giá trị trung vị (Me) và số trội (Mo). Đồng thời, các kích thước này đều có độ tin cậy nằm trong giới hạn cho phép. Tuy nhiên 5 kích thước như chiều dài hõm cổ đến eo, chiều dài cung vòng đũng, chiều dài từ đốt cổ 7 đến eo, vòng cổ tay, vòng cổ chân có sự chênh lệch giữa 2 giá trị trung bình và giá trị trung vị lớn hơn 1 cm. Như vậy, để các phân tích về sau được chính xác, 5 kích thước trên cần loại bỏ trong quá trình phân tích xác xuất thống kê. Các dặc trưng thống kê của các kích thước cơ thể của đối tượng nam trung niên TP.HCM thông qua giá trị trung bình, trung vị, độ lệch chuẩn, giá trị lớn nhất, giá trị nhỏ nhất, độ nhọn, phân vị 1, 5, 10, 25, 50, 75, 90, 99 được trình bày trong luận án. 3.3 Kết quả phân loại vóc dáng và phân tích đặc điểm cơ thể 3.3.1 Kết quả phân loại vóc dáng nam giới TP.HCM Để xác định các nhóm kích thước chính ảnh hưởng đến vóc dáng của nam giới làm việc tại thành phố Hồ Chí Minh Việt Nam trong độ tuổi từ 18 đến 60, 34 kích thước cơ thể đã được sử dụng để phân tích phân loại vóc dáng. 3.3.1.1 Kết quả phân tích nhân tố chính Ba nhân tố chính quyết định vóc dáng cơ thể của nam giới ở độ tuổi 18 đến 60 đã được trích xuất trong Bảng 3.8 với tổng tỷ lệ phương sai tích luỹ là 75.110%. Đồng thời, hệ số Cronbach’alpha của mỗi nhân tố đều lớn hơn 0.7, cho kết quả tin cậy cao. 3.3.1.2 Kết quả phân tích phân nhóm Để phân loại các dạng cơ thể của nam giới Việt Nam ở độ tuổi 18 đến 60, phân tích nhóm K-mean và phân tích biệt số đã được sử dụng giống với các nghiên cứu phân loại dạng người mà các nhà khoa học trong và ngoài nước đã thực hiện, sử dụng điểm nhân tố được trích xuất thông qua phân tích nhân tố như một biến độc lập. Kết quả phân tích cho thấy rằng 96.1% các trường hợp được nhóm lại được phân loại chính xác trong giải pháp hai nhóm, trong khi 93.2% trong giải pháp 3 nhóm, 93.9% trong giải pháp 4 nhóm, 92.0% trong giải pháp 5 nhóm. Đánh giá từ những 13
kết quả đó, giải pháp hai nhóm (02 nhóm) là thích hợp nhất để phân loại vóc dáng cơ thể nam giới Việt Nam ở độ tuổi 18 ÷ 60. 3.3.1.3 Kết quả phân tích đặc điểm các dạng cơ thể nam giới Việt Nam tuổi 18÷60 Kết quả phân nhóm của bài báo này cho thấy 2 dạng người là tối ưu nhất, do vậy để xác định đặc điểm và sự khác biệt của từng nhóm cơ thể, phân tích kiểm định Independent-samples T-test đối với từng loại đã được thực hiện. Giá trị trung bình, độ lệch chuẩn, kết quả của F-test cho các kích thước đo lường và giá trị BMI của từng nhóm minh chứng cho kết quả phân nhóm hợp lý được giải thích như sau: Độ tin cậy Sig của giá trị F-test đều nhỏ hơn 0.001 chứng minh có sự tách bạch rõ ràng giữa 2 nhóm; Độ lệch chuẩn SD của từng kích thước của tổng 1106 đối tượng nghiên cứu đều lớn hơn SD của từng nhóm nhỏ, có nghĩa là có sự gom tụ tập trung các đối tượng có cùng vóc dáng với nhau trong từng nhóm nhỏ. Kết luận về đặc điểm vóc dáng của từng dạng cơ thể nam giới làm việc tại thành phố Hồ Chí Minh Việt Nam như sau: Nhóm 1 chiếm 60,4% trong tổng số 1106 nam giới tham gia khảo sát, là nhóm cơ thể gầy, thân trên ngắn, tay dài, vai ngang và nhỏ. Nhóm 2 chiếm 