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

Các nghiên cứu đã sử dụng kích thước chính của cơ thể con người làm dữ liệu đầu vào để áp dụng trong một mô hình chung, làm biến dạng mô hình hiện có trong cơ sở dữ liệu sẽ dễ dàng có đư

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC BÁCH KHOA HÀ NỘI

LUẬN ÁN TIẾN SĨ CÔNG NGHỆ DỆT, MAY

NGƯỜI HƯỚNG DẪN KHOA HỌC: 1 TS TRẦN THỊ MINH KIỀU 2 PGS TS PHẠM THẾ BẢO

Hà Nội – 2023

LỜI CAM ĐOAN

Tôi xin cam đoan tất cả những nội dung trong luận án: “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” là công trình nghiên cứu của riêng tôi Các thí nghiệm được tiến hành một cách nghiêm túc và khoa học trong quá trình nghiên cứu Các số liệu, kết quả nghiên cứu trong luận án trung thực khách quan và chưa từng được công bố trong bất kỳ công trình nghiên cứu của tác giả khác

Hà Nội, ngày 02 tháng 12 năm 2023

TS Trần Thị Minh Kiều

PGS TS Phạm Thế Bảo

ThS NCS Nguyễn Mậu Tùng

LỜI CẢM ƠN

Tôi xin được bày tỏ tình cảm và lòng biết ơn chân thành và sâu sắc nhất tới TS Trần Thị Minh Kiều và PGS.TS Phạm Thế Bảo, những người thầy tâm huyết đã tận tình hướng dẫn, động viên khích lệ, truyền thụ cho tôi cảm hứng và phương pháp làm việc khoa học, và cùng đồng hành với tôi trong suốt quá trình thực hiện luận án

Tôi xin trân trọng cảm ơn các thầy giáo, cô giáo Viện Dệt May - Da giầy và Thời trang, Bộ môn Công nghệ Dệt trường Đại học Bách khoa Hà Nội đã giúp đỡ và tạo điều kiện thuận lợi nhất cho tôi trong quá trình học tập và nghiên cứu

Tôi xin trân trọng cảm ơn các Giáo sư, Phó giáo sư, Tiến sĩ là chủ tịch hội đồng, phản biện, thư ký và ủy viên hội đồng đã dành thời gian quý báu để đọc, tham gia hội đồng chấm luận án với những góp ý cụ thể, bổ ích, giúp tôi hoàn thiện tốt hơn nội dung nghiên cứu của luận án

Tôi xin trân trọng cảm ơn Ban giám hiệu Trường Đại học Công Nghiệp Thành Phố Hồ Chí Minh, Khoa Công nghệ May - Thời trang nơi tôi đang công tác đã tạo điều kiện giúp đỡ cho tôi có thời gian được học tập và hoàn thành luận án

Cuối cùng, tôi xin gửi lời cảm ơn tới gia đình, những người thân yêu gần gũi nhất đã luôn động viên, san sẻ và gánh vác công việc, luôn tạo điều kiện tốt nhất để tôi yên tâm hoàn thành luận án

Trong quá trình thực hiện luận án không thể tránh khỏi những thiếu sót, hạn chế Tác giả rất mong nhận được ý kiến góp ý của các thầy cô và đồng nghiệp để luận án được hoàn thiện hơn

Xin trân trọng cảm ơn!

Hà Nội, ngày 02 tháng 12 năm 2023

Tác giả

ThS NCS Nguyễn Mậu Tùng

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

DANH MỤC CÁC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT vi

DANH MỤC BẢNG BIỂU vii

DANH MỤC HÌNH ẢNH ix

LỜI MỞ ĐẦU 1

1 TÍNH CẤP THIẾT CỦA LUẬN ÁN 1

2 MỤC TIÊU NGHIÊN CỨU CỦA LUẬN ÁN 2

3 ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU CỦA LUẬN ÁN 2

4 NỘI DUNG NGHIÊN CỨU CỦA LUẬN ÁN 3

5 PHƯƠNG PHÁP NGHIÊN CỨU CỦA LUẬN ÁN 3

6 Ý NGHĨA KHOA HỌC CỦA LUẬN ÁN 4

7 GIÁ TRỊ THỰC TIỄN CỦA LUẬN ÁN 5

8 ĐIỂM MỚI CỦA LUẬN ÁN 5

9 KẾT CẤU CỦA LUẬN ÁN 5

CHƯƠNG 1: NGHIÊN CỨU TỔNG QUAN 6

1.1 Tổng quan về phân loại vóc dáng cơ thể nam giới 6

1.1.1 Phương pháp xác định thông số kích thước cơ thể 7

1.1.2 Phương pháp phân loại vóc dáng cơ thể người 10

1.1.2.1 Phân loại vóc dáng theo đặc trưng hình dạng cơ thể 11

1.1.2.2 Phân loại cơ thể người theo các chỉ số tương quan kích thước cơ thể 12 1.1.2.3 Phân loại vóc dáng theo phương pháp xử lý thống kê số liệu nhân trắc 15

1.2 Tổng quan về ứng dụng công nghệ 3D tạo mô hình 3D Avatar trong ngành công nghiệp dệt may 19

1.2.1 Nghiên cứu xây dựng mô hình 3D sản phẩm từ dữ liệu quét 3D cơ thể người

CHƯƠNG 2: NỘI DUNG, ĐỐI TƯỢNG, PHƯƠNG PHÁP NGHIÊN CỨU 35

2.1 Mục tiêu nghiên cứu 36

2.2.1 Đối tượng nghiên cứu: 36

2.2.2 Phạm vi nghiên cứu: 36

2.3 Nội dung nghiên cứu 36

2.4 Phương pháp nghiên cứu 36

2.4.1 Phương pháp nghiên cứu thực nghiệm trong phân loại vóc dáng nam trung niên Thành phố Hồ Chí Minh 37

2.4.1.1 Thu thập dữ liệu 3D và mô tả đặc trưng thống kê dữ liệu các kích thước cơ thể người 37

2.4.1.2 Phân loại vóc dáng cho nam giới TP HCM (18÷60 tuổi) 52

2.4.1.3 Phân loại vóc dáng cho nam trung niên TP HCM (30÷60 tuổi) 53

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 53

2.4.2.1 Thiết kế mô hình 3D bằng phương pháp nội suy 54

2.4.2.2 Xây dựng Avatar 3D bằng phương pháp học sâu 60

2.4.2.3 May ảo áo dài nam cho mô hình 3D Avatar nam trung niên TP HCM 71

2.5 Kết luận chương 2 73

CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU VÀ BÀN LUẬN 74

3.1 Kết quả bộ dữ liệu số đo 2D và 3D cơ thể người 74

3.2 Kết quả mô tả đặc trưng thống kê dữ liệu kích thước cơ thể 77

3.2.1 Mô tả dữ liệu nhân trắc nam giới Thành phố Hồ Chí Minh 77

3.2.2 Mô tả dữ liệu nhân trắc nam trung niên Thành phố Hồ Chí Minh 87

3.3 Kết quả phân loại vóc dáng và phân tích đặc điểm cơ thể 97

3.3.1 Kết quả phân loại vóc dáng nam giới Thành phố Hồ Chí Minh 97

3.3.1.1 Kết quả phân tích thành phần chính 98

3.3.1.2 Kết quả phân tích phân nhóm 99

3.3.1.3 Kết quả phân tích đặc điểm các dạng cơ thể nam giới Việt Nam tuổi 18÷60 99

3.3.1.4 Kết quả phân bố lứa tuổi theo từng nhóm vóc dáng 102

3.3.2 Phân loại vóc dáng nam trung niên Thành phố Hồ Chí Minh 102

3.3.2.1 Kết quả phân tích thành phần chính 103

3.3.2.2 Kết quả phân tích phân nhóm 104

3.3.2.3 Kết quả kiểm định ANOVA so sánh các phân nhóm từ dữ liệu nhân trắc nam trung niên TP HCM tuổi 30÷60 106

3.3.2.4 Kết quả phân tích đặc điểm vóc dáng và hình dạng cơ thể nam trung niên 108

TP HCM tuổi 30÷60 108

3.3.2.5 Phân tích đặc điểm hình dáng cơ thể theo nhóm độ tuổi trung niên 111 3.2.2.6 So sánh kích thước chủ đạo cơ thể của luận án này với các nghiên cứu khác cho nam giới Việt Nam 114

3.4 Kết quả xây dựng mô hình 3D bằng phương pháp nội suy 115

3.4.1 Kết quả xác định vị trí các mặt cắt 115

3.4.2 Kết quả xác định các điểm trọng yếu trên mỗi mặt cắt 116

3.4.3 Kết quả điều chỉnh các điểm trọng yếu trên mỗi mặt cắt tương ứng với số đo 2D 117

3.4.4 Kết quả xây dựng mô hình mặt cắt chỉnh từ các điểm trọng yếu trên mỗi mặt cắt bằng bài toán nội suy 118

3.4.5 Kết quả xây dựng mô hình nội suy từ các mặt cắt chỉnh trên các bộ phận của cơ thể 120

3.4.5 Kết quả đánh giá sai số xây dựng mô hình 122

3.5 Kết quả xây dựng Avatar 3D theo phương pháp học sâu 124

3.6 Kết quả xây dựng mô hình 3D Avatar theo đa dạng vóc dáng nam trung niên TP HCM 129

3.6.1 Nhận xét về phương pháp xây dựng mô hình 3D cơ thể người 129

3.6.2 Mô hình 3D Avatar theo đa dạng vóc dáng nam trung niên TP HCM 130

3.7 Kết quả may ảo áo dài theo vóc dáng nam trung niên TP HCM 134

3.7.1 Tạo Avatar 3D theo số đo 134

3.7.2 Mô tả mẫu áo dài thiết kế thử nghiệm và chọn vật liệu trong CLO3D 134

3.7.3 Thiết kế bộ mẫu kỹ thuật theo công thức thiết kế áo dài nam 135

3.7.4 Kết quả may ảo, thử ảo và đánh giá độ vừa vặn trang phục trên CLO3D 135

3.7.5 Kết quả bộ sản phẩm áo dài hoàn thiện với lựa chọn họa tiết và màu sắc 137

3.8 Kết luận chương 3 138

KẾT LUẬN CỦA LUẬN ÁN 140

HƯỚNG NGHIÊN CỨU TIẾP THEO 141

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 142

TÀI LIỆU THAM KHẢO 143

DANH MỤC CÁC KÝ HIỆU VÀ CÁC CHỮ VIẾT TẮT

ANN Artificial Neural Network

ANOVA Analysis of Variance (Phân tích phương sai) BMI Body Mass Index (chỉ số khối lượng cơ thể)

CAESAR Civilian American and European Surface Anthropometric

NURBS Non-Uniform Rational B-Spline

OBM Original Brand Manufacturer (Nhà sản xuất thương hiệu gốc) ODM Original Designed Manufacturer (Nhà sản xuất thiết kế gốc) RNN Recurent Neural Network

VHI Volume Height Index (Chỉ số thể tích – chiều cao) TCVN Tiêu chuẩn Việt Nam

DANH MỤC BẢNG BIỂU

Bảng 2.1: Mốc đo ở phần cổ cơ thể và cách xác định 42

Bảng 2.2: Kích thước đo ở phần cổ trên cơ thể 42

Bảng 2.3: Mốc đo ở phần vai cơ thể người và cách xác định 43

Bảng 2 4: Kích thước đo phần vai trên cơ thể 43

Bảng 2 5: Mốc đo trên phần ngực cơ thể và cách xác định 44

Bảng 2.6: Kích thước đo phần ngực cơ thể 45

Bảng 2.7: Mốc đo trên các kích thước phần tay cơ thể và cách xác định 45

Bảng 2 8: Kích thước đo phần tay trên cơ thể 46

Bảng 2 9: Mốc đo trên phần bụng cơ thể người và cách xác định 46

Bảng 2.10: Kích thước đo phần bụng trên cơ thể 47

Bảng 2.11: Mốc đo các kích thước trên phần mông cơ thể người và cách xác định 48

Bảng 2.12: Kích thước đo phần mông trên cơ thể 48

Bảng 2.13: Mốc đo trên phần chân cơ thể và cách xác định 49

Bảng 2.14: Kích thước đo phần chân trên cơ thể 49

Bảng 2.15: Các kích thước được sử dụng trong nghiên cứu 51

Bảng 2.16: Các số đo cơ bản dùng để may áo 55

Bảng 2.17: Các số đo cơ bản dùng để may quần 55

Bảng 2.18: Bộ thông số đo cho mô hình 3D được xây dựng 56

Bảng 2.19: Số lát cắt cho mỗi vùng 59

Bảng 2.20: Tóm tắt dữ liệu hình ảnh quét 3D dùng để xây dựng mô hình 3D Avatar 61

Bảng 3.1: Thông số đo của 210 kích thước cơ thể người 75

Bảng 3.2: Bảng tổng hợp các biểu đồ phân phối chuẩn của các kích thước cơ thể của 1106 nam giới 18÷60 tuổi sống tại TP HCM 78

Bảng 3.3: Bảng mô tả dữ liệu thống kê kích thước cơ thể của 1106 nam giới 18÷60 tuổi sống tại TP HCM 85

Bảng 3.4: Kết quả xác định hệ số Cronbach’s Alpha 88

Bảng 3.5: Bảng tổng hợp biểu đồ đường cong chuẩn và xác suất chuẩn của các kích thước cơ thể của 378 nam trung niên 30÷60 tuổi sống tại TP HCM 88

Bảng 3.6: Bảng mô tả dữ liệu thống kê kích thước cơ thể của 378 nam trung niên 30÷60 tuổi sống tại TP HCM 95

Bảng 3.7: Kết quả kiểm tra độ phù hợp của mẫu KMO và kiểm tra Bartlett’s 97

Bảng 3.8: Kết quả phân tích nhân tố chính 98

Bảng 3.9: Kết quả kiểm định Independent-samples T-test của 2 nhóm 100

Bảng 3.10: Bảng tỷ lệ phân bố các nhóm cơ thể lần lượt trong từng nhóm tuổi 18÷dưới 30 và 30÷60 102

Bảng 3.11: Kết quả kiểm tra độ phù hợp của mẫu KMO và kiểm tra Bartlett’s 103

Bảng 3.12: Kết quả phân tích nhân tố chính của dữ liệu nhân trắc nam trung niên TP HCM 103

Bảng 3.13: Số lượng mẫu trong mỗi nhóm và tỷ lệ phần trăm trong mỗi nhóm 105

Bảng 3.14: Kết quả phân tích ANOVA của 5 nhóm vóc dáng nam trung niên TP HCM.

