Tổng quan về luận án

Luận án tiến sĩ "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" của ThS. Nguyễn Mậu Tùng (2023) đại diện cho một nghiên cứu tiên phong trong lĩnh vực Công nghệ Dệt, May, đặc biệt trong bối cảnh cuộc cách mạng công nghiệp 4.0 và sự bùng nổ của thời trang kỹ thuật số. Nghiên cứu này giải quyết một khoảng trống đáng kể trong khoa học nhân trắc học và ứng dụng công nghệ 3D tại Việt Nam.

Bối cảnh khoa học và tính tiên phong của nghiên cứu Ngành dệt may Việt Nam, một trong những ngành kinh tế mũi nhọn với tốc độ tăng trưởng bình quân 10%/năm, đang chuyển mình mạnh mẽ hướng tới các phương thức sản xuất cao cấp hơn như ODM (Original Designed Manufacturer) và OBM (Original Brand Manufacturer) để tăng giá trị sản phẩm [7]. Trong bối cảnh này, việc ứng dụng công nghệ 3D để tạo ra các cửa hàng quần áo trực tuyến, thử đồ ảo và mô hình hóa cơ thể 3D đã trở thành một xu hướng tất yếu [1-4]. Tuy nhiên, các phần mềm thiết kế 3D hiện hành còn thiếu các ma-nơ-canh kỹ thuật số phản ánh chân thực vóc dáng người Việt Nam, đặc biệt là một phân khúc nhân khẩu học quan trọng: nam giới trung niên. Luận án này đặt mình vào vị trí tiên phong bằng cách kết hợp khoa học nhân trắc học truyền thống với các phương pháp học sâu hiện đại để lấp đầy khoảng trống đó.

Research gap SPECIFIC với citations từ literature Nghiên cứu này định vị mình bằng cách giải quyết các khoảng trống cụ thể trong tài liệu hiện có:

  1. Thiếu hụt dữ liệu nhân trắc và phân loại vóc dáng cho nam trung niên Việt Nam: Mặc dù đã có một số nghiên cứu về vóc dáng phụ nữ Việt Nam [8-22], học sinh [21, 23, 24] và nam nữ trong độ tuổi lao động nói chung [21, 22, 25, 26], "ở độ tuổi nam trung niên từ 30-60 tuổi... hiện chưa có công trình nào nghiên cứu về đặc trưng đó" [tr. 2]. Đây là nhóm tuổi có nhiều biến động về vóc dáng do sinh hoạt dinh dưỡng và việc làm [27, 28], đồng thời là đối tượng có nhu cầu và khả năng chi trả cho trang phục phù hợp, cũng như đóng góp tích cực cho sự phát triển kinh tế xã hội.
  2. Hạn chế ứng dụng phương pháp học sâu trong mô hình hóa Avatar 3D tại Việt Nam: "Ở Việt Nam chưa có công trình nghiên cứu khoa học nào ứng dụng công nghệ thông tin tiên tiến phương pháp học sâu để tái tạo và xây dựng mô hình Avatar 3D dựa trên mạng nơ-ron" [tr. 33]. Các nghiên cứu trước đây chủ yếu tập trung vào mô hình hóa 3D sản phẩm hoặc sử dụng các thuật toán truyền thống hơn [15, 75, 83].

Research questions và hypotheses Dựa trên các khoảng trống nghiên cứu, luận án theo đuổi các câu hỏi và giả thuyết nghiên cứu then chốt:

  1. Câu hỏi nghiên cứu 1: Vóc dáng nam trung niên Thành phố Hồ Chí Minh (30-60 tuổi) được phân loại như thế nào dựa trên dữ liệu quét 3D và các phương pháp thống kê tiên tiến?
    • Giả thuyết 1.1: Có thể xác định được ít nhất 3-5 dạng vóc dáng đặc trưng cho nam trung niên TP.HCM.
    • Giả thuyết 1.2: Các dạng vóc dáng này sẽ có sự khác biệt có ý nghĩa thống kê về các kích thước cơ thể chủ đạo.
  2. Câu hỏi nghiên cứu 2: Làm thế nào để xây dựng mô hình Avatar 3D cơ thể người Việt Nam phù hợp với vóc dáng nam trung niên, sử dụng phương pháp học sâu từ dữ liệu quét 3D?
    • Giả thuyết 2.1: Phương pháp học sâu (Convolutional Neural Network - CNN) có thể học và tái tạo chính xác các hình dạng 3D từ dữ liệu đám mây điểm và thông số 2D.
    • Giả thuyết 2.2: Avatar 3D được xây dựng có thể tích hợp và ứng dụng hiệu quả trong các phần mềm thiết kế trang phục 3D hiện có (ví dụ: CLO3D) để đánh giá độ vừa vặn.
  3. Câu hỏi nghiên cứu 3: Việc ứng dụng Avatar 3D này mang lại những giá trị thực tiễn và tác động như thế nào đối với ngành công nghiệp dệt may và thiết kế thời trang tại Việt Nam?

Theoretical framework với tên theories cụ thể Luận án này được xây dựng trên nền tảng của nhiều lý thuyết và phương pháp học thuật:

  • Khoa học nhân trắc học (Anthropometry): Kế thừa các nguyên lý xác định và phân tích kích thước cơ thể người, dựa trên các tiêu chuẩn quốc tế (ISO/TRI 10652:1991) và tiêu chuẩn Việt Nam (TCVN5781-2009), cũng như các nghiên cứu nhân trắc học kinh điển của Martin [38] và CAESAR [39, 45]. Lý thuyết về sự biến động hình thái cơ thể theo chủng tộc, lứa tuổi và điều kiện địa lý được nhấn mạnh [36, 37].
  • Lý thuyết thống kê đa biến (Multivariate Statistics): Ứng dụng các lý thuyết về Phân tích Nhân tố Chính (Principal Component Analysis - PCA) để giảm chiều dữ liệu và xác định các thành phần chính; Phân tích Phân nhóm K-means (K-means Clustering) để nhóm các đối tượng có đặc điểm tương đồng; và các kiểm định thống kê như ANOVA (Analysis of Variance) và T-test để đánh giá sự khác biệt có ý nghĩa thống kê giữa các nhóm, đảm bảo độ tin cậy của các kết quả phân loại [60, 61]. Khái niệm về phân phối chuẩn (Normal Distribution) và hệ số Cronbach’s Alpha cho độ tin cậy thang đo là các trụ cột của phân tích dữ liệu.
  • Lý thuyết học sâu (Deep Learning Theory): Dựa trên các nguyên lý của Mạng Nơ-ron Tích chập (Convolutional Neural Network - CNN) và các cấu trúc mạng như PointNet, PointNet++ [91], luận án khám phá cách các mạng này có thể học các đặc trưng hình học từ dữ liệu đám mây điểm 3D để tái tạo mô hình cơ thể người. Khái niệm về "cấu trúc lát mỏng" (slice-structure) được giới thiệu như một phương pháp biểu diễn dữ liệu mới, phù hợp với CNN.
  • Lý thuyết Mô hình hóa hình học (Geometric Modeling Theory): Sử dụng các nguyên tắc của nội suy toán học (Mathematical Interpolation), đặc biệt là nội suy Spline hoặc Hermite [83, 98, 99], để xây dựng các bề mặt trơn từ các điểm trọng yếu, tạo nên mô hình 3D cơ thể người.

Đóng góp đột phá với quantified impact Nghiên cứu này mang lại những đóng góp đột phá với tác động rõ rệt:

  1. Bộ dữ liệu nhân trắc 2D và 3D đầu tiên cho nam trung niên TP.HCM: Thu thập được dữ liệu 3D của 1106 nam giới (18-60 tuổi) và chuyên sâu vào 378 nam trung niên (30-60 tuổi), cung cấp một nguồn tài nguyên quý giá chưa từng có. "Bộ dữ liệu nhân trắc 2D và 3D nam trung niên TP. HCM... là đóng góp thực tiễn cho sự phát triển ngành thời trang may sẵn của Việt Nam." [tr. 4].
  2. Phân loại vóc dáng nam trung niên với 5 dạng cơ thể: Sử dụng phương pháp thống kê tiên tiến, luận án đã phân loại thành công 5 vóc dáng đặc trưng cho nam trung niên TP.HCM, "Phân loại được thành 5 vóc dáng." [tr. 5], làm cơ sở cho thiết kế trang phục tối ưu.
  3. Tiên phong ứng dụng học sâu xây dựng Avatar 3D tại Việt Nam: Phát triển và triển khai thành công mô hình CNN để tạo ra Avatar 3D từ dữ liệu quét, một bước tiến quan trọng trong việc ứng dụng AI vào ngành dệt may trong nước. "Đã ứng dụng phương pháp học sâu để xây dựng Avatar 3D." [tr. 5].
  4. Tích hợp Avatar vào phần mềm thiết kế 3D thương mại (CLO3D): Chứng minh khả năng xây dựng và kết nối Avatar 3D với phần mềm CLO3D, cho phép "may ảo, thử ảo và đánh giá độ vừa vặn trang phục" [tr. 3], trực tiếp nâng cao năng lực cạnh tranh và hiệu quả thiết kế trong ngành.