39.6%, là nhóm cơ thể béo, vùng vai và lưng phát triển, vai dốc. 3.3.1.4 Kết quả phân bố lứa tuổi theo từng nhóm vóc dáng Sự phân bố lứa tuổi của từng nhóm vóc dáng được trình bày trong Bảng 3.3. Trong nhóm vóc nhóm 1, nhóm người gầy, tỷ lệ nam giới trong độ tuổi từ 18 đến dưới 30 chiếm 72%, trong khi đó tỷ lệ nam giới trong độ tuổi từ 30÷60 chiếm 28%. Tỷ lệ nam giới trong độ tuổi từ 18 đến dưới 30 trong nhóm 2, nhóm người béo, chiếm 56.39%, tỷ lệ nam giới trong độ tuổi 30 đến 60 ở nhóm 2 chiếm 43.61%. Qua phân tích có thể thấy rằng nam giới trong độ tuổi từ 18 đến dưới 30 có 66.07% thuộc nhóm người gầy, 33.93% thuộc dạng người béo. Trong khi đó, tỷ lệ nam giới trong độ tuổi từ 30 đến 60 phân bố tương đối đồng đều, lần lượt là 49.47% người gầy và 50.53% người béo. Bảng3.3. Tỷ lệ phân bố các nhóm cơ thể lần lượt trong từng nhóm tuổi 18÷dưới 30 và 30÷60. 18-60 Tuổi (N=1106) 18÷ dưới 30 tuổi 30÷60 tuổi Nhóm 1 66,07% của 728 người 49,47% của 378 người Nhóm 2 33,93% của 728 người 50,53% của 378 người ∑% 100% của 728 người 100% của 378 người Kết quả phân loại nhóm nam giới trong độ tuổi 18÷60 thành 2 nhóm vóc dáng cho thấy nhóm nam giới trong độ tuổi 18 đến dưới 30 chủ yếu là nhóm người gầy, trong khi đó nhóm nam giới trong độ tuổi 30÷60 phân bố đa dạng có cả gầy và béo. Do đó, cần có thêm nghiên cứu về phân loại vóc dáng của nam giới Việt Nam trong 14
độ tuổi 30÷60 để thấy được sự đa dạng về vóc dáng, về đặc trưng hình thể, và về tỷ lệ cơ thể của nhóm đối tượng nam trung niên này. 3.3.2 Phân loại vóc dáng nam trung niên thành phố Hồ Chí Minh Dữ liệu của 378 nam giới trung niên TP.HCM trong độ tuổi từ 30 đến 60 tuổi. Phương pháp phân loại vóc dáng tương tự như mục 3.3.1. Kết quả đạt được 5 vóc dáng khác nhau như sau: Nhóm 1 chiếm 16,4% trong tổng số 378 nam giới tham gia khảo sát, là nhóm nam giới thấp, có tất cả các kích thước nhỏ hơn kích thước trung bình, là loại cơ thể trung bình với BMI là 22,23. Nhóm 2 chiếm tỷ lệ cao nhất với 35,19%. biểu thị các kích thước chu vi, cân nặng và BMI cho thấy đây là nhóm cơ thể béo phì độ I với BMI là 25,08, đùi và gối nhỏ, kích thước vùng cổ, vai, bụng phát triền. Nhóm 3 chiếm 12,96%, với BMI 27,08 nằm trong nhóm béo phì độ I; vai ngang, kích thước vùng cổ, lưng, bụng phát triển. Nhóm 4 chiểm tỷ lệ 25,13% với BMI là 23,23, cơ thể hơi thừa cân, là nhóm cơ thể cao. Nhóm 5 chiếm tỷ lệ ít nhất 10,32% là nhóm cơ thể cao và béo phì độ I với BMI là 28,52, đồng thời tất cả các kích thước chu vi và cân nặng của nhóm này lớn nhất và lớn hơn nhiều so với mức trung bình. 3.4 Kết quả xây dựng mô hình 3D bằng phương pháp nội suy Kết quả xác định vị trí các mặt cắt Một bộ khung vị trí các mặt cắt sẽ được tương tác được xây dựng như trong hình bên là kết quả của mã code 1. Mô tả các vị trí mặt cắt như sau: (1) Vị trí mặt cắt vòng cổ (2) Vị trí mặt cắt vòng ngực (3) Vị trí mặt cắt vòng bụng (4) Vị trí mặt cắt vòng mông (5) Vị trí mặt cắt vòng đùi giữa (6) Vị trí mặt cắt vòng bắp chân (7) Vị trí mặt cắt vòng cổ chân (8) Vị trí mặt cắt vòng cánh tay trên (9) Vị trí mặt cắt vòng cổ tay Kết quả xây dựng mô hình nội suy từ các mặt cắt chỉnh trên các bộ phận của cơ thể Có 2 loại hình dạng mặt cắt trên cơ thể. • Loại 1: tất cả các lát cắt trên các bộ phận cơ thể (ngoại trừ phần thân) có cấu trúc gần như tròn, 4 điểm cực trị ở mặt trước, sau, bên trái, bên phải được chọn làm các điểm chính của từng mặt cắt. 15