106

Bảng 3.15: Kết quả phân tích tỷ lệ cơ thể của 5 nhóm cơ thể 109

Bảng 3.16: Giá trị trung bình của kích thước chủ đạo và BMI của các nhóm tuổi 111

Bảng 3.17: Phân bố tỷ lệ % vóc cơ thể của các nhóm theo chỉ số BMI 112

Bảng 3.18: Tổng hợp giá trị trung bình kích thước cổ 113

Bảng 3.19: Tổng hợp giá trị trung bình các kích thước phần bụng 113

Bảng 3.20: So sánh kích thước chủ đạo của nam giới Việt Nam ở các thời kỳ 114

Bảng 3.21: Lỗi của các lát cắt chính 122

Bảng 3.22: Lỗi của mô hình xây dựng 3D 122

Bảng 3.23: Lỗi của các lát cắt chính sau khi tách dữ liệu bị lỗi 123

Bảng 3.24: Lỗi của mô hình 3D được xây dựng sau khi tách dữ liệu bị lỗi 123

Bảng 3.25: Lỗi trung bình trên mỗi lát cắt chính trên dữ liệu huấn luyện của bộ dữ liệu nam và nữ (bộ dữ liệu đầy đủ) 124

Bảng 3.26: Lỗi trung bình trên mỗi bộ phận của mô hình nam và nữ 3D sau khi kích hoạt mô hình CNN Bộ thử nghiệm bao gồm các mẫu bị hư hỏng và không bị hư hại Hai cột cuối cùng là giá trị trung bình của bộ kiểm tra bị hỏng và không bị hư hại 127 Bảng 3.27 Lỗi trung bình trên mỗi phần của mô hình 3D nam và nữ trên bộ dữ liệu không bị hư hại trước và sau khi kích hoạt mô hình CNN 127

Bảng 3.28: Thời gian đào tạo và kiểm tra được tính trên các giá trị trung bình trên cả hai tập dữ liệu 128

Bảng 3.29: Bảng tổng hợp hình ảnh 5 Avatar theo 5 vóc dáng của nam trung niên TP HCM được xây dựng từ luận án 132

Bảng 3.30: Bảng tổng hợp hình 5 Avatar theo 5 vóc dáng của nam trung niên TP HCM được tạo ra từ phần mềm thiết kế CLO3D 133

DANH MỤC HÌNH ẢNH

Hình 1.1: Hình ảnh mặc thử trang phục ảo 6

Hình 1.2: Mẫu áo cơ sở trước và sau khi điều chỉnh 7

Hình 1.3: Hình ảnh máy quét 3D cơ thể người 8

Hình 1.4: Các mốc nhân trắc ở phần trên cơ thể, mặt trước 8

Hình 1.5: Các mốc nhân trắc ở phần dưới cơ thể, mặt trước 9

Hình 1.6: Các mốc nhân trắc ở phần trên cơ thể, mặt nghiêng 9

Hình 1.7: Các mốc nhân trắc ở phần trên cơ thể, mặt sau 9

Hình 1.8: Phân loại vóc dáng theo tư thế đứng của cơ thể người 11

Hình 1.9: Phân loại tư thế đứng của cơ thể [52] 11

Hình 1.10: Các hình dạng cơ thể nam giới 14

Hình 1.11: Phân loại các phương pháp học sâu cho đám mây điểm 3D [26] 32

Hình 1.12: PointNet 33

Hình 1.13: Mạng dựa trên đồ thị 33

Hình 2.1: Sơ đồ nội dung và phương pháp nghiên cứu 35

Hình 2.2: Buồng quét máy 3D Size Stream đặt tại Phòng máy chất lượng cao của khoa May Thời Trang, Đại học Công nghiệp TP Hồ Chí Minh 37

Hình 2.3: Cân đo sức khỏe điện tử InBody 39

Hình 2.4: Hình minh họa tư thế đứng trong buồng máy 39

Hình 2.5: Các mốc nhân trắc của người mẫu nam (a) và nữ (b) được trích xuất tự động từ SizeStream 41

Hình 2.6: Các mặt cắt dựa trên mốc nhân trắc được trích xuất tự động từ SizeStream 41

Hình 2.7: Kích thước đo phần cổ trên cơ thể 43

Hình 2.8: Mốc đo trên phần vai cơ thể 44

Hình 2.9: Kích thước đo phần vai trên cơ thể 44

Hình 2.10: Mốc đo trên phần ngực cơ thể 44

Hình 2 11: kích thước đo phần ngực cơ thể 44

Hình 2 12: Các mốc đo phần tay cơ thể 45

Hình 2 13: Kích thước đo phần tay trên cơ thể 46

Hình 2.14: Các mốc đo ở phần bụng cơ thể 47

Hình 2.15: Kích thước đo phần bụng trên cơ thể 47

Hình 2.16: Mốc đo trên phần mông cơ thể 48

Hình 2.17: Kích thước đo phần mông cơ thể 48

Hình 2.18: Kích thước đo phần bụng cơ thể 49

Hình 2.19: Kích thước đo phần chân cơ thể 50

Hình 2.20: Minh họa cách trình bày bảng tổng hợp đồ thị xác định phân phối chuẩn của các kích thước cơ thể 52

Hình 2.21: Minh họa cách trình bày bảng tổng hợp các đặc trưng thống kê nhân trắc 52

Hình 2.22: Mô hình xử lý tổng quát 55

Hình 2.24: Các mốc giải phẫu của một người mẫu nam 62

Hình 2.25: Mô hình con người 3D bị hư hỏng 62

Hình 2.26: Tiền xử lý mô hình con người 3D 63

Hình 2.27: Xây dựng cấu trúc lát a) lát gốc, b) chọn các thành phần lát, c) điền dữ liệu

Hình 3.4: Biểu đồ phân tán (a scatter plot) cho các giải pháp phân nhóm 105

Hình 3.5: Chiều cao các nhóm tuổi (a) và chênh lệch vòng ngực vòng eo của 3 nhóm tuổi (b) 111

Hình 3.6: Phân bố BMI nam trung niên theo nhóm tuổi 112

Hình 3.7: Mặt cắt ngang chân cổ 113

Hình 3.8: Bộ khung vị trí các mặt cắt quan trọng sẽ được tương tác 116

Hình 3.9: Các điểm trọng yếu của mặt cắt phần đùi 116

Hình 3.10: Các điểm trọng yếu của mặt cắt phần bắp chân 116

Hình 3.11: Các điểm trọng yếu của mặt cắt phần mông 117

Hình 3.12: Các điểm trọng yếu của mặt cắt phần ngực 117

Hình 3.13: Minh họa bước 1 của việc điều chỉnh các điểm trọng yếu 117

Hình 3.14: Minh họa bước 2 của việc điều chỉnh các điểm trọng yếu 117

Hình 3.15: Minh họa bước 3 của việc điều chỉnh các điểm trọng yếu 118

Hình 3.16: Minh họa bước 4 của việc điều chỉnh các điểm trọng yếu 118

Hình 3.17: Minh họa bước 5 của việc điều chỉnh các điểm trọng yếu 118

Hình 3.18: Nội suy đường cong gần như tròn từ 4 điểm với các tham số độ căng khác

Hình 3.25: Các lát cắt của khu vực cánh tay trên 121

Hình 3.26: Mô phỏng mô hình 3D tương ứng với số 2D 122

Hình 3.27: Mô hình 3D nam từ máy quét 3D bị lỗi 123

Hình 3.28: Đường cong vectơ cắt lát đường cong của cổ tay, hông và đùi của 20 ví dụ trong bộ dữ liệu nam 126

Hình 3.29: Vectơ cắt lát đường cong đường của cổ, bên trái và bên phải của 10 ví dụ

trong bộ dữ liệu nam 126

Hình 3.30: Hình đại diện 3D của nam và nữ: 128

Hình 3.31: Hình chụp mặt trước của 5 Avatar theo thông số đo của 5 vóc dáng nam trung niên TP HCM được xây dựng trong luận án 130

Hình 3.32: Hình chụp mặt trước của 5 Avatar theo thông số đo của 5 vóc dáng nam trung niên TP HCM được xây dựng trong luận án 131

Hình 3.33: Minh họa của vải được chọn từ thư viện vải CLO3D để ứng dụng thiết kế áo dài nam giới Việt Nam 135

Hình 3.34: Bộ mẫu rập gồm các chi tiết: thân áo, tay áo, cổ áo, quần và cạp 135

Hình 3.35: Kết quả may ảo, thử ảo và đánh giá ảo lần 1 136

Hình 3.36: Kết quả may ảo, thử ảo và đánh giá ảo lần 2 136

Hình 3.37: Mẫu mô phỏng áo dài nam với bề mặt vải dày, trong suốt và lưới trên phần

LỜI 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 phổ biến 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 [1-4] phát triển cửa hàng quần áo trực tuyến dưới dạng ứng dụng web Thời trang ảo đang là xu hướng và nhu cầu mua sắm thời trang online của các khách hàng thông minh Các nghiên cứu đã sử dụng kích thước chính của cơ thể con người làm dữ liệu đầu vào để áp dụng trong một mô hình chung, làm biến dạng mô hình hiện có trong cơ sở dữ liệu sẽ dễ dàng có được mô hình mới hơn 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 [2] 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 [5] 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 [6] 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 [3] 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

Ngành dệt may Việt Nam là ngành kinh tế mũi nhọn của đất nước, một trong những ngành xuất khẩu chủ lực với tốc độ tăng trưởng bình quân 10%/năm, con số này cho thấy ngành dệt may đang đi đến đỉnh điểm của sự hội nhập toàn cầu và là một trong những nước xuất khẩu dệt may đứng đầu trên thế giới, dự kiến 2021-2030, ngành dệt may sẽ phát triển theo chiều sâu, tiếp cận tiêu dùng bằng cách dành thế chủ động, hướng tới phương thức sản xuất cao hơn như ODM, OBM, kiện toàn phát triển nội lực thiết kế nhằm tăng giá trị sản phẩm [7] Vì vậy việc nghiên cứu xây dựng mô hình 3D Avatar làm cơ sở nền tảng xây dựng ma-nơ-canh tham 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

Các nghiên cứu về 3D ứng dụng cho ngành công nghệ may đều cần nguồn đầu vào là dữ liệu quét 3D cơ thể người Từ dữ liệu quét 3D các tác giả có thể nghiên cứu ra nhiều kết quả đa dạng phục vụ cho sự phát triển của ngành công nghệ may như: nghiên cứu về đặc điểm vóc dáng cơ thể, nghiên cứu đặc điểm hình thể, nghiên cứu về phương pháp xây dựng mô hình 3D Avatar cơ thể người phục vụ cho các phần mềm thiết kế trang phục 3D, v.v Đồng thời các mẫu ma-nơ-canh truyền thống hiện nay thì không còn phù hợp với vóc dáng của người Việt Nam, gây ra các khó khăn trong việc

thiết kế trang phục cũng như thử mẫu đánh giá độ vừa vặn của sản phẩm may mặc cho người Việt Tuy nhiên chi phí đầu tư để có được dữ liệu quét 3D khá cao, chính vì thế các nghiên cứu 3D ứng dụng cho ngành công nghệ may và thời trang theo vóc dáng người Việt Nam đang gặp rất nhiều khó khăn, càng khẳng định hướng nghiên cứu về phân loại vóc dáng cơ thể ứng dụng trong phần mềm thiết kế cho người Việt Nam là cấp bách

Những năm gần đây, các nhà khoa học Việt Nam đã có một số nghiên cứu vóc dáng và đặc điểm hình dạng cơ thể đối với các đối tượng phụ nữ [8-22], học sinh nam, nữ, bé trai, bé gái [21, 23, 24], nam nữ trong độ tuổi lao động [21, 22, 25, 26] Tuy nhiên ở độ tuổi nam trung niên từ 30-60 tuổi, là độ tuổi dự đoán có nhiều biến động về vóc dáng do nhu cầu sinh hoạt dinh dưỡng và việc làm đa dạng [27, 28], hiện chưa có công trình nào nghiên cứu về đặc trưng đó Hơn nữa, nhóm tuổi này là nhóm tuổi chính tham gia hoạt động trong các lĩnh vực của nền kinh tế, đóng góp tích cực cho sự phát triển xã hội Đây cũng là nhóm đối tượng cần hoàn thiện hình ảnh của mình thông qua trang phục, đồng thời nhóm cũng có nhu cầu và có khả năng chi trả cho các loại trang phục phù hợp Chính vì thế nhu cầu nghiên cứu vóc dáng và đặc điểm cơ thể độ tuổi này là cần thiết

Do đó, luận án này tập trung vào nghiên cứu phân loại hình dáng cơ thể nam trung niên từ 30-60 tuổi có ý nghĩa quan trọng, góp phần đề xuất và nghiên cứu những giải pháp thiết kế nhằm tăng khả năng đáp ứng nhu cầu mặc đẹp vừa vặn thoải mái của người tiêu dùng Kết quả nghiên cứu này sẽ góp phần quan trọng trong dữ liệu nhân trắc 2D và 3D và khoa học phân loại vóc dáng cơ thể nam trung niên Việt Nam Đồng thời phương pháp xây dựng mô hình 3D Avatar theo vóc dáng cơ thể bằng phương pháp học sâu là khoa học và công nghệ hiện đại tiên phong hiện nay Sự liên kết khoa học giữa ngành công nghệ may và công nghệ thông tin 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, đặc biệt đóng góp to lớn vào giai đoạn nghiên cứu thiết kế thời trang và phát triển sản phẩm

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: Dữ liệu 2D và 3D kích thước cơ thể người

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 378 đối tượng này được chia làm 3 nhóm tuổi: 30-40, 41-50 và 51-60 Số lượng đối tượng của mỗi nhóm đã được tính toán theo mức độ biến động chiều cao của các đối tượng nhằm đảm bảo

vóc dáng cơ thể người, sử dụng để kiểm tra và thử nghiệm độ vừa vặn của trang phục cho người nam trung niên

- 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 1106 nam giới và 600 nữ giới Đối tượng này cần thiết cho nghiên cứu xây dựng Avatar nam và nữ bằng phương pháp học sâu vốn cần số lượng lớn dữ liệu 3D

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 cơ thể người 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

Thực nghiệm phân loại vóc dáng cho nam trung niên TP HCM:

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 được thiết kế thành 3 giai đoạn: thứ nhất là thu thập và mô tả đặc trưng thống kê dữ liệu nhân trắc 3D; tiếp theo là phân loại vóc dáng 1106 nam giới TP HCM, dự đoán kết quả sẽ có sự khác biệt về vóc dáng theo độ tuổi; cuối cùng là phân loại vóc dáng cho 378 nam trung niên TP HCM

+ Thu thập dữ liệu 3D và mô tả đặc trưng thống kê dữ liệu các kích thước thông qua giá trị trung bình, trung vị, độ lệch chuẩn, giá trị lớn nhất, giá trị nhỏ nhất, độ nhọn, phân vị Đồng thời xác định phân phối chuẩn của các kích thước cơ thể Các bước thực nghiệm như sau:

o Chuẩn bị thiết bị đo dữ liệu kích thước cơ thể 2D và 3D là máy quét 3D Size Streamer ở trường Đại học Công nghiệp TP HCM

o Lập kế hoạch quét 3D cho các đối tượng nghiên cứu

o Mô tả đặc trưng thống kê các kích thước cơ thể sử dụng cho nghiên cứu vóc dáng và xây dựng Avatar 3D