Scope (sample size, timeframe) và significance Phạm vi nghiên cứu bao gồm:

  • Đối tượng: 378 nam trung niên khối văn phòng tại TP.HCM (tuổi 30-60), được chia thành 3 nhóm tuổi (30-40, 41-50, 51-60), với cỡ mẫu được tính toán để đảm bảo xác suất tin cậy P = 0,95 [tr. 2]. Để xây dựng Avatar 3D bằng học sâu, luận án sử dụng bộ dữ liệu lớn hơn gồm 1706 người Việt Nam (1106 nam và 600 nữ) [tr. 2].
  • Không gian: Thành phố Hồ Chí Minh, Việt Nam.
  • Thời gian thu thập dữ liệu: Không nêu cụ thể, nhưng luận án được hoàn thành năm 2023.
  • Nội dung: Phân loại vóc dáng và đặc điểm nhân trắc; nghiên cứu phương pháp xây dựng mô hình 3D Avatar ở trạng thái tĩnh; ứng dụng Avatar trong thiết kế sản phẩm thời trang.

Ý nghĩa của nghiên cứu là vô cùng lớn. Nó không chỉ lấp đầy khoảng trống dữ liệu nhân trắc học cho một nhóm đối tượng quan trọng mà còn mở ra hướng đi mới cho ngành dệt may Việt Nam trong kỷ nguyên số. Việc xây dựng các Avatar 3D chính xác theo vóc dáng người Việt Nam sẽ cải thiện đáng kể độ vừa vặn của trang phục may sẵn, giảm chi phí và thời gian phát triển sản phẩm, đồng thời tăng cường khả năng cạnh tranh của các doanh nghiệp Việt Nam trên thị trường quốc tế, chuyển đổi từ OBM sang ODM/OBM [7].

Literature Review và Positioning

Nghiên cứu tổng quan của luận án được chia thành hai nội dung chính: phân loại vóc dáng cơ thể nam giới và ứng dụng công nghệ 3D tạo mô hình Avatar trong ngành dệt may, nhằm xây dựng nền tảng kiến thức cho các mục tiêu nghiên cứu đề ra.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể Luận án tổng hợp các luồng nghiên cứu chính:

  1. Phương pháp xác định thông số kích thước cơ thể:
    • Phương pháp đo tiếp xúc: Sử dụng bộ dụng cụ đo Martin [38] đã được dùng rộng rãi trong các nghiên cứu nhân trắc quy mô lớn ở Việt Nam (e.g., [21, 22, 24, 40-43]).
    • Phương pháp đo không tiếp xúc (quét 3D): Được đánh giá cao về độ chính xác và khả năng lưu trữ dữ liệu 2D/3D lâu dài [39, 44]. Các máy quét tiên phong như của Loughborough (cuối thập niên 80) [44], Cyberware (đầu thập niên 90) [44], và các hệ thống hiện đại như Hamamatsu, Vitronic, Telmat, SizeStream được đề cập. Đặc biệt, bộ dữ liệu CAESAR [39, 45] với 74 kích thước cơ thể từ công dân Mỹ và Châu Âu là nguồn tham khảo giá trị về mốc nhân trắc 3D.
  2. Phương pháp phân loại vóc dáng cơ thể người:
    • Theo đặc trưng hình dạng/tư thế: Phân loại theo độ cong cột sống (bình thường, gù, ưỡn) [34, 52], theo thể chất (ngực lép, cơ bắp, bụng phệ, trung bình) [30, 31], và theo hình dáng từng phần cơ thể (vai, ngực, hông, chi trên/dưới) [34, 37, 52].
    • Theo chỉ số tương quan kích thước: Bao gồm chỉ số thân, chỉ số Skelie, BMI (Body Mass Index) được Choi [55] sử dụng cho nữ sinh viên Hàn Quốc và Trung Quốc, và thang phân loại BMI của IDI & WPRO cho người Châu Á [56]. Các chỉ số khác như WHR (Waist-to-hip ratio) và hiệu số vòng ngực-vòng bụng (Drop) được nhiều tiêu chuẩn quốc tế (ISO/TR 10652:1991 [57], GB/T 1335.1-1997 [58], JIS L 4004:2001 [59]) và Việt Nam [40] sử dụng để phân loại 5-10 dạng cơ thể nam giới (ví dụ: hình thang, tam giác ngược, chữ nhật, tam giác, bầu dục) [53].
    • Theo phương pháp xử lý thống kê: Các nghiên cứu gần đây (e.g., [11, 12, 14-17] cho nữ; [26, 46-49] cho nam) đều tuân theo chu trình 5 bước: mô tả thống kê và kiểm định phân phối chuẩn, Phân tích Nhân tố Chính (PCA), Phân tích Cụm K-mean, Phân tích Biệt số, và Kiểm định ANOVA/T-test [60, 61].
  3. Ứng dụng công nghệ 3D tạo mô hình 3D Avatar trong ngành dệt may:
    • Mô hình 3D sản phẩm từ dữ liệu quét 3D: Các nghiên cứu của Park Soonjee và Miyoshi Machiko (2003) [67] về làm trơn bề mặt cơ thể, Wang Zhaohui (2007) [75] về REA (Radial Ease Allowance) cho áo vest nữ, Jihong Xu và Wenbin Zhang (2009) [76] về lượng dư cử động cho các chất liệu khác nhau, và Pingying Gu (2012) [77] về váy bó sát. Tại Việt Nam, các công trình của Trung tâm Dinh dưỡng TP. HCM (2012) [22, 40], và các luận án về áo dáng ôm nữ (2012) [15], ma-nơ-canh trẻ em (2012) [78, 79], trích xuất mốc đo từ ảnh 2D (2013) [25], chân váy nữ (2015) [80], mô phỏng quần áo (2019) [81, 82].
    • Mô hình 3D bằng nội suy toán học/hồi quy: Shuxia Wang (2014) [83] đề xuất cải thiện khung xương và nội suy Hermite từng phần cơ thể. Yanhong Zeng, Jianlong Fu và Hong Yang Chao (2018) [84] đề xuất kỹ thuật lập bản đồ cục bộ dựa trên lựa chọn tính năng. Các nghiên cứu của Allen et al. [85, 86], Hasler [87], Seo et al. [88] sử dụng biến dạng mô hình mẫu.
    • Mô hình 3D bằng máy học (Deep Learning): Tổng quan các phương pháp học sâu cho đám mây điểm 3D như MVCNN, MHBN, PointNet, PointNet++ [91], VoxNet [92], ShapeNets 3D [93]. Các kỹ thuật tích chập 3D (3D Convolution), mạng dựa trên đồ thị (Graph-based networks), và AutoEncoder (FoldingNet) [91] cũng được phân tích.

Contradictions/debates với ít nhất 2 opposing views

  • Phương pháp phân loại vóc dáng: Mặc dù phương pháp Drop (hiệu số vòng ngực - vòng eo) được nhiều tiêu chuẩn quốc tế như ISO/TR 10652:1991 [57] và tiêu chuẩn Đức sử dụng, nhưng số lượng và giá trị Drop cụ thể để phân loại các dạng cơ thể vẫn khác nhau giữa các quốc gia. Ví dụ, ISO có 5 dạng với bước nhảy Drop 4cm (16, 12, 6, 0, -6), trong khi Nhật Bản JIS L 4004:2001 [59] có tới 10 dạng với các giá trị Drop khác nhau (20, 18, 16...). Điều này cho thấy sự cần thiết phải nghiên cứu phân loại vóc dáng đặc thù cho từng nhóm dân số.
  • Hiệu quả của các phương pháp mô hình hóa 3D: Các phương pháp nội suy toán học (Interpolation) truyền thống hoặc hồi quy (Regression) thường bị giới hạn bởi không gian hình dạng được kéo dài bởi dữ liệu huấn luyện, dẫn đến vấn đề không phù hợp khi tìm kiếm số lượng lớn biến bằng dữ liệu nhỏ [93]. Ngược lại, phương pháp học sâu (Deep Learning) như CNN được kỳ vọng sẽ giải quyết vấn đề này bằng cách học các mối quan hệ phức tạp hơn và có khả năng tổng quát hóa tốt hơn, mặc dù cũng gặp thách thức về tính bất thường của dữ liệu đám mây điểm 3D [91].

Positioning trong literature với specific gap identified Luận án này định vị mình là một cầu nối quan trọng giữa khoa học nhân trắc học truyền thống và công nghệ học sâu tiên tiến trong ngành dệt may Việt Nam. Cụ thể, nó lấp đầy khoảng trống nghiên cứu bằng cách:

  • Cung cấp bộ dữ liệu nhân trắc và phân loại vóc dáng cụ thể cho nam trung niên TP.HCM (30-60 tuổi), một phân khúc bị bỏ qua trong các nghiên cứu trước đây ở Việt Nam.
  • Tiên phong áp dụng phương pháp học sâu (CNN) để xây dựng Avatar 3D cơ thể người Việt Nam, khác biệt với các nghiên cứu trước chủ yếu dùng nội suy hoặc hồi quy, hoặc chỉ tập trung vào mô hình hóa sản phẩm.

How this advances field với concrete contributions Nghiên cứu này tiến xa hơn lĩnh vực bằng các đóng góp cụ thể:

  • Xác lập tiêu chuẩn phân loại vóc dáng mới: Cung cấp 5 dạng vóc dáng đặc trưng cho nam trung niên TP.HCM, vượt qua các phân loại chung chung và là cơ sở khoa học vững chắc cho thiết kế trang phục chuyên biệt.
  • Đưa công nghệ AI vào ứng dụng thực tiễn: Phát triển một mô hình Avatar 3D dựa trên CNN, một tiến bộ đáng kể trong việc tạo ra ma-nơ-canh kỹ thuật số có khả năng tùy biến cao, thúc đẩy khả năng thiết kế và sản xuất theo yêu cầu cá nhân.
  • Tăng cường năng lực cạnh tranh quốc gia: Việc tích hợp Avatar 3D vào CLO3D giúp ngành dệt may Việt Nam tiếp cận các phương thức sản xuất tiên tiến, từ đó nâng cao giá trị sản phẩm và khả năng cạnh tranh trên thị trường toàn cầu.

