Programma di proposta di socket autonomo basato sull'intelligenza artificiale: esperienze di progettazione di socket

Per il software basato sull'intelligenza artificiale da creare, i monconi di tutti i pazienti sono stati scansionati con lo scanner 3D del marchio Artec Eva Lite. I modelli scansionati sono stati salvati come nuvole di punti. Con lo stesso dispositivo scanner sono state scansionate e registrate anche le parti dell'invasatura delle protesi utilizzate dagli stessi pazienti.

Per il software è stato utilizzato il set di dati puntuali costituito da corrispondenze moncone-presa ottenute dai pazienti.

Al fine di addestrare il modello di intelligenza artificiale, è stato creato un ambiente di lavoro in cui le librerie e gli strumenti di intelligenza artificiale possono essere utilizzati sul computer. A tale scopo è stata creata la prima piattaforma di data science Anaconda. Successivamente, sono stati installati il ​​linguaggio di programmazione Python e la libreria di deep learning Tensorflow, sono state aggiunte altre librerie necessarie per l'addestramento del modello di intelligenza artificiale e l'ambiente di lavoro è stato preparato. Un algoritmo di deep learning è stato utilizzato nel modello di intelligenza artificiale sviluppato per addestrare i dati. Lo scopo dell'utilizzo del deep learning, che è uno degli algoritmi di intelligenza artificiale più aggiornati e popolari, è quello di ottenere risultati più accurati aumentando il tasso di prestazioni e precisione. Innanzitutto, il set di dati è riservato per il 90% alla formazione e per il 10% ai test. Quindi, è stato creato un modello di deep learning con il modello Sequantial() selezionato dalla libreria Keras. Nel modello vengono utilizzati un totale di 7 livelli, il primo dei quali è il livello di input e l'ultimo è il livello di output. Mentre "relu" viene utilizzato come funzione di attivazione per il livello di input e per i livelli intermedi, la funzione "lineare" viene utilizzata per il livello di output. Durante la creazione del modello, "Adam" è stato scelto come ottimizzatore. Nel modello addestrato con un totale di 500 "ripetizioni", la "dimensione batch" è assegnata a 5. Il modello addestrato è stato quindi testato con i dati del test ed è stato raggiunto un tasso di successo del 61%. Successivamente, sono stati registrati il ​​modello e i pesi. Dopo che l'addestramento del modello è stato completato, è stato sviluppato un nuovo programma Python. I modelli ei pesi sviluppati in precedenza sono stati caricati mentre il programma era in esecuzione e sono stati utilizzati per proporre una presa per i nuovi dati dello stampo da fornire. Quando il programma viene eseguito, viene richiesto il nome del moncone per il quale è richiesto un socket.

Pertanto, il programma propone un nuovo socket dopo aver ricevuto il set di dati stubby dall'utente e averlo testato nel modello addestrato. Questo modello di socket 3D viene mostrato all'utente tramite la libreria grafica Python Plotly.