인공지능은 이미지를 인식하고 음성을 이해하며 엄청난 양의 데이터를 분석할 수 있습니다. 점점 더 기계는 인간이 매일 경험하는 또 다른 유형의 정보를 해석하는 방법을 학습하고 있습니다. 냄새가 나다.
안 AI 코AI 기반 전자 코 또는 지능형 전자 코라고도 불리는 는 여러 화학 또는 가스 센서를 신호 처리 및 인공 지능과 결합하여 냄새, 가스 및 휘발성 유기 화합물(VOC)의 패턴을 인식합니다.
AI Nose는 공기 중의 모든 분자를 개별적으로 식별하려고 시도하는 대신 일반적으로 여러 센서의 결합된 반응을 살펴봅니다. 그런 다음 기계 학습 알고리즘은 해당 응답 패턴을 이전에 수집된 데이터와 비교합니다.
결과는 다음과 같이 생각할 수 있습니다. 디지털 화학 지문.
이로 인해 AI Nose 기술은 다음을 포함하여 하나의 개별 가스 농도보다 전반적인 화학적 패턴이 더 중요한 응용 분야에서 특히 흥미로워졌습니다.
- 식품의 신선도와 품질
- 산업 공정 모니터링
- 환경 악취 모니터링
- 스마트 가전
- 자동차 공기질 시스템
- 농업
- 의료 연구
- 로봇공학
- 예측 유지 보수
AI 코란 정확히 무엇입니까?
AI 코는 AI 코의 고급 형태입니다. 전자 코, 일반적으로 e-nose로 약칭됩니다.
전통적인 전자 코는 수십 년 동안 존재해 왔습니다. 그들의 기본 개념은 여러 화학 센서를 동일한 샘플에 노출시키고 해당 센서가 집합적으로 반응하는 방식을 분석하는 것입니다.
최신 AI Nose 시스템에는 더욱 정교한 데이터 처리 및 기계 학습 알고리즘이 추가되었습니다.
일반적인 시스템에는 다음이 포함될 수 있습니다.
- 공기 또는 가스 샘플링 시스템
- 다중 가스 감지 요소
- 신호 조절 전자 장치
- 온도 및 습도 보상
- 데이터 수집 하드웨어
- 특징 추출 소프트웨어
- 기계 학습 모델
- 알려진 화학적 패턴의 데이터베이스
센서 배열은 생물학적 후각 수용체 그룹처럼 작동하는 반면 AI 모델은 결과 신호를 해석합니다.
용어 AI 코, 전자 코, 기계 후각, 디지털 후각 그리고 인공후각 밀접하게 관련되어 있지만 항상 동일한 방식으로 사용되는 것은 아닙니다.
기술, 센서 아키텍처 및 지능형 냄새 감지 개발에 대한 자세한 개요는 다음 가이드를 참조하세요. AI 코 기술.
AI 코는 어떻게 작동하나요?
시스템 아키텍처는 다양하지만 대부분의 AI Nose 장치는 동일한 일반 워크플로를 따릅니다.
공기 샘플 → 센서 배열 → 전기 신호 → 신호 처리 → AI 모델 → 인식 또는 예측
1. 시스템이 공기 샘플을 수집합니다.
첫 번째 단계는 가스 또는 냄새 샘플을 센서 어레이와 접촉시키는 것입니다.
장치에 따라 샘플링에는 다음이 사용될 수 있습니다.
- 자연스러운 확산
- 소형 펌프
- 제어된 공기 흐름
- 헤드스페이스 샘플링
- 관 재료
- 전용 샘플 챔버
공기 흐름, 노출 시간, 농도, 온도 및 습도에 따라 센서 반응이 달라질 수 있으므로 샘플링 설계가 중요합니다.
이러한 이유로 신뢰할 수 있는 AI Nose는 단순히 컴퓨터에 연결된 여러 개의 가스 센서 그 이상입니다.
전체 샘플링 환경이 중요합니다.
