BE1026929B1 - Réseau neuronal artificiel pour identifier les points anatomiques d'un pied et pour sélectionner un article chaussant - Google Patents

Abstract

Procédé mis en oeuvre par ordinateur pour la formation d'un réseau neuronal artificiel afin d'identifier les points anatomiques d'un pied. Le procédé comprend : la réception, au niveau du réseau neuronal artificiel, d'un nuage de points 3D du pied, le nuage de points 3D comprenant des balises générées par un utilisateur indiquant l'emplacement d'un point anatomique ; le traitement, par le réseau neuronal artificiel, du nuage de points 3D ; l'identification, d’au moins un point anatomique du pied, par le réseau neuronal artificiel ; la récupération, dans le nuage de points 3D, de balises générées par l'utilisateur; la comparaison de chaque point anatomique identifié à sa balise correspondante pour obtenir au moins une mesure de l'erreur ; et la correction du réseau neuronal artificiel pour minimiser ladite au moins une mesure de l’erreur. L'utilisation d'un nuage de points 3D réel du pied pour la détection anatomique des points permet d'améliorer la précision par rapport à une sélection d’article chaussant basée uniquement sur les données d’entrées obtenues à partir de la plante du pied.

Description

Réseau neuronal artificiel pour identifier les points anatomigues d'un pied et pour sélectionner un article chaussant Domaine technique La présente invention concerne généralement un réseau neuronal artificiel (AAN) capable d'identifier des points anatomiques d'un pied à partir d'un modèle de nuage de points 3D du pied.

La présente invention concerne en outre un réseau neuronal artificiel supplémentaire (AAN) capable de sélectionner un article chaussant parmi une pluralité d'articles chaussants préfabriqués sur la base de différentes mesures de pied.

Etat de l'art Les articles chaussants, tels que les chaussures et/ou les semelles intérieures, sont généralement fabriquées selon des modèles fixes en fonction de leur taille.

Cependant, ces modèles fixes ne conviennent pas à tout le monde.

II est possible de se procurer des articles chaussants personnalisés pour une personne en particulier, mais ces articles chaussants ont tendance à être très chers.

Le choix d’un article chaussant selon un principe du "meilleur ajustement" est une option dans le choix d'un certain nombre de produits disponibles.

Cependant, bien que cette option soit moins coûteuse que les articles chaussant personnalisées, l'individu doit pouvoir essayer chacun des produits disponibles avant de faire un achat.

Même dans ce cas, il n'y a aucune garantie qu'une paire de chaussure s'adaptera parfaitement à chaque pied en raison des différences anatomiques entre les pieds, telles que des longueurs différentes, des largeurs différentes, des hauteurs de voûte différentes, etc.

Les semelles intérieures peuvent être utilisées pour s'adapter à ces différences anatomiques mais ne sont pas toujours une solution idéale.

De plus, lors de l'achat de chaussures dans un magasin en ligne, il est plus difficile de trouver le "meilleur ajustement” car il est difficile de déterminersi une chaussure vous conviendra en la regardant simplement sur un écran.

Le document US 2005/0049816 A1 est généralement dirigé vers un système d'aide à la sélection de chaussure qui recommande un soulier en fonction des caractéristiques anatomiques estimées (c'est-à-dire les paramètres du pied) d'un utilisateur. Le système prend en entrée les résultats d'un capteur optique et/ou d'un capteur de pression de la plante du pied. En fonction de l'état de la plante de pied au sol, différents paramètres du pied sont estimés. Le résultat final est une classification du pied en 9 types en fonction de la hauteur de la voûte plantaire, de la rigidité de la voûte plantaire et des informations sur le type de chaussures. Le système de sélection utilise une analyse multivariée ou un réseau neuronal pour déterminer le type de pied sans spécifier de détails sur l'analyse multivariée ou le réseau neuronal. En fonction du type de pied, une chaussure est sélectionnée.

Un réseau neuronal ou, plus précisément, un réseau neuronal artificiel (ANN) utilise un procédé de reconnaissance de modèle fonctionnant sur un système informatisé. Pour classer un modèle d'entrée, l'ANN incorpore des algorithmes et des procédés qui simulent certaines capacités d'apprentissage d'un cerveau biologique. L'ANN génère une cartographie entre le modèle d'entrée et les modèles de sortie. La capacité de générer une telle cartographie est appelée capacité d'apprentissage de l'ANN. Sur la base du résultat de l'apprentissage, l'ANN génère une sortie par rapport à un modèle d'entrée qui doit encore être utilisé pour l'apprentissage.

Exposé de l'invention L'objet de la présente invention est de fournir un procédé mis en œuvre par ordinateur plus précis pour sélectionner un article chaussant parmi une pluralité d’articles chaussants préfabriqués pour un pied, lequel procédé utilise un réseau neuronal artificiel (ANN).

Cet objet est obtenu par un procédé mis en œuvre par ordinateur pour former un réseau neuronal artificiel pour identifier les points anatomiques d'un pied, le procédé comprenant les étapes consistant à : a) recevoir, au niveau d'une couche d'entrée du réseau neuronal artificiel, un nuage de points 3D du pied, le nuage de points 3D comprenant une ou plusieurs balises générées par un utilisateur, chaque balise indiquant l'emplacement d'un point anatomique ; b) traiter, par au moins une couche cachée du réseau neuronal artificiel, le nuage de points 3D ; c) identifier, par une couche de sortie du réseau neuronal artificiel, au moins un point anatomique du pied ; d) récupérer, à partir du nuage de points 3D, une ou plusieurs balises générées par l’utiisateur, chaque balise indiquant l'emplacement d'un point anatomique ; e) comparer chaque point anatomique identifié à sa balise correspondante pour obtenir au moins une mesure d'erreur ; f) corriger le réseau neuronal artificiel pour réduire au minimum ladite au moins une mesure d'erreur ; et g) itérer les étapes a) à f) pour une pluralité de nuages de points 3D, chaque nuage de points 3D représentant un pied et comprenant une ou plusieurs balises générées par l'utilisateur, chaque balise indiquant l'emplacement d'un point anatomique, pour former le réseau neuronal artificiel.