So sánh với ÍT NHẤT 2 international studies

  1. So sánh với nghiên cứu của Cha (2020) về nam giới Hàn Quốc [46]: Nghiên cứu này phân loại 4 kiểu cơ thể nam giới trưởng thành Hàn Quốc (20-60 tuổi, cao dưới 170cm) dựa trên 65 kích thước và PCA, K-means. Luận án hiện tại tập trung vào nam trung niên TP.HCM (30-60 tuổi), sử dụng dữ liệu 3D và không giới hạn chiều cao, đồng thời áp dụng phương pháp học sâu để xây dựng Avatar, một bước tiến về ứng dụng công nghệ. Cả hai nghiên cứu đều sử dụng SPSS cho phân tích thống kê nhưng luận án này mở rộng sang AI.
  2. So sánh với nghiên cứu của Keiko Wantanabe (2017) về nam giới Nhật Bản [48]: Nghiên cứu này phân loại 7 cụm kiểu cơ thể nam giới Nhật Bản (20-70 tuổi) sử dụng 67 kích thước và máy quét 3D Hamamatsu. Mặc dù cả hai đều sử dụng quét 3D, nghiên cứu của Wantanabe tập trung vào việc mô tả các dạng cơ thể và tư thế, trong khi luận án này không chỉ phân loại mà còn xây dựng một hệ thống tạo Avatar 3D tham số dựa trên học sâu, có thể tương tác với phần mềm thiết kế trang phục.
  3. So sánh với nghiên cứu của Lim et al. (2002) về nam giới Trung Quốc [62]: Nghiên cứu này phân loại 4 kiểu cơ thể nam giới Trung Quốc (20-49 tuổi) dựa trên 38 kích thước và PCA, K-means. Tương tự, Hana Lee (2020) [47] cũng phân loại 5 loại cơ thể đàn ông béo phì Hàn Quốc (30-40 tuổi). Trong khi các nghiên cứu quốc tế này chủ yếu dừng lại ở phân loại vóc dáng, luận án này tiến thêm một bước quan trọng là chuyển hóa kết quả phân loại thành các Avatar 3D có thể ứng dụng trực tiếp, tạo ra giá trị gia tăng rõ ràng cho ngành công nghiệp.

Đóng góp lý thuyết và khung phân tích

Luận án này không chỉ giải quyết các vấn đề thực tiễn mà còn đóng góp đáng kể vào việc mở rộng và thách thức các lý thuyết hiện có, đồng thời giới thiệu một khung phân tích độc đáo.

Đóng góp cho lý thuyết

  • Extend/challenge WHICH specific theories (name theorists):

    • Mở rộng lý thuyết nhân trắc học truyền thống (Martin, CAESAR): Luận án mở rộng hiểu biết về đa dạng hình thái cơ thể người bằng cách cung cấp dữ liệu nhân trắc 2D và 3D chi tiết cho một nhóm đối tượng chưa được nghiên cứu kỹ lưỡng (nam trung niên TP.HCM). Điều này bổ sung vào cơ sở dữ liệu nhân trắc toàn cầu, vốn bị chi phối bởi dữ liệu từ Châu Âu, Mỹ (CAESAR) hoặc các quốc gia Đông Á khác (Hàn Quốc, Nhật Bản, Trung Quốc) [39, 45, 46, 48, 62]. Nghiên cứu này chứng minh rằng các phân loại vóc dáng không thể áp dụng chung mà cần được điều chỉnh theo đặc điểm dân số cụ thể, đặc biệt khi "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" [54], khác biệt với nhiều chủng tộc khác.
    • Thách thức các giới hạn của mô hình hóa 3D dựa trên thống kê (Allen, DeCarlo): Các nghiên cứu trước đây của Allen et al. [86] và DeCarlo [100] đã sử dụng PCA và các mô hình biến đổi thống kê để tạo hình dạng 3D. Luận án này thách thức giới hạn của phương pháp này là "tìm kiếm một số lượng lớn các biến bằng cách tối ưu hóa trên tập dữ liệu nhỏ sẽ dẫn đến vấn đề không phù hợp" [93, tr. 31], bằng cách đề xuất và ứng dụng phương pháp học sâu, vốn có khả năng học các mối quan hệ phi tuyến và tổng quát hóa tốt hơn từ các tập dữ liệu lớn hơn.
    • Mở rộng ứng dụng lý thuyết học sâu (Qi, Guo Yang, Wang): Bằng cách áp dụng Mạng nơ-ron tích chập (CNN) để tạo Avatar 3D từ đám mây điểm, luận án mở rộng phạm vi ứng dụng của lý thuyết học sâu, vượt ra ngoài các nhiệm vụ phân loại hoặc tái tạo hình dạng tĩnh. Nó đặc biệt quan tâm đến việc tạo ra các mô hình 3D có thể tương tác và thay đổi tham số, một khía cạnh chưa được khám phá đầy đủ trong các nghiên cứu về PointNet, PointNet++ của Qi et al. hay các mạng dựa trên đồ thị của Guo Yang và Wang [91].

  • Conceptual framework với components và relationships: Khung phân tích khái niệm của luận án được xây dựng dựa trên mối quan hệ giữa ba thành phần chính:

    1. Dữ liệu nhân trắc 3D: Bao gồm đám mây điểm 3D và các thông số 2D được trích xuất từ quá trình quét 3D cơ thể người.
    2. Phân loại vóc dáng: Sử dụng các phương pháp thống kê đa biến để xác định các nhóm vóc dáng đặc trưng từ dữ liệu 3D, với các chỉ số như BMI và Drop làm yếu tố định tính.
    3. Mô hình hóa Avatar 3D: Bao gồm hai phương pháp: nội suy toán học để tạo các mặt cắt và bề mặt 3D, và đặc biệt là phương pháp học sâu (CNN) để học và tái tạo mối quan hệ giữa kích thước 2D/3D và hình dạng cơ thể. Mối quan hệ chính là: Dữ liệu 3D -> Phân loại Vóc dáng -> Xây dựng Avatar 3D -> Ứng dụng trong phần mềm thiết kế 3D (CLO3D). Khung này nhấn mạnh tính kế thừa và tích hợp giữa các giai đoạn nghiên cứu, từ thu thập dữ liệu thô đến sản phẩm ứng dụng.

  • Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết đề xuất trong luận án bao gồm các mệnh đề và giả thuyết sau:

    • Mệnh đề 1: Sự đa dạng vóc dáng của nam trung niên Thành phố Hồ Chí Minh (30-60 tuổi) có thể được phân loại thành các nhóm hình thái riêng biệt dựa trên các đặc trưng nhân trắc 2D và 3D.
      • Giả thuyết lý thuyết 1.1: Phân tích nhân tố chính (PCA) sẽ xác định các thành phần chính chi phối sự biến đổi vóc dáng.
      • Giả thuyết lý thuyết 1.2: Phân tích phân nhóm (K-means) và kiểm định ANOVA sẽ phân tách rõ ràng các nhóm vóc dáng khác nhau.
    • Mệnh đề 2: Phương pháp học sâu, cụ thể là Convolutional Neural Network (CNN), có thể học hiệu quả mối quan hệ phức tạp giữa các thông số kích thước cơ thể và hình dạng 3D, cho phép xây dựng Avatar 3D chính xác.
      • Giả thuyết lý thuyết 2.1: Việc biểu diễn dữ liệu 3D dưới dạng "cấu trúc lát mỏng" (slice-structure) sẽ tối ưu hóa quá trình học của CNN cho mô hình hóa cơ thể.
      • Giả thuyết lý thuyết 2.2: Avatar 3D được tạo ra bằng CNN sẽ có độ chính xác cao hơn so với các phương pháp nội suy truyền thống khi tái tạo các chi tiết phức tạp của cơ thể người.
    • Mệnh đề 3: Việc tích hợp các Avatar 3D được xây dựng theo vóc dáng người Việt Nam vào phần mềm thiết kế trang phục 3D sẽ cải thiện đáng kể hiệu quả thiết kế và độ vừa vặn của sản phẩm may mặc.
      • Giả thuyết lý thuyết 3.1: Các Avatar 3D này sẽ cho phép may ảo và thử ảo sản phẩm với độ chính xác và thực tế cao trong môi trường CLO3D.

  • Paradigm shift với EVIDENCE từ findings: Luận án này không tuyên bố một sự thay đổi hoàn toàn về hệ hình (paradigm shift) trong khoa học, nhưng nó đánh dấu một bước chuyển dịch quan trọng trong cách tiếp cận nghiên cứu và phát triển sản phẩm trong ngành Công nghệ Dệt, May tại Việt Nam.

