Trí tuệ nhân tạo có thể nhận dạng hình ảnh, hiểu lời nói và phân tích lượng dữ liệu khổng lồ. Càng ngày, máy móc càng học cách diễn giải một loại thông tin khác mà con người trải nghiệm hàng ngày: mùi.
MỘT Mũi AI, còn được gọi là mũi điện tử được hỗ trợ bởi AI hoặc mũi điện tử thông minh, kết hợp nhiều cảm biến hóa học hoặc khí đốt với khả năng xử lý tín hiệu và trí tuệ nhân tạo để nhận dạng các mẫu mùi, khí và hợp chất hữu cơ dễ bay hơi (VOC).
Thay vì cố gắng xác định từng phân tử trong không khí một cách riêng biệt, Mũi AI thường xem xét phản ứng kết hợp của một số cảm biến. Sau đó, các thuật toán học máy sẽ so sánh mẫu phản hồi đó với dữ liệu đã thu thập trước đó.
Kết quả có thể được coi là một dấu vân tay hóa học kỹ thuật số.
Điều này làm cho công nghệ AI Nose trở nên đặc biệt thú vị đối với các ứng dụng trong đó mẫu hóa học tổng thể quan trọng hơn nồng độ của một loại khí riêng lẻ, bao gồm:
- Độ tươi và chất lượng thực phẩm
- Giám sát quy trình công nghiệp
- Giám sát mùi môi trường
- Thiết bị thông minh
- Hệ thống chất lượng không khí ô tô
- Nông nghiệp
- Nghiên cứu chăm sóc sức khỏe
- Người máy
- Bảo trì dự đoán
Chính xác thì mũi AI là gì?
Mũi AI là một dạng nâng cao của mũi điện tử, thường được viết tắt là mũi điện tử.
Mũi điện tử truyền thống đã tồn tại hàng chục năm nay. Khái niệm cơ bản của họ là đưa một số cảm biến hóa học vào cùng một mẫu và phân tích cách các cảm biến đó phản ứng chung.
Các hệ thống AI Nose hiện đại bổ sung thêm các thuật toán xử lý dữ liệu và học máy phức tạp hơn.
Một hệ thống điển hình có thể chứa:
- Hệ thống lấy mẫu không khí hoặc khí
- Nhiều yếu tố cảm biến khí
- Điện tử điều hòa tín hiệu
- Bù nhiệt độ và độ ẩm
- Phần cứng thu thập dữ liệu
- Phần mềm trích xuất đặc trưng
- Mô hình học máy
- Cơ sở dữ liệu về các mẫu hóa học đã biết
Mảng cảm biến hoạt động giống như một nhóm thụ thể khứu giác sinh học, trong khi mô hình AI diễn giải các tín hiệu thu được.
Các điều khoản Mũi AI, mũi điện tử, khứu giác máy, khứu giác kỹ thuật số Và khứu giác nhân tạo có liên quan chặt chẽ với nhau, mặc dù chúng không phải lúc nào cũng được sử dụng theo cùng một cách.
Để có cái nhìn tổng quan sâu hơn về công nghệ, kiến trúc cảm biến và sự phát triển của tính năng phát hiện mùi thông minh, hãy xem hướng dẫn này để biết Công nghệ mũi AI.
Mũi AI hoạt động như thế nào?
Mặc dù kiến trúc hệ thống khác nhau nhưng hầu hết các thiết bị Mũi AI đều tuân theo quy trình làm việc chung giống nhau:
Mẫu không khí → Mảng cảm biến → Tín hiệu điện → Xử lý tín hiệu → Mô hình AI → Nhận dạng hoặc dự đoán
1. Hệ thống thu thập mẫu không khí
Bước đầu tiên là đưa mẫu khí hoặc mùi tiếp xúc với mảng cảm biến.
Tùy thuộc vào thiết bị, việc lấy mẫu có thể sử dụng:
- Khuếch tán tự nhiên
- Một máy bơm thu nhỏ
- Luồng khí được kiểm soát
- Lấy mẫu khoảng trống
- Ống
- Buồng mẫu chuyên dụng
Thiết kế lấy mẫu rất quan trọng vì phản ứng của cảm biến có thể thay đổi theo luồng không khí, thời gian tiếp xúc, nồng độ, nhiệt độ và độ ẩm.
Vì lý do này, Mũi AI đáng tin cậy không chỉ đơn giản là một số cảm biến khí được kết nối với máy tính.
Toàn bộ môi trường lấy mẫu đều quan trọng.