Cet objet est également réalisé par un procédé mis en œuvre par ordinateur pour générer au moins une mesure d'un pied, le procédé comprenant les étapes consistant à : i) recevoir un nuage de points 3D du pied ; ii) utiliser un réseau neuronal artificiel formé comme décrit ci-dessus pour identifier une pluralité de points anatomiques du pied ; et iii) déduire, à partir d'au moins deux points anatomiques de ladite pluralité de points anatomiques, au moins une mesure du pied.

Cet objet est également atteint par un procédé mis en œuvre par ordinateur pour former un réseau neuronal artificiel afin de sélectionner un article chaussant parmi une pluralité d'articles chaussants préfabriqués pour un pied, le procédé comprenant les étapes consistant à : a) recevoir, au niveau d'une couche d'entrée du réseau neuronal artificiel, une pluralitéde mesures du pied et des données concernant une pluralité d'articles chaussants préfabriqués, la pluralité de mesures du pied étant générée par un procédé tel que décrit ci-dessus ; b) traiter, par au moins une couche cachée du réseau neuronal artificiel, la pluralité de mesures et lesdites données ; c) sélectionner, par une couche de sortie du réseau neuronal artificiel, un article chaussant parmi la pluralité d'articles chaussants préfabriqués ; d) recevoir, de la part d’un utilisateur, un retour sur l’article chaussant sélectionné ; e) générer, sur la base du retour de l'utilisateur, au moins une mesure d'erreur ; f) corriger le réseau neuronal artificiel pour réduire au minimum ladite au moins une mesure d'erreur ; et g) itérer les étapes a) à f) pour une pluralité de pieds pour former le réseau neuronal artificiel.

Cet objet est également atteint par un procédé mis en œuvre par ordinateur pour sélectionner un article chaussant parmi une pluralité d'articles chaussants préfabriqués pour un pied, le procédé comprenant les étapes consistant à : I) recevoir une pluralité de mesures du pied ; et ii) utiliser un réseau neuronal artificiel formé comme décrit ci-dessus pour sélectionner un article chaussant parmi une pluralité d’articles chaussants préfabriqués.

Cet objet est également atteint avec un ANN formé selon l’un quelconque des procédés décrits ci-dessus.

L'utilisation d'un nuage de points 3D réel du pied pour la détection de points anatomiques, lesquels points anatomiques sont à la base de la sélection des articles chaussants pour le pied, conduit à une amélioration de la précision par rapport à une sélection d'articles chaussants basés uniquement sur les données d'entrée obtenues d'un capteur optique et/ou d’un capteur de pression de la plante du pied comme dans le document US 2005/0049816 A1.

Description des fiqures

L'invention sera expliquée plus en détail au moyen de la description suivante et des figures annexée. La figure 1 illustre un exemple de réseau neuronal artificiel selon un mode de réalisation de la présente invention.

5 La figure 2 illustre un organigramme d'un procédé de sélection d'une semelle intérieure selon un mode de réalisation de la présente invention.

La figure 3 illustre un système informatisé pour la mise en œuvre du procédé de la figure 2.

La figure 4 illustre un organigramme d'un procédé de formation du réseau neuronal artificiel pour identifier les points anatomiques d'un pied.

La figure 5 illustre un organigramme d'un procédé de formation du réseau neuronal artificiel pour sélectionner une semelle intérieure parmi une pluralité de semelles intérieures préfabriquées pour un pied.

Description de l'invention La présente invention sera décrite par rapport à des modes de réalisation particuliers et par rapport à certains dessins, mais l'invention n'est pas limitée à ceux-ci mais seulement par les revendications. Les dessins décrits ne sont que schématiques et ne sont pas limitatifs. Dans les dessins, la taille de certains éléments peut être exagérée et ne pas être dessinée à l'échelle à des fins d'illustration. Les dimensions et les dimensions relatives ne correspondent pas nécessairement aux réductions réelles dans la mise en œuvre de l'invention.

En outre, les termes premier, deuxième, troisième et autres termes similaires dans la description et dans les revendications, sont utilisés pour distinguer les éléments similaires et pas nécessairement pour décrire un ordre séquentiel ou chronologique. Les termes sont interchangeables dans des circonstances appropriées et les modes de réalisation de l'invention peuvent se dérouler dans d'autres séquences que celles décrites ou illustrées ici.

De plus, les termes "haut", "bas", "dessus", "dessous", et autres termes similaires dans la description et les revendications sont utilisés à des fins descriptives. Les termes ainsi utilisés sont interchangeables dans des circonstances appropriées et les modes de réalisation de l'invention décrite dans le présent document peuvent avoir d'autres orientations que celles qui y sont décrites ou illustrées.

En outre, les différents modes de réalisation, bien que qualifiées de "préférés", doivent être interprétés comme des manières exemplaires dans lesquelles l'invention peut être mise en œuvre plutôt que comme limitant la portée de l'invention.

