Programme de proposition de socket autonome basé sur l'intelligence artificielle : Expériences de conception de socket

Pour le logiciel basé sur l'intelligence artificielle qui devait être créé, les moignons de tous les patients ont été scannés avec le scanner 3D de la marque Artec Eva Lite. Les motifs numérisés ont été enregistrés sous forme de nuages ​​de points. Les emboîtures des prothèses utilisées par les mêmes patients ont également été scannées avec le même scanner et enregistrées.

L'ensemble de données ponctuelles composé d'appariements de souches obtenues auprès des patients a été utilisé pour le logiciel.

Afin de former le modèle d'intelligence artificielle, un environnement de travail a été créé dans lequel des bibliothèques et des outils d'intelligence artificielle peuvent être utilisés sur l'ordinateur. À cette fin, la première plate-forme de science des données Anaconda a été créée. Ensuite, le langage de programmation Python et la bibliothèque d'apprentissage en profondeur Tensorflow ont été installés, d'autres bibliothèques nécessaires à la formation du modèle d'intelligence artificielle ont été ajoutées et l'environnement de travail a été préparé. Un algorithme d'apprentissage en profondeur a été utilisé dans le modèle d'intelligence artificielle développé pour entraîner les données. Le but de l'utilisation de l'apprentissage en profondeur, qui est l'un des algorithmes d'intelligence artificielle les plus récents et les plus populaires, est d'obtenir des résultats plus précis en augmentant les performances et le taux de précision. Tout d'abord, le jeu de données est réservé à 90 % pour la formation et à 10 % pour les tests. Ensuite, un modèle d'apprentissage en profondeur a été créé avec le modèle Sequantial() sélectionné dans la bibliothèque Keras. Dans le modèle, un total de 7 couches sont utilisées, dont la première est la couche d'entrée et la dernière est la couche de sortie. Alors que "relu" est utilisé comme fonction d'activation pour la couche d'entrée et les couches intermédiaires, la fonction "linéaire" est utilisée pour la couche de sortie. Lors de la création du modèle, "Adam" a été choisi comme optimiseur. Dans le modèle formé avec un total de 500 "répétitions", la "taille du lot" est attribuée à 5. Le modèle formé a ensuite été testé avec les données de test et un taux de réussite de 61 % a été atteint. Ensuite, le modèle et les poids ont été enregistrés. Une fois la formation du modèle terminée, un nouveau programme Python a été développé. Les modèles et poids précédemment développés ont été chargés pendant l'exécution du programme et ont été utilisés pour proposer une prise pour les nouvelles données de matrice à fournir. Lorsque le programme est exécuté, le nom du moignon pour lequel une prise est demandée est demandé.

Ainsi, le programme propose un nouveau socket après avoir reçu l'ensemble de données stubby de l'utilisateur et l'avoir testé dans le modèle formé. Ce modèle de socket 3D est présenté à l'utilisateur via la bibliothèque graphique Python Plotly.