2. 여러 센서가 샘플에 반응합니다.
AI 코의 핵심 구성 요소는 일반적으로 센서 어레이.
선택성이 높은 하나의 센서만 사용하는 대신 시스템에는 서로 다른 감도를 가진 여러 감지 요소가 포함될 수 있습니다.
가능한 기술은 다음과 같습니다.
- MEMS 가스 센서
- 금속 산화물 반도체 센서
- 전기화학 센서
- 전도성 폴리머 센서
- 광학 가스 센서
- 석영 크리스털 마이크로밸런스 센서
- 표면탄성파 센서
- 비색 센서 어레이
6개의 센서가 동일한 커피 향에 노출된다고 상상해 보세요.
응답은 다음과 같습니다.
- 센서 A: 강한 반응
- 센서 B: 보통 반응
- 센서 C: 약한 반응
- 센서 D: 빠른 응답 및 복구
- 센서 E: 느린 반응
- 센서 F: 거의 응답 없음
동일한 센서 배열을 상한 음식에 노출시키면 그 조합이 완전히 다르게 보일 수 있습니다.
단일 센서로 반드시 냄새를 식별할 수는 없습니다.
대신에, 모든 센서의 패턴이 유용한 정보가 됩니다.
화학적 지문이란 무엇입니까?
여러 센서가 동일한 샘플에 다르게 반응하면 센서의 결합된 신호가 다차원 패턴을 생성합니다.
이 패턴은 종종 다음과 같이 설명됩니다.
- 화학적 지문
- 냄새 지문
- 가스 지문
- VOC 지문
예를 들어:
커피 → 패턴 A
오렌지 주스 → 패턴 B
신선한 고기 → 패턴 C
상한 고기 → 패턴 D
AI 시스템은 훈련 데이터로부터 이러한 패턴을 학습할 수 있습니다.
나중에 알려지지 않은 샘플이 측정되면 소프트웨어는 새로운 지문을 이전에 학습된 샘플과 비교합니다.
이는 이미지 인식 소프트웨어가 모든 개별 픽셀을 수동으로 확인하는 대신 시각적 패턴을 학습하는 방식과 개념적으로 유사합니다.
AI가 센서 신호를 의미로 바꾸는 방법
원시 센서 신호가 AI 모델로 직접 전송되는 경우는 거의 없습니다.
일반적으로 먼저 처리가 필요합니다.
일반적인 처리 단계는 다음과 같습니다.
- 소음 필터링
- 기준선 수정
- 신호 정규화
- 온도 보상
- 습도 보상
- 센서 드리프트 보정
- 특징 추출
- 차원성 감소
유용한 기능이 추출되면 머신러닝 알고리즘이 데이터를 분석할 수 있습니다.
분류
시스템은 샘플과 가장 잘 일치하는 알려진 카테고리를 결정합니다.
예:
- 신선한 것 vs. 상한 것
- 커피 유형 A 대 커피 유형 B
- 정상 프로세스 vs 비정상 프로세스
- 냄새 A 대 냄새 B
회귀
모델은 단순히 카테고리를 할당하는 것이 아니라 연속적인 값을 추정합니다.
예는 다음과 같습니다.
- 신선도 수준
- 성숙
- 공정조건
- 예상 농도
이상 탐지
AI 코가 항상 냄새가 무엇인지 정확히 알 필요는 없습니다.
대신에, 그것은 무엇을 배울 수 있습니다 정상적인 화학적 환경 처럼 보입니다.
센서 패턴이 크게 변경되면 시스템은 이벤트를 이상으로 표시할 수 있습니다.
이 접근 방식은 공장, 창고 및 장비 모니터링 애플리케이션에서 특히 유용할 수 있습니다.
어떤 AI 알고리즘을 사용할 수 있나요?
다양한 AI Nose 시스템은 복잡성, 데이터 세트 크기 및 의도된 애플리케이션에 따라 다양한 알고리즘을 사용합니다.