La figure 1 illustre un exemple d’un réseau neuronal artificiel (ANN) 100 conformément à un mode de réalisation de la présente invention. L'ANN 100 comprend une pluralité de couches, chacune comprenant une pluralité de nœuds connectés les uns aux autres par des bords ayant des poids de connexion, également appelés poids. Les poids de connexion sont des valeurs prédéterminées (ou générées dynamiquement) des bords (basées sur l'évaluation analytique des données d'entrée et/ou des relations), et peuvent également être appelés poids synaptiques ou forces de connexion. Un appareil de formation génère l'ANN 100 à partir d'une ou plusieurs bases de données internes stockées dans un ou plusieurs emplacements de mémoire.

L'ANN 100 comprend plusieurs couches. Par exemple, le réseau neuronal 100 comprend une couche d'entrée 110, une couche cachée (ou intermédiaire) 120 et une couche de sortie 130. La couche cachée 120 est disposée entre la couche d'entrée 110 et la couche de sortie 130. La couche d'entrée 110 reçoit une entrée à utiliser pour effectuer la formation ou la reconnaissance et transmet l'entrée à la couche cachée 120. La couche cachée 120 transforme une entrée de formation de données de formation reçues de la couche d'entrée 110 en une valeur facilement prévisible. La couche de sortie 130 génère une sortie du réseau neuronal 100 basée sur les signaux (ou indices) reçus de la couche cachée 120.

La couche d'entrée 110, la couche cachée 120 et la couche de sortie 130 comprennent chacune une pluralité de nœuds. Les nœuds de la couche d'entrée 110 sont appelés nœuds d'entrée, les nœuds de la couche cachée 120 sont appelés nœuds cachés et les nœuds de la couche de sortie 130 sont appelés nœuds de sortie.

Les nœuds d'entrée de la couche d'entrée 110 et les nœuds cachés de la couche cachée 120 sont reliés entre eux par des bords ayant des poids de connexion indiquant la probabilité d'une connexion réelle. Les nœuds cachés de la couche cachée 120 et les nœuds de sortie de la couche de sortie 130 sont également reliés entre eux par des bords ayant des poids de connexion.

Alors qu'une seule couche cachée 120 est montrée dans la figure 1 pour la concision et la clarté, le réseau neuronal peut inclure une pluralité de couches cachées. Un ANN comprenant une pluralité de couches cachées peut être appelé un réseau neuronal profond. La formation du réseau neuronal profond peut être appelée apprentissage profond. En supposant que la couche cachée 120 comprend une première couche cachée, une deuxième couche cachée et une troisième couche cachée, une sortie d'un nœud caché dans la première couche cachée peut être connectée aux nœuds cachés appartenant à la deuxième couche cachée par des bords ayant des poids de connexion. Une sortie d'un nœud caché appartenant à la deuxième couche cachée peut être connectée aux nœuds cachés appartenant à la troisième couche cachée par des bords ayant des poids de connexion.

Typiquement, chaque couche du réseau génère une sortie à partir d'une entrée reçue conformément aux valeurs actuelles d'un ensemble respectif de poids de connexion. En particulier, les sorties des nœuds précédents inclus dans une couche précédente sont reliées à la couche cachée actuelle par des bords ayant des poids de connexion. La couche cachée actuelle génère des sorties sur la base des valeurs obtenues en appliquant les poids de connexion aux sorties des nœuds précédents et àsa propre fonction d'activation. Pour connecter et transmettre un signal de sortie à un nœud suivant, les résultats des fonctions d'activation doivent dépasser un seuil d'un nœud caché actuel. Dans cet exemple, un nœud maintient un état désactivé sans déclencher (ou envoyer) de signal à un nœud suivant jusqu'à ce qu'un seuil prédéterminé d'intensité d'activation soit atteint par des vecteurs d'entrée.

La première étape, et la plus importante, d'un ANN est la formation. Considérez un ANN pour la classification des images. Un grand nombre d'images, par exemple de personnes, d'animaux de compagnie, de voitures et de maisons, est collecté, chacune étant étiquetée avec une catégorie correspondante. Pendant la formation, l'ANN reçoit une image et produit une sortie sous la forme d'un vecteur de scores, un pour chaque catégorie. L'objectif final est que la bonne catégorie ait le score le plus élevé de toutes les catégories, mais il est peu probable que cela se produise avant la formation. Une fonction objective qui mesure l'erreur (ou la distance) entre les scores de sortie et le modèle désiré des scores est utilisée dans la formation. Plus précisément, l'ANN modifie ses paramètres internes réglables, c'est-à-dire les poids de connexion et/ou les fonctions d'activation des nœuds, pour réduire l'erreur calculée à partir de la fonction objective. Ces paramètres réglables sont ce qui définit la fonction entrée-sortie de l'ANN. Dans un système typique d'apprentissage profond, il peut y avoir des centaines de millions de paramètres ajustables et des centaines de millions d'exemples étiquetés pour former la machine. L'ANN 100 est formé par un apprentissage supervisé. L'apprentissage supervisé se réfère à un procédé d'entrée d'une entrée de formation de données de formation et d'une sortie de formation correspondante dans le réseau neuronal 100, et de mise à jour des poids de connexion des bords afin que les données de sortie correspondant à la sortie de formation des données de formation puissent être sorties. Bien que la figure 1 illustre la structure du réseau neuronal en tant que structure de nœuds, les exemples ne s'y limitent pas. Différentesstructures de données peuvent être utilisées pour stocker le réseau neuronal dans une mémoire, comme par exemple une base de données relationnelle, une mémoire de données, une structure de liste liée, des piles ou toute autre mémoire appropriée.