+ Phân loại vóc dáng cho tổng 1106 nam giới trong 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 Kết quả mô tả dữ liệu cho 1106 người cần thiết cho dữ liệu đầu vào của công tác nghiên cứu phương pháp xây dựng Avatar ban đầu Các bước thực nghiệm phân tích phân loại vóc dáng và đặc điểm gồm: Phân tích nhân tố chính; Kiểm định KMO và Bartlett’s; Phân tích phân nhóm K-mean và phân tích biệt số; So sánh phân tích ANOVA hoặc T-test; tính tỷ lệ liên hệ giữa các kích thước Xử lý dữ liệu trên phần mềm SPSS

+ Phân loại vóc dáng cho tổng 378 nam trung niên TP HCM: Nghiên cứu tập trung vào phân tích sự đa dạng vóc dáng cho lứa tuổi nam trung niên Các bước thực nghiệm phân tích phân loại vóc dáng và đặc điểm giống bên trên Kết quả dữ liệu và đặc trưng cơ thể của từng vóc dáng giai đoạn này được sử dụng làm dữ liệu đầu vào để xây dựng nên đa dạng Avatar 3D theo đa dạng vóc dáng nam trung niên TP Hồ Chí Minh

Thực nghiệm cho nội dung xây dựng Avatar 3D:

Để xây dựng Avatar 3D, nghiên cứu sinh đã lần lượt nghiên cứu 3 phần Đầu tiên là phương pháp toán học nội suy, sau đó là phương pháp học sâu, cuối cùng là kiểm tra may thử ảo áo dài cho mô hình 3D Avatar theo vóc dáng nam trung niên đã được xây dựng

+ Thiết kế mô hình 3D bằng phương pháp nội suy toán học Tác giả 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 tác giả là chia cơ thể 3D theo từng phần của cơ thể người Theo cách đó, các tham số khác nhau cần thiết để nội suy cho từng phần được thiết lập Ghép các phần lại thành mô hình 3D cơ thể người hoàn chỉnh

+ Các đám mây điểm và các mắt lưới là một bước thiết yếu trong việc xây dựng các mô hình 3D Luận án này giới thiệu một phương pháp mới dựa trên nội suy qua phương pháp học sâu 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, luận án trình bày một phương pháp thể hiện dữ liệu 3D được gọi là cấu trúc lát mỏng (slice- structure) Một mô hình học dựa trên Mạng nơ-ron tích chập (Convolutional Neural Network -CNN) được thiết kế, sau đó được thao tác để tương thích với sự mô tả dữ liệu Các lát cắt chính được tạo ra bằng cách khớp với chiều cao xác định trước khi toàn bộ đám mây điểm được điều chỉnh bởi Mạng nơ-ron tích chập

+ Sau khi có kết quả mô hình 3D Avatar, nhập Avatar vào phần mềm CLO3D để thiết kế, may ảo, thử ảo sản phẩm

6 Ý NGHĨA KHOA HỌC CỦA LUẬN ÁN

1) 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

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 học sâu và phương pháp toán học nội suy để giải các bài toán 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 CLO3D có sẵn

7 GIÁ TRỊ THỰC TIỄN CỦA LUẬN ÁN

1) Bộ dữ liệu nhân trắc 2D và 3D nam trung niên TP HCM trên cơ sở dữ liệu 3D của 1106 nam giới TP HCM tuổi 18-60 được thu thập bằng thiết bị quét cơ 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 TP HCM Phân loại được thành 5 vóc dáng

2) Xây dựng được Avatar 3D theo vóc dáng nam trung niên Thành phố Hồ Chí Minh 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 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

CHƯƠNG 1: NGHIÊN CỨU TỔNG QUAN

Luận án này tập trung vào việc nghiên cứu xây dựng mô hình 3D Avatar theo vóc dáng nam giới Việt Nam, là nền tảng cơ sở phục vụ cho sự phát triển của thời trang kỹ thuật số đang vừa là cơ hội, vừa là thách thức đối với các doanh nghiệp thời trang [1-5] 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 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 phương pháp học sâu xây dựng Avatar cơ thể người từ dữ liệu quét 3D

1.1 Tổng quan về phân loại vóc dáng cơ thể nam giới

Cùng với cuộc cách mạng công nghiệp 4.0 trong thời điểm dịch Covid-19 ảnh hưởng nặng nề đến ngành thời trang, người ta đã quen với hình thức mua sắm trực tuyến với sự hỗ trợ của thiết kế 3D, thử đồ ảo,… [1-5, 29] (Hình 1.1) Một trong những bước quan trọng là phân loại và xác định hình dạng cơ thể của khách hàng để mặc vừa hơn Để tối ưu hóa việc ứng dụng phần mềm thiết kế 3D vào thiết kế sản phẩm may mặc cho người Việt Nam, trước tiên cần xây dựng thư viện Avatar ảo mang đặc điểm nhân trắc học của từng nhóm đối tượng Vì vậy việc nghiên cứu vóc dáng là một mắt xích quan trọng trong việc phát triển ngành công nghệ may và thời trang trên toàn thế giới và Việt Nam

Mặt trước thử trang phục ảo Mặt sau thử trang phục ảo

Ở Việt Nam hiện nay, thị trường may mặc đang phát triển mạnh mẽ, bên cạnh các hãng thời trang nổi tiếng của quốc tế thì các công ty Việt Nam cũng cho ra rất nhiều sản phẩm may mặc phục vụ nhu cầu người tiêu dùng trong nước Tuy nhiên kích cỡ sản phẩm đa phần chưa phù hợp với vóc dáng và tỷ lệ cơ thể người Việt Các công trình nghiên cứu trước đây [10-12, 14-16, 20] 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 Việc phân loại hình dáng cơ thể người giúp người thiết kế thời trang phân biệt và nhận diện đặc trưng cơ thể người, từ đấy đề xuất phương pháp thiết kế hoặc điều chỉnh

Hình 1.1: Hình ảnh mặc thử trang phục ảo

áo trong và ngoài nước [30-35] đều khẳng định hình dạng bên ngoài của cơ thể người liên quan rất nhiều với phương pháp thiết kế và tạo dáng quần áo

Mẫu áo trước khi điều chỉnh Mẫu áo sau khi điều chỉnh Hình 1.2: Mẫu áo cơ sở trước và sau khi điều chỉnh

Trong quá nghiên cứu cơ thể người, các nhà khoa học đã cho thấy tỉ lệ các phần cơ thể người phát triển không đồng đều theo thời gian [36, 37] Theo không gian, hoàn cảnh địa lý, chủng tộc thì các đặc điểm hình thái cơ thể cũng rất khác nhau Ngay cả cùng chủng tộc, cùng dòng họ, thậm chí giữa các cá nhân cũng nhận thấy sự khác biệt về các đặc điểm và tỷ lệ các bộ phận cơ thể này [36] Ở Việt Nam đã có những nghiên cứu về số liệu nhân trắc học nam và nữ ở các lứa tuổi [8-26], tuy nhiên các nghiên cứu liên quan đến vóc dáng và đặc điểm cơ thể nam giới trong độ tuổi trung niên từ 30-60 tuổi chưa được công bố trong các công trình khoa học trước

1.1.1 Phương pháp xác định thông số kích thước cơ thể

Có hai phương pháp chính để xác định thông số kích thước cơ thể bao gồm phương pháp đo tiếp xúc bằng bộ dụng cụ đo Martin [38] và phương pháp đo không tiếp xúc như quét 3D [39] Công cụ thước đo do Rudolf Martin phát minh và được sử dụng trong công tác thống kê nhân trắc lần đầu trong các năm 1900- 1925 [38] Sau này thước đo Martin tiếp tục được sử dụng rộng rãi toàn cầu trong các nghiên cứu khoa học, trong khảo sát và thống kê nhân trắc quy mô lớn ở Việt Nam [21, 22, 24, 40-43] Một trong những máy quét 3D đầu tiên được sử dụng để sao chép cơ thể con người, mô tả trong hình 1.3, được sản xuất tại Loughborough những năm cuối thập niên tám mươi [44] Đây là một máy quét bóng có thể chụp đường viền của cơ thể con người nhưng không có chỗ lõm Vài năm sau, vào những năm đầu thập niên chín mươi, công ty Cyberware đã phát hiện ra nhu cầu về bản sao 3D của con người trong ngành công nghiệp điện ảnh Hollywood và tích cực nghiên cứu phục vụ điện ảnh Lúc đấy, những người thiết kế thời trang và thợ may cũng đã phàn nàn về việc khó tiếp cận với diễn viên để kiểm tra sự phù hợp của quần áo cho phim ảnh Từ đấy các phần mềm thiết kế thời trang có dùng mô hình quét 3D để thiết kế và thử ảo trang phục ban đầu phục vụ điện ảnh được nghiên cứu và phát triển mạnh mẽ [44] Có rất nhiều máy quét 3D có thể sử dụng quét toàn thân cơ thể người như Hamamatsu của Nhật Bản, Vitronic của Đức, Telmat của Pháp, SizeStream của Mỹ, v.v Kết quả thu được từ phương pháp đo không tiếp xúc từ máy quét toàn thân cơ thể người là kết quả trực tiếp, không chỉ là thông số đo 2D mà còn có cả hình dạng đám mây điểm ảnh cơ thể người 3D Hiện nay phương pháp đo không tiếp xúc bằng máy quét 3D trở nên thông dụng trên thế giới Ưu điểm của phương pháp này là giúp cho người nghiên cứu sẽ thu thập được tất cả các thông số kích thước một cách chính xác, đặc biệt là có thể lưu trữ dữ liệu 2D và 3D

sử dụng lâu dài và kế thừa đối với các nghiên cứu về cơ thể người, về thiết kế trang phục đảm bảo độ vừa vặn theo vóc dáng [39, 44]

(a) (b)

(a) Hình ảnh máy quét 3D đầu tiên; (b) Hình ảnh quét 3 mặt cơ thể Hình 1.3: Hình ảnh máy quét 3D cơ thể người

Trong các công trình nghiên cứu về xây dựng mô hình 3D cơ thể nam giới, bộ dữ liệu 2D và 3D của CAESAR [39, 45] được xem là một nguồn tài liệu tham khảo giá trị, đặc biệt về mốc nhân trắc trong 3D được trình bày với đầy đủ hình ảnh mô tả vị trí cụ thể trên cơ thể mặt trước, mặt sau, bên trái, bên phải Bộ dữ liệu 3D của CAESAR làm đại diện số đo của công dân Châu Mỹ và Châu Âu, được thống kê từ số đo của 2400 công dân Mỹ và Canada, 2000 công dân Châu Âu, phân bổ đồng đều đa dạng công việc, đa dạng chủng tộc Trong nghiên cứu CAESAR đã xác định 74 kích thước cơ thể bao gồm cả số đo bên trái và bên phải cơ thể và yêu cầu tư thế đứng và ngồi Trong thiết kế trang phục và Avatar trong phần mềm thiết kế trang phục, xu hướng thiết kế trang phục cho cơ thể đối xứng nên ta lấy số đo trung bình của bên trái và bên phải cơ thể làm kết quả cho xử lý số liệu và dựng hình

Xác định mốc nhân trắc chính xác là khởi điểm quan trọng đảm bảo độ chính xác bộ dữ liệu thông số kích thước cơ thể người, do vậy trong bất kỳ nghiên cứu khoa học về nhân trắc nào, việc xác định chính xác các mốc nhân trắc cũng được đặt lên hàng đầu Các mốc nhân trắc được tự động trích xuất từ máy quét 3D của CAESAR mô tả trong hình 1.4 – 1.7

Hình 1.5: Các mốc nhân trắc ở phần dưới cơ thể, mặt trước

Hình 1.6: Các mốc nhân trắc ở phần trên cơ thể, mặt nghiêng

Hình 1.7: Các mốc nhân trắc ở phần trên cơ thể, mặt sau

Số lượng kích thước cơ thể được sử dụng trong mỗi một nghiên cứu sẽ điều chỉnh theo mục tiêu nghiên cứu Su Joung Cha [46] đã nghiên cứu phân loại hình dáng nam giới trưởng thành Hàn Quốc có chiều cao dưới 170cm trong độ tuổi từ 20 đến 60 65 kích thước đã được lựa chọn bao gồm 11 kích thước chiều cao, 19 kích thước chiều dài, 19 kích thước chu vi, 6 kích thước chiều rộng, 6 kích thước độ dày, nghiêng vai 2 kích thước và các 2 mục khác bao gồm cân nặng và BMI Hana Lee [47] đã nghiên cứu về vóc dáng cơ thể béo phì nam giới Hàn Quốc độ tuổi 30 và 40 sử dụng 40 kích thước cơ thể Keiko Wantanabe [48] đã phân loại vóc dáng cơ thể của đàn ông Nhật Bản từ 20 đến 70 tuổi để thiết kế quần áo, 67 kích thước được đo bằng thước đo chiều cao Martin và thước dây Người mẫu được yêu cầu giữ tư thế đứng tự nhiên, hai bàn chân cách nhau 20cm và cánh tay chếch xấp xỉ 20 độ Đường thẳng nối gót trái và gót phải của đối tượng được căn thẳng hàng song song với trục X Lim và các cộng sự [49] nghiên cứu về phân loại các kiểu cơ thể của đàn ông Trung Quốc ở Bắc Kinh và Thượng Hải Danh sách đo lường bao gồm tổng cộng 38 kích thước: 6 kích thước về chiều cao, 4 kích thước về chiều rộng, 3 kích thước về độ dày, 8 kích thước về chu vi, 14 kích thước về chiều dài, 2 kích thước về góc và 1 kích thước về trọng lượng

Theo Ergonomics trong ngành công nghiệp may [50], chỉ tiêu nhân trắc bao gồm: Chỉ tiêu nhân trắc tĩnh: nhằm cung cấp dữ liệu cho công tác định hình Avatar ảo có tư thế đứng thẳng trong phần mềm thiết kế trang phục 3D; Chỉ tiêu nhân trắc động: nhằm cung cấp dữ liệu cho Avatar ảo tư thế bước đi thời trang (catwalk) trong phần mềm thiết kế trang phục 3D Hầu hết các nghiên cứu về nhân trắc trên thế giới tuân theo tiêu chuẩn đo thông số kích thước cơ thể quốc tế như ISO/TRI 10652:1991; JIS L 4005:2001; KS K 0051:2004 Đối với một số nghiên cứu khoa học về nhân trắc may mặc tại Việt Nam, các mốc nhân trắc của tiêu chuẩn cơ bản theo TCVN5781-2009 Tiêu chuẩn này được xây dựng dựa trên cơ sở của tiêu chuẩn ISO 8559-1:2009 nên có tính thống nhất cao với yêu cầu của quốc tế, có độ tin cậy cao Ngoài ra, các nghiên cứu về nhân trắc học lao động thì theo Atlat nhân trắc học người lao động Việt Nam trong lứa tuổi lao động - dấu hiệu nhân trắc tĩnh và động [51]