일반적인 접근 방식은 다음과 같습니다.
- 주성분 분석(PCA)
- 선형 판별 분석(LDA)
- 지원 벡터 머신(SVM)
- k-최근접 이웃(KNN)
- 랜덤 포레스트
- 인공 신경망
- 컨볼루셔널 신경망
- 딥러닝 모델
- 앙상블 학습 방법
더 정교한 AI가 자동으로 더 나은 성능을 의미하는 것은 아닙니다.
성공적인 시스템은 다음의 조합에 달려 있습니다.
센서 품질 + 샘플링 설계 + 훈련 데이터 + 환경 보상 + 적절한 알고리즘
고품질의 실제 데이터로 훈련된 간단한 모델은 제한된 실험실 데이터세트로 훈련된 복잡한 신경망보다 성능이 뛰어날 수 있습니다.
AI 코 vs. 기존 가스 센서
AI 코와 기존 가스 센서는 서로 관련된 기술이지만 서로 다른 질문에 답하기 위해 설계되었습니다.
기존 가스 센서
기존의 가스 감지 시스템은 일반적으로 알려진 대상 가스에 초점을 맞춥니다.
예는 다음과 같습니다:
- 일산화탄소
- 메탄
- 수소
- 황화수소
- 암모니아
- 산소
- 이산화탄소
- 냉매
기본 질문은 일반적으로 다음과 같습니다.
이 가스는 얼마나 존재합니까?
출력은 다음과 같이 표현될 수 있습니다.
- ppm
- ppb
- %LEL
- % 용량
산업 안전 및 규제 가스 검지의 경우 이러한 정량적 측정은 여전히 매우 중요합니다.
AI 코
AI Nose는 일반적으로 다른 질문을 합니다.
이 화학적 신호의 조합은 무엇과 유사합니까?
AI는 단일 센서 응답에 의존하는 대신 여러 신호 간의 관계를 분석합니다.
| 기존 가스 센서 | AI 코 |
|---|---|
| 종종 하나의 가스에 초점을 맞춥니다. | 여러 센서 채널을 사용합니다. |
| 집중력 측정 | 화학적 패턴을 인식합니다. |
| 일반적으로 정의된 임계값을 사용합니다. | 머신러닝 모델을 사용할 수 있습니다. |
| 출력은 주로 ppm 또는 %로 표시됩니다. | 출력은 클래스, 확률 또는 이상일 수 있습니다. |
| 높은 선택성이 중요할 수 있습니다. | 교차 감도는 유용한 패턴 정보를 제공할 수 있습니다. |
| 알려진 대상 가스에 가장 적합 | 복잡한 화학 혼합물에 유용 |
이러한 기술이 반드시 경쟁하는 것은 아닙니다.
많은 응용 분야에서 이들은 서로를 보완할 수 있습니다.
시스템은 전용 안전 센서를 사용하여 유해 가스 농도를 측정하고 AI Nose는 주변 화학 환경의 광범위한 변화를 분석할 수 있습니다.
실제 AI 코 예: Winsen ZM101-A
AI Nose 기술은 점점 연구용 프로토타입에서 실용적인 감지 플랫폼으로 옮겨가고 있습니다.
한 가지 예는 Winsen ZM101-A AI 코, 지능형 다중 채널 가스 분석을 지원하도록 설계된 MEMS 가스 센서 어레이입니다.
ZM101-A에는 다음이 포함되어 있습니다. 6개의 가스 감지 채널 유연한 선택을 지원합니다. 1~6개의 작동 채널.
사용 가능한 감지 채널은 다음을 포함합니다.
| 가스 | 감지 범위 |
|---|---|
| NH₃ | 1~100ppm |
| VOC | 1~10ppm |
| NO2 | 0.1~10ppm |
| H2S | 00.5~10ppm |
| 콜로라도 | 5~200ppm |
| CH₄ | 100~6000ppm |
기존의 단일 가스 감지 요소와 달리 ZM101-A는 다음과 같이 설계되었습니다. 다중 채널 MEMS 가스 센서 어레이.