Dans certains modes de réalisation, afin d'ajuster correctement les poids de connexion, l'algorithme d'apprentissage supervisé calcule un vecteur de gradient qui, pour chaque poids, indique dans quelle mesure l'erreur augmenterait ou diminuerait si les poids de connexion étaient augmentés d'une petite quantité, ce qui est également connu comme l'apprentissage par rétro propagation. Les poids de connexion sont ensuite réglés dans le sens inverse du vecteur de gradient. La fonction objective, dont la moyenne est calculée sur tous les exemples de formation, peut être visualisée comme une sorte de paysage vallonné dans l'espace à haute dimension des valeurs de poids. Le vecteur de gradient négatif indique la direction de la descente la plus raide dans ce paysage, la rapprochant ainsi d'un minimum, où l'erreur de sortie est faible en moyenne. Dans la pratique, une procédure appelée descente de gradient stochastique (SGD) est généralement utilisée. Il s'agit de fournir le vecteur d'entrée pour quelques exemples, de calculer les sorties et les erreurs, de calculer le gradient moyen pour ces exemples et d'ajuster les poids de connexion en conséquence. Le processus est répété pour de nombreux petits ensembles d'exemples à partir de l'ensemble de formation jusqu'à ce que la moyenne de la fonction de l'objectif cesse de diminuer. On l'appelle stochastique parce que chaque petit ensemble d'exemples donne une estimation brouillée du gradient moyen sur tous les exemples. Cette procédure simple permet généralement de trouver un bon ensemble de poids étonnamment rapidement par rapport à des techniques d'optimisation beaucoup plus élaborées.

Le traitement de l'ANN 100 s'effectue dans l'ordre de la couche d'entrée 110, de la couche cachée 120 et de la couche de sortie 130. Toutefois, dans l'apprentissage par rétro propagation, les poids deconnexion sont mis à jour dans l'ordre de la couche de sortie 130, de la couche cachée 120 et de la couche d'entrée 110. Pour traiter l'ANN comme souhaité, un ou plusieurs processeurs utilisent une mémoire tampon configurée pour stocker des couches ou une série de données calculées.

Les figures 2 et 3 décrivent les grandes lignes d'un procédé 1000 et d'un système 2000 pour la sélection d'une semelle intérieure selon un mode de réalisation de la présente invention.

Le procédé 1000 comprend une étape d'acquisition de données 1100 dans laquelle un nuage de points 3D d'un pied est créé.

Dans un mode de réalisation privilégié, l'étape d'acquisition de données 1100 ne nécessite pas l'utilisation de matériel spécialisé, tel que les capteurs de pression décrits dans le document US 2005/0049816 A1 ou les scanners tridimensionnels spécialement conçus tels que décrits dans le document US 2014/0149072 A1. Dans ce mode de réalisation préféré, le nuage de points 3D est généré par une application de numérisation 2110 fonctionnant sur un appareil mobile 2100. L'application de numérisation 2110 interagit avec la caméra 2120 de l'appareil mobile 2100 et fournit à l'utilisateur des instructions sur les images (par exemple, angle, orientation, taille, etc.) qu'il doit prendre de son pied. L'application de numérisation 2110 est capable de générer un nuage de points 3D modifiable du pied sans nécessiter de ressources informatiques en dehors de l'appareil mobile 2100. Cette technologie de vidéogrammétrie est disponible dans le commerce.

On comprendra facilement que d'autres procédés d'acquisition de données peuvent être utilisées pour créer un modèle nuage de points 3D du pied (ou des pieds) d'un utilisateur. Par exemple, un capteur optique 3D peut être utilisé, éventuellement en combinaison avec un capteur de pression.

Lorsque le nuage de points 3D du pied sera utilisé pour la formation du système 2000, un utilisateur devra ajouter manuellement des balisescorrespondant à des points anatomiques (ex. talon, gros orteil, petit orteil, pointe du pied, etc.). L'utilisateur qui ajoute les balises peut être la personne dont le pied est scanné ou une tierce personne. Dans le mode réalisation préféré de l'utilisation de l'appareil mobile 2100 pour créer le nuage de points 3D, l'utilisateur peut être invité par l'application de numérisation 2110 à marquer divers points anatomiques sur une ou plusieurs des images. L'application de numérisation 2110 peut ensuite intégrer ces balises dans le nuage de points 3D, par exemple en créant des points supplémentaires pour chaque point anatomique.

Après l'étape d'acquisition des données 1100, les données acquises (c'est-à-dire le nuage de points 3D avec éventuellement des données de balisage) sont envoyées à un serveur de traitement 2200 dans une étape de transfert de données 1200. On comprendra aisément que le serveur de traitement 2200 puisse, dans certains modes de réalisation, être constitué d'un réseau de différents serveurs interopérables. Dans le mode de réalisation préféré de l'utilisation de l'appareil mobile 2100 pour créer le nuage de points 3D, les données peuvent être envoyées par Internet au serveur de traitement 2200. Selon le procédé d'acquisition des données, un ou plusieurs capteurs peuvent être directement connectés au serveur de traitement 2200.