2. Nhiều cảm biến phản hồi với mẫu
Thành phần trung tâm của Mũi AI thường là mảng cảm biến.
Thay vì chỉ sử dụng một cảm biến có tính chọn lọc cao, hệ thống có thể chứa nhiều phần tử cảm biến với độ nhạy khác nhau.
Các công nghệ có thể bao gồm:
- Cảm biến khí MEMS
- Cảm biến bán dẫn oxit kim loại
- Cảm biến điện hóa
- Cảm biến polymer dẫn điện
- Cảm biến khí quang học
- Cảm biến cân bằng vi tinh thể thạch anh
- Cảm biến sóng âm bề mặt
- Mảng cảm biến đo màu
Hãy tưởng tượng rằng sáu cảm biến được tiếp xúc với cùng một mùi hương cà phê.
Phản hồi có thể trông giống như thế này:
- Cảm biến A: phản hồi mạnh
- Cảm biến B: phản hồi vừa phải
- Cảm biến C: phản hồi yếu
- Cảm biến D: phản hồi và phục hồi nhanh
- Cảm biến E: phản hồi chậm
- Cảm biến F: gần như không phản hồi
Cho cùng một mảng cảm biến tiếp xúc với thực phẩm hư hỏng và sự kết hợp có thể trông hoàn toàn khác nhau.
Không có cảm biến nào nhất thiết phải xác định được mùi.
Thay vì, mô hình trên tất cả các cảm biến trở thành thông tin hữu ích.
Dấu vân tay hóa học là gì?
Khi một số cảm biến phản ứng khác nhau với cùng một mẫu, tín hiệu kết hợp của chúng sẽ tạo ra một mẫu đa chiều.
Mẫu này thường được mô tả như sau:
- Dấu vân tay hóa học
- Dấu vân tay mùi
- Dấu vân tay khí
- Dấu vân tay VOC
Ví dụ:
Cà phê → Mẫu A
Nước cam → Mẫu B
Thịt tươi → Mẫu C
Thịt hư → Mẫu D
Hệ thống AI có thể học các mẫu này từ dữ liệu huấn luyện.
Sau đó, khi đo một mẫu chưa biết, phần mềm sẽ so sánh dấu vân tay mới với các mẫu đã học trước đó.
Về mặt khái niệm, điều này tương tự như cách phần mềm nhận dạng hình ảnh tìm hiểu các mẫu hình ảnh thay vì kiểm tra thủ công từng pixel riêng lẻ.
Cách AI biến tín hiệu cảm biến thành ý nghĩa
Tín hiệu cảm biến thô hiếm khi được gửi trực tiếp vào mô hình AI.
Họ thường cần xử lý trước.
Các bước xử lý thông thường bao gồm:
- Lọc tiếng ồn
- Hiệu chỉnh đường cơ sở
- Chuẩn hóa tín hiệu
- Bù nhiệt độ
- Bù độ ẩm
- Hiệu chỉnh độ lệch cảm biến
- Trích xuất tính năng
- Giảm kích thước
Khi các tính năng hữu ích đã được trích xuất, thuật toán học máy có thể phân tích dữ liệu.
Phân loại
Hệ thống xác định danh mục đã biết nào phù hợp nhất với mẫu.
Ví dụ:
- Tươi và hư hỏng
- Cà phê loại A và cà phê loại B
- Quá trình bình thường và quá trình bất thường
- Mùi A và mùi B
Hồi quy
Mô hình ước tính một giá trị liên tục thay vì chỉ gán một danh mục.
Ví dụ có thể bao gồm:
- Mức độ tươi
- Độ chín
- Điều kiện quy trình
- Nồng độ ước tính
Phát hiện bất thường
Mũi AI không phải lúc nào cũng cần biết chính xác mùi là gì.
Thay vào đó, nó có thể học được những gì môi trường hóa học bình thường trông giống như.
Nếu mẫu cảm biến thay đổi đáng kể, hệ thống có thể gắn cờ sự kiện là bất thường.
Cách tiếp cận này có thể đặc biệt có giá trị trong các nhà máy, nhà kho và ứng dụng giám sát thiết bị.
Những thuật toán AI nào có thể được sử dụng?
Các hệ thống AI Nose khác nhau sử dụng các thuật toán khác nhau tùy thuộc vào độ phức tạp, kích thước tập dữ liệu và ứng dụng dự định của chúng.
