Sztuczny nos elektroniczny i jego zastosowania w praktyce

Wielkość: px

Rozpocząć pokaz od strony:

Download "Sztuczny nos elektroniczny i jego zastosowania w praktyce"

Patrycja Bukowska
7 lat temu
Przeglądów:

1 Sztuczny nos elektroniczny i jego zastosowania w praktyce

2 Plan wykładu 1. Wprowadzenie 2. Układ sztucznego nosa 3. Czujniki pomiarowe 4. Inteligentne układy przetwarzania danych pomiarowych 5. Przykładowe zastosowania 6. Kierunki dalszych badań 7. Podsumowanie.

3 Wprowadzenie Sztuczny nos to instrument pomiarowy wyposaŝony w dwa systemy: System pobierania i detekcji gazów i par System (algorytm) rozpoznawania widm zapachowych Historia: Zmiana potencjału powierzchniowego w wyniku absorpcji gazu zapachowego (Tanyolac, 1953) Taguchi opatentował czujnik SnO2 Model nosa elektronicznego zbudowano z 3 czujników i prostego układu przetwarzania sygnałów w 1982 roku Lata 90-te: pierwsze komercyjne sztuczne nosy elektroniczne

4 Przykłady komercyjne a) Model 4440B (firmy Agilent technologies) b) Model Prometheus (firmy Alpha Mos) c) Model A320 (firmy Cyrano Sciences)

5 Układ sztucznego nosa

6 Stosowane czujniki Czujniki tlenków metali: zmiana rezystancji elementu przy reakcji chemicznej między gazem zapachowym a tlenkiem metalu.

7 Stosowane czujniki Polimerowe: zmiana stałej dielektrycznej (lub potencjału) elementu przy absorpcji gazu zapachowego przez łańcuch polimeru.

8 Stosowane czujniki Masowe: wpływ przyjętych molekuł (zmiana masy) na wykrywalną zmianę częstotliwości drgań.

9 Charakterystyki czujnika typu tlenku metali

10 Charakterystyki czujnika typu tlenku metali ZaleŜność od temperatury i wilgotności przy 1000ppm metanu ZaleŜność R s /R o przy obecności róŝnych gazów i o róŝnych koncentracjach

11 Wynik pomiaru czujnikiem Wynikiem pomiaru jest wartość aktualna rezystancji j-tego sensora R(j). Do dalszego przetwarzania bierze się pod uwagę róŝnicę między aktualnym wynikiem a wartością referencyjną (baseline) r( j) = R( j) R 0 R 0 ( j) ( j) Wartość referencyjna R 0 (j) pochodzi z pomiaru wykonanego dla powietrza lub odniesiona do określonych (innych) warunków pomiarowych.

12 Porównanie czujników Selektywność Czułość Tlenków metali Polimer półprzewodnikowy Masowe

13 Charakterystyki czujników Zalety czujników o szerokim paśmie zapachowym: MoŜliwość wykorzystywania czujnika do róŝnych zadań. NiŜszy koszt. Wady: Z powodu interferencji brak moŝliwości bezpośredniego wyznaczania wyników z odczytu czujnika. Konieczność zastosowania większej liczby czujników (matrycy czujników) oraz dodatkowego układu przetwarzania sygnałów.

14 Inteligentne układy rozpoznawania i klasyfikacji - kalibracja 1. Cel zastosowania kalibracji Eliminacja szumu Eliminacja efektu interferencji widm czujników Skojarzenie wskazań czujników z obecnością i koncentracją określonego gazu 2. Najczęstsze techniki przetwarzania sygnałów: Technika PCA, Algorytm najbliŝszego sąsiada, Sieci neuronowe: MLP, SOM, TSK, SVM

15 Algorytm PCA Algorytm PCA jest algorytmem pomocniczym i słuŝy do rzutowania wektorów x i R p do zbioru y i R m, gdzie m<p x i R p W R m p : y i = Wx i R m R xx = x x T - macierz korelacji λ1 λ2 K λ p - wartości własne macierzy R xx W [ w w K ] T = w i wektor własny odpowiadający wartości 1 2 w m własnej λ i

16 Algorytm PCA Dwa zbiory punktów w przestrzeni 3-wymiarowej leŝących blisko płaszczyźnie x+y+z=1

17 Wyniki obliczenia algorytmu PCA Wartości własne: [ ] Wybieramy 2 składniki PC Informacja = ( )/( )=98.52% Odpowiadające wektory własne: w 1 =[ ] w 2 =[ ] W=[w 1 w 2 ] y=wx