이 모듈은 신호 필터링 및 온도/습도 보상을 제공하고 AI 알고리즘 모델과의 통합을 지원합니다.
이를 통해 개발자는 여러 가스 반응을 함께 수집하고 후속 작업에 사용하는 애플리케이션을 구축할 수 있습니다.
- 대상 가스 포집
- 특징 분석
- 모델 빌딩
- 작업 식별
ZM101-A 주요 사양
- 센서 유형: MEMS 가스 센서 어레이
- 가스 채널: 6
- 작동 모드: 유연한 1~6채널 선택
- 공급 전압: DC 3.3V
- 작동 전류: 150mA 이하
- 전력 소비: 400mW 이하
- 의사소통: UART
- 워밍업 시간: 120초 이하
- 작동 온도: -40°C ~ 85°C
- 작동 습도: 5%RH~95%RH, 비응축
- AI 지원: AI 알고리즘 모델 통합 지원
이 모듈은 다음을 포함한 응용 분야를 위해 설계되었습니다.
- 스마트 냉장고
- 에어컨
- 전자레인지
- 공기청정기
- 레인지후드
- 자동차 공기질 모니터링
- 산업용 가스 모니터링
- 누출 경보
- 헬스케어 관련 센싱 연구
- 스마트 환경 모니터링
ZM101-A는 AI Nose 분야의 중요한 발전을 보여줍니다. 개발자가 자체 AI 모델 및 애플리케이션 데이터와 결합할 수 있는 다중 채널 감지 하드웨어.
이를 통해 개별 감지 요소에서 시작하지 않고 애플리케이션별 전자 코 시스템을 설계할 수 있습니다.
AI 코 기술은 어디에 사용될 수 있나요?
거의 모든 생물학적, 화학적 또는 제조 공정에서 일종의 휘발성 화학적 특징이 생성되기 때문에 AI Nose 기술의 잠재적인 적용은 다양한 산업 분야로 확장됩니다.
1. 식품의 품질과 신선도
식품은 다음과 같이 변화하는 VOC 혼합물을 방출합니다.
- 익는다
- 발효
- 산화하다
- 성능 저하
- 전리품
AI Nose는 이러한 변화하는 패턴을 분석하여 다음을 평가하는 데 도움을 줄 수 있습니다.
- 선도
- 부패
- 성숙
- 발효상태
- 제품 일관성
- 기원
- 불순물
가능한 제품은 다음과 같습니다:
- 고기
- 해산물
- 과일
- 채소
- 커피
- 차
- 와인
- 유제품
예를 들어, AI Nose는 상한 고기에서 생성된 모든 VOC를 반드시 식별할 필요는 없습니다.
상한 고기의 센서 지문이 신선한 고기의 지문과 일관되게 다르다는 것을 학습할 수도 있습니다.
2. 산업 공정 모니터링
공장은 정상 작동 중에 특징적인 화학적 특성을 생성하는 경우가 많습니다.
이러한 서명의 변경 사항은 다음을 나타낼 수 있습니다.
- 공정 이상
- 재료 오염
- 장비 문제
- 누출
- 과열
- 화학적 분해
하나의 가스가 고정된 경보 임계값에 도달할 때까지 기다리는 대신 AI Nose는 전반적인 화학적 환경이 변경되었음을 잠재적으로 식별할 수 있습니다.
이는 인공 후각을 지속적인 산업 모니터링에 특히 흥미롭게 만듭니다.
3. 환경 모니터링
많은 환경 악취 문제는 하나의 개별 가스가 아닌 복잡한 혼합물과 관련이 있습니다.
잠재적인 응용 분야는 다음과 같습니다.
- 폐수 처리장
- 폐기물 처리 시설
- 전원
- 산업단지
- 화학시설
- 실내공기 모니터링
- 냄새 원인 식별
개별 오염물질 농도를 측정해야 하는 경우 기존 가스 센서가 여전히 중요합니다.