Các cách tiếp cận phổ biến bao gồm:
- Phân tích thành phần chính (PCA)
- Phân tích phân biệt tuyến tính (LDA)
- Máy vectơ hỗ trợ (SVM)
- k-Hàng xóm gần nhất (KNN)
- Rừng ngẫu nhiên
- Mạng lưới thần kinh nhân tạo
- Mạng thần kinh tích chập
- Mô hình học sâu
- Phương pháp học tập theo nhóm
AI phức tạp hơn không có nghĩa là hiệu suất tốt hơn.
Một hệ thống thành công phụ thuộc vào sự kết hợp của:
Chất lượng cảm biến + thiết kế lấy mẫu + dữ liệu huấn luyện + bù trừ môi trường + thuật toán phù hợp
Một mô hình đơn giản được đào tạo với dữ liệu thế giới thực chất lượng cao có thể hoạt động tốt hơn một mạng lưới thần kinh phức tạp được đào tạo trên tập dữ liệu phòng thí nghiệm hạn chế.
Mũi AI so với cảm biến khí truyền thống
Mũi AI và cảm biến khí truyền thống là những công nghệ có liên quan nhưng chúng được thiết kế để trả lời các câu hỏi khác nhau.
Cảm biến khí truyền thống
Hệ thống phát hiện khí thông thường thường tập trung vào một loại khí mục tiêu đã biết.
Ví dụ bao gồm:
- cacbon monoxit
- Mêtan
- Hydro
- Hydro sunfua
- Amoniac
- Ôxy
- Khí cacbonic
- Chất làm lạnh
Câu hỏi chính thường là:
Lượng khí này hiện diện là bao nhiêu?
Đầu ra có thể được thể hiện bằng:
- ppm
- ppb
- %LEL
- % âm lượng
Để phát hiện khí theo quy định và an toàn công nghiệp, phép đo định lượng này vẫn cực kỳ quan trọng.
Mũi AI
Mũi AI thường hỏi một câu hỏi khác:
Sự kết hợp các tín hiệu hóa học này giống như thế nào?
Thay vì dựa vào phản hồi của một cảm biến duy nhất, AI sẽ phân tích mối quan hệ giữa nhiều tín hiệu.
| Cảm biến khí truyền thống | Mũi AI |
|---|---|
| Thường tập trung vào một khí | Sử dụng nhiều kênh cảm biến |
| Đo nồng độ | Nhận biết các mẫu hóa học |
| Thường sử dụng các ngưỡng được xác định | Có thể sử dụng mô hình học máy |
| Đầu ra thường tính bằng ppm hoặc % | Đầu ra có thể là loại, xác suất hoặc dị thường |
| Tính chọn lọc cao có thể quan trọng | Độ nhạy chéo có thể cung cấp thông tin mẫu hữu ích |
| Tốt nhất cho các loại khí mục tiêu đã biết | Hữu ích cho các hỗn hợp hóa học phức tạp |
Những công nghệ này không nhất thiết phải cạnh tranh.
Trong nhiều ứng dụng, chúng có thể bổ sung cho nhau.
Một hệ thống có thể sử dụng các cảm biến an toàn chuyên dụng để đo nồng độ khí độc hại trong khi Mũi AI phân tích những thay đổi rộng hơn trong môi trường hóa học xung quanh.
Ví dụ về mũi AI trong thế giới thực: Winsen ZM101-A
Công nghệ AI Nose đang ngày càng chuyển từ nguyên mẫu nghiên cứu sang nền tảng cảm biến thực tế.
Một ví dụ là Mũi AI Winsen ZM101-A, dãy cảm biến khí MEMS được thiết kế để hỗ trợ phân tích khí đa kênh thông minh.
ZM101-A kết hợp sáu kênh cảm biến khí và hỗ trợ lựa chọn linh hoạt 1 đến 6 kênh hoạt động.
Các kênh cảm biến có sẵn của nó bao gồm:
| Khí ga | Phạm vi phát hiện |
|---|---|
| NH₃ | 1–100 trang/phút |
| VOC | 1–10 trang/phút |
| KHÔNG₂ | 00,1–10 trang/phút |
| H₂S | 00,5–10 trang/phút |
| CO | 5–200 trang/phút |
| CH₄ | 100–6000 trang/phút |
Không giống như phần tử cảm biến khí đơn thông thường, ZM101-A được thiết kế như một mảng cảm biến khí MEMS đa kênh.
Mô-đun này cung cấp chức năng lọc tín hiệu và bù nhiệt độ/độ ẩm, đồng thời hỗ trợ tích hợp với các mô hình thuật toán AI.