18 Wyniki obliczenia algorytmu PCA y=wx

19 Algorytm najbliŝszego sąsiada - Zbiór wejściowy p wzorców x i naleŝących do róŝnych klas - Ze zbioru wejściowego generuje się prototypy klas. - Liczba prototypów C jest mniejsza niŝ liczba wzorców. - Przy podaniu nowej próbki, zalicza się tę próbkę do klasy, do której naleŝy prototyp o najmniejszej odległości do niej. Prototypy mogą być wyznaczane za pomocą algorytmów samoorganizacji, np. algorytmu C-mean, GK, itp.

20 Algorytm najbliŝszego sąsiada

21 Sieć neuronowa SVM Klasyfikator 2-klasowy Klasyfikator 1-klasowy Układ aproksymujący

22 Sieć liniowa SVM

23 Sieć nieliniowa do separacji dwu klas

24 Zasada działania sieci jednoklasowej SVM

26 Przykładowe zastosowania Przemysł spoŝywczy (największy rynek): Sprawdzanie jakości produktów spoŝywczych Kontrola jakości procesów produkcji Monitorowanie procesów fermentacji Kontrola jakości (szczelności) pakowania Rozpoznawania produktów: koniaku, wina, piwa,... Medycyna: Wykrywanie i rozpoznawanie bakterii oczu Wykrywanie raka płuc na podstawie wydychanego powietrza, Wykrywanie obecność krwi w moczu Wykrywanie bakterii we krwi,

27 Przykładowe zastosowania Przemysł zbrojeniowy: Wykrywanie min Badanie jakości powietrza wewnątrz pojazdów (kosmicznych) Przemysł ochrony środowiska: Badanie zanieczyszczeń powietrza Wykrywania gazów trujących Detekcja przecieku ropy, Analiza składników paliwa, Testowania jakości wody gruntowej,

28 Wykrywanie bakterii oczu za pomocą komercyjnego nosa elektronicznego Cyranose A czujniki polimerowe o róŝnych spektrach gazowych - Tryb pracy: uczenie (nagrywanie), testowanie (rozpoznawanie). - Połączenie z komputerem poprzez łącze RS- 232 lub USB -..

29 Komercyjny nos elektroniczny Cyranose A320 -Charakterystyka pracy czujnika w Cyranose A320 przy róŝnych grubościach warstwy polimeru

30 Specyfikacje Cyranose A320 Czas próbkowania i przetwarzania sygnałów: 30 sekund Czas oczyszczenia układu pomiarowego: ok. 1 minuty Dane pomiarowe: względne zmiany rezystancji czujników po wchłonięciu gazu zapachowego. Algorytmy przetwarzania danych: - Filtrowanie wyŝszych częstotliwości - Unormowanie sygnałów dla czujnika i: R i =(R i -R io )/R i0 - Unormowanie sygnałów wszystkich czujników: R i = R i / ( ) 32 R = j 1 j

31 Specyfikacje Cyranose 320 Algorytm rozpoznawania i klasyfikacji: Onboard: - Nearest Neighbour (NN) - Fisher linear discrimination (FLD) - Canonical discriminant analysis (CDA) PCA (outlier)

32 Wykrywania bakterii oczu -6 rodzajów bakterii: SAR, HAI, STP, ECO, PSA i MOC - Dane uczące: - KaŜda bakteria: 3 roztwory o róŝnych koncentracjach NaCl. - KaŜdy roztwór był wąchany 10 razy przez Cyranose. - Liczba próbek: 6*3*10= Do uczenia: 72 próbki losowo wybranych po 4 dla kaŝdej bakterii. - Do testowania: 96 próbek losowo wybranych po 6 dla kaŝdej bakterii.

33 Wykrywania bakterii oczu - Liniowa PCA: 74% - Sieć RBF : 98%

34 Rozpoznawania i klasyfikacja mleka Problem: Rozpoznawanie i klasyfikacja pasteryzowanego mleka na podstawie jego zapachu Przez pasteryzację pojawiają lub znikają róŝne składniki zapachowe mleka tworząc róŝne profile zapachowe danego produktu.