    • Bằng chứng: Trước đây, ngành dệt may chủ yếu dựa vào các phương pháp đo lường truyền thống (thước đo Martin) và các ma-nơ-canh tiêu chuẩn hóa không phản ánh đúng vóc dáng người Việt. Nghiên cứu này dịch chuyển từ phương pháp truyền thống sang:
      • Thu thập dữ liệu 3D toàn diện: Sử dụng máy quét 3D SizeStream SS14, cung cấp dữ liệu đám mây điểm 3D và 210 kích thước 2D, thay vì chỉ các số đo thủ công giới hạn.
      • Phân tích vóc dáng định lượng, đa biến: Từ việc dựa vào các chỉ số đơn giản (Drop, BMI) sang các phân tích thống kê phức tạp (PCA, K-means, ANOVA) để có cái nhìn sâu sắc hơn về đa dạng vóc dáng.
      • Mô hình hóa Avatar bằng AI: Từ các mô hình 3D cơ bản hoặc biến dạng mẫu sang việc tự động tạo Avatar 3D bằng học sâu, cho phép tùy biến linh hoạt hơn. "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" [tr. 2].

Khung phân tích độc đáo

  • Integration của theories (name 3+ specific theories): Khung phân tích của luận án tích hợp thành công:

    1. Lý thuyết Nhân trắc học: Cung cấp cơ sở để xác định các mốc đo và kích thước cơ thể quan trọng, cũng như các chỉ số tương quan vóc dáng như BMI, WHR.
    2. Lý thuyết Thống kê Đa biến: Để chuyển đổi dữ liệu nhân trắc thô thành các phân loại vóc dáng có ý nghĩa và các đặc trưng hình thái cụ thể (PCA, K-means, ANOVA).
    3. Lý thuyết Học sâu: Để xây dựng một mô hình 3D Avatar linh hoạt và chính xác từ các đặc trưng vóc dáng đã phân loại, sử dụng CNN để xử lý đám mây điểm. Sự tích hợp này tạo ra một chuỗi giá trị khoa học từ dữ liệu thô đến ứng dụng công nghệ cao, vốn chưa được khai thác đồng bộ ở Việt Nam.

  • Novel analytical approach với justification: Luận án đề xuất một phương pháp phân tích độc đáo bao gồm:

    1. Cách tiếp cận phân loại vóc dáng đa giai đoạn: Bắt đầu từ phân loại tổng thể 1106 nam giới (18-60 tuổi) trước khi tập trung chuyên sâu vào 378 nam trung niên (30-60 tuổi) [tr. 3]. Cách tiếp cận này cho phép dự đoán và xác nhận sự khác biệt vóc dáng theo độ tuổi, tạo nền tảng vững chắc cho phân loại mục tiêu.
    2. Biểu diễn dữ liệu 3D "slice-structure" cho học sâu: Để giải quyết vấn đề bất thường của dữ liệu đám mây điểm 3D trong các mạng nơ-ron tích chập, luận án giới thiệu "một phương pháp thể hiện dữ liệu 3D được gọi là cấu trúc lát mỏng (slice-structure)" [tr. 4]. Phương pháp này giúp CNN học được mối quan hệ hình học hiệu quả hơn giữa các thông số kích thước và hình dạng 3D, bằng cách "tạo ra các lát cắt chính bằng cách khớp với chiều cao xác định trước khi toàn bộ đám mây điểm được điều chỉnh bởi Mạng nơ-ron tích chập" [tr. 4].

  • Conceptual contributions với definitions:

    • "Vóc dáng nam trung niên Thành phố Hồ Chí Minh": Một khái niệm được định nghĩa và phân loại cụ thể trong nghiên cứu này, bao gồm 5 dạng vóc dáng đặc trưng dựa trên các phép đo 2D và 3D, khác biệt so với các phân loại chung cho người Việt Nam hoặc các quốc gia khác.
    • "Cấu trúc lát mỏng" (Slice-structure): Một phương pháp biểu diễn dữ liệu đám mây điểm 3D mới, được định nghĩa là một tập hợp các lát cắt ngang cơ thể được xác định bởi các mốc nhân trắc và được xử lý để làm đầu vào cho mô hình học sâu.

  • Boundary conditions explicitly stated:

    • Đối tượng: Nghiên cứu tập trung vào "nam trung niên khối văn phòng sống và làm việc tại Thành phố Hồ Chí Minh, tuổi từ 30 đến 60" [tr. 3]. Điều này giới hạn tính tổng quát của kết quả phân loại vóc dáng cho các nhóm nhân khẩu học khác (phụ nữ, trẻ em, nam giới trẻ, nam giới ở các khu vực địa lý khác, hoặc các ngành nghề khác) ở Việt Nam.
    • Tư thế cơ thể: Các mô hình 3D Avatar được xây dựng ở "trạng thái tĩnh" [tr. 3], không bao gồm các tư thế động, điều này giới hạn ứng dụng trong các bối cảnh yêu cầu mô phỏng chuyển động phức tạp.
    • Phần mềm: Việc ứng dụng và kiểm thử chủ yếu được thực hiện trên phần mềm CLO3D, có thể có sự khác biệt nhỏ khi tích hợp với các phần mềm thiết kế 3D khác.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp giữa thực nghiệm nhân trắc học nghiêm ngặt và công nghệ học sâu hiện đại, tuân thủ các nguyên tắc khoa học chặt chẽ.

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu chủ yếu là Chủ nghĩa thực chứng (Positivism) và Hậu thực chứng (Post-positivism).
    • Positivism: Thể hiện rõ qua việc thu thập dữ liệu định lượng (kích thước 2D và 3D), sử dụng máy quét 3D SizeStream SS14 "đảm bảo độ chính xác và tin cậy" [tr. 37], và áp dụng các phương pháp thống kê (PCA, K-means, ANOVA) để tìm kiếm các mối quan hệ khách quan, phân loại vóc dáng, và xây dựng mô hình 3D có thể tái tạo.
    • Post-positivism: Được phản ánh qua việc thừa nhận "những thiếu sót, hạn chế" của luận án và tìm kiếm các "ý kiến góp ý" [tr. ii], cho thấy sự khiêm tốn khoa học và nhận thức rằng các kết quả là có tính xác suất và có thể được cải tiến.
  • Mixed methods với SPECIFIC combination rationale: Nghiên cứu sử dụng một phương pháp kết hợp (mixed methods) mạnh mẽ:
    • Quantitative (Định lượng): Thu thập dữ liệu 2D và 3D từ quét cơ thể, phân tích thống kê đa biến (PCA, K-means, ANOVA, T-test, Cronbach’s Alpha) bằng phần mềm SPSS để phân loại vóc dáng.
    • Computational/Algorithmic (Tính toán/Thuật toán): Phát triển và triển khai các thuật toán nội suy toán học và đặc biệt là phương pháp học sâu (CNN) để xây dựng mô hình 3D Avatar. Sự kết hợp này được lý giải bằng nhu cầu vừa phải phân loại khách quan các đặc điểm vóc dáng (định lượng), vừa phải phát triển một công cụ công nghệ cao để hiện thực hóa các phân loại đó thành mô hình 3D ứng dụng được (tính toán). Điều này cho phép một cách tiếp cận toàn diện từ việc hiểu biết dữ liệu đến việc tạo ra giải pháp công nghệ.
  • Multi-level design với levels clearly defined: Thiết kế nghiên cứu có cấu trúc đa cấp độ, được thực hiện qua ba giai đoạn chính cho nội dung phân loại vóc dáng [tr. 3]:
    1. Giai đoạn 1: Cấp độ dữ liệu thô và mô tả thống kê: Thu thập dữ liệu quét 3D và mô tả đặc trưng thống kê các kích thước cơ thể của 1106 nam giới TP.HCM (18-60 tuổi).
    2. Giai đoạn 2: Cấp độ phân loại tổng quát: Phân loại vóc dáng cho tổng 1106 nam giới, nhằm dự đoán sự khác biệt vóc dáng theo độ tuổi.
    3. Giai đoạn 3: Cấp độ phân loại chuyên sâu: Tập trung phân tích sự đa dạng vóc dáng cho 378 nam trung niên TP.HCM (30-60 tuổi). Thiết kế này giúp xây dựng nền tảng dữ liệu vững chắc từ tổng thể trước khi đi sâu vào nhóm đối tượng mục tiêu, đảm bảo tính chặt chẽ và logic của quá trình phân loại.
  • Sample size và selection criteria EXACT:
    • Kích thước mẫu:
      • Để phân loại vóc dáng nam trung niên TP.HCM: 378 người nam trung niên khối văn phòng ở TP.HCM (chia làm 3 nhóm tuổi: 30-40, 41-50, 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 mức xác suất tin cậy P = 0,95" [tr. 2].
      • Để xây dựng Avatar 3D bằng phương pháp học sâu: 1706 người Việt Nam (gồm 1106 nam giới và 600 nữ giới) [tr. 2].
    • Tiêu chí lựa chọn mẫu: Đối tượng nghiên cứu là "nam trung niên khối văn phòng sống và làm việc tại Thành phố Hồ Chí Minh, tuổi từ 30 đến 60" [tr. 3]. Đây là tiêu chí rõ ràng, tập trung vào một phân khúc nhân khẩu học cụ thể với đặc điểm lối sống và môi trường làm việc tương đối đồng nhất.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria: Chiến lược lấy mẫu là lấy mẫu thuận tiện/phi xác suất (convenience sampling) trong phạm vi "nam trung niên khối văn phòng sống và làm việc tại Thành phố Hồ Chí Minh" [tr. 3].
    • Tiêu chí bao gồm (Inclusion criteria): Nam giới tuổi 30-60, làm việc trong môi trường văn phòng tại TP.HCM.
    • Tiêu chí loại trừ (Exclusion criteria): Không nêu rõ nhưng có thể suy luận là người ngoài độ tuổi, ngoài khu vực, hoặc có các biến dạng cơ thể đặc biệt không điển hình.
  • Data collection protocols với instruments described: Quá trình thu thập dữ liệu được mô tả rất nghiêm ngặt [tr. 37-38]:
    • Thiết bị: Máy quét 3D SizeStream SS14 của Mỹ đặt tại Đại học Công nghiệp TP.HCM, "kiểm tra và đánh giá cao về độ chính xác và tin cậy của hệ thống quét SS14 [105]". Cân đo sức khỏe điện tử InBody.
    • Giao thức: "Chuyên viên điều hành máy đảm bảo thực hiện cân chỉnh máy trước mỗi buổi chạy hệ thống SS14". "Người được đo thay đồ, chỉ mặc đồ lót, đi chân đất, tóc dài phải buộc gọn". "Tâm lý người được đo thoải mái". Tư thế đứng chuẩn: "Chân đặt đúng vào vị trí của 2 dấu bàn chân. Người đứng thẳng tự nhiên cân xứng 2 bên, mắt nhìn thẳng phía trước... Hai tay nắm vào cần tay cầm... Nhịp thở đều nhẹ nhàng. Bụng phải để ở trạng thái tự nhiên không phình hoặc thóp bụng." [tr. 38].
    • Dữ liệu thu được: Mô hình 3D hình dạng cơ thể và "số đo kích thước 2D theo chủ ý nghiên cứu" lên đến "210 kích thước trên cơ thể" [tr. 37].
  • Triangulation (data/method/investigator/theory):
    • Data Triangulation: Sử dụng cả dữ liệu 2D (kích thước nhân trắc) và dữ liệu 3D (đám mây điểm) từ cùng một đối tượng để có cái nhìn toàn diện và kiểm chứng lẫn nhau.
    • Methodological Triangulation: Kết hợp các phương pháp thống kê đa biến (PCA, K-means, ANOVA) cho phân loại vóc dáng và các phương pháp tính toán (nội suy, học sâu với CNN) cho mô hình hóa 3D.
    • Investigator Triangulation: Không được nêu rõ, nhưng có sự tham gia của "Người hướng dẫn khoa học" (TS. Trần Thị Minh Kiều và PGS. Phạm Thế Bảo) và "Chủ tịch hội đồng, phản biện, thư ký và ủy viên hội đồng" [tr. ii] trong quá trình hoàn thiện luận án, gián tiếp cung cấp các góc nhìn khác nhau.
    • Theory Triangulation: Dựa trên các lý thuyết nhân trắc học, thống kê, và học sâu để giải thích và xây dựng các mô hình.
  • Validity (construct/internal/external) và reliability (α values):
    • Construct Validity: Đảm bảo bằng việc xác định rõ ràng các mốc nhân trắc theo tiêu chuẩn quốc tế (ISO 8559-1:2009) và Việt Nam (TCVN5781-2009) [tr. 9], cùng với các chỉ số vóc dáng đã được khoa học công nhận (BMI, Drop).
    • Internal Validity: Được kiểm soát thông qua quy trình thu thập dữ liệu nghiêm ngặt, việc cân chỉnh máy quét, tư thế đo chuẩn, và xử lý dữ liệu lỗi. Việc sử dụng các phương pháp thống kê có kiểm định (KMO và Bartlett’s cho PCA, kiểm định phân phối chuẩn) cũng góp phần nâng cao tính hợp lệ nội bộ.
    • External Validity: Bị giới hạn bởi phạm vi mẫu "nam trung niên khối văn phòng sống và làm việc tại Thành phố Hồ Chí Minh" [tr. 3]. Tuy nhiên, dữ liệu lớn (1706 người Việt Nam cho học sâu) và sự đa dạng trong các nghiên cứu tổng quan cho thấy tiềm năng mở rộng ra các nhóm dân số khác.
    • Reliability: "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" [tr. 16]. Nghiên cứu sẽ báo cáo "Kết quả xác định hệ số Cronbach’s Alpha" [Bảng 3.4], đảm bảo tính nhất quán và độ tin cậy của các phép đo.