Điều này cho phép các nhà phát triển xây dựng các ứng dụng trong đó một số phản ứng khí được thu thập cùng nhau và sử dụng cho các mục đích tiếp theo:
- Thu hồi khí mục tiêu
- Phân tích tính năng
- Xây dựng mô hình
- Nhận dạng nhiệm vụ
Thông số kỹ thuật chính của ZM101-A
- Loại cảm biến: Mảng cảm biến khí MEMS
- Kênh khí: 6
- Chế độ hoạt động: Lựa chọn kênh 1–6 linh hoạt
- Điện áp cung cấp: DC 3,3V
- Dòng điện hoạt động: 150 mA
- Tiêu thụ điện năng: 400 mW
- Giao tiếp: Uart
- Thời gian làm nóng: 120 giây
- Nhiệt độ hoạt động: -40°C đến 85°C
- Độ ẩm hoạt động: 5%RH–95%RH, không ngưng tụ
- Hỗ trợ AI: Hỗ trợ tích hợp các mô hình thuật toán AI
Mô-đun này dành cho các lĩnh vực ứng dụng bao gồm:
- Tủ lạnh thông minh
- Máy điều hòa không khí
- Lò vi sóng
- Máy lọc không khí
- Mũ trùm phạm vi
- Giám sát chất lượng không khí ô tô
- Giám sát khí công nghiệp
- báo động rò rỉ
- Nghiên cứu cảm biến liên quan đến chăm sóc sức khỏe
- Giám sát môi trường thông minh
ZM101-A minh họa sự phát triển quan trọng trong lĩnh vực Mũi AI: các nhà sản xuất ngày càng cung cấp phần cứng cảm biến đa kênh mà các nhà phát triển có thể kết hợp với các mô hình AI và dữ liệu ứng dụng của riêng họ.
Điều này giúp có thể thiết kế các hệ thống mũi điện tử dành riêng cho ứng dụng thay vì bắt đầu từ các bộ phận cảm biến riêng lẻ.
Công nghệ mũi AI có thể được sử dụng ở đâu?
Các ứng dụng tiềm năng của công nghệ AI Nose mở rộng trên nhiều ngành công nghiệp vì gần như mọi quy trình sinh học, hóa học hoặc sản xuất đều tạo ra một số loại dấu hiệu hóa học dễ bay hơi.
1. Chất lượng và độ tươi của thực phẩm
Thực phẩm giải phóng hỗn hợp VOC thay đổi vì nó:
- Chín
- Lên men
- oxy hóa
- Suy thoái
- Chiến lợi phẩm
Mũi AI có thể phân tích các kiểu thay đổi đó để giúp đánh giá:
- Độ tươi
- hư hỏng
- Độ chín
- Tình trạng lên men
- Tính nhất quán của sản phẩm
- Nguồn gốc
- ngoại tình
Các sản phẩm có thể bao gồm:
- Thịt
- hải sản
- Hoa quả
- Rau
- Cà phê
- Trà
- Rượu
- Sản phẩm sữa
Ví dụ: Mũi AI không nhất thiết phải xác định mọi VOC do thịt hư tạo ra.
Nó có thể chỉ đơn giản biết rằng dấu vân tay cảm biến của thịt hư khác với dấu vân tay của thịt tươi.
2. Giám sát quy trình công nghiệp
Các nhà máy thường tạo ra các dấu hiệu hóa học đặc trưng trong quá trình hoạt động bình thường.
Những thay đổi trong những chữ ký này có thể chỉ ra:
- Quá trình bất thường
- Ô nhiễm vật liệu
- Vấn đề về thiết bị
- rò rỉ
- Quá nóng
- Suy thoái hóa học
Thay vì đợi cho đến khi một loại khí đạt đến ngưỡng báo động cố định, Mũi AI có thể xác định rằng môi trường hóa học tổng thể đã thay đổi.
Điều này làm cho khứu giác nhân tạo trở nên đặc biệt thú vị khi theo dõi công nghiệp liên tục.
3. Quan trắc môi trường
Nhiều vấn đề về mùi môi trường liên quan đến các hỗn hợp phức tạp chứ không phải một loại khí riêng lẻ.
Các ứng dụng tiềm năng bao gồm:
- Nhà máy xử lý nước thải
- Cơ sở xử lý chất thải
- Trang trại
- Khu công nghiệp
- Cơ sở hóa chất
- Giám sát không khí trong nhà
- Nhận dạng nguồn mùi
Cảm biến khí thông thường vẫn quan trọng khi phải đo nồng độ chất ô nhiễm riêng lẻ.