1.1.2 Phương pháp phân loại vóc dáng cơ thể người

Nghiên cứu phân loại vóc dáng luôn là nghiên cứu cơ sở và quan trọng trong việc nâng cao độ vừa vặn trang phục cho người mặc Do vậy nghiên cứu phân loại vóc dáng đã được thực hiện từ vài chục năm trước đây với những phương pháp từ đơn giản đến phức tạp Khởi đầu là phân loại vóc dáng theo đặc trưng hình dạng tư thế cơ thể Sau đó, khi các thông số đo kích thước cơ thể được xác định, phương pháp phân loại vóc dáng theo tỷ lệ kích thước cơ thể, theo chỉ số tương quan kích thước cơ thể được nhiều nhà khoa học tin dùng Trong những năm gần đây, khi dữ liệu 2D và 3D cơ thể người được khai thác cùng với sự phát triển các phần mềm xử lý số liệu thống kê, phương pháp phân loại vóc dáng dựa trên cơ sở xử lý số liệu thống kê được đánh giá có độ tin cậy cao

1.1.2.1 Phân loại vóc dáng theo đặc trưng hình dạng cơ thể a) Phân loại theo tư thế của cơ thể

Khi phân loại vóc dáng theo tư thế cơ thể người, người ta căn cứ chủ yếu vào độ cong của cột sống và tương quan giữa viền phía trước và phía sau của cơ thể [52], Hình 1.8

Hình 1.8: Phân loại vóc dáng theo tư thế đứng của cơ thể người

Người ta chia tư thế đứng cơ thể thành 3 dáng: bình thường, gù và ưỡn [34] Đặc điểm của mỗi dáng được mô tả như sau:

Dáng gù: ngực phẳng, lưng dài, rộng và cong, xương bả vai thường nhô cao, cơ bắp kém phát triển, vai và tay đưa về phía trước một chút, điểm đầu ngực (đầu núm vú) bị dịch chuyển xuống dưới So với người tư thế bình thường, người gù có chiều dài phần lưng phía sau cơ thể lớn hơn nhưng chiều dài phía trước cơ thể lại nhỏ hơn [34] Dáng ưỡn: ngực và vai rộng, nở nang, lưng phẳng hoặc hơi cong một chút về phía sau, bả vai không nhô lên, eo lõm vào, mông phát triển Điểm đầu ngực được nâng lên phía trên So với người có tư thế bình thường, chiều dài phía sau nhỏ hơn nhưng chiều dài phía trước lại lớn hơn

Hình 1.9: Phân loại tư thế đứng của cơ thể [52]

a) Đường cong mô tả cột sống của nam giới: R dáng trung bình, K dáng gù, L dáng ưỡn b) Tư thế đứng gù c) Tư thế đứng bình thường c) Tư thế đứng ưỡn

b) Phân loại theo thể chất

Một số tài liệu [30, 31] chỉ ra có 4 nhóm người theo thể chất là người ngực lép, người cơ bắp, người bụng phệ, người trung bình Người ngực lép được mô tả là lồng ngực phẳng, người hơi còng, ít mỡ, cơ bắp ít phát triển, bụng lép Người cơ bắp có hệ

cơ phát triển, lồng ngực hình trụ, lưng thẳng, hơi cong, mỡ vừa phải Người bụng phệ thì lồng ngực trên nhỏ, bụng to, lớp mỡ dày phần bụng, lưng thẳng hơi gù, cơ bắp nhão Cuối cùng người trung bình là trung gian giữa 3 dạng người trên

c) Phân loại theo hình dáng từng phần của cơ thể

Các phần của cơ thể được phân chia như sau: vai, ngực, hông, chi trên và chi dưới Các đặc điểm cho từng phần được mô tả như sau [34, 37, 52]

Phần vai: Căn cứ vào độ dốc của đường vai cơ thể, người ta chia thành 3 dạng vai: vai xuôi, vai trung bình, vai và vai ngang Để nhận biết độ dốc của vai, người ta thường dùng giá trị độ lệch chiều cao của điểm góc cổ vai và điểm mỏm cùng vai Người vai trung bình có góc xuôi vai 250 [34] hoặc độ lệch xuôi vai trong khoảng 4,2÷4,8 cm đối với nữ và khoảng 5,2÷5,8 cm đối với nam Nếu người có giá trị xuôi vai lớn hơn giá trị trung bình thì đó là người vai xuôi, ngược lại là người vai ngang Căn cứ độ vươn về phía trước của đường vai, người ta chia thành 3 dáng vai: vai bình thường, vai cánh cung và vai ngửa Người vai cánh cung thường có hai đầu vai khum về phía trước nhiều hơn, phía sau bả vai độ cong lớn, phía trước ngực phẳng, số đo rộng lưng lớn hơn và số đo rộng ngực nhỏ hơn người bình thường Người vai ngửa có hai đầu vai đưa về phía sau nhiều hơn, lưng gần như phẳng, số đo rộng lưng nhỏ hơn và số đo rộng ngực lớn hơn bình thường

Phần ngực: Khi quan sát lồng ngực ở mặt chính diện, có thể chia hình dáng của lồng ngực làm 3 loại: lồng ngực tròn, trung bình và dẹt tương ứng với cơ thể béo, trung bình và gầy

Phần hông: Theo vị trí của điểm nhô ra ngoài nhất của hông khi nhìn chính diện, người ta chia thành: hông cao, hông trung bình và hông thấp Nếu vị trí điểm nhô ra ngoài nhất của hông ở vị trí ngang rốn là dạng người hông cao; nếu vị trí điểm nhô ra ngoài nhất của hông ở vị trí ngang háng là dạng người hông thấp

Phần chân và tay: Căn cứ vào hướng đùi và cẳng chân, người ta chia thành: chân thẳng, chân vòng kiềng hay còn gọi là chân chữ O, chân khoèo hay còn gọi là chân chữ X Căn cứ theo tư thế của bàn chân so với đùi và cẳng chân khi chuyển động sẽ phân loại chân bình thường, chân chữ bát ngoài và chân chữ bát trong [34, 36, 37] Phần tay có tay thẳng, tay thường và tay cong; bắp tay rất béo, tay béo, tay thường và tay gầy [34] Nghiên cứu về cánh tay của nữ sinh viên đại học Bách Khoa Hà Nội cho thấy 3 độ cong của tay ở tư thế nghỉ Góc tạo thành giữa phần trên và dưới khuỷu tay lần lượt là 9,7 độ, 12,5 độ, 15,7 độ sẽ tương ứng với tay thẳng, thay thường và tay cong [20]

1.1.2.2 Phân loại cơ thể người theo các chỉ số tương quan kích thước cơ thể

Có nhiều nghiên cứu khoa học sử dụng chỉ số tương quan để phân loại vóc dáng cơ thể người như: chỉ số thân, chỉ số Skelie, chỉ số Rhoher, chỉ số trọng lượng cơ thể BMI, chỉ số Broca, chỉ số Quetelet, chỉ số Kaup, chỉ số Vervack, chỉ số VHI, chỉ số Lorentz độ chênh lệch vòng ngực và vòng eo, độ chênh lệch vòng mông và vòng eo, v.v được dùng nhiều trong phân tích vóc dáng liên quan tới y học và khoa học thể chất [53] Một số kết quả đã được đúc kết trong các tài liệu tham khảo về nhân trắc học như

Chỉ số thân = (chiều cao ngồi / chiều cao đứng) * 100% Dựa vào kết quả này có thể các định dạng người cao, thấp hoặc trung bình Khi kết quả < 50,9% là người cao có thân ngắn, chân dài; kết quả 51÷52,9 là người trung bình với thân và chân trung bình; kết quả > 53 là người lùn có thân dài, chân ngắn Trong nghiên cứu [54] của các tác giả ở Viện An toàn lao động và Khoa học sức khỏe có những nhận xét khái quát về đặc điểm nhân trắc của cơ thể nam giới Việt Nam trong độ tuổi lao động Trong nghiên cứu này có phân tích kích thước chiều cao, cân nặng của cơ thể và rút ra kết luận nam giới người Việt Nam trong lứa tuổi lao động có chỉ số thân trung bình là 52,8%, nằm trong nhóm người có phần thân trên thuộc loại vừa, tiệm cận loại người có thân dài của nhân loại

Chỉ số Skelie = (chiều dài chi dưới / chiều cao ngồi) * 100% cũng được dùng để phân định chiều dài của chân theo mức phân cấp sâu hơn chỉ số thân Có 7 phân cấp độ dài chân: chân rất ngắn, chân ngắn, chân hơi ngắn, chân vừa, chân hơi dài, chân dài, chân rất dài lần lượt tương ứng với các giá trị dưới 74,9, 75÷79,9, 80÷84,9, 85÷89,9, 90,1÷94,9, 95÷99,9, trên 100 [30, 53]

Có vài chỉ số theo tương quan chiều cao, cân nặng được sử dụng trong phân loại vóc dáng Theo chỉ số Broca thì người Việt Nam trung bình đạt P (kg) = 0.9 * (T (cm) – 100); nếu trọng lượng ít hơn thì đó là người gầy và ngược lại Người trung bình có chỉ số Quetelet = P (kg)/ T (dm) đạt 2,7÷3,0 Chỉ số Pignet phân loại cơ thể theo tương quan chiều cao đứng, cân nặng và vòng ngực (= chiều cao cm / (cân nặng kg + vòng ngực cm) Người trung bình nước ngoài có chỉ số Pignet tương ứng với giá trị 20÷25, trong khi người Việt Nam tương ứng với giá trị 35÷41 Chỉ số Vervack phân loại cơ thể theo tương quan chiều cao đứng, cân nặng và vòng ngực nhưng hơi khác công thức tính toán với chỉ số Pignet Chỉ số Vervack = (cân nặng kg + vòng ngực cm) / chiều cao cm) Người trung bình nước ngoài có chỉ số Vervack tương ứng với giá trị 75÷100, trong khi người Việt Nam tương ứng với giá trị 74÷78 [30, 53]

Các nghiên cứu phân loại vóc dáng theo chỉ số BMI (= cân nặng / chiều cao2) được nhiều nhà khoa học ngành công nghệ may thời trang sử dụng nhiều hơn các chỉ số còn lại vì tính phổ thông, gần gũi, dễ nhớ với người tiêu dùng, vốn là 1 đặc trưng tiêu biểu của người tiêu dùng thời trang nữ Choi [55] đã dùng chỉ số BMI để phân dạng cơ thể 200 nữ sinh viên đại học Hàn Quốc và 200 nữ sinh viên đại học Trung Quốc thành 3 nhóm thừa cân với BMI>24, nhóm trung bình với BMI trong khoảng 19÷24 và nhóm thiếu cân với BMI nhỏ hơn 19 Trong khi đấy, dựa vào thang phân loại của IDI & WPRO (Hiệp hội đái đường các nước Châu Á) dành cho người Châu Á thì BMI lý tưởng của người Việt Nam là từ 18,5÷22,9, nhóm thừa cân có BMI ≥ 23, nhóm tiền béo phì có BMI 23÷24,9, nhóm béo phì độ I có BMI 25÷29,9, nhóm béo phì độ II có BMI ≥ 30 [56]

Phân loại theo tương quan vai – ngực – eo – hông như tỷ lệ eo – hông WHR (Waist-to-hip ratio), tỷ lệ bụng / ngực, hiệu số vòng ngực – vòng bụng cũng được dùng nhiều trong phân loại vóc dáng người Tỷ lệ tương đối của vai, ngực, eo và hông của cơ thể tương ứng với một số phân loại hình dạng cơ thể, có 5 hình dạng cơ thể dành cho nam giới, được thể hiện ở hình 1.10 Cơ thể có dạng hình thang có khuôn ngực rộng 5% so với hông và eo hẹp vừa phải Được biết đến là mẫu nam có thân hình hoàn

hảo và dễ phối trang phục với vai rộng, cánh tay cơ bắp và hông hẹp, cơ thể rất cân đối và thường thấy ở các vận động viên Cơ thể hình tam giác ngược được nhận dạng với ngực lớn hơn hông hơn 5% và vòng eo rất rõ ràng, nhỏ hơn 20% vòng ngực Dáng người nam hình tam giác ngược là một dạng hơi phóng đại của hình thang, được xác định bởi vai rộng hơn mông và có xu hướng được tìm thấy ở những người đàn ông cơ bắp hơn Cơ thể hình chữ nhật có số đo vòng ngực và mông cách nhau 5% và eo với hông có cùng kích thước Cơ thể hình tam giác hoặc quả lê có số đo vòng mông rộng hơn ngực 5% và phần thân dưới nặng hơn phần thân trên, thường đi kèm với đường vai dốc Cơ thể hình bầu dục có tổng thể ngoại hình tròn trịa, bụng phệ, nhận diện định lượng tỷ lệ vòng eo bụng so với mông lớn hơn 0,9 Cơ thể hình bầu dục là một trong những hình dạng cơ thể phổ biến nhất của nam giới [53]

Hình 1.10: Các hình dạng cơ thể nam giới

Năm 2007, Viện nghiên cứu Dệt May của Tập đoàn Dệt May Việt Nam đã công bố kết quả nghiên cứu từ dữ liệu đo nhân trắc cho trẻ em và nam nữ trong độ tuổi lao động, mục tiêu nghiên cứu là xây dựng hệ thống cỡ số quần áo [21, 40] Số liệu đo chỉ riêng nam giới là 3016 bộ dữ liệu, đo bằng thước đo Martin Công trình nghiên cứu đã thực hiện đo người mẫu sống và làm việc tại các thành phố lớn của Việt Nam, kết quả phân loại vóc dáng sử dụng Hiệu số Drop vòng ngực – Vòng bụng Phương pháp phân loại vóc dáng đã kế thừa các công trình nghiên cứu trên thế giới Theo tiêu chuẩn ISO/TR 10652:1991 [57] 5 dạng cơ thể nam giới là dáng thể thao (A), dáng trung bình (R), dáng đẫy đà (P), dáng mập mạp (S), dáng to béo (C) lần lượt tương ứng với giá trị Drop là 16, 12, 6, 0, -6 Tiêu chuẩn phân loại vóc dáng của Đức có 6 dạng cơ thể nam là dáng thể thao, dáng gầy, dáng trung bình, dáng mập mạp, dáng to béo, dáng bụng to, tương ứng với giá trị Drop lần lượt là 16, 12, 8÷12, 6÷8, 4÷6, -4 ÷ -8 [40] Bốn dạng cơ thể tiêu chuẩn của Trung Quốc GB/T 1335.1-1997 [58] là dạng Y, A, B, C tương ứng lần lượt với giá trị Drop là 17÷22, 12÷16, 7÷11, 2÷6 Mười dạng cơ thể nam giới Nhật Bản JIS L 4004:2001 là J, JY, Y, YA, A, AB, B, BB, BE, E tương ứng với giá trị Drop lần lượt là 20, 18, 16, 14, 12, 10, 8, 6, 4, 0 [59]

Có thể thấy hầu hết các nước đều căn cứ vào giá trị Drop để phân loại các dạng cơ thể nam giới Trong đấy tiêu chuẩn ISO đơn giản và phù hợp với các số liệu nhân trắc của người Việt Nam nhất, với 5 dạng cơ thể và bước nhảy của Drop là 4cm và người trung bình cùng giá trị Drop 12 Do vậy, công trình nghiên cứu của Viện Dệt