• Loại 2: các lát cắt trên phần thân của cơ thể có cấu trúc phức tạp như vòng ngực và vòng mông, 12 điểm chính được chọn làm điểm chính cho lát cắt gồm các điểm cực trị ở mặt trước, sau, bên trái, bên phải, và trên đường cong dựa theo sự quan sát đối xứng. Sau khi thực hiện các bước điều chỉnh các điểm trọng yếu trên mỗi mặt cắt tương ứng với số đo 2D; xây dựng mô hình mặt cắt chỉnh từ các điểm trọng yếu trên mỗi mặt cắt bằng bài toán nội suy, kết quả xây dựng mô hình nội suy từ các mặt cắt chỉnh trên các bộ phận của cơ thể được trình bày qua các hình sau. Các lát cắt của Các lát cắt của Các lát Các lát Các lát cắt vùng ngực. vùng mông cắt của cắt của của khu vực vùng vùng cánh tay đùi. bắp trên. chân. Bài toán xây dựng mô hình 3D Avatar cơ thể người từ số đo 2D (các kích thước vòng của cơ thể) thực chất là hai bài toán nội suy: o Từ số đo tay nội suy vòng quan trọng theo hình dáng của vòng tại vị trí đo. o Từ các vòng quan trọng nội suy các vòng ở giữa. Để nội suy hiện tại có hai hướng tiếp cận: (1) hướng tiếp cận nội suy toán học và (2) hướng tiếp cận máy học (đặc biệt là học sâu) – đây là hướng tiếp cận hiện đại. Chúng tôi tiến hành xây dựng hai mô hình theo hai hướng tiếp cận để đánh giá mức độ chính xác và hợp lý cho bài toán. 3.5 Kết quả xây dựng Avatar 3D theo phương pháp máy học chuyên sâu Luận án đào tạo các mô hình NN từ dữ liệu trên máy chủ Linux với RAM 24 GB, GPU với RAM 12 GB và CPU Xeon với 2.2Ghz. Ngôn ngữ lập trình là Python và các thư viện chính là PyTorch và numpy. Thuật toán Adam được thông qua để giảm thiểu hàm mục tiêu; các tham số meta được đặt theo khuyến nghị của các tác giả (tỷ lệ học tập α=0.001,β_1=0.9,β_2=0.999). Trong bộ dữ liệu nam, LA sử dụng 1006 mẫu làm dữ liệu huấn luyện và 100 mẫu làm dữ liệu thử nghiệm, trong khi 500 và 100 làm dữ liệu huấn luyện và thử nghiệm trong bộ dữ liệu nữ, các mẫu được chọn ngẫu nhiên. Bảng 3.24 cho thấy lỗi trung bình trên mỗi lát cắt chính sau khi đào tạo 1000 epoch trên tập dữ liệu nam và nữ. 16
Kết quả xác nhận tính hiệu quả của phương pháp của luận án do các mô hình đám mây điểm 3D được tạo ra đủ tốt để hiển thị với các lỗi nhỏ trong thời gian chạy hợp lý. Theo tinh thần học chi tiết các hình dạng lát thay vì học các cấu trúc tổng thể, chiến lược học phân cấp được đưa ra trong đó hình dạng của các lát tương ứng với các phép đo do người dùng xác định là nền tảng của hình dạng của các lát khác. Ý tưởng chính để tạo ra một hình dạng lát mới là biến dạng một hình dạng ban đầu tùy thuộc vào tập dữ liệu huấn luyện. Vì mỗi bước trong phương pháp của LA không cần thay đổi tọa độ hoặc giảm kích thước mà vẫn đảm bảo rằng các đám mây điểm được tạo vẫn trông giống như các mẫu trong dữ liệu huấn luyện. Cấu trúc lát được sử dụng trong nghiên cứu này không bị hạn