Hệ thống AI Nose có thể thêm một lớp khác bằng cách nhận dạng mùi tổng thể hoặc chữ ký VOC.
4. Thiết bị gia dụng thông minh
Khứu giác nhân tạo cũng có thể được tích hợp vào các thiết bị tiêu dùng.
Các ứng dụng tiềm năng bao gồm:
Tủ lạnh
Phát hiện những thay đổi liên quan đến độ tươi của thực phẩm hoặc mùi bất thường.
Mũ trùm phạm vi
Nhận biết các loại khí và mùi liên quan đến nấu ăn và tự động điều chỉnh thông gió.
Máy lọc không khí
Đánh giá những thay đổi trong môi trường hóa chất trong nhà thay vì chỉ dựa vào một giá trị VOC.
Máy điều hoà
Kết hợp cảm biến hóa học với các phép đo nhiệt độ, độ ẩm và hạt để quản lý chất lượng không khí thông minh hơn.
Đây là một lĩnh vực mà các mảng MEMS nhỏ gọn như ZM101-A có thể đặc biệt hấp dẫn vì các nhà sản xuất thiết bị cần nền tảng cảm biến nhỏ, tiêu thụ điện năng thấp.
5. Ứng dụng ô tô
Các phương tiện hiện đại đã chứa các cảm biến môi trường ngày càng tinh vi.
Công nghệ AI Nose có thể bổ sung tính năng nhận dạng mẫu hóa học cho:
- Giám sát không khí trong cabin
- Phát hiện ô nhiễm ngoài trời
- Mùi bất thường
- Kiểm soát chất lượng không khí
- Thông gió cá nhân
- Kiểm soát tuần hoàn tự động
Các phương tiện thông minh trong tương lai có thể kết hợp khứu giác nhân tạo với máy ảnh, micrô, cảm biến nhiệt độ và các cảm biến môi trường khác.
6. Nông nghiệp
Thực vật, đất, trái cây và các quá trình sinh học giải phóng nhiều hợp chất dễ bay hơi.
Do đó, hệ thống AI Nose có thể hỗ trợ:
- Giám sát độ chín của quả
- Nghiên cứu bệnh cây trồng
- Đánh giá chất lượng sản phẩm
- Giám sát lưu trữ
- Giám sát nhà kính
- Phân tích môi trường chăn nuôi
Một trong những lợi thế tiềm năng chính là phát hiện những thay đổi hóa học trước khi vấn đề trở nên rõ ràng.
7. Nghiên cứu chăm sóc sức khỏe
Hơi thở của con người chứa nhiều hợp chất dễ bay hơi liên quan đến quá trình trao đổi chất.
Do đó, các nhà nghiên cứu đang khám phá mũi điện tử để phân tích các kiểu hơi thở.
Các lĩnh vực nghiên cứu tiềm năng bao gồm:
- Phân tích hơi thở
- Theo dõi bệnh nhân
- Giám sát môi trường y tế
- Nghiên cứu VOC liên quan đến bệnh tật
Tuy nhiên, một sự khác biệt quan trọng phải được thực hiện.
Kết quả nghiên cứu cho thấy mũi điện tử có thể phân biệt được một số kiểu hơi thở nhất định không tự động có nghĩa là thiết bị này là công cụ chẩn đoán y tế đã được phê duyệt.
Xác nhận lâm sàng, khả năng tái tạo, phê duyệt theo quy định và bộ dữ liệu đại diện lớn là cần thiết trước khi các hệ thống đó có thể được sử dụng để chẩn đoán y tế.
8. Robot và trí thông minh thể hiện
Robot đã sử dụng một số giác quan nhân tạo:
- Camera cung cấp tầm nhìn
- Micro cung cấp thính giác
- Cảm biến lực cung cấp cảm ứng
- LiDAR cung cấp nhận thức không gian
Khứu giác nhân tạo có thể mang lại một ý nghĩa quan trọng khác.
Một robot được trang bị Mũi AI có khả năng xác định:
- Rò rỉ gas
- Sự cố tràn hóa chất
- Những thay đổi liên quan đến khói thuốc
- Thực phẩm hư hỏng
- Môi trường nguy hiểm
- Nguồn mùi
Điều này có thể đặc biệt hữu ích cho:
- Robot kiểm tra công nghiệp
- Robot chữa cháy
- Kiểm tra ngầm
- Robot môi trường nguy hiểm
- Robot phục vụ gia đình
Khi AI thể hiện phát triển, cảm biến hóa học có thể trở thành một nguồn thông tin môi trường quan trọng khác.