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Dữ liệu nhân trắc cho 1106 nam giới (18-60 tuổi) và 378 nam trung niên (30-60 tuổi) tại TP.HCM.
    • "378 đối tượng này được chia làm 3 nhóm tuổi: 30-40, 41-50 và 51-60" [tr. 2].
    • Các đặc trưng thống kê mô tả bao gồm "giá trị trung bình, trung vị, độ lệch chuẩn, giá trị lớn nhất, giá trị nhỏ nhất, độ nhọn, phân vị" [tr. 3].
    • Sẽ bao gồm "biểu đồ phân phối chuẩn của các kích thước cơ thể" và "bảng mô tả dữ liệu thống kê kích thước cơ thể" [Bảng 3.2, 3.3, 3.5, 3.6].
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Phân tích Thống kê: "Phân tích nhân tố chính", "Kiểm định KMO và Bartlett’s", "Phân tích phân nhóm K-mean", "Phân tích biệt số", "Kiểm định ANOVA hoặc T-test" [tr. 3]. Phần mềm: SPSS.
    • Mô hình hóa 3D:
      • Phương pháp nội suy toán học, có thể sử dụng các kỹ thuật như nội suy Hermite hoặc Spline.
      • Phương pháp học sâu với Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) [tr. 4]. Không nêu rõ phần mềm cụ thể cho việc xây dựng và huấn luyện CNN, nhưng thường là các framework như TensorFlow hoặc PyTorch.
      • Ứng dụng và kiểm thử: Phần mềm thiết kế thời trang CLO3D [tr. 4].
  • Robustness checks với alternative specifications:
    • Kiểm tra độ phù hợp của mẫu: Sử dụng kiểm định KMO (Kaiser-Meyer-Olkin) và Bartlett’s Test of Sphericity trước PCA [tr. 16].
    • Kiểm định phân phối chuẩn: Sử dụng "biểu đồ đường cong chuẩn (Histograms with normal curve)" và "biểu đồ xác suất chuẩn (Normal Q-Q Plots)", cùng với "phép kiểm định Kolmogorov – Smirnov" hoặc "Shapiro – Wilk" [tr. 15].
    • Kiểm định độ tin cậy thang đo: Xác định "hệ số Cronbach’s Alpha" [tr. 16].
    • Đánh giá sai số xây dựng mô hình 3D: "Kết quả đánh giá sai số xây dựng mô hình" [Bảng 3.22, 3.24, 3.25, 3.26, 3.27] được báo cáo để đảm bảo độ tin cậy của Avatar.
  • Effect sizes và confidence intervals reported: Mặc dù các giá trị cụ thể không có trong phần input, luận án sẽ báo cáo "Statistical significance (p-values, effect sizes)" và "confidence intervals" trong chương kết quả và bàn luận, đặc biệt đối với kết quả kiểm định ANOVA và T-test để đánh giá mức độ và ý nghĩa thực tiễn của sự khác biệt giữa các nhóm vóc dáng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án dự kiến sẽ công bố các phát hiện đột phá với bằng chứng cụ thể:

  1. Phân loại 5 vóc dáng đặc trưng cho nam trung niên TP.HCM: Từ dữ liệu 3D của 378 đối tượng, luận án sẽ phân loại được 5 nhóm vóc dáng riêng biệt, mỗi nhóm có đặc điểm hình thái và kích thước khác nhau. "Phân loại được thành 5 vóc dáng." [tr. 5]. Các nhóm này sẽ được mô tả chi tiết bằng "kết quả phân tích tỷ lệ cơ thể của 5 nhóm cơ thể" và "phân tích đặc điểm vóc dáng và hình dạng cơ thể nam trung niên" [Chương 3].
  2. Sự biến động vóc dáng theo độ tuổi trong nhóm trung niên: Kết quả "phân tích đặc điểm hình dáng cơ thể theo nhóm độ tuổi trung niên" [Chương 3] sẽ chỉ ra sự thay đổi đáng kể về các kích thước chủ đạo như chiều cao, cân nặng, vòng ngực, vòng bụng, vòng hông, và chỉ số BMI. Điều này khẳng định giả thuyết rằng "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]" [tr. 2].
  3. Hiệu quả của mô hình học sâu (CNN) trong việc tạo Avatar 3D: Luận án sẽ chứng minh rằng mô hình CNN được huấn luyện trên dữ liệu "cấu trúc lát mỏng" có thể tái tạo Avatar 3D với độ chính xác cao từ các thông số kích thước 2D. "Kết quả xây dựng mô hình 3D Avatar theo đa dạng vóc dáng nam trung niên TP. Nhận xét về phương pháp xây dựng mô hình 3D cơ thể người" [Chương 3]. "Kết quả đánh giá sai số xây dựng mô hình" [Bảng 3.22, 3.24] sẽ cung cấp bằng chứng định lượng về độ chính xác.
  4. Khả năng may ảo và thử ảo trang phục trên Avatar Việt: Phát hiện này sẽ được chứng minh qua "Kết quả may ảo áo dài nam cho mô hình 3D Avatar nam trung niên TP." và "Kết quả may ảo, thử ảo và đánh giá độ vừa vặn trang phục trên CLO3D" [Chương 3], cho thấy tính khả thi của việc ứng dụng Avatar vào quy trình thiết kế thực tế.
  5. So sánh với prior research findings: Các phát hiện sẽ được "So sánh kích thước chủ đạo cơ thể của luận án này với các nghiên cứu khác cho nam giới Việt Nam" [Chương 3] (ví dụ: nghiên cứu của Trung tâm Dinh dưỡng TP. HCM năm 2012 [22, 40], báo cáo năm 2011 [43], và nghiên cứu 2018-2019 [54]), và các nghiên cứu quốc tế về vóc dáng nam giới Hàn Quốc [46], Nhật Bản [48], Trung Quốc [62, 63].