Y, dạng ngực nở A, dạng trung bình B, dạng đẫy đà C, dạng bụng to D, lần lượt tương ứng với giá trị Drop là 20, 16, 12, 8, 4 Kết quả đề tài cũng cho thấy 91,7% nam giới Việt Nam có giá trị Drop (chênh lệch giữa vòng ngực và vòng eo của cơ thể) trong khoảng 0-18 cho thấy nam giới Việt Nam hầu như không có người thuộc nhóm to béo có vòng bụng lớn hơn vòng ngực Khi phân dạng cơ thể nam giới người Việt Nam theo hiệu số drop cách 4cm, tần suất phân bố dân số trong các khoảng như sau: nhóm người có drop từ 16 - 20 (8,5%), nhóm người có drop từ 12 - 16 (25,75%), nhóm người có drop từ 8 - 12 (39,8%), nhóm người có drop từ 4 - 8 (29,9%), nhóm người có drop từ

0 - 4 (11,8 %) [40]

1.1.2.3 Phân loại vóc dáng theo phương pháp xử lý thống kê số liệu nhân trắc

Những năm gần đây, bên cạnh các phương pháp phân loại vóc dáng theo đặc

điểm hình dạng cơ thể, theo các chỉ số tương quan kích thước cơ bản như đã tổng quan ở phần trên, các bài toán xử lý số liệu bằng phương pháp xác suất thống kê, chạy trên phần mềm SPSS đã và đang được hầu hết các nhà khoa học tin dùng để xử lý dữ liệu lớn thông số kích thước cơ thể để phân loại vóc dáng Trong các bài báo nghiên cứu phân tích vóc dáng nữ [11, 12, 14-17], phân tích vóc dáng nam giới [26, 46-49] đều tuân theo 5 bước: Xác định các đặc trưng thống kê và kiểm định phân phối chuẩn; Phân tích thành phần chính; Phân tích cụm K-mean; Phân tích biệt số; Kiểm định ANOVA hoặc t-test

Khi phân tích đặc trưng thống kê và kiểm định về phân phối chuẩn của kích thước cơ thể thông qua giá trị trung bình, trung vị, số trội, độ lệch chuẩn, giá trị lớn nhất, giá trị nhỏ nhất, độ nhọn, phân vị, đồng thời kiểm định phân phối chuẩn của các kích thước thông qua biểu đồ đường cong chuẩn (Histograms with normal curve) và biểu đồ xác suất chuẩn (Normal Q-Q Plots), và xác định độ tin cậy của thang đo lường Xem xét loại bỏ các biến số phân phối theo dạng hình chuông không đối xứng với các giá trị trung vị và giá trị trung bình chênh lệch nhau lớn Phân phối chuẩn, hay còn gọi là phân phối Gauss, hoặc đường cong chuông (Bell Curve), là một phân phối xác suất Trong phân tích các biến liên tục, hầu hết kiểm định thống kế chỉ thực hiện được với những biến có phân phối chuẩn Do đó, việc xác định một biến có phân phối chuẩn hay không là hết sức cần thiết trước khi tiến hành một kiểm định nào đó Để xem xét phân

phối chuẩn của một biến ta có nhiều cách như [60, 61]:

- Cách 1: Xem xét biểu đồ với đường cong chuẩn (Histograms with normal curve) với các đặc điểm:

 Đường cong chuẩn có dạng hình chuông đối xứng  Tần số cao nhất nằm ở giữa các tần số thấp dần ở 2 bên  Giá trị trung bình (mean) và trung vị (median) gần bằng nhau  Độ xiên (skewness) gần bằng 0

- Cách 2: Xem biểu đồ xác suất chuẩn (Normal Q-Q Plots) Phân phối chuẩn khi biểu đồ xác suất có quan hệ tuyến tính dạng đường thẳng Tức là các trị số quan sát và trị số mong đợi đều nằm gần trên đường

- Cách 3: Dùng phép kiểm định Kolmogorov – Smirnov khi cỡ mẫu lớn hơn 50 hoặc phép kiểm định Shapiro – Wilk khi cỡ mẫu nhỏ hơn 50 Được coi là có phân phối chuẩn khi mức ý nghĩa (Sig) lớn hơn 0,05

Phân tích nhân tố chính hay còn gọi là phân tích thành phần chính, là phương pháp phân tích đa chiều nhằm xác định thành phần chính trong tập hợp các số đo, nhằm rút gọn số lượng lớn dữ liệu thành một số ít nhóm nhỏ có đặc trưng chung [60, 61] Dựa vào phép phân tích này giúp nhận ra một tập hợp gồm một số các nhân tố có tương quan hồi quy chặt chẽ với nhau Việc xác định các nhân tố chính trong tổng số các kích thước thông qua phân tích nhân tố với phép quay trực giao Varimax được áp dụng để xoay các thành phần Kiểm định KMO và Bartlett’s để xem xét sự phù hợp của các biến trong phân tích thành phần chính Để xác định độ tin cậy của thang đo lường ta xác định hệ số Cronbach’s Alpha trong phạm vi từ 0 đến 1 Khi hệ số Cronbach’s Alpha càng tiến dần về 1 độ tin cậy càng cao, khi hệ số Cronbach’s Alpha càng tiến dần về 0 độ tin cậy càng thấp [54, 55] Đồng thời, các yếu tố có giá trị riêng (Eigenvalues) lớn hơn hoặc bằng 1 được chọn để chiết tách nhân tố Khi đó, tỷ lệ % phương sai tích lũy cho biết lượng biến thiên được giải thích bởi các thành phần chính Ma trận thành phần chính ban đầu và sau khi xoay chứa các hệ số tương quan giữa các thành phần chính với các biến Biến thành phần có hệ số tương quan với chính nó càng lớn sẽ có tải lượng cho các biến thành phần khác càng cao [60, 61]

Phân tích phân nhóm là tên của một nhóm các kỹ thuật đa biến có mục tiêu chính là phân loại các đơn vị dựa vào một số đặc tính của chúng Nội bộ trong nhóm sẽ có sự đồng nhất cao trong khi giữa các nhóm khác nhau sẽ có sự khác biệt lớn Số lượng cụm được kiểm tra thông qua số lượng cụm bằng phân tích cụm K-means từ 2 cụm [60, 61] Qua việc phân tích phân nhóm, khoảng cách giữa các tâm nhóm được xác định, các giá trị đặc trưng của từng phân nhóm cũng được phân định rõ ràng Phân nhóm được kiểm tra bằng phân tích biệt số để đánh giá tính chính xác của phân loại, kiểm tra xem có tồn tại sự khác biệt có ý nghĩa giữa các nhóm Phân tích biệt số được thể hiện thông qua biểu đồ phân tán Biểu đồ phân tán cho thấy mức độ chồng chéo giữa các phân phối điểm phân biệt Càng ít các yếu tố bị chồng chéo sự phân biệt càng tốt [60, 61]

Sau khi phân nhóm, để xác định có sự khác biệt giữa các nhóm một cách định lượng, phân tích ANOVA hay T-test được áp dụng Trong trường hợp xác định được số cụm cuối cùng là 2 cụm sẽ thực hiện kiểm định Independent-samples T-test, nếu xác định số cụm cuối cùng từ 3 cụm trở lên sẽ được thực hiện phân tích phương sai một chiều ANOVA để quan sát sự khác biệt về kích thước cơ thể người đối với từng loại cơ thể sau kết quả của cụm phân tích Thông qua kiểm định này nhằm kiểm định sự khác biệt giữa các biến định tính với biến định lượng, sự khác biệt giữa các nhóm kích thước Sự khác biệt có ý nghĩa thống kê với độ tin cậy 95% tương ứng với mức ý nghĩa Sig < 0.05, sự khác biệt có ý nghĩa thống kê với độ tin cậy 99% tương ứng với mức ý nghĩa Sig <0.01 [60, 61]

Năm 2020, Cha [46] đã nghiên cứu phân loại hình dáng nam giới trưởng thành Hàn Quốc có chiều cao dưới 170cm trong độ tuổi từ 20 đến 60 Đối tượng của nghiên

6,5% ở độ tuổi 60 Trong số những người ở độ tuổi 20 có 23,5% là nam cao dưới 170cm; 28,9% ở độ tuổi 30 dưới 170 cm; 46,9% ở độ tuổi 40; 58,2% ở độ tuổi 50 và 80,2% ở độ tuổi 60 65 kích thước đã được lựa chọn bao gồm 11 kích thước chiều cao, 19 kích thước chiều dài, 19 kích thước chu vi, 6 kích thước chiều rộng, 6 kích thước độ dày, nghiêng vai 2 kích thước và các 2 mục khác bao gồm cân nặng và BMI Phần mềm SPSS 26.0 được sử dụng để phân tích dữ liệu Phân tích nhân tố đã được thực hiện với 65 kích thước, các nhân tố được trích xuất bằng phân tích thành phần chính và việc xoay vòng nhân tố được thực hiện bằng phương pháp xoay Varimax Cuối cùng 6 nhóm nhân tố chính được trích xuất từ tổng số 48 kích thước với tổng phương sai giải thích là 76,59% 15 kích thước đo lường chưa đạt điều kiện để phân tích dữ liệu, chẳng hạn như hạng mục có hệ số tải yếu tố nhân tố thấp hoặc cao cho hai yếu tố trở lên và tải cao cho các yếu tố có khái niệm khác nhau Theo kết quả của phân tích cụm K-means, các loại cơ thể của nam giới trưởng thành Hàn Quốc có chiều cao dưới 170cm được phân loại thành 4 cụm, nó được cho là thích hợp nhất, phản ánh rõ nhất sự khác biệt giữa sáu yếu tố Loại 1 là “chân ngắn - thân hình bình thường” với kích thước cơ thể trung bình, chiều cao cơ thể thấp, chiều dài thân ngắn, chân gầy và vai không dốc Loại 2 là “thân ngắn” với kích thước cơ thể nhỏ, thân hình mảnh khảnh, chiều cao cơ thể, chiều dài thân ngắn và vai không dốc Loại 3 là kiểu “thừa cân, chân to” với kích thước cơ thể lớn, chân dày, chiều cao cơ thể thấp, vai nhỏ và béo phì Loại 4 là “chân dài - thân hình bình thường” với kích thước cơ thể bình thường, chiều cao cơ thể, chân gầy, thân dài và mông thấp

Năm 2017, Keiko Wantanabe [48] đã phân loại kiểu cơ thể của hình dạng ba chiều của đàn ông Nhật Bản từ 20 đến 70 tuổi để thiết kế quần áo hiệu quả Tổng cộng có 250 nam giới, được chọn ngẫu nhiên từ 429 nam giới từ 20 đến 79 tuổi để thực hiện nghiên cứu Ở mỗi người, 67 kích thước được đo bằng thước đo chiều cao kiểu Martin và thước dây, theo phương pháp của Tiêu chuẩn Công nghiệp Nhật Bản L-0111 Sau đó, 18 đường cơ sở được dán trên bề mặt cơ thể của người đó Đường cơ sở cổ, đường vòng tay và đường nối vai được vẽ trên da bằng bút kẻ mắt, và đường thắt lưng được đánh dấu bằng băng dính rộng 3mm Cơ thể được đo bằng máy quét ba chiều không tiếp xúc có thể Hamamatsu Photonics, Shizuoka, Nhật Bản Người mẫu được yêu cầu giữ tư thế đứng tự nhiên, hai bàn chân cách nhau 20cm và cánh tay chếch xấp xỉ 20 độ Đường thẳng nối gót trái và gót phải của đối tượng được căn thẳng hàng song song với trục X Bảy yếu tố đã được trích xuất và giải thích như sau Thành phần chính đầu tiên (PC1) là yếu tố chiều cao của thân PC2 là độ nghiêng của thân về phía trước hoặc phía sau so với vòng eo PC3 là độ dầy của thân PC4 và PC5 chênh lệch trái / phải PC6 là vai về phía trước hoặc phía sau PC7 được coi là biến dạng của vai so với thân dưới Nghiên cứu sử dụng phần mềm thống kê IBM SPSS Statistics Kết quả phân tích là 7 cụm CL1 và CL4 tương tự như hình dạng trung bình của 250 đối tượng, mặc dù CL4 cao hơn CL1 CL1 và CL4 chiếm 50% nam giới trong các nhóm nam giới ở độ tuổi 30, 40 và 50 CL6 đẹp hơn CL1; ở CL6, thân mỏng và có biểu hiện lắc lư, tần suất xuất hiện của nó tương đối cao ở nam giới ở độ tuổi 20 CL7 thể hiện tư thế đẹp với khuôn ngực nở nang CL3 có lưng và vai trước tròn và những người đàn ông này thấp; CL3 bao gồm 50% nam giới ở độ tuổi 60 và 70 trở lên CL2 đang uốn cong về phía sau với

một cái bụng nhô ra, được coi là kiểu trao đổi chất và bao gồm 20% nam giới ở độ tuổi 50

Năm 2002, Lim và các cộng sự [62] nghiên cứu về phân loại các kiểu cơ thể của đàn ông Trung Quốc ở Bắc Kinh và Thượng Hải Trong nghiên cứu này, 389 nam giới trong độ tuổi từ 20 đến 49 đã được lấy mẫu để đo lường nhân trắc Dữ liệu thu thập được đã được xử lý thống kê bằng cách sử dụng SAS 6.12 để phân tích thống kê kỹ thuật, phân tích tương quan, phân tích nhân tố, phân tích theo nhóm Danh sách đo lường bao gồm tổng cộng 38 kích thước: 6 kích thước về chiều cao, 4 kích thước về chiều rộng, 3 kích thước về độ dày, 8 kích thước về chu vi, 14 kích thước về chiều dài, 2 kích thước về góc và 1 kích thước về trọng lượng Kết quả của phân tích nhân tố nhằm xác định các thành phần thể chất của nam giới Trung Quốc, có thể xác định 5 thành phần và hình dáng đàn ông Trung Quốc được xác định 4 loại Loại Y có tỷ lệ béo phì thấp nhất và kích thước cơ thể theo chiều dọc cao nhất Loại A có mức độ béo phì thấp hơn và có kích thước cơ thể theo chiều dọc trung bình Loại B có tỷ lệ béo phì cao thứ hai, kích thước chiều dọc cơ thể và chiều rộng vai/lưng nhỏ nhất Loại C có tỷ lệ béo phì, chiều dài phần trên cơ thể và chiều rộng vai/lưng cao nhất Nghiên cứu sử dụng SPSS để phân tích dữ liệu nhân trắc