Dans un mode de réalisation, le serveur de traitement 2200 reçoit les données via une interface de programmation applicative (API) 2210 spécialement conçue pour recevoir les données d'un ou plusieurs procédés d'acquisition de données appropriées, telles que l'application de numérisation 2110 sur les appareils mobiles 2100, un scanner de pied 3D, etc. L'API 2210 peut également formater et/ou traiter les données de manière à ce qu'elles puissent être stockées dans une base de données de modèles de pied 3D 2221 qui fait partie d'une base de données générale 2220 sur le serveur de traitement 2200. Le stockage des données de nuages de points 3D reçues dans la base de données de modèle de pied 3D 2221 est particulièrement utile lorsqu'il s'agit dedonnées de formation qui comprennent les balises générées par l'utilisateur.

Cependant, lorsque le système 2000 est en mode de fonctionnement, c'est-à-dire pas en mode de formation, les données de nuage de points 3D reçues dans l'étape de transfert de données 1200 peuvent être immédiatement envoyées à un point anatomique ANN 2230 chargé d'identifier, dans le nuage de points 3D, une pluralité de points anatomiques du pied.

Ceci est indiqué sur la figure 3 où les flèches en trait plein indiquent les transferts de données pendant le mode de fonctionnement, les flèches en pointillés indiquent les transferts de données pendant le mode de formation et les flèches en pointillés indiquent les transferts de données pendant le mode de fonctionnement et le mode de formation.

Dans l'étape d'identification anatomique des points 1300, l'ANN 2330 est utilisé pour identifier différents points anatomiques du pied (par ex. talon, gros orteil, petit orteil, pointe du pied, etc.) dans le nuage de points 3D.

Plus précisément, les données d'entrée, c'est-à-dire le nuage de points 3D, sont reçues dans la couche d'entrée 2232 et peuvent être soit directement reçues de l'API 2210, soit extraites de la base de données du modèle 3D 2221. Les données d'entrée dans la couche d'entrée 2232 sont traitées dans une ou plusieurs couches cachées 2234 qui détermine les entrées reçues à la couche de sortie 2236. Sur la base de l'entrée reçue, la couche de sortie 2236 identifie une pluralité de points anatomiques du pied.

Généralement, la couche de sortie 2236 possède plusieurs nœuds pour fournir la réponse à une liste complète de questions.

Un premier nœud de couche de sortie pourrait se déclencher (c'est-à-dire envoyer un signal) si, selon l'ANN 2230, le nuage de points 3D représente un pied.

Un deuxième nœud de la couche de sortie pourrait se déclencher si, selon l'ANN 2230, un certain point dans le nuage représente le gros orteil.

D'autres nœuds de la couche de sortie peuvent alors être utilisés pour d'autres points anatomiques.

Dans l'exemple ci-dessus, l'ANN 2230 utilise les points existants dans le nuage de points 3D pour indiquer les points anatomiques. On comprendra aisément que, dans d'autres modes de réalisation, l'ANN 2230 peut également générer des points supplémentaires dans le nuage de points 3D qui correspondent mieux à un point anatomique que les points disponibles.

Naturellement, l'ANN 2230 doit être correctement formé afin de pouvoir identifier les points anatomiques d'un pied. Les différentes étapes de la formation de l'ANN 2230 seront décrites par rapport à la figure 4.

Le procédé de formation 3000 commence par l'étape 3100 où, à la couche d'entrée 2232 de l'ANN 2230, un nuage de points 3D du pied est reçu, le nuage de points 3D comprenant un ou plusieurs balises générées par l'utilisateur qui indiquent un emplacement d'un point anatomique du pied. Les données peuvent, par exemple, être extraites de la base de données de modèles de pieds 3D 2221.

Dans l'étape 3200, les données de la couche d'entrée 2232 sont traitées dans une ou plusieurs couches cachées 2234 qui détermine les entrées reçues à la couche de sortie 2236. Sur la base de l'entrée reçue, la couche de sortie 2236 identifie une pluralité de points anatomiques du pied à l'étape 3300.

A l'étape 3400, les balises incluses dans le nuage de points 3D du pied sont récupérées. Ainsi, à l'étape 3500, une comparaison peut être faite entre l'emplacement d'un point anatomique identifié et sa balise correspondante. Par exemple, une différence absolue entre les deux peut être utilisée pour quantifier l'erreur. Toutefois, il est préférable d'utiliser une erreur quadratique.

A l'étape 3600, l'ANN 2230 est corrigé afin de minimiser la mesure d'erreur obtenue à l'étape 3500. Cela peut se faire, par exemple, par l'apprentissage par rétro propagation décrit ci-dessus. Toutefois, d'autres procédés de correction peuvent également être utilisés.

Dans l'étape 3700, les étapes précédentes 3100 à 3600 sont itérées ou répétées pour une pluralité de nuages de points 3D afin de former l'ANN 2230. Ces nuages de points 3D incluent en particulier différents pieds, mais, il sera apprécié que le même nuage de points 3D peut être utilisé plusieurs fois avec différentes configurations de l'ANN

2230. L'utilisation d'autant de nuages de points 3D différents que possible améliorera naturellement la précision de l'ANN 2230.

