Op kunstmatige intelligentie gebaseerd autonoom socketvoorstelprogramma: ervaringen met socketontwerp

Voor de geplande op kunstmatige intelligentie gebaseerde software werden de stronken van alle patiënten gescand met de 3D-scanner van het merk Artec Eva Lite. De gescande patronen werden opgeslagen als puntenwolken. Ook de kokerdelen van de prothesen die door dezelfde patiënten werden gebruikt, werden met dezelfde scanner gescand en geregistreerd.

De puntgegevensset bestaande uit stomp-socket-overeenkomsten verkregen van de patiënten werd gebruikt voor de software.

Om het kunstmatige-intelligentiemodel te trainen, is een werkomgeving gecreëerd waarin op de computer gebruik kan worden gemaakt van bibliotheken en hulpmiddelen voor kunstmatige intelligentie. Hiervoor werd het eerste Anaconda data science platform opgericht. Vervolgens werden de programmeertaal Python en de deep learning-bibliotheek Tensorflow geïnstalleerd, werden andere bibliotheken die nodig zijn voor het trainen van het kunstmatige-intelligentiemodel toegevoegd en werd de werkomgeving gereed gemaakt. In het kunstmatige-intelligentiemodel dat is ontwikkeld om de gegevens te trainen, is een deep learning-algoritme gebruikt. Het doel van het gebruik van deep learning, een van de meest actuele en populaire algoritmen voor kunstmatige intelligentie, is om nauwkeurigere resultaten te bereiken door de prestaties en nauwkeurigheid te verhogen. Ten eerste is de dataset voor 90% gereserveerd voor training en 10% voor testen. Vervolgens werd een deep learning-model gemaakt met het Sequantial()-model geselecteerd uit de Keras-bibliotheek. In het model worden in totaal 7 lagen gebruikt, waarvan de eerste de invoerlaag is en de laatste de uitvoerlaag. Terwijl "relu" wordt gebruikt als activeringsfunctie voor de invoerlaag en tussenliggende lagen, wordt de "lineaire" functie gebruikt voor de uitvoerlaag. Bij het maken van het model werd "Adam" gekozen als de optimizer. In het model dat is getraind met in totaal 500 "herhalingen", wordt "batchgrootte" toegewezen als 5. Het getrainde model werd vervolgens getest met de testgegevens en er werd een slagingspercentage van 61% behaald. Daarna werden het model en de gewichten genoteerd. Nadat de modeltraining was afgerond, is een nieuw Python-programma ontwikkeld. De eerder ontwikkelde modellen en gewichten werden geladen terwijl het programma liep en werden gebruikt om een ​​socket voor te stellen voor de nieuwe te geven matrijsgegevens. Wanneer het programma wordt uitgevoerd, wordt gevraagd naar de stompnaam waarvoor een socket wordt aangevraagd.

Het programma stelt dus een nieuwe socket voor nadat het de stompe dataset van de gebruiker heeft ontvangen en deze in het getrainde model heeft getest. Dit 3D-socketmodel wordt aan de gebruiker getoond via de Python Plotly Graphics Library.