Hana Lee năm 2020 [47] nghiên cứu của đặc điểm hình dáng và kiểu cơ thể của những người đàn ông ngoại cỡ ở độ tuổi 30 và 40 dựa trên dữ liệu nhân trắc học của Hàn Quốc Dữ liệu 40 thông số đo lường từ 493 nam giới trưởng thành được phân loại là béo phì (với tiêu chí của Tổ chức Y tế Thế giới ≥ 25 BMI) đã được sử dụng để phân tích Nghiên cứu sử dụng SPSS để phân tích dữ liệu nhân trắc Sáu nhân tố độc lập được trích xuất bằng cách sử dụng phân tích nhân tố để phân tích cụm, sau đó được phân loại thành năm loại Loại 1 (29,01%) được xác định là loại cơ thể I với mức độ béo phì nhỏ nhất Loại 2 (15,4%) được xác định là loại Y với vai rộng và eo thon Loại 3 (14,2%) là loại có thể tích cơ thể lớn nhất (loại O), trong khi loại thứ tư (19,27%) được xác định là loại H có chiều cao và phần trên cơ thể lớn Cuối cùng, loại 5 (22,11%) có phần thân dưới dài và bụng thon, được gọi là loại cơ thể X

Nghiên cứu phân tích hình dạng cơ thể của đàn ông trưởng thành ở Thượng Hải với 493 mẫu từ 20 đến 60 tuổi đã được thu thập [63] Nghiên cứu sử dụng SPSS để phân tích dữ liệu nhân trắc Kết quả nghiên cứu phân loại nam giới Thượng Hải ở độ tuổi từ 20 đến 60 tuổi thành 4 nhóm tuổi theo độ tuổi 20-30, 30-40 tuổi, 40-50 tuổi, 50-60 tuổi và các đặc điểm cơ thể và phân bố của từng lớp tuổi được phân tích Đặc điểm cơ thể: chiều cao 169,15 - 165,47cm, vòng ngực 86,63 - 90,33cm, vòng hông 90,05 - 91,69cm Như vậy có thể thấy, với sự gia tăng của nhóm tuổi, chiều cao của họ trở nên ngắn hơn và chu vi vòng ngực, chu vi vòng eo và vòng hông đã tăng lên, trong khi đó, sự khác biệt giữa ngực và eo đã trở nên nhỏ hơn Các tác giả Yang Ziti, Yang Yang, Yan Xin đã phân tích hình dạng cơ thể nam giới theo 4 nhóm người: nhóm ngắn và mỏng chiếm 22,55 % mẫu; nhóm mạnh mẽ có chiều rộng của lưng lớn chiếm 32,35% mẫu; nhóm dài và mỏng chiếm 25,49 % mẫu; nhóm béo phì chiếm 19,61% mẫu Hầu hết các mẫu đều có chiều cao vai trái cao hơn chiều cao vai phải Kết luận này có tác dụng nhất định đối với thiết kế xuôi vai của quần áo may đo cao cấp cho nam giới

Nghiên cứu cắt ngang 400 đối tượng là nam trung niên trưởng thành ở miền Đông Trung Quốc trong độ tuổi từ 19 đến 65 tuổi [64] Kết quả của nghiên cứu phân loại cơ thể GB 1335-91 theo phân loại chênh lệch vòng eo và 3 phương pháp phân loại chỉ số cơ thể Với sự gia tăng của tuổi tác: chiều cao giảm, chiều cao từ ngực đến chiều cao hông, khoảng cách vai, v.v cho thấy xu hướng giảm dần; góc vai trái và phải không thay đổi đáng kể, chiều dài lưng tăng trước, sau đó giảm rồi tăng

Tại Việt Nam, có nhiều công trình nghiên cứu đặc điểm vóc dáng của nữ giới như [8-22, 25-28, 65] tuy nhiên, chưa có nhiều công trình nghiên cứu về phân loại vóc dáng cơ thể nam giới Công trình nghiên cứu về vóc dáng cơ thể nam giới năm 2018 đã phân loại được 4 nhóm cơ thể nam giới miền Nam Việt Nam trong độ tuổi từ 18 đến 25 tuổi [26]

Tại Việt Nam, đã có nhiều tác giả nghiên cứu về số đo cơ thể và đặc điểm cơ thể nam giới Theo kết quả nghiên cứu của Trung tâm Dinh dưỡng TP HCM [22, 40] được công bố năm 2012, chiều cao trung bình của người Việt Nam thay đổi không ổn định sau gần một nửa thế kỷ, chiều cao trung bình của nam giới là 160 cm (năm 1938), đến năm 1985 chỉ còn 159,8 cm, đến năm 2000 con số này được tăng lên 162,3 cm Theo chương trình nâng cao tầm vóc và thể trạng người Việt Nam của Bộ Văn hóa – Thể thao & Du lịch, kết thúc giai đoạn I (đến năm 2010), chiều cao trung bình của người nam trưởng thành tuổi đạt từ 165cm-166cm

Trong báo cáo [43] năm 2011 cho nhóm đối tượng nam giới Việt Nam trong độ tuổi từ 18 đến 55 tuổi Kết quả của nghiên cứu cho thấy nam giới Việt Nam có chiều cao trung bình 164,7 cm thuộc nhóm người có chiều cao trung bình thấp của cả thế giới, thấp hơn nhiều so với nam giới thuộc các nước Châu Âu Đồng thời, kết quả cho thấy có sự khác nhau đáng kể về chiều cao giữa các nhóm tuổi: nhóm tuổi từ 18 đến 24 có chiều cao trung bình là 166,3 cm, trong khi chiều cao trung bình của nhóm tuổi 35 đến 60 tuổi là 163,8 cm

Các nhà khoa học đã trình bày đặc điểm nhân trắc người Việt Nam trong lứa

tuổi lao động năm 2018-2019 [54] Qua kết quả số liệu đo trực tiếp và xử lý thống kê

gồm các giá trị trung bình cộng, độ lệch chuẩn SD và so sánh kiểm định giá trị trung bình, tác giả cho thấy chiều cao trung bình tại thời điểm ấy của nam giới trưởng thành Việt Nam là 164,6±5,8cm; cân nặng trung bình là 59,2±8,9kg; chỉ số khối cơ thể nam tiệm cận tới mức tiền béo phì (BMI = 23 ÷ 24,9) Tuy nhiên, nghiên cứu này chỉ dừng lại ở việc phân tích kích thước chiều cao và cân nặng của cơ thể và rút ra kết luận nam giới Việt Nam trong lứa tuổi lao động có chỉ số thân trung bình là 52,8cm, nằm trong nhóm người có phần thân trên thuộc loại vừa, tiệm cận loại người có thân dài của nhân loại

1.2 Tổng quan về ứng dụng công nghệ 3D tạo mô hình 3D Avatar trong ngành công nghiệp dệt may

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 Ứng dụng của công nghệ này được sử dụng trong một số lĩnh vực đạt hiệu quả cao như Y học, xây dựng, kiến trúc, phim, trò chơi, trong mô phỏng đào tạo, công nghệ may và thiết kế thời trang [66]

Các nhà nghiên cứu khoa học trên thế giới và ở Việt Nam đã có nhiều công trình nghiên cứu về công nghệ 3D ứng dụng trong ngành công nghệ may và thiết kế thời trang theo các mức độ từ đơn giản đến phức tạp, cùng với nhiều phương pháp nghiên cứu khác nhau Sau khi phân tích và tổng hợp các công trình khoa học trước, luận án chia thành ba nhóm nghiên cứu như sau:

 Nhóm thứ nhất nghiên cứu mô hình 3D sản phẩm quần áo từ dữ liệu quét 3D cơ thể

 Nhóm thứ hai dùng các phương pháp nội suy toán học hay hồi quy từ dữ liệu quét 3D để xây dựng mô hình 3D

 Nhóm cuối cùng dùng phương pháp máy học, mà đặc biệt là phương pháp học sâu xây dựng mô hình 3D Avatar cơ thể người từ dữ liệu quét 3D

1.2.1 Nghiên cứu xây dựng mô hình 3D sản phẩm từ dữ liệu quét 3D cơ thể người

Nghiên cứu của Park Soonjee và Miyoshi Machiko năm 2003 [67], các tác giả đã sử dụng dữ liệu quét 3D, và đã đưa ra lý thuyết và nguyên lý làm trơn bề mặt cơ thể bằng cách di chuyển các điểm lõm của da đến vị trí ngang bằng với điểm lồi lân cận gần nhất Tiếp tục phát triển nguyên lý này để xây dựng bề mặt trang phục áo bó sát Áo bó sát sẽ được phát triển đi từ điểm lồi này sang điểm lồi tiếp theo, ví dụ tại mặt cắt ngang đi qua đỉnh ngực áo bó sát sẽ đi từ đỉnh ngực trái sang đỉnh ngực phải Tương tự ở mặt lưng phần lõm dọc theo cột sống cũng được làm lồi từ điểm lồi bên này của cột sống qua đến điểm lồi bên kia cột sống Sau khi làm lồi các điểm lõm của cơ thể để tạo hình áo bó sát, nhóm tác giả này chứng minh tại mỗi mặt cắt ngang của cơ thể (trong đó vòng eo, vòng bụng, vòng ngực) đều là kết hợp của một hình chữ nhật ở giữa và 2 nửa vòng tròn hai bên Phát triển nguyên lý tạo bề mặt 3D cho sản phẩm áo ôm, một số nhà khoa học khác đã phát triển thành mô hình 3D sản phẩm nữ [68], sản phẩm áo dáng ôm với nhiều chi tiết thiết kế [69-73], sản phẩm áo cơ sở có lượng dư cử động [15, 74]

Wang Zhaohui năm 2007 [75] đã nghiên cứu độ vừa vặn của áo vest nữ dạng X-line sử dụng công nghệ 3D Qua công trình nghiên cứu này, tác giả đã đưa ra được khoảng cách giữa bề mặt cơ thể đến mặt trong của vải, khái niệm REA (Radial Ease Allowance) lượng dư cử động từng phần cũng được khẳng định, công thức tính toán REA đã được xây dựng dựa theo kết quả đo từ thực nghiệm Để nghiên cứu được khoảng cách REA này, tác giả đã tiến hành thực nghiệm và đã tính được khoảng cách REA qua thực nghiệm theo quy trình: 1) thiết kế hoàn thiện áo vest bằng phương pháp phủ vải lên ma-nơ-canh, thực hiện đánh giá sản phẩm đảm bảo sản phẩm đạt độ vừa vặn tốt nhất; 2) thực hiện quét canh không mặc áo; 3) thực hiện quét ma-nơ-canh có mặc áo vừa được thiết kế; 4) chồng 2 hình quét lên nhau và đo khoảng cách REA; 5) Xây dựng phương trình toán học của REA Như vậy, để thực hiện được nghiên cứu trên, tác giả đã sử dụng máy quét 3D 2 lần (1 lần mặc áo và 1 lần không mặc áo) và phải trải qua giai đoạn may mẫu thực trên ma-nơ-canh Jihong Xu và Wenbin Zhang năm 2009 [76] kế thừa nghiên cứu trên và áp dụng để tính lượng dư cử động từng phần cho ma-nơ-canh khi mặc nhiều sản phẩm được thiết kế bằng nhiều chất liệu khác nhau

Năm 2012, Pingying Gu và các cộng sự của mình đã thực hiện nghiên cứu phương pháp thiết kế mẫu váy bó sát của phụ nữ dựa trên dữ liệu đám mây điểm 3D của 100 nữ sinh trường đại học Soochow Hàn Quốc [77] Trong nghiên cứu này, tác giả sử dụng phần mềm thu thập dữ liệu Imageware với một máy quét 3D Symcad của Telmat (đo không tiếp xúc) để lấy biểu đồ đám mây điểm cơ thể người; đồng thời đo thủ công các thông số Sau đó, các đặc điểm phần thân dưới của người phụ nữ trẻ được phân tích và tối ưu từ dữ liệu đám mây điểm thu được ở trên Xác định mối quan hệ giữa chiều cao cả cơ thể (X) với chiều cao eo (Y1), chiều cao bụng (Y2), chiều cao hông (Y3) Nghiên cứu đã phân loại kích thước cơ thể người phụ nữ trẻ dựa trên tỉ lệ chiều dày và chiều rộng của eo, bụng, hông Đưa ra sự tương ứng của đường cấu trúc trên mẫu thiết kế váy bó sát (váy dài đến đầu gối) và dữ liệu nhân trắc phần thân dưới

của cơ thể người

Năm 2009, lần đầu tiên hệ thống máy quét 3D cơ thể người của [TC]2 được nhập về Việt Nam và đặt tại Viện nghiên cứu Dệt May Việt Nam, số 478 Minh Khai Hà Nội Đây là cơ hội vàng cho các nhà khoa học chuyên ngành may và thời trang Việt Nam có được dữ liệu 3D cơ thể người Việt Nam để bắt đầu nghiên cứu ứng dụng trực tiếp cho đối tượng là người Việt Nam [40, 43]

Năm 2012, một luận án đã xây dựng bề mặt trang phục 3D có lượng dư cử động tối thiểu cho áo dáng ôm theo vóc dáng phụ nữ Việt Nam [15] Trong nghiên cứu này, tác giả đã sử dụng dữ liệu 3D thu được từ quá trình quét cơ thể để xây dựng bề mặt trang phục bó sát Từ bề mặt này, các tác giả đã đưa ra 2 phương pháp xác định khoảng cách từ bề mặt cơ thể đến bề mặt phía trong của trang phục, gồm phương pháp cộng từng phần lượng dư cử động và phương pháp cộng đều lượng dư để tính lượng dư cử động tối thiểu trên dữ liệu 3D trước khi trải phẳng Trong đó phương pháp cộng đều lượng dư được đã được chứng minh là có độ tin cậy cao và phương pháp thực hiện đơn giản Từ kết quả nghiên cứu lượng dư cử dộng này, tác giả đã ứng dụng vào thiết kế công thức thiết kế mẫu cơ sở cho trang phục nữ có điều chỉnh theo vóc dáng để phù hợp với sự đa dạng vóc dáng của phụ nữ Việt Nam

Năm 2012, Phan Thanh Thảo và cộng sự đã nghiên cứu chế tạo hệ thống ma-nơ-canh trẻ em trai và gái và ứng dụng thiết kế thời trang cho đối tượng học sinh tiểu học nam và nữ từ dữ liệu quét 3D [78, 79] Kết quả nghiên cứu được đánh giá cao trong sản xuất công nghiệp, thỏa mãn sự thiếu hụt về phom dáng ma-nơ-canh trẻ em trên thị trường lúc bấy giờ

Năm 2013, Nguyễn Thị Ngọc Quyên và cộng sự [25] đã nghiên cứu trích xuất mốc đo cơ thể nam sinh viên 18-24 tuổi từ ảnh chụp 2D Kết quả thu nhận được 33 mốc đo từ mặt trước, 29 mốc đo từ mặt nghiêng, các mốc đo này được ứng dụng để xây dựng mô hình cơ thể người 3D theo thuật toán tính kích thước cơ thể 3D

Năm 2015, Nguyễn Thanh Tùng và cộng sự đã xây dựng công thức các đường cong ngang lưới cơ sở chân váy nữ sinh Việt Nam sử dụng công nghệ 3D để nghiên cứu về mô hình hóa bề mặt chây váy nữ bó sát từ các ảnh quét 3D cơ thể [80] Sử dụng các đường cơ sở chân váy nữ trên mẫu quét 3D thực nghiệm, xây dựng công thức toán

học các đường cong ngang 3D của lưới trang phục Kết quả xây dựng lưới trang phục cho chân váy bó sát