Après que l'ANN 2230 ait identifié les différents points anatomiques du pied, ces points sont ensuite utilisés pour générer différentes mesures du pied, également appelées paramètres du pied, à l'étape 1400. Ces mesures du pied peuvent être les volumes, les longueurs, les courbures, etc. du pied. L'ANN 2230 peut également formater et/ou autrement traiter les données de manière à ce qu'elles puissent être stockées dans une base de données de mesures de pieds 2222 qui fait partie de la base de données générale 2220 du serveur de traitement 2200. Le stockage des mesures de pied générées dans la base de données des mesures de pied 2222 est particulièrement utile lorsqu'il s'agit de données de formation qui seront utilisées pour former une sélection ANN 2240 chargée de sélectionner un article chaussant en fonction des mesures de pied. Cependant, lorsque le système 2000 est en mode de fonctionnement, c'est-à-dire pas en mode de formation, les mesures de pieds générées à l'étape 1400 peuvent être immédiatement envoyées à la sélection ANN

2240. Ceci est indiqué sur la figure 3 où les flèches en trait plein indiquent les transferts de données en mode de fonctionnement, les flèches en pointillés indiquent les transferts de données en mode de formation et les flèches en pointillés indiquent les transferts de données en mode de fonctionnement et de formation. Il sera apprécié que la génération de la mesure du pied basée sur les différents points anatomiques puisse se faire par un algorithme de calcul simple qui n'est pas un ANN. Dans l'étape de sélection des articles chaussants 1500, l'ANN 2340 est utilisé pour sélectionner une semelle intérieure parmi une pluralité desemelles intérieures préfabriquées en fonction des mesures du pied. En particulier, les données d'entrée, c'est-à-dire les mesures du pied et les données de modèle 3D sur chacune des semelles intérieures préfabriquées, sont reçues dans la couche d'entrée 2242 et peuvent être soit directement reçues de l'ANN 2230, soit extraites de la base de données des mesures de pied 2222 et de la base de données de semelle intérieure préfabriquée 2223. Les données d'entrée dans la couche d'entrée 2232 sont traitées dans une ou plusieurs couches cachées 2234 afin de déterminer les entrées reçues à la couche de sortie 2236. Sur la base de l'entrée reçue, la couche de sortie 2236 fournit une sélection d'une ou plusieurs semelles intérieures qui correspondent le mieux aux mesures du pied. Dans un mode de réalisation pris en exemple, l'ANN 2340 peut sortir une liste ordonnée de semelles intérieures, ce qui présente l'avantage que l'utilisateur a du choix.

Dans certains modes de réalisation, l'ANN 2340 peut être complétée par des entrées supplémentaires concernant l'utilisateur, c'est- à-dire la personne pour laquelle la semelle intérieure est sélectionnée. Ces données peuvent inclure l'âge, le sexe, les conditions médicales, le niveau d'activité, etc. Ces données peuvent être stockées dans une base de données utilisateur 2226 dans la base de données 2200. De plus, un médecin spécialisé, par exemple un podologue, peut également être consulté, ce qui est particulièrement utile si l'utilisateur a une ou plusieurs conditions médicales. Ces données peuvent être stockées dans une base de données médicales 2225 dans la base de données 2200.

Dans un mode de réalisation préféré, l'ANN 2340 peut en outre sélectionner une chaussure parmi une pluralité de chaussures préfabriquées en fonction des mesures du pied et de la ou des semelles intérieures sélectionnées. Dans ce mode de réalisation, l'ANN 2340 est en outre fourni avec des données de modèle 3D sur chacune des chaussures, qui peuvent être stockées dans une base de données de chaussures 2224 dans la base de données générale 2220. Dans ce modede réalisation, la couche de sortie 2236 offre une sélection d'une ou plusieurs combinaisons chaussure/semelle intérieure qui correspondent le mieux aux mesures du pied. Dans un mode de réalisation exemplaire, l'ANN 2340 peut sortir une liste ordonnée de combinaisons chaussure/semelle intérieure, ce qui présente l'avantage que l'utilisateur a encore le choix.

Il est important de noter que l'ANN 2340 peut également être utilisé uniquement pour la sélection d'une chaussure, sans avoir à sélectionner une semelle intérieure. Dans ce cas, il n'y aura pas de données utilisées à partir de la base de données de la semelle intérieure préfabriquée 2223.

Naturellement, l'ANN 2240 doit être correctement formé pour pouvoir choisir les articles chaussants appropriées, qu'il s'agisse d'une semelle intérieure, d'une chaussure ou d'une combinaison des deux. Les différentes étapes de la formation de l'ANN 2240 seront décrites par rapport à la figure 5.

Le procédé de formation 4000 commence par une étape de réception 4100 où, à la couche d'entrée 2242 de l'ANN 2240, les mesures de pied et les données de modèle 3D sur chacune des chaussures préfabriquées, sont reçues. Les données peuvent, par exemple, être extraites de la base de données de mesure des pieds 2222 et des bases de données de semelles intérieures et/ou de chaussures 2223, 2224. Des informations supplémentaires provenant de la base de données médicale 2225 et/ou de la base de données utilisateur 2226 peuvent également être reçues en fonction des capacités souhaitées de l'ANN 2240.

Dans l'étape 4200, les données de la couche d'entrée 2242 sont traitées dans une ou plusieurs couches cachées 2244 qui détermine les entrées reçues à la couche de sortie 2246. En fonction de l'entrée reçue, la couche de sortie 2246 sélectionne un ou plusieurs articles chaussants à l'étape 4300.

A l'étape 4400, le retour est recueillie auprès de l'utilisateur sur la qualité, le confort, la durabilité, etc. de l’article chaussant choisie. Ainsi, à l'étape 4500, une mesure d'erreur peut être générée à partir du retour.

A l'étape 4600, l'ANN 2240 est corrigé afin de minimiser la mesure d'erreur obtenue à l'étape 4500. Cela peut se faire, par exemple, par l'apprentissage par rétro propagation décrit ci-dessus. Toutefois, d'autres procédés de correction peuvent également être utilisés.