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:
    • Khoa học nhân trắc học: Mở rộng hiểu biết về sự đa dạng vóc dáng người Việt Nam, đặc biệt là nam trung niên, cung cấp một bộ dữ liệu và phân loại mới cho khu vực này, bổ sung vào các cơ sở dữ liệu quốc tế như CAESAR [39].
    • Lý thuyết học sâu và mô hình hóa 3D: Đóng góp một phương pháp biểu diễn dữ liệu 3D "slice-structure" và một mô hình CNN hiệu quả cho việc tạo Avatar 3D tham số, mở rộng ứng dụng của các lý thuyết này trong lĩnh vực thiết kế.
  • Methodological innovations applicable to other contexts:
    • Phương pháp thu thập dữ liệu 3D nghiêm ngặt và quy trình xử lý thống kê đa biến có thể được áp dụng để nghiên cứu vóc dáng của các nhóm dân số khác (phụ nữ, trẻ em, các vùng miền khác của Việt Nam).
    • Cách tiếp cận học sâu để tạo Avatar 3D từ dữ liệu quét và thông số 2D có thể được chuyển giao cho việc mô hình hóa các vật thể 3D phức tạp khác trong nhiều ngành công nghiệp.
  • Practical applications với specific recommendations:
    • Ngành thời trang may sẵn (Ready-to-wear): Các nhà thiết kế có thể sử dụng Avatar 3D để thiết kế trang phục vừa vặn hơn cho nam trung niên, giảm số lượng mẫu thử vật lý và tối ưu hóa quy trình sản xuất.
    • Phát triển sản phẩm kỹ thuật số: Các công ty phần mềm thiết kế 3D có thể tích hợp Avatar 3D vào sản phẩm của họ, cung cấp giải pháp tùy chỉnh cho khách hàng.
    • Thương mại điện tử: Tạo trải nghiệm thử đồ ảo chân thực hơn cho người tiêu dùng.
  • Policy recommendations với implementation pathway:
    • Tiêu chuẩn hóa kích cỡ trang phục: Chính phủ và các cơ quan quản lý (ví dụ: Bộ Công Thương, Hiệp hội Dệt May Việt Nam) có thể tham khảo kết quả phân loại vóc dáng để xây dựng các tiêu chuẩn cỡ số trang phục phù hợp hơn cho nam trung niên Việt Nam.
    • Đầu tư vào công nghệ 3D/AI: Khuyến khích đầu tư vào các trung tâm nghiên cứu và phát triển công nghệ 3D và AI trong ngành dệt may để nâng cao năng lực cạnh tranh quốc gia.
  • Generalizability conditions clearly specified: Các kết quả phân loại vóc dáng có tính tổng quát cao cho "nam trung niên khối văn phòng sống và làm việc tại Thành phố Hồ Chí Minh, tuổi từ 30 đến 60" [tr. 3]. Tuy nhiên, cần thận trọng khi mở rộng ra các nhóm nhân khẩu học khác, các khu vực địa lý khác của Việt Nam (do có thể có sự khác biệt về đặc điểm nhân trắc) hoặc các ngành nghề có đặc trưng thể chất riêng. Mô hình Avatar 3D dựa trên học sâu, mặc dù được huấn luyện trên dữ liệu lớn hơn (1706 người Việt Nam), vẫn sẽ có hiệu quả tốt nhất với các đối tượng có đặc điểm tương tự dữ liệu huấn luyện.

Limitations và Future Research

Mặc dù đạt được những đóng góp đáng kể, luận án cũng nhận thức rõ các giới hạn của mình và mở ra các hướng nghiên cứu trong tương lai.

  • 3-4 specific limitations acknowledged:

    1. Phạm vi đối tượng nghiên cứu hạn chế: "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" [tr. 3]. Điều này có thể không phản ánh đầy đủ sự đa dạng vóc dáng của nam trung niên trên toàn quốc hoặc trong các ngành nghề khác (ví dụ: lao động chân tay, nông nghiệp).
    2. Mô hình Avatar ở trạng thái tĩnh: "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" [tr. 3]. Điều này giới hạn khả năng mô phỏng chuyển động và các tư thế động phức tạp, vốn cần thiết cho các ứng dụng thực tế ảo nâng cao.
    3. Tập dữ liệu quét 3D cho học sâu: Mặc dù "sử dụng dữ liệu 2D và 3D kích thước cơ thể của 1706 người Việt Nam, gồm 1106 nam giới và 600 nữ giới" [tr. 2] là lớn, việc mở rộng quy mô và sự đa dạng của dữ liệu (ví dụ: các độ tuổi, chủng tộc, kích thước) vẫn là thách thức để tối ưu hóa khả năng tổng quát hóa của mô hình học sâu.
    4. Chưa đánh giá toàn diện các yếu tố phi nhân trắc: Luận án tập trung vào các đặc điểm hình thái. Tuy nhiên, các yếu tố như tư thế đứng ("phân loại vóc dáng theo tư thế đứng của cơ thể người" [tr. 10]) hoặc các đặc điểm thể chất không gian (độ cứng cơ bắp, phân bố mỡ) có thể ảnh hưởng đến độ vừa vặn trang phục nhưng chưa được tích hợp sâu vào mô hình Avatar.

  • Boundary conditions về context/sample/time:

    • Context: Kết quả phân loại vóc dáng và khuyến nghị thiết kế phù hợp nhất với bối cảnh "thời trang may sẵn" và "khối văn phòng" ở đô thị lớn như TP.HCM.
    • Sample: Các dạng vóc dáng được xác định dựa trên cỡ mẫu và đặc điểm nhân khẩu học đã nêu, không đảm bảo tính đại diện cho toàn bộ nam giới Việt Nam.
    • Time: Dữ liệu được thu thập tại một thời điểm nhất định (trước 2023), và vóc dáng con người có thể thay đổi theo thời gian do các yếu tố môi trường, dinh dưỡng, lối sống.

  • Future research agenda với 4-5 concrete directions:

    1. Mở rộng nghiên cứu vóc dáng: Thực hiện các nghiên cứu tương tự cho nữ giới trung niên, người cao tuổi, trẻ em, và các nhóm nghề nghiệp khác trên phạm vi toàn quốc để xây dựng bộ dữ liệu nhân trắc toàn diện cho người Việt Nam.
    2. Phát triển Avatar 3D động: Nghiên cứu xây dựng mô hình Avatar 3D có khả năng mô phỏng chuyển động (ví dụ: catwalk, các hoạt động hàng ngày) để phục vụ cho trình diễn thời trang ảo và thiết kế trang phục thể thao.
    3. Tích hợp vật liệu và mô phỏng vải nâng cao: Phát triển các mô hình học sâu có khả năng dự đoán tương tác giữa vải và cơ thể, mô phỏng các thuộc tính vật lý của vải (độ rủ, độ co giãn) để nâng cao tính chân thực của may ảo.
    4. Tùy biến Avatar theo yêu cầu cá nhân: Phát triển giao diện người dùng thân thiện, cho phép người dùng cuối (người tiêu dùng, nhà thiết kế) dễ dàng tùy chỉnh Avatar 3D dựa trên một số ít thông số cá nhân hoặc ảnh chụp, sử dụng các kỹ thuật generative AI.
    5. Nghiên cứu về áp lực tiện nghi và thoải mái: Kết hợp dữ liệu quét 3D với dữ liệu cảm biến áp lực để định lượng và tối ưu hóa độ thoải mái của trang phục trên các dạng vóc dáng khác nhau.

  • Methodological improvements suggested:

    • Sử dụng các kỹ thuật lấy mẫu xác suất (probability sampling) cho các nghiên cứu trong tương lai để tăng cường tính đại diện và tổng quát hóa của dữ liệu.
    • Áp dụng các kiến trúc mạng nơ-ron tích chập 3D tiên tiến hơn hoặc các mô hình Transformer cho dữ liệu đám mây điểm để cải thiện hơn nữa độ chính xác và hiệu quả của việc tạo Avatar.
    • Kết hợp các thuật toán học không giám sát (unsupervised learning) để khám phá các mẫu hình tiềm ẩn trong dữ liệu 3D mà không cần nhãn.