Mũi AI để dự đoán bảo trì
Một ứng dụng công nghiệp đặc biệt thú vị là bảo trì dự đoán.
Thiết bị đôi khi có thể giải phóng VOC đặc trưng trước khi xảy ra lỗi rõ ràng.
Các nguồn có thể bao gồm:
- Linh kiện quá nóng
- Chất bôi trơn xuống cấp
- Cách điện
- Nhựa
- Pin
- Rò rỉ hóa chất
Thay vì đặt ngưỡng cho mọi hợp chất có thể, Mũi AI có thể học dấu vân tay hóa học thông thường xung quanh máy.
Nếu dấu vân tay đó thay đổi dần dần, hệ thống có thể phát hiện sự bất thường trước khi xảy ra lỗi lớn.
Cách tiếp cận này cuối cùng có thể bổ sung:
- Giám sát độ rung
- Giám sát âm thanh
- Hình ảnh nhiệt
- Đo điện
Sự kết hợp cảm biến cuối cùng có thể tạo ra các hệ thống bảo trì dự đoán đáng tin cậy hơn bất kỳ công nghệ cảm biến riêng lẻ nào.
Tại sao AI lại hữu ích cho việc phát hiện mùi?
Mùi phức tạp hiếm khi bao gồm một loại khí.
Hãy xem xét sáu cảm biến phản ứng đồng thời:
| cảm biến | Phản ứng |
|---|---|
| Cảm biến A | Tăng vừa phải |
| Cảm biến B | Tăng mạnh |
| Cảm biến C | Hầu như không thay đổi |
| Cảm biến D | Đỉnh nhanh |
| Cảm biến điện tử | Phục hồi chậm |
| Cảm biến F | Giảm nhỏ |
Một hệ thống ngưỡng thông thường có thể gặp khó khăn trong việc diễn giải sự kết hợp này.
Các thuật toán học máy được thiết kế để xác định mối quan hệ giữa nhiều biến số.
Đây là lý do tại sao trí tuệ nhân tạo đặc biệt phù hợp với mũi điện tử.
Thông tin có giá trị thường không phải là:
“Cảm biến A đo được 2,8.”
Đó là:
“Mối quan hệ kết hợp giữa các Cảm biến A–F rất khớp với Mẫu X.”
Những thách thức chính của công nghệ mũi AI là gì?
Công nghệ AI Nose đầy hứa hẹn nhưng việc triển khai thực tế vẫn còn nhiều thách thức.
Cảm biến trôi dạt
Cảm biến khí có thể dần dần thay đổi đặc tính của chúng vì:
- Lão hóa
- Sự ô nhiễm
- Tiếp xúc với hóa chất lâu dài
- Điều kiện môi trường
- Thay đổi vật chất
Một mô hình được đào tạo khi mảng cảm biến còn mới có thể trở nên kém chính xác hơn sau nhiều tháng hoặc nhiều năm.
Do đó, việc bù trôi là một phần quan trọng trong quá trình phát triển Mũi AI lâu dài.
Nhiệt độ và độ ẩm
Nhiều cảm biến hóa học bị ảnh hưởng bởi điều kiện môi trường.
Nếu độ ẩm thay đổi từ 30%RH đến 80%RH, một số tín hiệu cảm biến có thể thay đổi ngay cả khi bản thân mùi không thay đổi.
Một hệ thống đáng tin cậy phải phân biệt:
Thay đổi hóa học thực sự
từ
Can thiệp môi trường
Do đó, bù nhiệt độ và độ ẩm là những tính năng quan trọng trong mảng cảm biến thực tế.
Dữ liệu đào tạo
Một mô hình AI chỉ hữu ích khi dữ liệu được sử dụng để huấn luyện nó.
Một hệ thống được đào tạo trong điều kiện phòng thí nghiệm lý tưởng có thể hoạt động khác nhau trong nhà máy.
Bộ dữ liệu trong thế giới thực phải chứa các biến thể về:
- Nhiệt độ
- Độ ẩm
- Khí nền
- Lão hóa cảm biến
- Lô sản phẩm
- Sự tập trung
- Luồng khí
- Điều kiện theo mùa
Ô nhiễm cảm biến
Một số loại khí hoặc hóa chất có thể làm thay đổi tạm thời hoặc vĩnh viễn vật liệu cảm biến.