AI 코 시스템은 다음을 인식하여 다른 레이어를 추가할 수 있습니다. 전반적인 냄새 또는 VOC 서명.
4. 스마트 가전
인공 후각은 가전제품에도 통합될 수 있습니다.
잠재적인 응용 분야는 다음과 같습니다.
냉장고
음식의 신선도나 이상한 냄새와 관련된 변화를 감지합니다.
레인지후드
요리와 관련된 가스 및 냄새 패턴을 인식하여 자동으로 환기를 조절합니다.
공기청정기
하나의 VOC 값에만 의존하는 대신 실내 화학 환경의 변화를 평가합니다.
에어컨
보다 지능적인 공기 품질 관리를 위해 온도, 습도 및 미립자 측정과 화학 감지를 결합합니다.
이는 가전제품 제조업체가 소형, 저전력 감지 플랫폼을 필요로 하기 때문에 ZM101-A와 같은 소형 MEMS 어레이가 특히 매력적일 수 있는 영역 중 하나입니다.
5. 자동차 애플리케이션
현대 자동차에는 이미 점점 더 정교해지는 환경 센서가 탑재되어 있습니다.
AI Nose 기술은 다음에 대한 화학 패턴 인식을 추가할 수 있습니다.
- 기내 모니터링
- 실외 오염 감지
- 특이한 냄새
- 공기질 관리
- 맞춤형 환기
- 자동 재순환 제어
미래의 지능형 차량은 인공 후각과 카메라, 마이크, 온도 센서 및 기타 환경 센서를 결합할 수 있습니다.
6. 농업
식물, 토양, 과일 및 생물학적 과정은 많은 휘발성 화합물을 방출합니다.
따라서 AI Nose 시스템은 다음을 지원할 수 있습니다.
- 과일 성숙도 모니터링
- 작물병 연구
- 제품 품질 평가
- 스토리지 모니터링
- 온실 모니터링
- 가축환경 분석
주요 잠재적 이점 중 하나는 문제가 시각적으로 명백해지기 전에 화학적 변화를 감지하는 것입니다.
7. 헬스케어 연구
인간의 호흡에는 대사 과정과 관련된 많은 휘발성 화합물이 포함되어 있습니다.
따라서 연구자들은 호흡 패턴을 분석하기 위해 전자 코를 연구하고 있습니다.
잠재적인 연구 분야는 다음과 같습니다:
- 호흡 분석
- 환자 모니터링
- 의료 환경 모니터링
- 질병 관련 VOC 연구
그러나 중요한 구별이 이루어져야 합니다.
전자코가 특정 호흡 패턴을 구별할 수 있다는 연구 결과가 나왔다. 해당 장치가 승인된 의료 진단 도구임을 자동으로 의미하는 것은 아닙니다..
이러한 시스템을 의료 진단에 사용하려면 임상 검증, 재현성, 규제 승인 및 대규모 대표 데이터 세트가 필요합니다.
8. 로봇공학과 구체화된 지능
로봇은 이미 여러 가지 인공 감각을 사용하고 있습니다.
- 카메라는 비전을 제공합니다
- 마이크는 청각을 제공합니다
- 힘 센서가 터치를 제공합니다.
- LiDAR는 공간 인식 기능을 제공합니다.
인공 후각은 또 다른 중요한 감각을 제공할 수 있습니다.
AI 코가 장착된 로봇은 잠재적으로 다음을 식별할 수 있습니다.
- 가스 누출
- 화학물질 유출
- 연기 관련 변화
- 버릇없는 음식
- 위험한 환경
- 냄새의 근원
이는 특히 다음과 같은 경우에 유용할 수 있습니다.
- 산업용 검사 로봇
- 소방로봇
- 지하검사
- 위험 환경 로봇
- 가정용 서비스 로봇
구현된 AI가 발전함에 따라 화학적 감지는 환경 정보의 또 다른 중요한 소스가 될 수 있습니다.
