Planifier le ramassage des produits Glidewell

Les laboratoires Glidewell fournissent une large gamme de produits et de services dentaires. Des milliers de commandes sont passées quotidiennement aux États-Unis et la plupart des appels reçus par notre service clientèle sont des demandes de ramassage de la part de dentistes. Nous souhaitons développer un système de gestion de clientèle de nouvelle génération pour planifier automatiquement le ramassage des commandes auprès de Glidewell.

Ce projet planifie automatiquement le ramassage des produits dentaires Glidewell à l'aide d’un appareil AWS DeepLens. Lorsqu'un dentiste d'un cabinet dentaire souhaite passer une nouvelle commande et planifier un ramassage, il se place devant une caméra DeepLens en tenant à la main un produit dentaire Glidewell. Une fois que le système a reconnu l’identité du dentiste et les informations sur le produit, il passe automatiquement la commande, planifie le ramassage et envoie l’e-mail de confirmation.

Créé par: Zefeng Zhang etYuqi Shang

Image Datasets : le jeu de données d’entraînement pondéré comprend quatre classes différentes : BruxZir S, BruxZir M, BruxZir L et non-BruxZir, chacune contenant environ 500 images.

Langage de programmation et outils :

• Python, MXNet
• AWS : SageMaker, fonction Lambda, DeepLens, Amazon Rekognition (reconnaissance faciale)
• Classification des produits

Nous avons utilisé l'algorithme de classification des images Amazon SageMaker pour entraîner un modèle de classification des produits dentaires Glidewell. La dernière couche d'un réseau neuronal convolutif pré-entraîné à 34 couches (ResNet) a été ajustée pour s'adapter aux nouvelles règles d'étiquetage. Les images d'entrée ont les mêmes dimensions : 3 * 512 * 512. Après entraînement et optimisation, le modèle extrait le flux vidéo de DeepLens et publie les résultats de la classification dans AWS IoT.

Détection des visages et reconnaissance faciale : l'exemple de projet DeepLens fournit un modèle de détection de visage pour permettre à l’appareil AWS DeepLens de détecter les visages des personnes. Le modèle prend le flux vidéo de DeepLens comme entrée et publie les images des visages qu'il détecte. Ensuite, la reconnaissance faciale AWS identifie la personne à l'aide du référentiel d'images de visages fourni.