35 Układy pomiarowe 7 czujników tlenków metali Odpowiedź czujnika: względna zmiana jego rezystancji R=(R-R 0 )/R 0 Dwie metody ustawienia poziomu odniesienia R 0 : przy wąchaniu czystej wody lub jednego z typów mleka. Układ rozpoznawania i klasyfikacji: Program symulacji sieci SVM na PC

36 Rozpoznawanie róŝnego rodzaju mleka 4 rodzaje mleka o 3.2% tłuszczu: Łaciate, Nargo, Sielska Dolina i Rolmlecz Dla kaŝdego rodzaju mleka: 180 próbek dostarczanych w 5 róŝnych dniach, w tym 90 losowo wybranych jest przeznaczonych do uczenia i 90 pozostałych do testowania. Klasyfikator: Sieć SVM z liniową lub radialną funkcją jądra.

37 Rozkład sygnałów mierzonych

38 PCA sygnałów mierzonych 0.15 PCA distribution of the sensor signals 0.15 PCA distribution of the sensor signals PCA2 PCA a) PCA1 b) PCA1

39 Rozpoznawanie mleka o róŝnych poziomach tłuszczu 1 rodzaj mleka (Łaciate) o róŝnych poziomach tłuszczu: 0%, 0.5%, 2% i 3.2% Dla kaŝdego typu mleka: 180 próbek dostarczanych w 5 róŝnych dniach, w tym 90 losowo wybranych jest przeznaczonych do uczenia i 90 pozostałych do testowania. Klasyfikator: Sieć SVM z liniową lub radialną funkcją jądra.

40 Wyniki numeryczne Odniesienie woda Odniesienie 4-te mleko Najlepszy wynik 100% 100% Parametry rozwiązania Radialne sieci SVM z wektorami podtrzymującymi Liniowe sieci SVM z 3-11 wektorami podtrzymującymi

41 Wyniki numeryczne Odniesienie inne mleko Najlepszy wynik 100% Parametry rozwiązania Liniowe sieci SVM z 75 wektorami podtrzymującymi

42 Kierunki dalszych badań Ulepszenie układu pomiarowego: Nowe czujniki Zwiększenie czułości/selektywności, szybkości Zmniejszenie rozmiarów Metody przetwarzania: Obliczenie równoległe Sieci neuronowe: z wbudowanym trybem uczenia Sygnały wyjściowe: elektryczne, wizualne,... Układy symulujące inne zmysły:

43 Dziękuję za uwagę

44 Fisher Linear Discrimination Suppose a case two classes Mean of these classes samples: Mean of the projected samples: Scatterness of the projected samples: Criterion function: ( ) J v ( ) J v = = 2 s% 1 m+ s% s2 m% % s% % m m% m% 1 = i 1 n mi = x x X n x X i 1 1 t t m% i = y = w x = w mi n y 1 Y n i x 1 Xi t t m% i = y = w x = w mi n y Y n i x Xi 2 2 s% = ( y m% ) i y Y i i x i

45 Fisher Linear Discrimination Optymalny wektor odpowiada maksimum stosunku odległości między grup do szerokości tych grup. t v Bv t v Wv within between within

46 Fisher Linear Discrimination Criterion function should be maximized Present J as a function of a vector v W = ( x m )( x m ) i i i x X W = W + W ( ) i 1 2 s% = ( v x v m ) = v ( x m )( x m ) v = v W v 2 t t 2 t t t i i i i i x X x X % % 2 2 t s1 + s2 = v Wv i B = ( m m )( m m ) t t i ( m% m% ) = ( v m v m ) = v ( m m )( m m ) v = v Bv J v 2 t t 2 t t t = t v Bv t v Wv

47 Fisher Linear Discrimination Rzutowanie przestrzeni wejściowej X do przestrzeni o mniejszym wymiarze Y Niech v wektor opisujący przestrzeni Y. Wyznaczyć rzuty wektorów wejściowych x na v. Obliczyć zdolność rozdzielenia wektora v dla danych wejściowych. Wybrać wektor v o najlepszej zdolności rozdzielenia

48 Fisher Linear Discrimination Przykład danych 2-wymiarowych rzutowanych na 1-wymiarowym wektorze. Wektor v na rysunku po prawej stronie jest lepszym klasyfikatorem

Podobne dokumenty

Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści

Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, 2013 Spis treści Przedmowa 7 1. Wstęp 9 1.1. Podstawy biologiczne działania neuronu 9 1.2. Pierwsze modele sieci neuronowej