예측 유지보수를 위한 AI 코
특히 흥미로운 산업 응용 분야 중 하나는 예측 유지 관리입니다.
장비는 때때로 눈에 띄는 고장이 발생하기 전에 특징적인 VOC를 방출할 수 있습니다.
가능한 소스는 다음과 같습니다:
- 과열된 부품
- 윤활유 분해
- 전기 절연
- 플라스틱
- 배터리
- 화학물질 누출
가능한 모든 화합물에 대해 임계값을 설정하는 대신 AI Nose는 다음을 학습할 수 있습니다. 기계 주변의 일반적인 화학적 지문.
해당 지문이 점진적으로 변경되면 시스템은 심각한 오류가 발생하기 전에 이상 현상을 감지할 수 있습니다.
이 접근 방식은 결국 다음을 보완할 수 있습니다.
- 진동 모니터링
- 음향 모니터링
- 열화상
- 전기 측정
센서 융합은 궁극적으로 개별 감지 기술보다 더 신뢰할 수 있는 예측 유지 관리 시스템을 생성할 수 있습니다.
AI가 냄새 감지에 유용한 이유는 무엇입니까?
복잡한 냄새는 하나의 가스로 구성되는 경우가 거의 없습니다.
동시에 반응하는 6개의 센서를 고려해보세요.
| 감지기 | 응답 |
|---|---|
| 센서 A | 적당한 증가 |
| 센서 B | 강한 증가 |
| 센서 C | 거의 변하지 않음 |
| 센서 D | 급속한 피크 |
| E-센서 | 느린 회복 |
| 센서 F | 작은 감소 |
기존의 임계값 시스템은 이 조합을 해석하는 데 어려움을 겪을 수 있습니다.
기계 학습 알고리즘은 여러 변수 간의 관계를 식별하도록 설계되었습니다.
인공지능이 전자코에 특히 적합한 이유도 바로 여기에 있다.
귀중한 정보는 다음과 같은 경우가 아닙니다.
"센서 A는 2.8을 측정했습니다."
그것은:
"센서 A~F 간의 결합 관계는 패턴 X와 거의 일치합니다."
AI 코 기술의 주요 과제는 무엇입니까?
AI Nose 기술은 유망하지만 실제 적용에는 여전히 어려움이 남아 있습니다.
센서 드리프트
가스 센서는 다음과 같은 이유로 점차적으로 특성을 변경할 수 있습니다.
- 노화
- 오염
- 장기간의 화학물질 노출
- 환경 조건
- 소재 변경
센서 배열이 새 것일 때 훈련된 모델은 몇 달 또는 몇 년 후에 정확도가 떨어질 수 있습니다.
따라서 드리프트 보상은 장기적인 AI Nose 개발에서 중요한 부분입니다.
온도와 습도
많은 화학 센서는 환경 조건의 영향을 받습니다.
습도가 30%RH에서 80%RH로 변경되면 냄새 자체는 변하지 않더라도 일부 센서 신호가 변경될 수 있습니다.
안정적인 시스템은 다음을 구별해야 합니다.
실제 화학 변화
~에서
환경 간섭
따라서 온도 및 습도 보상은 실제 센서 어레이에서 중요한 기능입니다.
교육 데이터
AI 모델은 훈련에 사용된 데이터만큼만 유용합니다.
이상적인 실험실 조건에서 훈련된 시스템은 공장에서 다르게 작동할 수 있습니다.
실제 데이터 세트에는 다음과 같은 변형이 포함되어야 합니다.
- 온도
- 습기
- 배경 가스
- 센서 노화
- 제품 배치
- 집중
- 기류
- 계절적 조건
센서 오염
일부 가스나 화학물질은 감지 물질을 일시적 또는 영구적으로 변경할 수 있습니다.
따라서 샘플링 시스템에는 다음이 필요할 수 있습니다.