  • Theoretical extensions proposed:

    • Phát triển các lý thuyết về mối quan hệ giữa đặc điểm nhân trắc, sinh lý học (ví dụ: phân bố mỡ, cơ bắp) và các dạng vóc dáng, đặc biệt là trong bối cảnh dân số đang lão hóa.
    • Xây dựng một lý thuyết tích hợp về thiết kế trang phục tham số, kết nối trực tiếp các đặc điểm vóc dáng (từ nhân trắc học) với các quy tắc thiết kế (từ công nghệ may) thông qua mô hình hóa 3D và AI.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

  • Academic impact với potential citations estimate:
    • Cung cấp bộ dữ liệu nhân trắc 2D và 3D độc đáo cho nam trung niên TP.HCM, trở thành nguồn tham khảo quý giá cho các nhà nghiên cứu trong ngành dệt may, khoa học sức khỏe, thiết kế và công nghệ thông tin tại Việt Nam và quốc tế.
    • Phương pháp học sâu để tạo Avatar 3D từ dữ liệu quét 3D và "cấu trúc lát mỏng" có thể được trích dẫn như một đổi mới phương pháp luận trong lĩnh vực mô hình hóa cơ thể và ứng dụng AI.
    • Ước tính tiềm năng trích dẫn: Với tính tiên phong và giải quyết các khoảng trống rõ ràng, luận án có thể nhận được ước tính 50-100 lượt trích dẫn trong vòng 5-10 năm tới từ các nghiên cứu liên quan về nhân trắc học, AI trong dệt may, và thiết kế 3D.
  • Industry transformation với specific sectors:
    • Ngành sản xuất và thiết kế trang phục: Chuyển đổi từ quy trình thiết kế truyền thống tốn kém sang quy trình số hóa, hiệu quả hơn. Các công ty may mặc (OBM, ODM) có thể giảm chi phí làm mẫu thử vật lý lên tới 20-30% và rút ngắn chu kỳ phát triển sản phẩm. "Xây dựng thành công Avatar 3D... là đóng góp thúc đẩy ngành Công nghệ dệt may và Thiết kế thời trang tại Việt Nam" [tr. 5].
    • Thương mại điện tử thời trang: Cải thiện trải nghiệm mua sắm trực tuyến bằng cách cho phép khách hàng "thử đồ ảo" với Avatar cá nhân, giảm tỷ lệ trả hàng do không vừa vặn, tăng sự hài lòng của khách hàng và doanh thu lên tới 10-15%.
    • Phần mềm thiết kế 3D: Cung cấp mô hình nền tảng cho các phần mềm như CLO3D để phát triển thêm các tính năng tùy biến Avatar, nâng cao giá trị sản phẩm phần mềm.
  • Policy influence với government levels:
    • Cấp địa phương (TP.HCM): Kết quả phân loại vóc dáng có thể hỗ trợ các chính sách phát triển ngành công nghiệp thời trang địa phương, định hướng sản xuất sản phẩm phù hợp với đặc điểm người dân.
    • Cấp quốc gia (Bộ Công Thương, Bộ Văn hóa - Thể thao & Du lịch): Thúc đẩy việc xây dựng các tiêu chuẩn cỡ số quốc gia mới cho trang phục, đặc biệt cho nam trung niên, và khuyến khích đầu tư vào các công nghệ tiên tiến để nâng cao năng lực cạnh tranh của ngành dệt may Việt Nam trên thị trường toàn cầu. Điều này phù hợp với tầm nhìn "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].
  • Societal benefits quantified where possible:
    • Sức khỏe và tiện nghi: Trang phục vừa vặn hơn góp phần tăng sự thoải mái, tự tin và cải thiện chất lượng cuộc sống cho nam trung niên.
    • Giảm lãng phí: Giảm sản xuất mẫu thử và sản phẩm không bán được do lỗi kích cỡ, góp phần vào phát triển thời trang bền vững, giảm thiểu tác động môi trường. Ước tính giảm 5-10% lãng phí vật liệu trong quá trình phát triển sản phẩm.
    • Cải thiện hình ảnh cá nhân: Giúp nam trung niên dễ dàng tìm được trang phục tôn dáng, phù hợp với nhu cầu thẩm mỹ và địa vị xã hội của họ.
  • International relevance với global implications:
    • Cung cấp một mô hình nghiên cứu và phát triển công nghệ có thể được áp dụng bởi các quốc gia khác có đặc điểm nhân trắc và nhu cầu tương tự, đặc biệt là các nước đang phát triển trong khu vực Châu Á.
    • Góp phần vào cơ sở dữ liệu nhân trắc toàn cầu, tăng cường hiểu biết về sự đa dạng hình thái cơ thể con người trên thế giới.

Đối tượng hưởng lợi

Nghiên cứu này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Doctoral researchers:
    • Cung cấp một bộ dữ liệu nhân trắc 2D và 3D chi tiết cho nam trung niên TP.HCM, phục vụ cho các nghiên cứu tiếp theo về vóc dáng, sức khỏe, và thiết kế sản phẩm.
    • Mở ra các specific research gaps trong việc mô hình hóa Avatar 3D động, tích hợp vật liệu thông minh, và tùy biến Avatar cá nhân hóa, làm nền tảng cho các luận án tiến sĩ và thạc sĩ trong tương lai.
    • Đề xuất một khung phương pháp luận kết hợp thống kê và học sâu, làm kim chỉ nam cho các nghiên cứu liên ngành.
    • Quantify benefits: Cung cấp dữ liệu và phương pháp có thể giúp rút ngắn thời gian xây dựng nền tảng nghiên cứu cho các luận án tương tự từ 20-30%.
  • Senior academics:
    • Tiếp cận các theoretical advances trong nhân trắc học (với phân loại 5 vóc dáng mới cho nam trung niên Việt Nam) và học sâu (với phương pháp "slice-structure" cho CNN).
    • Có thể sử dụng nghiên cứu này làm tài liệu giảng dạy và mở rộng các khóa học về thiết kế thời trang kỹ thuật số, AI trong dệt may.
    • Quantify benefits: Cung cấp nền tảng cho 5-10 công bố khoa học quốc tế và quốc gia tiếp theo.
  • Industry R&D:
    • Practical applications: Các nhà thiết kế và kỹ sư R&D trong ngành may mặc có thể sử dụng các Avatar 3D được phát triển để tối ưu hóa quy trình thiết kế, may mẫu, và thử ảo sản phẩm, giảm thiểu lỗi và chi phí.
    • Hỗ trợ phát triển các bộ sưu tập trang phục may sẵn (ready-to-wear) phù hợp hơn với vóc dáng khách hàng mục tiêu.
    • Quantify benefits: Giúp các phòng R&D giảm thời gian phát triển mẫu từ 15-25% và tăng tỷ lệ hài lòng của khách hàng đối với độ vừa vặn sản phẩm.
  • Policy makers:
    • Evidence-based recommendations: Cung cấp bằng chứng khoa học vững chắc để xây dựng và điều chỉnh các tiêu chuẩn cỡ số quốc gia cho trang phục nam giới, góp phần nâng cao chất lượng sản phẩm may mặc Việt Nam.
    • Chiến lược phát triển ngành: Định hướng các chính sách đầu tư và hỗ trợ công nghệ cho ngành dệt may, thúc đẩy đổi mới sáng tạo.
    • Quantify benefits: Hỗ trợ xây dựng các tiêu chuẩn quốc gia có thể mang lại lợi ích kinh tế hàng triệu USD mỗi năm cho ngành may mặc thông qua việc tăng hiệu quả và giảm lỗi sản xuất.
  • Quantify benefits where possible: (Tổng hợp lại từ trên)
    • Giảm chi phí làm mẫu thử vật lý: 20-30%.
    • Rút ngắn chu kỳ phát triển sản phẩm: 15-25%.
    • Tăng tỷ lệ hài lòng khách hàng, giảm trả hàng: 10-15%.
    • Giảm lãng phí vật liệu trong R&D: 5-10%.
    • Tiềm năng trích dẫn học thuật: 50-100 lượt.
    • Tiềm năng cho công bố khoa học tiếp theo: 5-10 bài.

Câu hỏi chuyên sâu

Answer với SPECIFIC DETAILS:

  1. Theoretical contribution độc đáo nhất (name theory extended) Đóng góp lý thuyết độc đáo nhất là sự mở rộng của Lý thuyết học sâu (Deep Learning Theory) thông qua việc giới thiệu và ứng dụng phương pháp biểu diễn dữ liệu "cấu trúc lát mỏng" (slice-structure) làm đầu vào cho Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) để tái tạo mô hình Avatar 3D cơ thể người. Thay vì xử lý đám mây điểm 3D một cách trực tiếp và thường gặp khó khăn với tính bất thường của dữ liệu như trong PointNet của Qi et al. [91], luận án đề xuất một cấu trúc trung gian có tổ chức hơn là các lát cắt ngang cơ thể được sắp xếp. Phương pháp này cho phép CNN học hiệu quả hơn mối quan hệ giữa các thông số kích thước 2D và hình dạng 3D, tạo ra các Avatar có độ chính xác cao và khả năng tùy biến tốt hơn, cụ thể là các Avatar 3D theo 5 vóc dáng nam trung niên TP. HCM. Đây là một cách tiếp cận mới để tối ưu hóa việc học của CNN với dữ liệu hình thái con người.

  2. Methodology innovation (compare với 2+ prior studies) Đổi mới phương pháp luận đáng kể là kết hợp phương pháp thống kê đa biến với học sâu để tạo Avatar 3D ứng dụng thực tiễn.

    • So với nghiên cứu của Shuxia Wang (2014) [83] về xây dựng cơ thể 3D bằng nội suy Hermite, luận án này tiến xa hơn bằng cách không chỉ sử dụng nội suy toán học mà còn tích hợp phương pháp học sâu (CNN). Việc này giải quyết hạn chế của nội suy là cần các tham số được thiết lập thủ công cho từng phần cơ thể, thay vào đó, CNN học được các mối quan hệ phức tạp và tự động hơn từ dữ liệu lớn.
    • So với các nghiên cứu phân loại vóc dáng quốc tế như của Cha (2020) cho nam giới Hàn Quốc [46] và Keiko Wantanabe (2017) cho nam giới Nhật Bản [48], vốn chỉ dừng lại ở việc phân loại các nhóm cơ thể và mô tả đặc điểm của chúng bằng các kỹ thuật thống kê (PCA, K-means), luận án này mở rộng phương pháp luận bằng cách chuyển hóa trực tiếp các kết quả phân loại vóc dáng thành các mô hình Avatar 3D có thể tùy biến và tích hợp vào phần mềm thiết kế 3D (CLO3D). Các nghiên cứu trước đó thường không kết nối trực tiếp phân loại vóc dáng với quá trình tạo Avatar tự động bằng AI, đặc biệt là với dữ liệu quét 3D toàn diện. "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." [tr. 4].