chế trong các trường hợp tĩnh, mà còn rất hữu ích khi áp dụng mở rộng cho các mô hình động 3D thông qua bộ xương có thể biến đổi. Điểm yếu quan trọng của phương pháp của chúng tôi là thiếu dữ liệu. Các mô hình học tập được trình bày bị vấn đề dưới phù hợp; do đó, họ không thể đạt được sự khái quát hóa lý tưởng. Mặc dù có cùng số đo, hai lát có sự khác nhau về hình dạng và điều này gây ra lỗi cao trong tập huấn luyện. Tuy nhiên, thông tin trong dữ liệu huấn luyện được các mô hình học tập nắm bắt tốt. LA có thể kết luận rằng dựa trên sự gần đúng trong các lỗi của dữ liệu đào tạo và kiểm tra. Nghiên cứu hiện tại chỉ điều tra việc xây dựng các đám mây điểm. Do đó, bất kỳ ứng dụng nào yêu cầu mô hình 3D có đủ cấu trúc lại lưới có thể cần nhiều bước xử lý hơn. Để kết luận, nghiên cứu của LA này đã phác thảo phương pháp xây dựng mô hình 3D tự động. LA đã thiết lập ra một chiến lược mã hóa các đám mây điểm 3D để có thể triển khai CNN có thể tìm hiểu thông tin nội bộ về hình dạng của nó. Khung hiện tại đảm bảo rằng cơ thể người 3D sẽ được xây dựng hoàn toàn với một bộ dữ liệu nhân trắc học thiết yếu. Hơn nữa, phương pháp đề xuất có thể được khái quát hóa để tạo ra các loại hình dạng 3D khác. Nghiên cứu của LA khởi xướng một cách mới để áp dụng các mô hình Deep Learning để phân tích các hình dạng 3D cơ thể người. Khi tất cả các lát cắt cần thiết đã sẵn sàng để xây dựng mô hình 3D, luận án tiến hành làm lại bằng cách sử dụng các lưới hình tam giác như Hình 3.4. 17
Hình 3.4: Hình đại diện 3D của nam và nữ: Hàng đầu tiên: hình được tạo, hàng thứ hai: hình gốc. 3.6 Kết quả xây dựng mô hình 3D Avatar theo đa dạng vóc dáng nam trung niên TP.HCM 3.6.1 Nhận xét về phương pháp xây dựng mô hình 3D cơ thể người * Ưu điểm Phương pháp xây dựng mô hình 3D bằng nội suy toán học đã mô phỏng được vóc dáng cơ thể người Việt Nam có các số đo của các mặt cắt quan trọng tương ứng với các thông số đo tay với sai số rất thấp, đảm bảo tính chính xác các số đo của mô hình nên tính ứng dụng cho ngành công nghiệp dệt may rất cao. Phương pháp này được thực nghiệm dễ dàng, không tốn quá nhiều thời gian cũng như không yêu cầu quá cao về cấu hình phần cứng máy tính. Phương pháp xây dựng mô hình 3D bằng máy học sâu có khả năng học các thông tin của dữ liệu cơ thể người không có dạng hàm giúp mô hình 3D biến đổi phù hợp hơn với cấu trúc cơ thể của từng người riêng biệt. Kết quả thử nghiệm cho thấy ý tưởng về hệ thống này là hợp lý và có thể triển khai, tuy nhiên vẫn cần nhiều thử nghiệm và tinh chỉnh để kết quả dự đoán được tốt hơn nữa. * Nhược điểm Phương pháp xây dựng mô hình 3D bằng nội suy toán học vẫn còn tồn tại sai số trên tất cả các mặt cắt của mô hình 3D. Nguyên nhân là do mỗi người khác nhau sẽ có cấu trúc từng phần của cơ thể khác nhau nên mô hình chưa biến đổi được theo cấu trúc cơ thể của từng người riêng biệt. Phương pháp xây dựng mô hình 3D bằng máy học sâu yêu cầu cấu hình phần cứng máy tính cao mới có thể thực nghiệm dễ dàng, do hạn chế về thời gian và năng lực máy tính nên độ chính xác của hai mô hình mà luận văn nghiên cứu vẫn còn thấp. 18