- 필터
- 노출 제어
- 청소 절차
- 구경 측정
- 센서 교체 전략
일반화
한 가지 환경에 맞게 훈련된 전자 코가 자동으로 모든 곳에서 똑같이 잘 작동할 것이라고 기대할 수는 없습니다.
예를 들어:
한 로스팅 시설의 커피 샘플을 사용하여 훈련된 AI 모델은 모든 국가, 로스팅 프로세스 또는 저장 환경의 모든 커피를 즉시 인식하지 못할 수도 있습니다.
애플리케이션별 교육 및 검증은 여전히 매우 중요합니다.
AI 코는 디지털 후각과 동일합니까?
용어가 상당히 중복됩니다.
전자코
일반적으로 생물학적 냄새 감지 측면을 모방하도록 설계된 물리적 센서 배열 시스템을 나타냅니다.
AI 코
센서 배열 데이터와 기계 학습 또는 인공 지능의 통합을 강조합니다.
기계 후각
기계가 공기 중의 화학 정보를 해석할 수 있도록 하는 더 넓은 용어입니다.
디지털 후각
다음의 전체 프로세스가 포함될 수 있습니다.
- 냄새 관련 정보 캡처
- 디지털화하다
- 분석 중
- 전송 중
- 잠재적으로 재현 가능
이 분야는 아직 발전 중이기 때문에 연구자와 제조업체에 따라 용어가 다릅니다.
AI 코가 기존 가스 센서를 대체할 것인가?
아니요.
적어도 가까운 미래에는 그렇지 않을 것입니다.
전용 가스 센서는 특정 가스의 정확한 측정이 필요한 응용 분야에 여전히 필수적입니다.
예는 다음과 같습니다:
- CO 안전 경보
- 가연성 가스 감지기
- 산소 모니터링
- 유독가스 감지
- 냉매 누출 감지
문제가 다음과 관련된 경우 AI Nose가 더 적합합니다.
- 복잡한 혼합물
- 냄새 인식
- 분류
- 패턴 변화
- 이상 탐지
따라서 미래에는 두 기술이 모두 포함될 가능성이 높습니다.
정교한 산업 모니터링 시스템에는 다음이 포함될 수 있습니다.
특정 가스 센서 + AI 코 + 온도/습도 센서 + 입자 센서 + 카메라 + 예측 소프트웨어
이러한 기술을 함께 사용하면 단일 센서만 사용할 때보다 환경에 대한 훨씬 더 풍부한 이해를 제공할 수 있습니다.
AI 코 기술의 미래
여러 가지 발전으로 인공 후각의 발전이 가속화되고 있습니다.
더 작은 MEMS 센서
MEMS 제조로 인해 다중 채널 센서 어레이가 점점 더 소형화되고 다음 장치에 통합하기에 적합해졌습니다.
- 가전제품
- 차량
- 로봇
- 휴대용 장치
- IoT 장비
엣지 AI
머신러닝 모델은 점점 더 로컬 프로세서에서 직접 작동될 수 있습니다.
이점은 다음과 같습니다.
- 더 빠른 응답
- 낮은 네트워크 대역폭
- 오프라인 운영
- 더 나은 개인 정보 보호
- 실시간 처리
더 큰 실제 데이터 세트
더 많은 전자 코가 배포됨에 따라 엔지니어는 다음을 포함하는 더 큰 데이터 세트를 수집할 수 있습니다.
- 센서 노화
- 계절 변화
- 환경 간섭
- 제품 차이
- 비정상적인 사건
이러한 데이터 세트는 모델 견고성을 향상시키는 데 도움이 됩니다.
센서 융합
미래의 AI 시스템은 냄새와 다른 감지 기술을 결합할 수 있습니다.
예를 들어:
AI 코 + 카메라 + 온도 + 습도 + 입자 + 압력 + 소리
엔지니어는 기계에 인공적인 냄새만 부여하는 대신 완전한 다중 감각 시스템을 개발할 수 있습니다.