Năm 2019, Lưu Hoàng [81] đã sử dụng dữ liệu quét 3D cơ thể người chưa có quần áo, dữ liệu quét 3D cơ thể người có quần áo để xác định thông số D-text thể hiện mối liên hệ giữa lưới điểm bề mặt cơ thể và lưới điểm bề mặt quần áo Khoảng cách D-text giữa các điểm tương ứng của 2 lưới này là cơ sở thiết kế quần áo 3 chiều Đồng thời nghiên cứu cũng đưa ra thuật toán và giới thiệu phần mềm có khả năng ứng dụng tạo lưới bề mặt quần áo từ bề mặt cơ thể dựa trên kết quả D-text, từ đó mô phỏng chi tiết quần áo

Cùng năm 2019, Nguyễn Quốc Toản [82] đã mô phỏng 3D cơ thể người và quần áo sử dụng ảnh quét 3D phối hợp với ảnh chụp cắt lớp CT cho phần thân dưới cơ thể nữ thanh niên Việt Nam 18-25 tuổi Nghiên cứu tập trung vào ba phần chính là phần bụng, phần mông và phần đùi Kết quả đã đạt được mô hình mô phỏng từng phần cơ thể như đã đề cập, đồng thời mô phỏng và thực nghiệm xác định áp lực tiện nghi của quần bó sát lên cơ thể người

Nhìn chung, đã có nhiều nghiên cứu về mô hình 3D sản phẩm và ứng dụng của công nghệ 3D cho ngành may mặc Việt Nam Các nghiên cứu tạo ra mô hình cơ thể người Việt Nam theo các thuật toán hoặc phương pháp nghiên cứu hiện đại như AI vẫn còn hạn chế Các nghiên cứu ứng dụng mà nhà nghiên cứu khoa học dệt may tập trung vào phần lớn cho đối tượng là nữ giới Việt Nam, các nghiên cứu cho nam giới Việt Nam còn hạn chế, đặc biệt chưa có nội dung nghiên cứu cho nam trung niên Việt Nam hoặc tỉnh thành nào của Việt Nam

1.2.2 Xây dựng mô hình 3D bằng phương pháp nội suy toán học hay hồi quy từ dữ liệu quét 3D

Trên thế giới có nhiều nhà khoa học đã nghiên cứu về mô hình 3D cơ thể người dùng các phương pháp nội suy toán học hay hồi quy

Năm 2014, tác giả Shuxia Wang đã đề xuất phương thức xây dựng cơ thể người 3D với dữ liệu đầu vào từ máy quét 3D [83] nhằm ứng dụng trong ngành thiết kế trang phục Tác giả đã nghiên cứu việc cải thiện khung xương cho mô hình người 3D để có thể thiết kế trang phục ảo phù hợp hơn Đồng thời nghiên cứu này sử dụng kỹ thuật nội suy để xấp xỉ các mặt cắt ngang của cơ thể người Nhóm nghiên cứu này đã chia mô hình thành các bộ phận nhỏ rồi dùng pháp nội suy Hermite để nội suy Hermite từng phần của mô hình Dựa vào các thông số đã có trước, ta xác định vị trí các lát cắt chính của cơ thể người bao gồm cổ, ngực, bụng, mông và các vòng của tứ chi Tiếp theo xác định các điểm chính (cố định không thay đổi) của các lát cắt chính này trên khung định vị và tiến hành điều chỉnh các điểm này cho phù hợp, tương ứng với các thông số đã có Áp dụng phép nội suy (nội suy hermite) để thêm các điểm vào lát cắt sao cho phù hợp với hình dạng của cơ thể người tại vị trí lát cắt đó Dựa trên các lát cắt chính đã xây dựng được, sử dụng nội suy để tạo ra các lát cắt phụ ở các phần khác nhau của cơ thể nhằm tạo ra các bộ phận cơ thể đã hoàn chỉnh về mặt hình dáng Tổ hợp tất cả các lát cắt tạo thành một mô hình 3D cơ thể người hoàn chỉnh

Trong một bài báo của Yanhong Zeng, Jianlong Fu và Hong Yang Chao nghiên cứu về vấn đề này [84] năm 2018, nhóm nghiên cứu đã đề xuất một kỹ thuật lập bản đồ cục bộ dựa trên lựa chọn tính năng mới, cho phép lập mô hình thông số nhân trắc học tự động cho từng khía cạnh cơ thể Cụ thể, mô hình định hình lại được đề xuất bao gồm ba bước Đầu tiên là tính toán các thông số nhân trắc học toàn bộ cơ thể từ các thông số đầu vào của người dùng hạn chế bằng kỹ thuật nhập và do đó có thể thu được các thông số nhân trắc học cần thiết cho định hình lại cơ thể 3D Thứ hai, chọn các thông số nhân trắc học phù hợp nhất cho từng khía cạnh bằng cách sử dụng các mặt nạ liên quan, được học ngoại tuyến bằng kỹ thuật lập bản đồ cục bộ được đề xuất Thứ ba, nhóm nghiên cứu tạo lưới cơ thể 3D bằng cách ánh xạ ma trận, được học bằng hồi quy tuyến tính từ các tham số đã chọn để biểu diễn phần thân dựa trên lưới Mô hình hóa hình dạng cơ thể người từ các điểm đám mây được quét từ máy quét cơ thể 3D: Trích xuất thông tin, dữ liệu các điểm đám mây khi quét 3D cơ thể người, sau đó cải thiện cấu trúc và chia cơ thể người thành 7 phần Tiếp theo xác định vị trí của các mặt cắt ngang và xác định các điểm của mỗi lát cắt, tiến hành trích xuất các điểm chính của các lát cắt, nội suy các điểm này bằng phương pháp nội suy spline Xây dựng khung dây cho các bộ phận của cơ thể rồi kết nối các bộ phận thành một chỉnh thể Cuối cùng tạo các lưới tam giác làm bề mặt cho mô hình để hoàn thiện mô hình cơ thể người ảo

Một trong những nỗ lực đầu tiên để giải quyết vấn đề tái tạo mô hình 3D là dựa trên mô hình mẫu Chính xác hơn, phương pháp này tạo ra một mô hình mới bằng cách biến dạng một mô hình mẫu Allen và cộng sự [85, 86] sự đã xây dựng một bài toán tối ưu hóa để tìm một phép biến đổi affine ở mỗi đỉnh của mô hình mẫu được thiết kế để phù hợp với cơ thể người được quét 3D Họ đã xác định ba loại lỗi và kết hợp chúng để tạo ra hàm mục tiêu Cách tiếp cận của họ cũng xử lý dữ liệu bề mặt không đầy đủ và điền vào các khu vực bị thiếu và chụp kém do máy quét gây ra [85] Sửa đổi phương pháp của Allen, Hasler đã thực hiện đăng ký không cứng nhắc với mục đích khớp tư thế và hình dạng của bản quét 3D tạo thành một mô hình mẫu [87] Seo và cộng sự đã làm biến dạng một mô hình hiện có để có được mô hình mới dựa trên hai giai đoạn tiền xử lý: Việc lắp khung xương tìm thấy cấu trúc khung xương gần giống với cơ thể người 3D tương ứng, sau đấy khớp da đã tính toán vectơ dịch chuyển của từng đỉnh giữa mô hình mẫu sau khi khớp xương và khớp lưới quét [88]

Cách tiếp cận khác là tái tạo dựa trên 2D Phương pháp này giảm chi phí vì nó chỉ yêu cầu một bộ ảnh Tuy nhiên, dữ liệu hình ảnh thường chứa nhiễu và nền khó loại bỏ Phương pháp của Blanz lấy hình ảnh màu khuôn mặt người làm đầu vào và tạo mô hình khuôn mặt 3D tương ứng Các khuôn mặt và biểu cảm mới có thể được mô tả bằng cách hình thành các tổ hợp tuyến tính của các nguyên mẫu [89] Trong nghiên cứu này, vectơ trọng số được giả định là phân phối dưới dạng Gauss đa biến và có thể được tìm thấy bằng xác suất hậu nghiệm tối đa Chen đã cố gắng tự động tái tạo lại các hình dạng 3D phức tạp hơn như cơ thể người từ các bóng 2D với hình dạng trước đó được học trực tiếp từ các mô hình 3D hiện có trong một khung dựa trên GPLVM [90] Tuy nhiên, cách tiếp cận này không thực tế vì chỉ dựa vào bóng sẽ làm mất thông tin chiều sâu của cơ thể người

Nhìn chung, các phương pháp nội suy đã được nghiên cứu chủ yếu cho việc tạo mô hình cơ thể từng phần, hoặc mô hình vật thể ứng dụng trong nhiều lĩnh vực khác nhau Có nghiên cứu tập trung cho tạo mô hình 3D cơ thể người Trung Quốc phục vụ cho ngành may mặc Các nhà khoa học Việt Nam chưa có công bố khoa học về tạo mô hình 3D bằng phương pháp nội suy dựa trên dữ liệu quét 3D của cơ thể người Việt Nam

1.2.3 Xây dựng mô hình 3D bằng phương pháp máy học từ dữ liệu quét 3D

Phương pháp máy học, đặc biệt là phương pháp học sâu đang được nghiên cứu từng phần ứng dụng ở nhiều lĩnh vực khác nhau [91] MVCNN (Multiview convolutional neural network) tiên phong tối đa hóa các đặc trưng đa chế độ xem thành một bộ mô tả toàn cục Tuy nhiên, phương thức max-pooling chỉ giữ lại các phần tử tối đa từ dữ liệu cụ thể, điều này dẫn đến mất thông tin MHBN (Multi-view harmonized bilinear network) tích hợp các đặc trưng tích chập cục bộ bằng cách tổng hợp song tuyến tính hài hòa để tạo ra một bộ mô tả toàn cục nhỏ gọn Guo Yang và cộng sự [91], đầu tiên tận dụng một mạng quan hệ để khai thác các mối quan hệ liên kết (ví dụ: mối quan hệ khu vực-khu vực và mối quan hệ cảnh quan- cảnh quan) trên một nhóm cảnh quan, sau đó tổng hợp các cảnh quan này để có được biểu diễn đối tượng 3D phân biệt Thêm vào đó một số phương pháp khác cũng đã được đề xuất để cải thiện độ chính xác nhận dạng Không giống như các phương pháp trước đây, Wang và cộng sự đã sử dụng đồ thị có hướng trong View-GCN bằng cách xem xét nhiều cảnh quan là đỉnh của đồ thị Lớp lõi bao gồm tích chập đồ thị cục bộ, truyền thông điệp không phải là cục bộ và chọn mẫu cảnh quan có chọn lọc sau đó áp dụng cho đồ thị đã xây dựng Sự kết hợp của các đặc trưng của lớp cực đại ở tất cả các lớp cuối cùng được sử dụng để tạo thành bộ mô tả hình dạng toàn cục [92]

Các phương pháp trên thường chuyển đám mây điểm thành lưới 3D, sau đó áp dụng mạng thần kinh chuyển đổi 3D (Convolution Neural Network - CNN) trên biểu diễn thể tích để phân loại hình dạng Maturana và cộng sự giới thiệu một mạng công suất thể tích được gọi là VoxNet để đạt được khả năng nhận dạng đối tượng 3D mạnh mẽ [92] Pishchulina và cộng sự đã đề xuất một mạng học sâu tích chập dựa trên niềm có tên ShapeNets 3D để học phân bố của các điểm từ các hình dáng 3D khác nhau [93] Mặc dù đã đạt được hiệu quả đáng khích lệ, nhưng các phương pháp này không thể mở rộng quy mô tốt cho dữ liệu 3D dày đặc do dung lượng tính toán và bộ nhớ tăng theo khối lượng với độ phân giải Cuối cùng, một cấu trúc phân cấp và nhỏ gọn (chẳng hạn như octree) được giới thiệu để giảm chi phí tính toán và bộ nhớ của các phương pháp này Trước tiên, OctNet phân vùng một đám mây điểm theo thứ bậc bằng cách sử dụng cấu trúc lưới-octree kết hợp, đại diện cho cảnh có một vài octree nông dọc theo một lưới thông thường Cấu trúc của octree được mã hóa hiệu quả bằng cách sử dụng biểu diễn chuỗi bit và vectơ đặc trưng của mỗi điểm ảnh ba chiều được lập chỉ mục bằng phép tính số học đơn giản Wang và cộng sự đã đề xuất một CNN dựa trên Octree để phân loại hình dạng 3D [92] Các vectơ pháp tuyến trung bình của mô hình 3D được lấy mẫu trong các khoảng lá của Octree tốt nhất để đưa vào mạng và 3D-CNN được áp dụng trên các khoảng ở bề mặt hình dạng 3D So sánh với mạng cơ bản dựa trên các

với các đám mây điểm có độ phân giải cao Le và cộng sự đã đề xuất một mạng kết hợp có tên là PointGrid, mạng được tích hợp biểu diễn điểm và lưới để xử lý đám mây điểm hiệu quả Cố định số lượng điểm được lấy mẫu trong mỗi ô lưới thể tích nhúng, điều này cho phép mạng trích xuất các chi tiết hình học bằng cách sử dụng các kết cấu 3D Ben-Shabat đã chuyển đổi đám mây điểm đầu vào thành lưới 3D, được biểu diễn thêm bằng phương pháp Fisher Vector (3DmFV) đã sửa đổi 3D, sau đó học cách biểu diễn toàn cục thông qua kiến trúc CNN thông thường Các phương pháp này mô hình hóa từng điểm một cách độc lập với một số Perceptron nhiều lớp (Multi-Layer Perceptron - MLP) được chia sẻ, sau đó tổng hợp thành đặc trưng toàn cục bằng cách sử dụng hàm tổng hợp đối xứng, như trong hình 1.7 Các phương pháp học sâu điển hình cho hình ảnh 2D không thể được áp dụng trực tiếp cho các đám mây điểm 3D do sự bất thường về dữ liệu cố hữu của chúng Là một công trình tiên phong, PointNet trực tiếp lấy các đám mây điểm làm đầu vào và đạt được tính bất biến hoán vị với hàm đối xứng Cụ thể PointNet học các đặc trưng theo các chiều một cách độc lập với một số lớp MLP và trích xuất các đặc trưng toàn cục bằng một lớp tổng hợp tối đa Các tập hợp sâu đạt được tính bất biến hoán vị bằng cách tổng hợp tất cả các biểu diễn và áp dụng các phép biến đổi phi tuyến tính Do các đặc trưng được học độc lập cho từng điểm trong PointNet nên không thể nắm bắt được thông tin cấu trúc cục bộ giữa các điểm Do đó, Qi và đồng sự đã đề xuất một mạng phân cấp PointNet++ để nắm bắt các cấu trúc hình học tốt từ vùng lân cận của mỗi điểm Cốt lõi của hệ thống phân cấp PointNet++ ở mức trừu tượng đã thiết lập ba lớp: lớp lấy mẫu, lớp gom nhóm và lớp học dựa trên PointNet Bằng cách xếp chồng một số mức trừu tượng đã thiết lập, PointNet++ học các đặc trưng từ cấu trúc hình học cục bộ và trừu tượng hóa các đặc trưng cục bộ theo từng lớp [91]