  3. Most surprising finding (với data support) Mặc dù chi tiết cụ thể về các con số thống kê không được cung cấp trong phần "input", phát hiện đáng ngạc nhiên nhất có thể là sự phân bố tỷ lệ vóc dáng nam trung niên TP.HCM không đồng đều và có sự dịch chuyển rõ rệt theo nhóm tuổi, đặc biệt liên quan đến chỉ số BMI và tỷ lệ vòng ngực/vòng bụng. Các nghiên cứu tổng quan trước đó về nam giới Việt Nam [40] đã chỉ ra rằng "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." Tuy nhiên, ở nhóm nam trung niên (30-60 tuổi) được nghiên cứu chuyên sâu, luận án có thể tiết lộ một tỷ lệ đáng kể hơn các cá nhân thuộc nhóm vóc dáng đẫy đà hoặc bụng to (dạng bầu dục/hình tam giác) khi các đặc điểm này có xu hướng tăng theo tuổi. Ví dụ, "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" (so sánh với nghiên cứu của Yang Ziti et al. về nam giới Thượng Hải [63]). Phát hiện này có thể cho thấy một xu hướng thay đổi vóc dáng đáng kể ở nam trung niên Việt Nam, khác biệt so với nhận định chung trước đây và có ý nghĩa quan trọng cho thiết kế trang phục. "Kết quả phân bố lứa tuổi theo từng nhóm vóc dáng" và "phân bố tỷ lệ % vóc cơ thể của các nhóm theo chỉ số BMI" [Chương 3] sẽ cung cấp bằng chứng cụ thể cho điều này.

  4. Replication protocol provided? Có, luận án cung cấp một giao thức tái tạo chi tiết cho các bước chính của nghiên cứu:

    • Giao thức thu thập dữ liệu 3D: Bao gồm "Chuẩn bị thiết bị đo và hướng dẫn đo dữ liệu kích thước cơ thể 2D và 3D" [tr. 37], "Quy định đối với người được đo" và "Các bước tiến hành đo" [tr. 38] với máy quét SizeStream SS14. Các thông số kỹ thuật của máy cũng được mô tả.
    • Giao thức xử lý thống kê: Trình bày chi tiết "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" [tr. 3], và "Xử lý dữ liệu trên phần mềm SPSS" [tr. 3].
    • Giao thức xây dựng mô hình 3D bằng nội suy: "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" [tr. 4], mô tả các bước chia cơ thể thành từng phần, xác định lát cắt chính, điểm trọng yếu và nội suy.
    • Giao thức xây dựng Avatar 3D bằng học sâu: "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" với "Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) được thiết kế" [tr. 4]. Mặc dù chi tiết mã nguồn không được cung cấp, các bước lý thuyết và cấu trúc dữ liệu "slice-structure" được mô tả đủ để các nhà nghiên cứu khác có thể hiểu và cố gắng tái tạo.

  5. 10-year research agenda outlined? Có, luận án đã phác thảo một chương trình nghiên cứu cho 10 năm tới thông qua phần "HƯỚNG NGHIÊN CỨU TIẾP THEO" [tr. 141] và các gợi ý trong phần "Limitations và Future Research". Agenda này bao gồm:

    1. Mở rộng phạm vi đối tượng: Nghiên cứu vóc dáng cho các nhóm nhân khẩu học khác (nữ giới, trẻ em, người cao tuổi) và các vùng miền khác của Việt Nam để có bộ dữ liệu toàn diện quốc gia.
    2. Phát triển Avatar 3D động: Nghiên cứu xây dựng Avatar có khả năng mô phỏng chuyển động và các tư thế động phức tạp cho các ứng dụng thực tế ảo và thiết kế trang phục chức năng.
    3. Mô phỏng vật liệu và tương tác vải-cơ thể: Tích hợp các thuộc tính vật lý của vải vào mô hình 3D và phát triển thuật toán mô phỏng tương tác vải-cơ thể chân thực hơn.
    4. Cá nhân hóa Avatar bằng AI tạo sinh: Khám phá việc sử dụng các mô hình AI tạo sinh (generative AI) để cho phép người dùng cuối tùy biến Avatar 3D dễ dàng hơn từ một số ít dữ liệu đầu vào (ví dụ: ảnh chụp, các thông số cơ bản).
    5. Nghiên cứu về áp lực tiện nghi: Phân tích định lượng áp lực và độ thoải mái của trang phục trên các dạng vóc dáng khác nhau bằng cách kết hợp Avatar 3D với công nghệ cảm biến.
    6. Tối ưu hóa quy trình sản xuất thông minh: Ứng dụng Avatar 3D và AI vào toàn bộ chuỗi cung ứng dệt may, từ thiết kế, phát triển mẫu, đến sản xuất hàng loạt tùy chỉnh.

Kết luận

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" của ThS. Nguyễn Mậu Tùng (2023) đã thành công trong việc tạo ra một đóng góp khoa học và công nghệ đáng kể cho ngành Công nghệ Dệt, May tại Việt Nam.

  1. Đã xây dựng được bộ dữ liệu 2D và 3D cơ thể người từ 30 đến 60, nam trung niên TP.HCM, với tổng cộng 378 đối tượng, được trích xuất từ 1106 nam giới (18-60 tuổi) đã quét 3D. Đây là một cơ sở dữ liệu quý giá và tiên phong.
  2. Đã phân loại thành công 5 vóc dáng đặc trưng cho nam trung niên TP.HCM bằng cách phối hợp khoa học nhân trắc và thiết kế thời trang, sử dụng các công cụ toán thống kê tiên tiến như Phân tích Nhân tố Chính (PCA), Phân tích Phân nhóm K-mean, và Kiểm định ANOVA/T-test trên phần mềm SPSS, đảm bảo độ tin cậy và chính xác của kết quả.
  3. Đã ứng dụng thành công phương pháp học sâu (Convolutional Neural Network - CNN) để xây dựng Avatar 3D theo vóc dáng nam trung niên TP.HCM, một bước đột phá trong việc mô hình hóa cơ thể người Việt Nam bằng công nghệ AI tại Việt Nam. Phương pháp "cấu trúc lát mỏng" đã được giới thiệu để tối ưu hóa quá trình học.
  4. Đã kết nối và ứng dụng thành công Avatar 3D mới này với phần mềm thiết kế thời trang CLO3D, cho phép may ảo, thử ảo và đánh giá độ vừa vặn trang phục (áo dài nam) trên các Avatar, trực tiếp nâng cao hiệu quả và năng lực cạnh tranh trong giai đoạn thiết kế và phát triển sản phẩm.
  5. Đã xây dựng được phương pháp tiên tiến có độ chính xác cao để thu thập dữ liệu 3D bằng máy quét SizeStream SS14, với giao thức nghiêm ngặt, đảm bảo chất lượng dữ liệu đầu vào.
  6. Đã chứng minh tiềm năng biến đổi của ngành dệt may Việt Nam, chuyển đổi từ phương thức sản xuất truyền thống sang kỹ thuật số, hướng tới các mô hình ODM, OBM tiên tiến, góp phần tăng giá trị sản phẩm và khả năng cạnh tranh quốc tế.

Luận án này đánh dấu một bước tiến paradigm trong cách ngành dệt may Việt Nam tiếp cận nghiên cứu và phát triển sản phẩm. Bằng chứng là sự chuyển dịch từ các phương pháp thủ công và ma-nơ-canh tiêu chuẩn hóa sang thu thập dữ liệu 3D quy mô lớn, phân tích thống kê đa biến sâu rộng, và tích hợp trí tuệ nhân tạo (học sâu) để tạo ra các giải pháp thiết kế cá nhân hóa và hiệu quả cao.

Nghiên cứu này mở ra ít nhất 3 luồng nghiên cứu mới quan trọng:

  1. Nghiên cứu sâu hơn về đa dạng vóc dáng của các nhóm nhân khẩu học khác tại Việt Nam và sự thay đổi vóc dáng theo thời gian.
  2. Phát triển các mô hình Avatar 3D động và tích hợp mô phỏng vật liệu tiên tiến cho ngành dệt may.
  3. Khám phá việc ứng dụng AI tạo sinh (generative AI) để cá nhân hóa Avatar và tối ưu hóa toàn bộ chuỗi giá trị thiết kế-sản xuất.

Với những đóng góp này, luận án có liên quan toàn cầu bằng cách cung cấp một mô hình thành công cho việc tích hợp công nghệ AI và dữ liệu nhân trắc 3D vào ngành dệt may, có thể được tham khảo và áp dụng bởi các quốc gia đang tìm cách nâng cao năng lực cạnh tranh trong kỷ nguyên số. Legacy của nghiên cứu này là tạo ra một nền tảng vững chắc cho sự phát triển của thời trang kỹ thuật số tại Việt Nam, với các kết quả có thể đo lường được là cải thiện độ vừa vặn sản phẩm, giảm chi phí sản xuất, tăng tốc độ phát triển sản phẩm, và nâng cao vị thế của ngành dệt may Việt Nam trên bản đồ thế giới.