Dans l'étape 4700, les étapes 4100 à 4600 précédentes sont itérées ou répétées pour une pluralité de mesures de pieds afin de former l'ANN 2240. Ces mesures du pied comprennent surtout des mesures de différents pieds, mais il sera apprécié qu'un même pied puisse être utilisé plusieurs fois avec différentes configurations de l'ANN 2240, ce qui peut conduire à des choix d'articles chaussants différents. L'utilisation d'autant de pieds différents que possible améliorera naturellement la précision de l'ANN 2240.

Une fois que l'ANN 2240 a sélectionné un ou plusieurs articles chaussants, cette sélection peut être envoyée à nouveau à l'utilisateur à l'étape 1600. Par exemple, il peut être renvoyé à l'API 2210 qui le communique ensuite à l'utilisateur, par exemple à l'application de numérisation 2110 sur son appareil mobile 2100 ou à un écran associé au scanner de pied 3D, etc.

Les modes de réalisation de l'invention et des opérations décrites ici peuvent être mises en œuvre dans des circuits électroniques numériques, dans des logiciels ou micro logiciels matériellement intégrés, dans du matériel informatique, y compris les structures présentées ici et leurs équivalents structuraux, ou dans des combinaisons d'une ou plusieurs d'entre elles. Les modes de réalisation de l'invention décrits ici peuvent être mis en œuvre sous la forme d'un ou de plusieurs programmes d'ordinateur, c'est-à-dire d'un ou de plusieurs modules d'instructions de programmes d'ordinateur codées sur un support de programme tangible non transitoire pour exécution par un appareil detraitement de données ou pour en contrôler l'utilisation. Alternativement, ou en plus, les instructions du programme peuvent être codées sur un signal propagé généré artificiellement, par exemple un signal électrique, optique ou électromagnétique généré par une machine, qui est généré pour coder des informations à transmettre à un récepteur approprié pour exécution par un appareil de traitement de données. Le support de stockage informatique peut être un dispositif de stockage lisible par machine, un substrat de stockage lisible par machine, un dispositif de stockage à accès aléatoire ou en série, ou une combinaison d'un ou plusieurs d'entre eux.

L'expression "appareil de traitement des données" englobe divers types d'appareils, de dispositifs et de machines de traitement des données, y compris, par exemple, un processeur ou un ordinateur. L'appareil peut comprendre des circuits logiques spéciaux, par exemple un réseau de portes programmables sur site (FPGA) ou un circuit intégré spécifique à une application (ASIC). L'appareil peut également inclure, en plus du matériel, du code qui crée un environnement d'exécution pour le programme informatique en question, par exemple un code qui constitue un micro logiciel de processeur, une pile de protocoles, un système de gestion de base de données, un système d'exploitation ou une combinaison de l'un ou plusieurs de ces éléments.

Un programme d'ordinateur (qui peut également être appelé programme, logiciel, application logicielle, module, module, module logiciel, script ou code) peut être écrit dans n'importe quel langage de programmation, y compris un langage compilé, interprété, déclaratif ou procédural, et il peut être déployé sous toute forme, notamment comme programme autonome ou comme module, composant, sous-programme ou autre unité pouvant être utilisé dans un système informatique. Un programme informatique peut correspondre à un fichier dans un système de fichiers. Un programme peut être stocké dans une partie d'un fichier qui contient d'autres programmes ou données, par exemple un ou plusieursscripts stockés dans un document de langue, dans un fichier unique dédié au programme en question, ou dans plusieurs fichiers coordonnés, par exemple des fichiers qui stockent un ou plusieurs modules, sous programmes ou portions de code.

Un programme informatique peut être déployé pour être exécuté sur un ordinateur ou sur plusieurs ordinateurs situés sur un site ou répartis sur plusieurs sites et interconnectés par un réseau de communication.

Les processus décrits ici peuvent être exécutés par un ou plusieurs ordinateurs programmables exécutant un ou plusieurs programmes informatiques pour exécuter des fonctions en agissant sur les données d'entrée et en générant des sorties.

Les processus peuvent également être réalisés par des circuits logiques spéciaux, par exemple un FPGA ou un ASIC.

Les ordinateurs adaptés à l'exécution d'un programme d'ordinateur comprennent, à titre d'exemple, les microprocesseurs à usage général ou spécial, ou tout autre type d'unité centrale de traitement.

En règle générale, une unité centrale reçoit les instructions et les données d'une mémoire morte ou d'une mémoire vive.

Les éléments de base typiques d'un ordinateur sont une unité centrale de traitement pour traiter ou exécuter des instructions et un ou plusieurs dispositifs de mémoire pour stocker des instructions et des données.

Généralement, un ordinateur comprendra également, ou sera couplé de manière opérationnelle pour recevoir des données ou transférer des données d'un ou plusieurs dispositifs de stockage de masse pour stocker des données, par exemple des disques magnétiques, magnéto-optiques, ou des disques optiques.

De plus, un ordinateur peut être intégré dans un autre appareil, par exemple un téléphone mobile, un assistant numérique personnel (PDA), un lecteur audio ou vidéo mobile, une console de jeux, un récepteur GPS (Global Positioning System) ou un dispositif de stockage portable, par exemple une clé bus série universel (USB), etc.

Les supports lisibles par ordinateur appropriés pour stocker les instructions et les données des programmes d'ordinateur comprennent toutes les formes de mémoire non volatile, les supports et les dispositifs de mémoire, y compris, par exemple, les dispositifs de mémoire à semi- conducteurs, par exemple EPROM, EEPROM et dispositifs de mémoire flash, les disques magnétiques, par exemple les disques durs internes ou amovibles, les disques magnéto-optiques, les CD ROM et DVD-ROM.