Do đó, hệ thống lấy mẫu có thể yêu cầu:
- Bộ lọc
- Tiếp xúc có kiểm soát
- Quy trình vệ sinh
- Sự định cỡ
- Chiến lược thay thế cảm biến
Khái quát hóa
Một chiếc mũi điện tử được huấn luyện cho một môi trường không thể tự động hoạt động tốt như nhau ở mọi nơi.
Ví dụ:
Một mô hình AI được đào tạo bằng cách sử dụng các mẫu cà phê từ một cơ sở rang có thể không nhận dạng ngay được mọi loại cà phê từ mọi quốc gia, quy trình rang hoặc môi trường bảo quản.
Việc đào tạo và xác nhận dành riêng cho ứng dụng vẫn cực kỳ quan trọng.
Mũi AI có giống như khứu giác kỹ thuật số không?
Các thuật ngữ trùng lặp đáng kể.
Mũi điện tử
Thường đề cập đến một hệ thống mảng cảm biến vật lý được thiết kế để bắt chước các khía cạnh của cảm biến mùi sinh học.
Mũi AI
Nhấn mạnh sự tích hợp của máy học hoặc trí tuệ nhân tạo với dữ liệu mảng cảm biến.
Khứu giác máy
Một thuật ngữ rộng hơn để cho phép máy móc diễn giải thông tin hóa học trong không khí.
Khứu giác kỹ thuật số
Có thể bao gồm toàn bộ quá trình:
- Thu thập thông tin liên quan đến mùi
- Số hóa nó
- Phân tích nó
- Truyền nó
- Có khả năng tái tạo nó
Bởi vì lĩnh vực này vẫn đang phát triển nên thuật ngữ khác nhau giữa các nhà nghiên cứu và nhà sản xuất.
Mũi AI sẽ thay thế cảm biến khí truyền thống?
KHÔNG.
Ít nhất là không trong tương lai gần.
Cảm biến khí chuyên dụng vẫn cần thiết cho các ứng dụng yêu cầu đo chính xác các loại khí cụ thể.
Ví dụ bao gồm:
- Cảnh báo an toàn CO
- Máy dò khí dễ cháy
- Giám sát oxy
- Phát hiện khí độc
- Phát hiện rò rỉ môi chất lạnh
Mũi AI phù hợp hơn khi vấn đề liên quan đến:
- Hỗn hợp phức tạp
- Nhận biết mùi
- Phân loại
- Thay đổi mẫu
- Phát hiện bất thường
Do đó, tương lai có thể sẽ liên quan đến cả hai công nghệ.
Một hệ thống giám sát công nghiệp phức tạp có thể chứa:
Cảm biến khí cụ thể + Mũi AI + cảm biến nhiệt độ/độ ẩm + cảm biến hạt + camera + phần mềm dự đoán
Cùng với nhau, những công nghệ này có thể mang lại sự hiểu biết phong phú hơn về môi trường so với bất kỳ cảm biến đơn lẻ nào.
Tương lai của công nghệ mũi AI
Một số phát triển đang đẩy nhanh tiến bộ trong khứu giác nhân tạo.
Cảm biến MEMS nhỏ hơn
Việc sản xuất MEMS làm cho mảng cảm biến đa kênh ngày càng nhỏ gọn và phù hợp để tích hợp vào:
- Thiết bị gia dụng
- Xe cộ
- Robot
- Thiết bị di động
- thiết bị IoT
AI cạnh
Các mô hình học máy ngày càng có thể hoạt động trực tiếp trên các bộ xử lý cục bộ.
Lợi ích bao gồm:
- Phản hồi nhanh hơn
- Băng thông mạng thấp hơn
- Hoạt động ngoại tuyến
- Quyền riêng tư tốt hơn
- Xử lý thời gian thực
Bộ dữ liệu trong thế giới thực lớn hơn
Khi nhiều mũi điện tử được triển khai hơn, các kỹ sư có thể thu thập bộ dữ liệu lớn hơn bao gồm:
- Lão hóa cảm biến
- Biến đổi theo mùa
- Can thiệp môi trường
- Sự khác biệt của sản phẩm
- Sự kiện bất thường
Những bộ dữ liệu này sẽ giúp cải thiện độ bền của mô hình.
Cảm biến tổng hợp
Các hệ thống AI trong tương lai có thể kết hợp mùi với các công nghệ cảm biến khác.
Ví dụ:
Mũi AI + Camera + Nhiệt độ + Độ ẩm + Hạt + Áp suất + Âm thanh
Thay vì chỉ tạo ra mùi nhân tạo cho máy móc, các kỹ sư có thể phát triển các hệ thống đa giác quan hoàn chỉnh.