Tích chập 3D có thể được hiểu là tổng trọng số trên một tập hợp con nhất định Là lớp cốt lõi của RS-CNN, RSConv lấy một tập hợp con cục bộ các điểm xung quanh một điểm nhất định làm đầu vào của nó và tích chập được triển khai cho MLP bằng cách tìm hiểu ánh xạ từ các mối quan hệ cấp thấp (chẳng hạn như khoảng cách Euclide và vị trí tương đối) quan hệ cấp cao giữa các điểm trong tập con cục bộ Trong đó các phần tử nhân được chọn ngẫu nhiên trong một khối cầu đơn vị Sau đó một hàm liên tục dựa trên MLP được sử dụng để thiết lập mối quan hệ giữa vị trí của các phần tử nhân và đám mây điểm Trong DensePoint, tích chập được định nghĩa là Perceptron một lớp (Single Layer Perceptron - SLP) với bộ kích hoạt phi tuyến tính Các đặc trưng được học bằng cách kết hợp các đặc trưng từ tất cả các lớp trước đó để khai thác đầy đủ thông tin theo ngữ cảnh Thomas đã đề xuất toán tử Kernel Point Convolution (KPConv) và toán tử này có thể làm biến dạng cho các đám mây điểm 3D bằng cách sử dụng một tập hợp các điểm thuộc kernel mà đã được học trước ConvPoint tách nhân tích chập thành các phần không gian và đặc trưng [93, 94] Các vị trí của dữ liệu trong không gian được chọn ngẫu nhiên từ một khối cầu đơn vị và hàm trọng số được học thông qua một MLP đơn giản Một số phương pháp cũng sử dụng các thuật toán hiện có để thực hiện tích chập Trong PointConv, tích chập được định nghĩa là ước tính Monte Carlo của tích chập 3D liên tục đối với lấy mẫu quan trọng Các tích chập bao gồm một hàm trọng số (được học với các lớp MLP) và một hàm mật độ (được học bởi

ước tính mật độ nhân và một lớp MLP) Để cải thiện bộ nhớ và hiệu quả tính toán, tích chập 3D tiếp tục được rút gọn thành hai thao tác: phép nhân ma trận và tích chập 2D Với cùng một cài đặt tham số, mức tiêu thụ bộ nhớ của phương pháp có thể giảm khoảng 64 lần Trong MCCNN (Monte Carlo Convolution Neural Network), tích chập được coi là quy trình ước tính Monte Carlo dựa trên hàm mật độ của mẫu (được triển khai với MLP) Lấy mẫu đĩa Poisson sau đó được sử dụng để xây dựng hệ thống phân cấp đám mây điểm Toán tử tích chập này có thể được sử dụng để thực hiện tích chập giữa hai hoặc nhiều phương pháp lấy mẫu và có thể xử lý các mật độ lấy mẫu khác nhau Trong SpiderCNN, SpiderConv được đề xuất để xác định tích chập là tích của hàm bước nhảy và khai triển Taylor được xác định trên k láng giềng gần nhất Hàm bước nhảy nhận hình dáng hình học thô bằng cách mã hóa khoảng cách trắc địa cục bộ và khai triển Taylor để xác định các biến thể hình học cục bộ nội tại bằng cách nội suy các giá trị tùy ý tại các đỉnh của khối lập phương Bên cạnh đó, mạng tích chập PCNN (Point convolutional neural networks) cũng được đề xuất cho xây dựng đám mây điểm 3D dựa trên hàm cơ sở xuyên tâm

Một số phương pháp đã được đề xuất để giải quyết vấn đề xoay tương đương mà các mạng tích chập 3D gặp phải Esteves đã đề xuất CNN Hình cầu 3D để tìm hiểu biểu diễn tương đương xoay cho các hình dạng 3D, lấy các hàm hình cầu đa giá trị làm đầu vào, từ đây các bộ lọc tích chập cục bộ thu được bằng cách tham số hóa phổ với các điểm neo trong miền điều hòa hình cầu Các mạng với trường tensor được đề xuất để xác định hoạt động tích chập điểm là kết quả của hàm xuyên tâm có thể học và sóng hình cầu, các biến đổi này tương đương cục bộ với các phép quay, tịnh tiến và hoán vị 3D Tích chập được xác định dựa trên mối tương quan chéo hình cầu và được triển khai bằng thuật toán biến đổi Fourier nhanh (Fast Fourier Transformation - FFT) tổng quát Dựa trên PCNN, SPHNet có được tính bất biến xoay bằng cách kết hợp các nhân điều hòa hình cầu trong quá trình tích chập trên các hàm thể tích Để tăng tốc độ tính toán, Flex-Convolution xác định trọng số của nhân tích chập là tích vô hướng tiêu chuẩn trên k-láng giềng gần nhất và có thể tăng tốc bằng cách sử dụng CUDA Kết quả thực nghiệm đã chứng minh hiệu suất của nó trên một tập dữ liệu nhỏ với ít tham số hơn và mức tiêu thụ bộ nhớ thấp hơn [91]

Một phương pháp học dựa trên phương pháp tích chập rời rạc 3D đã được xây dựng, các phương pháp này xác định các nhân tích chập trên các lưới thông thường, trong đó trọng số cho các điểm lân cận có liên quan đến độ lệch đối với điểm trung tâm Hu đã chuyển đổi các đám mây điểm 3D không đồng nhất thành các lưới đồng nhất và xác định các nhân tích chập trên mỗi lưới [95] Nhân 3D được đề xuất gán các trọng số giống nhau cho tất cả các điểm thuộc cùng một lưới Đối với một điểm nhất định, các đặc trưng trung bình của tất cả các điểm lân cận nằm trên cùng một lưới được tính toán từ lớp trước đó Sau đó, các đặc trưng trung bình của tất cả các lưới được tính trọng số và tính tổng để tạo ra đầu ra của lớp hiện tại Lei đã xác định một nhân tích chập hình cầu bằng cách phân vùng lân cận hình cầu 3D thành nhiều ngăn thể tích và liên kết từng ngăn với một ma trận trọng số để học [96] Đầu ra của nhân tích chập hình cầu cho một điểm được xác định bằng hàm kích hoạt phi tuyến của giá trị trung bình

hệ hình học giữa một điểm và các điểm lân cận của nó được mô hình hóa rõ ràng dựa trên sáu cơ sở Các đặc trưng cạnh dọc theo mỗi hướng của cơ sở được đánh trọng số độc lập bởi một ma trận có thể học được liên quan đến hướng Các đặc trưng liên quan đến hướng này sau đó được tổng hợp theo các góc được tạo bởi điểm đã cho và các điểm lân cận của nó Đối với một điểm nhất định, đặc trưng của nó ở lớp hiện tại được định nghĩa là tổng các đặc trưng của điểm đã cho và các đặc trưng cạnh lân cận của nó ở lớp trước PointCNN biến đổi các điểm đầu vào thành thứ tự chuẩn tiềm ẩn và có khả năng thông qua phép biến đổi-conv (được triển khai thông qua MLP) và sau đó áp dụng toán tử tích chập điển hình trên các đặc trưng Bằng cách nội suy các đặc điểm của điểm với các tọa độ trọng với nhân tích chập rời rạc lân cận, Mao đã đề xuất một toán tử tích chập nội suy InterpConv để đo các mối quan hệ hình học giữa các đám mây điểm đầu vào và tọa độ trọng số nhân Zhang đã đề xuất một toán tử RIConv để đạt được tính bất biến xoay, lấy các đặc điểm hình học bất biến xoay ở mức độ thấp làm đầu vào và sau đó biến tích chập thành một chiều bằng cách tiếp cận tạo nhóm đơn giản [90] A-CNN xác định một tích chập hình khuyên bằng cách lặp mảng các điểm lân cận tương ứng với kích thước nhân trên mỗi vòng của điểm truy vấn và tìm hiểu mối quan hệ giữa các điểm lân cận trong một tập hợp con cục bộ Để giảm chi phí tính toán và bộ nhớ của CNN 3D, Kumawat đã đề xuất khối Khối lượng pha cục bộ được chỉnh lưu (Rectified Local Phase Volume - ReLPV) để trích xuất pha trong vùng lân cận cục bộ 3D dựa trên biến đổi Fourier 3D ngắn hạn (STFT Short Term Fourier Transform), việc này giúp giảm đáng kể số lượng tham số Trong SFCNN, một đám mây điểm được chiếu lên các mạng 2 mặt đều với các tọa độ hình cầu thẳng hàng Các phép tích chập sau đó được tiến hành dựa trên các đặc trưng được nối từ các đỉnh của mạng hình cầu và các lân cận của chúng thông qua các cấu trúc tích chập-maxpooling-tích chập SFCNN có khả năng chống lại sự quay và nhiễu loạn Các mạng dựa trên đồ thị coi mỗi điểm trong đám mây điểm là một đỉnh của đồ thị và tạo các cạnh có hướng cho đồ thị dựa trên các lân cận của từng điểm [91] Sau đó, đặc trưng học được thực hiện trong các miền không gian hoặc quang phổ Một mạng dựa trên đồ thị điển hình được hiển thị trong hình 1.8

Phương pháp dựa trên đồ thị trong miền không gian để xây dựng mạng với tích chập thường được thực hiện thông qua MLP trên các lân cận không gian và gộp chung được sử dụng để tạo ra một đồ thị thô mới bằng cách tổng hợp thông tin từ các lân cận của mỗi điểm Các đặc trưng ở mỗi đỉnh thường được gán với tọa độ, cường độ laser hoặc màu sắc, trong khi các đặc trưng ở mỗi cạnh thường được gán với các thuộc tính hình học giữa hai điểm được kết nối Là một công trình tiên phong, Simonovsky coi mỗi điểm là một đỉnh của đồ thị và nối mỗi đỉnh với tất cả các lân cận của nó bằng một cạnh có hướng Tích chập có điều kiện cạnh (Edge Conditioned Convolution - ECC) được đề xuất bằng cách sử dụng mạng tạo bộ lọc Đặc trưng tổng hợp tối đa được áp dụng để tổng hợp thông tin vùng lân cận và triển khai thô biểu đồ dựa trên VoxelGrid Trong DGCNN, một đồ thị được xây dựng trong không gian đặc trưng và được cập nhật động sau mỗi lớp của mạng Là lớp cốt lõi của EdgeConv, MLP được sử dụng làm chức năng học đặc trưng cho từng cạnh và tổng hợp đối xứng theo kênh được áp dụng cho các đặc trưng cạnh được liên kết với các điểm lân cận của mỗi điểm Ngoài ra,

LDGCNN loại bỏ mạng chuyển đổi và liên kết các đặc trưng phân cấp từ các lớp khác nhau trong DGCNN để cải thiện hiệu suất và giảm kích thước mô hình Mạng AutoEncoder học sâu không giám sát từ đầu đến cuối (cụ thể là FoldingNet) cũng được đề xuất để sử dụng phép nối của ma trận hiệp phương sai cục bộ được véc tơ hóa và tọa độ điểm làm đầu vào Lấy cảm hứng từ Inception và DGCNN, Hassani và Haley đã đề xuất một bộ mã hóa tự động đa nhiệm không giám sát để tìm hiểu các đặc điểm của điểm và hình dạng Bộ mã hóa được xây dựng dựa trên các biểu đồ tỷ lệ đa dạng Bộ giải mã được xây dựng bằng cách sử dụng ba tác vụ không được giám sát bao gồm phân cụm, phân loại tự giám sát và tái cấu trúc, được huấn luyện cùng với hàm lỗi đa tác vụ Liu và cộng sự đã đề xuất Mô-đun kết tụ điểm động (Dynamic Points Agglomeration Module - DPAM) dựa trên tích chập đồ thị để đơn giản hóa quá trình xác định điểm (lấy mẫu, nhóm và tổng hợp) thành một bước đơn giản, được thực hiện thông qua phép nhân ma trận xác định điểm và ma trận đặc trưng điểm Dựa trên kiến trúc PointNet, kiến trúc học phân cấp được xây dựng bằng cách xếp chồng nhiều DPAM So với chiến lược phân cấp của PointNet++, DPAM tự động khai thác mối quan hệ của các điểm và tập hợp các điểm trong một không gian ngữ nghĩa Để khai thác các cấu trúc hình học cục bộ, KCNet học các đặc trưng dựa trên tương quan nhân Cụ thể, một tập hợp các điểm có thể học được đặc trưng cho các loại hình học của cấu trúc cục bộ được định nghĩa là nhân Sau đó, mối quan hệ giữa nhân và vùng lân cận của một điểm được tính toán Trong G3D, tích chập được định nghĩa là một biến thể của đa thức của ma trận kề và gộp được định nghĩa là nhân ma trận Laplace và ma trận đỉnh với ma trận thô ClusterNet sử dụng mô-đun bất biến xoay một cách nghiêm ngặt để trích xuất các đặc trưng bất biến xoay từ k láng giềng gần nhất cho mỗi điểm và xây dựng cấu trúc phân cấp của đám mây điểm dựa trên phương pháp phân cụm phân cấp tổng hợp không giám sát với tiêu chí liên kết cụm Các đặc trưng trong mỗi cụm được học thông qua khối EdgeConv và sau đó được tổng hợp thông qua lớp maxpooling Để giải quyết vấn đề tốn thời gian của các phương pháp cấu trúc dữ liệu hiện tại (chẳng hạn như FPS và truy vấn điểm lân cận), Xu và đồng sự đề xuất kết hợp các ưu điểm của phương pháp dựa trên thể tích và dựa trên điểm để cải thiện hiệu quả tính toán Các thực nghiệm về nhiệm vụ phân loại ModelNet chứng minh rằng hiệu quả tính toán của mạng Grid-GCN được đề xuất trung bình nhanh hơn 5 lần so với các mô hình khác [91]

Phương pháp dựa trên đồ thị trong miền quang phổ dựa trên các tích chập là lọc quang phổ, đó là được thực hiện dưới dạng phép nhân các tín hiệu trên đồ thị với các vectơ riêng của ma trận Laplace của đồ thị RGCNN xây dựng đồ thị bằng cách kết nối từng điểm với tất cả các điểm khác trong đám mây điểm và cập nhật đồ thị qua ma trận Laplace trong mỗi lớp Để làm cho các đặc trưng của các đỉnh liền kề giống nhau hơn, độ mượt của tín hiệu đồ thị trước được thêm vào hàm lỗi Để giải quyết những thách thức gây ra bởi cấu trúc liên kết đồ thị đa dạng của dữ liệu, Lớp SGC-LL trong AGCN sử dụng thước đo khoảng cách có thể học được để tham số hóa độ tương tự giữa hai đỉnh trên đồ thị Ma trận kề thu được từ biểu đồ được chuẩn hóa bằng nhân Gauss và khoảng cách đã học HGNN xây dựng một lớp tích chập siêu cạnh bằng cách áp dụng