Pour l'interaction avec un utilisateur, les modes de réalisation de l'invention décrite ici peuvent être mises en œuvre sur un ordinateur équipé d'un dispositif d'affichage, par exemple un écran à cristaux liquides (LCD), pour afficher des informations à l'utilisateur et un clavier et un dispositif de pointage, par exemple une souris, permettant à l'utilisateur de fournir des entrées à l'ordinateur. D'autres types de dispositifs peuvent également être utilisés pour l'interaction avec un utilisateur, par exemple, le retour fournie à l'utilisateur peut être toute forme de retour sensorielle, par exemple un retour visuel, un retour auditive ou tactile, et l’entrée de l'utilisateur peut être reçue sous toute forme, notamment acoustique, vocale ou tactile. En outre, un ordinateur peut interagir avec un utilisateur en envoyant des documents à un dispositif utilisé par l'utilisateur et en recevant des documents d'un tel dispositif, par exemple en envoyant des pages Web à un navigateur Web sur un dispositif client de l'utilisateur.

Les modes de réalisation de l'invention décrits ici peuvent être mis en œuvre dans un système informatique qui comprend un composant en partie arrière, par exemple un serveur de données, ou qui comprend un composant intergiciel, par exemple un serveur d'application, ou qui comprend un composant en partie avant, par exemple un ordinateur client ayant une interface utilisateur graphique. Les composants du système peuvent être interconnectés par n'importe quelle forme ou moyen de communication de données numériques, par exemple un réseau de communication. Les exemples de réseaux de communicationcomprennent un réseau local (LAN) et un réseau étendu (WAN), par exemple l'Internet.

Le système informatique peut comprendre des clients et des serveurs. Un client et un serveur sont généralement distants l'un de l'autre et interagissent généralement via un réseau de communication.

Bien que certains aspects de la présente description aient été décrits en ce qui a trait à des modes de réalisation précis, il est facile de comprendre que ces aspects peuvent être mis en œuvre sous d'autres formes dans le cadre de l'invention telle que définie par les revendications.

Claims (4)

Revendications

1. Procédé mis en œuvre par ordinateur pour former un réseau neuronal artificiel pour identifier les points anatomiques d'un pied, le procédé comprenant les étapes consistant à : a) recevoir, au niveau d'une couche d'entrée du réseau neuronal artificiel, un nuage de points 3D du pied, le nuage de points 3D comprenant une ou plusieurs balises générées par un utilisateur, chaque balise indiquant l'emplacement d'un point anatomique ; b) traiter, par au moins une couche cachée du réseau neuronal artificiel, du nuage de points 3D ; c) identifier, par une couche de sortie du réseau neuronal artificiel, au moins un point anatomique du pied ; d) récupérer, à partir du nuage de points 3D, une ou plusieurs balises générées par l'utilisateur, chaque balise indiquant l'emplacement d'un point anatomique ; e) comparer chaque point anatomique identifié à sa balise correspondante pour obtenir au moins une mesure d'erreur ; f) corriger le réseau neuronal artificiel pour réduire au minimum ladite au moins une mesure d'erreur ; et g) itérer les étapes a) à f) pour une pluralité de nuages de points 3D, chaque nuage de points 3D représentant un pied et comprenant une ou plusieurs balises générées par l'utilisateur, chaque balise indiquant l'emplacement d'un point anatomique, pour former le réseau neuronal artificiel.

2. Procédé mis en œuvre par ordinateur pour générer au moins une mesure d'un pied, le procédé comprenant les étapes consistant à : 1) recevoir un nuage de points 3D du pied ; il) utiliser un réseau neuronal artificiel formé selon la revendication 1 pour identifier une pluralité de points anatomiques du pied ; etii) déduire, à partir d'au moins deux points anatomiques de ladite pluralité de points anatomiques, au moins une mesure du pied.

3. Procédé mis en œuvre par ordinateur pour former un réseau neuronal artificiel afin de sélectionner un article chaussant parmi une pluralité d’articles chaussants préfabriquées pour un pied, le procédé comprenant les étapes consistant à : a) recevoir, au niveau d'une couche d'entrée du réseau neuronal artificiel, une pluralité de mesures du pied et des données concernant une pluralité d'articles chaussants préfabriqués, la pluralité de mesures du pied étant générée par un procédé selon la revendication 2 ; b) traiter, par au moins une couche cachée du réseau neuronal artificiel, la pluralité de mesures et lesdites données ; c) sélectionner, par une couche de sortie du réseau neuronal artificiel, un article chaussant parmi la pluralité d’articles chaussants préfabriqués ; d) recevoir, de la part d'un utilisateur, un retour sur l’article chaussant sélectionné ; e) générer, sur la base du retour de l'utilisateur, au moins une mesure d'erreur ; f) corriger le réseau neuronal artificiel pour réduire au minimum ladite au moins une mesure d'erreur ; et g) itérer les étapes a) à f) pour une pluralité de pieds pour former le réseau neuronal artificiel.

4. Procédé mis en œuvre par ordinateur pour sélectionner un article chaussant parmi une pluralité d'articles chaussants préfabriqués pour un pied, le procédé comprenant les étapes consistant à : !) recevoir une pluralité de mesures du pied ; et il) utiliser un réseau neuronal artificiel formé selon la revendication 3 pour sélectionner un article chaussant parmi une pluralité d'articles chaussant préfabriqués.