Câu hỏi thường gặp
Mũi AI phát hiện được gì?
Mũi AI phát hiện các mẫu do khí, VOC và mùi tạo ra bằng cách sử dụng nhiều cảm biến hóa học. Tùy thuộc vào quá trình huấn luyện, nó có thể phân loại mùi, phát hiện các điều kiện bất thường hoặc ước tính các đặc tính cụ thể.
Mũi AI có giống mũi điện tử không?
Mũi AI nói chung là một loại mũi điện tử tập trung nhiều hơn vào trí tuệ nhân tạo và học máy để diễn giải dữ liệu mảng cảm biến.
AI có thể xác định được mùi không?
AI có thể phân loại các mẫu hóa học khi có dữ liệu cảm biến phù hợp và các ví dụ đào tạo đại diện. Hệ thống này không “ngửi” giống hệt con người nhưng có thể học cách nhận biết dấu vân tay hóa học có thể lặp lại.
Mũi AI có đo nồng độ khí không?
Nó có thể, tùy thuộc vào cảm biến và kiểu máy, nhưng đo nồng độ không phải lúc nào cũng là mục đích chính của nó. Nhiều hệ thống Mũi AI tập trung vào phân loại, nhận dạng hoặc phát hiện sự bất thường.
Những cảm biến nào được sử dụng trong Mũi AI?
Các công nghệ cảm biến khả thi bao gồm cảm biến oxit kim loại MEMS, cảm biến bán dẫn, cảm biến điện hóa, cảm biến quang học, polyme dẫn điện và các công nghệ cảm biến hóa học khác.
Mũi AI có thể phát hiện nhiều loại khí không?
Đúng. Hệ thống Mũi AI đa kênh có thể kết hợp các phản hồi từ một số yếu tố cảm biến. Ví dụ: Winsen ZM101-A cung cấp sáu kênh khí MEMS bao gồm NH₃, VOC, NO₂, H₂S, CO và CH₄.
Mũi AI có thể được tích hợp vào sản phẩm không?
Đúng. Mảng cảm biến MEMS nhỏ gọn có thể được tích hợp vào các thiết bị, phương tiện, thiết bị công nghiệp và thiết bị IoT. Các giao diện truyền thông như UART có thể cho phép phần cứng cảm biến trao đổi dữ liệu với bộ điều khiển nhúng hoặc hệ thống xử lý AI.
Phần kết luận
MỘT AI Nose kết hợp nhiều cảm biến hóa học với trí tuệ nhân tạo để nhận dạng các mẫu trong khí, VOC và mùi.
Ưu điểm quan trọng nhất của nó là không nhất thiết phải xác định được từng phân tử hóa học riêng biệt.
Thay vào đó, mảng cảm biến tạo ra một dấu vân tay hóa học duy nhất và các thuật toán học máy sẽ học cách liên kết dấu vân tay đó với một tình trạng đã biết.
Cách tiếp cận này tạo ra những cơ hội mới trong:
- Chất lượng thực phẩm
- Giám sát công nghiệp
- cảm biến môi trường
- Thiết bị thông minh
- Hệ thống ô tô
- Nông nghiệp
- Người máy
- Nghiên cứu chăm sóc sức khỏe
- Bảo trì dự đoán
Các sản phẩm như Mũi AI Winsen ZM101-A cũng chứng minh mảng cảm biến MEMS đa kênh đang trở thành nền tảng phần cứng thiết thực như thế nào cho các nhà phát triển xây dựng các ứng dụng khứu giác AI thực sự.
Tuy nhiên, các hệ thống AI Nose thành công không chỉ phụ thuộc vào việc kết hợp các cảm biến với thuật toán AI.
Lựa chọn cảm biến, thiết kế lấy mẫu, bù nhiệt độ và độ ẩm, bộ dữ liệu đào tạo đại diện, quản lý độ lệch và xác thực trong thế giới thực đều quyết định liệu hệ thống khứu giác nhân tạo có thể chuyển thành công từ trình diễn trong phòng thí nghiệm sang ứng dụng thương mại đáng tin cậy hay không.
Khi cảm biến khí trở nên nhỏ hơn và trí tuệ nhân tạo có nhiều khả năng hơn, khả năng máy móc hiểu được thế giới hóa học xung quanh chúng có thể sẽ trở thành một phần ngày càng quan trọng của cảm biến thông minh.
