การพัฒนาระบบการวัดดัชนีมวลกายจากภาพใบหน้า ที่มีประสิทธิภาพและมีความยืดหยุ่นสูง

ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์

ธนกฤต เมืองสุข, ปุณณวิช จันทรรวงทอง, ภัควัฒน์ พันธุ์ตัน

อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์

กอบชัย ดวงรัตนเลิศ, สุทธิพจน์ พรมตะพาน

โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์

โรงเรียนสุรวิวัฒน์ มหาวิทยาลัยเทคโนโลยีสุรนารี

ปีที่จัดทำโครงงานวิทยาศาสตร์

พ.ศ. 2565

บทคัดย่อโครงงานวิทยาศาสตร์

This project, known as RUBIX, was developed to design and enhance an efficient elastic BMI forecast system using a facial image. The proposed model utilizes a multi-task learning approach that considers age, sex, and ethnicity as covariates to predict BMI values from facial images. The model architecture includes a pre-trained VGG16 from VGGFace, a flatten layer, and a reparametrization layer that draws samples from a complex probability distribution to cope with uncertainty. This approach introduces a set of parameters that can be optimized during the training process.

To evaluate the performance of the model, datasets comprising of Healthy Celeb, VIP Attributes, and Bollywood images with age, sex, BMI values and ethnicity is collected and used to train and test the model with MTCNN (Multi-task Cascaded Convolutional Networks) to fetch usable data from the images. The eight models we experiment on: one without covariates, three with a single covariate (age, sex, or ethnicity), three with two combinations of covariates (age and sex, sex and ethnicity and age and ethnicity) and all three covariates (age, sex, or ethnicity). The results demonstrate that the model with covariates such as sex, age, and ethnicity led to the best performance, with RMSE values ranging from 1.83 to 4.10 across the three datasets and age groups. Additionally, the model demonstrated low RMAE values, ranging from 2.35 to 4.70 across the three datasets.

The proposed model is robust to variations in age, sex and ethnicity, making it suitable for real-world applications. The model has potential applications in healthcare, fitness, and personalized nutrition, where accurate BMI measurements are critical for assessing an individual's health status and providing personalized recommendations. Overall, this project presents a promising approach for robustly and accurately measuring BMI from face images using a deep learning model.