인공지능 기반 자율 소켓 제안 프로그램: 소켓 설계 경험

제작 예정인 인공 지능 기반 소프트웨어의 경우 Artec Eva Lite 브랜드 3D 스캐너로 모든 환자의 그루터기를 스캔했습니다. 스캔한 패턴은 포인트 클라우드로 저장되었습니다. 동일한 환자가 사용한 보철물의 소켓 부분도 동일한 스캐너 장치로 스캔하여 기록했습니다.

환자로부터 얻은 스텀프-소켓 매치로 구성된 포인트 데이터 세트를 소프트웨어에 사용했습니다.

인공지능 모델을 훈련시키기 위해 컴퓨터에서 인공지능 라이브러리와 도구를 사용할 수 있는 작업환경을 만들었다. 이를 위해 최초의 Anaconda 데이터 사이언스 플랫폼이 구축되었습니다. 이에 Python 프로그래밍 언어와 Tensorflow 딥러닝 라이브러리를 설치하고 인공지능 모델 학습에 필요한 기타 라이브러리를 추가하여 작업 환경을 준비하였다. 데이터 학습을 위해 개발된 인공지능 모델에는 딥러닝 알고리즘이 사용되었습니다. 가장 최신의 대중적인 인공지능 알고리즘 중 하나인 딥러닝을 사용하는 목적은 성능과 정확도를 높여 보다 정확한 결과를 얻기 위함입니다. 첫째, 데이터 세트는 훈련용으로 90%, 테스트용으로 10% 예약되어 있습니다. 그런 다음 Keras 라이브러리에서 선택한 Sequantial() 모델로 딥러닝 모델을 생성했습니다. 모델에는 총 7개의 레이어가 사용되며 첫 번째 레이어는 입력 레이어이고 마지막 레이어는 출력 레이어입니다. "relu"는 입력 레이어와 중간 레이어의 활성화 함수로 사용되는 반면 "linear" 함수는 출력 레이어에 사용됩니다. 모델을 생성하는 동안 "Adam"이 옵티마이저로 선택되었습니다. 총 500번의 "반복"으로 훈련된 모델에서 "배치 크기"는 5로 할당됩니다. 그런 다음 훈련된 모델을 테스트 데이터로 테스트했고 61%의 성공률을 달성했습니다. 그런 다음 모델과 가중치를 기록했습니다. 모델 학습이 완료된 후 새로운 Python 프로그램이 개발되었습니다. 이전에 개발된 모델과 가중치는 프로그램이 실행되는 동안 로드되었으며 제공될 새 다이 데이터에 대한 소켓을 제안하는 데 사용되었습니다. 프로그램이 실행되면 소켓이 요청된 그루터기 이름을 묻습니다.

따라서 프로그램은 사용자로부터 stubby 데이터 세트를 수신하고 훈련된 모델에서 테스트한 후 새 소켓을 제안합니다. 이 3D 소켓 모델은 Python Plotly Graphics Library를 통해 사용자에게 표시됩니다.