Abholung von Glidewell-Produkten planen
Inspiration
Glidewell Laboratories bietet ein breites Spektrum an Dentalprodukten und -dienstleistungen. Jeden Tag gehen Tausende von Bestellungen überall aus den USA ein. Ein Großteil der eingehenden Anrufe bei unserem Kundenservice sind Abholaufträge von Zahnärzten. Wir möchten ein neuartiges Kundenmanagementsystem entwickeln, mit dem das Abholen von Glidewell-Bestellungen automatisch geplant werden kann.
Was die Lösung kann
Dieses Projekt plant automatisch das Abholen von Glidewell-Dentalprodukten mithilfe des AWS DeepLens-Geräts. Wenn ein Zahnarzt in einer Praxis einen neuen Auftrag hat und die Abholung plant, wird dazu einfach ein Glidewell-Dentalprodukt vor die DeepLens-Kamera gehalten. Nachdem die Identität des Zahnarztes und die Produktinformationen erkannt wurden, gibt das System automatisch die Bestellung auf, plant das Abholen und sendet die Bestätigungs-E-Mail
Verfasst von: Zefeng Zhang und Yuqi Shang
Vorgehensweise
Bild-Datensätze: Der ausgewogene Trainings-Datensatz beinhaltet BruxZir S, BruxZir M, BruxZir L und kein BruxZir, wobei jede Gruppe etwa 500 Bilder enthält.
Programmiersprache und Tools:
- Python, MXNet
- AWS: SageMaker, Lambda Function, DeepLens, Amazon Rekognition (Gesichtserkennung)
- Produktklassifizierung
Wir haben den Bildklassifizierungsalgorithmus von Amazon SageMaker für das Training des Klassifikationsmodells bei Glidewell-Dentalprodukten genutzt. Die letzte Ebene eines bereits trainierten, auf 34 Ebenen aufgebauten konvolutionalen neuronalen Netzwerks (ResNet) wurde auf die neuen Auszeichnungsregeln hin angepasst. Die Eingabebilder haben die Maße 3 * 512 * 512. Nach Training und Optimierung nimmt das Modell den Video-Stream von DeepLens auf und sendet die Klassifizierungsergebnisse zu AWS IoT.
Gesichtserkennung: Das DeepLens-Mustermodellprojekt bietet ein Modell für die Gesichtserkennung, mit dem die AWS DeepLens-Kamera das Gesicht von Personen erkennt. Das Modell greift den Videostream von DeepLens als Eingabe auf und publiziert die Bilder der erkannten Gesichter. Anschließend erkennt die AWS-Gesichtserkennung die Person mithilfe des bereitgestellten Repositorys an Bildern von Gesichtern.
Herausforderungen
- Datenfluss zwischen unterschiedlichen Anwendungen
- Die Bildmaße des DeepLens-Videostreams stimmten nicht mit dem Trainingsdatensatz überein
Erfolge, die uns stolz machen
- Eine neue Idee für das Bestell- und Kundenmanagementsystem
- Förderung effizienter Betriebsabläufe
Was wir gelernt haben
- AWS DeepLens und SageMaker
- Integration verschiedener Ressourcen/Anwendungen zur Entwicklung eins Machine-Learning-Projekts.
Die nächsten Themen
- Eine Bestellung im Kundenmanagementsystem erstellen
- Das Abholen des Pakets in der Zahnarztpraxis auf Basis von Kundenpräferenzen (z. B. Uhrzeit, Transportdienst) in der Datenbank planen
- Textbenachrichtigungssystem hinzufügen
- Mehr Trainingsbilder vorbereiten
- Mehr Produktkategorien einbeziehen
- Ein Objekterkennungsmodell für Dentalprodukte entwickeln
Entwickelt mit
Python
AWS SageMaker
Rekognition
DeepLens/IoT
Lambda-Functions
MXNet
AWS GPU Instance
SQS
SNS
Jetzt testen
Das Archiv für dieses Projekt ist privat.