자주 묻는 질문
AI 코는 무엇을 감지하나요?
AI Nose는 여러 화학 센서를 사용하여 가스, VOC 및 냄새로 인해 생성되는 패턴을 감지합니다. 훈련에 따라 냄새를 분류하거나 비정상적인 상태를 감지하거나 특정 특성을 추정할 수 있습니다.
AI 코는 전자코와 같은 걸까요?
AI 코는 일반적으로 센서 배열 데이터를 해석하기 위해 인공 지능과 기계 학습에 더 중점을 두는 일종의 전자 코입니다.
AI가 냄새를 식별할 수 있을까?
AI는 적절한 센서 데이터와 대표적인 훈련 사례가 있을 때 화학적 패턴을 분류할 수 있습니다. 이 시스템은 인간과 똑같은 "냄새"를 맡지는 않지만 반복 가능한 화학적 지문을 인식하는 방법을 학습할 수 있습니다.
AI 코가 가스 농도를 측정하나요?
센서와 모델에 따라 다를 수 있지만 농도 측정이 항상 주요 목적은 아닙니다. 많은 AI Nose 시스템은 분류, 인식 또는 이상 탐지에 중점을 둡니다.
AI 코에는 어떤 센서가 사용되나요?
가능한 감지 기술에는 MEMS 금속 산화물 센서, 반도체 센서, 전기화학 센서, 광학 센서, 전도성 폴리머 및 기타 화학 감지 기술이 포함됩니다.
AI 코가 여러 가스를 감지할 수 있나요?
예. 다중 채널 AI Nose 시스템은 여러 감지 요소의 반응을 결합할 수 있습니다. 예를 들어 Winsen ZM101-A는 NH3, VOC, NO2, H2S, CO 및 CH3를 포괄하는 6개의 MEMS 가스 채널을 제공합니다.
AI 코를 제품에 통합할 수 있나요?
예. 소형 MEMS 센서 어레이는 가전제품, 차량, 산업 장비 및 IoT 장치에 통합될 수 있습니다. UART와 같은 통신 인터페이스를 사용하면 센서 하드웨어가 내장형 컨트롤러 또는 AI 처리 시스템과 데이터를 교환할 수 있습니다.
결론
안 AI Nose는 여러 화학 센서와 인공 지능을 결합하여 가스, VOC 및 냄새의 패턴을 인식합니다..
가장 중요한 장점은 모든 화학 분자를 별도로 식별할 필요가 없다는 것입니다.
대신 센서 배열은 고유한 화학적 지문을 생성하고 기계 학습 알고리즘은 해당 지문을 알려진 조건과 연결하는 방법을 학습합니다.
이 접근 방식은 다음 분야에서 새로운 기회를 창출합니다.
- 식품의 질
- 산업 모니터링
- 환경 감지
- 스마트 가전
- 자동차 시스템
- 농업
- 로봇공학
- 의료 연구
- 예측 유지 보수
다음과 같은 제품 Winsen ZM101-A AI 코 또한 다중 채널 MEMS 센서 어레이가 실제 AI 후각 애플리케이션을 구축하는 개발자를 위한 실용적인 하드웨어 플랫폼이 되고 있는 방법을 보여줍니다.
그러나 성공적인 AI 코 시스템은 단순히 센서와 AI 알고리즘을 결합하는 것 이상에 달려 있습니다.
센서 선택, 샘플링 설계, 온도 및 습도 보상, 대표적인 훈련 데이터 세트, 드리프트 관리 및 실제 검증은 모두 인공 후각 시스템이 실험실 시연에서 신뢰할 수 있는 상용 응용 프로그램으로 성공적으로 이동할 수 있는지 여부를 결정합니다.
가스 센서가 더 작아지고 인공 지능의 능력이 더욱 향상됨에 따라 주변의 화학적 세계를 이해하는 기계의 능력은 지능형 감지에서 점점 더 중요한 부분이 될 가능성이 높습니다.
