Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/284712305
CITATIONS READS
0 549
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Jacob Avila on 25 November 2015.
análisis de sensores para la detección de compuestos única para cada químico y con ello implementar el sistema de
orgánicos. identificación automatizado [7].
Este trabajo está organizado en dos sub-secciones, en la El conjunto de datos de entrenamiento se utiliza para
primera se describen los elementos necesarios para la configurar a la red neuronal con el objetivo de aprender una
construcción del prototipo de nariz electrónica y en la segunda asociación existente entre los patrones del arreglo de sensores
el desarrollo del sistema inteligente de reconocimiento de y las etiquetas que representan los datos. Esta combinación se
olores, junto con las pruebas realizadas, finalmente se conoce como nariz electrónica o nariz artificial [9].
presentan los resultados, las conclusiones y trabajos futuros. Diversos autores han desarrollado narices electrónicas que
se incorporan con redes neuronales para aplicaciones que
II. CENSADO, IDENTIFICACIÓN Y CLASIFICACIÓN DE involucran el monitoreo de olores en alimentos y bebidas, el
COMPUESTOS ORGÁNICOS VOLÁTILES control automatizado de sabores, el análisis de mezclas de
Una nariz electrónica es un dispositivo desarrollado con la combustibles, así como cuantificar componentes individuales
intención de detectar y clasificar automáticamente olores, en gases [10].
sabores, vapores y gases. Un sistema de nariz electrónica está En aplicaciones de narices electrónicas se han incorporado
conformado por un arreglo de sensores de gases y un sistema diversas configuraciones de redes neuronales entre las cuales
de reconocimiento de patrones [7]. se incluyen el entrenamiento de propagación hacia atrás, redes
Los sensores recolectan la información del medio ambiente de alimentación hacia adelante, redes auto organizadas de
devolviendo valores que representan el compuesto químico Kohonen, redes Hamming, máquinas Boltzman y redes
censado y un valor relacionado con la concentración presente Hopfield principalmente [11].
de dicho compuesto.
redes neuronales con algoritmo de entrenamiento de establecer los argumentos para desarrollar sistemas más
propagación hacia atrás con el fin de proporcionar una complejos basados en la lógica difusa como siguiente
clasificación predictiva de olores desconocidos. Sin embargo aproximación. Para ello se decidió establecer la mejor
PCA solo puede ser utilizado para proporcionar una configuración de una red neuronal de tres capas, con
representación lineal de las clases y no para propósitos de factibilidad de ser embebida en el Arduino.
clasificación, por lo que las redes neuronales han sido las más El prototipo de la red neuronal se creó utilizando toolbox de
exitosas en muchas aplicaciones que se enfocan sobre la Matlab, con una configuración multicapa de alimentación
discriminación de olores disimilares simples o complejos o el hacia delante entrenada con el algoritmo de propagación hacia
estancamiento de olores complejos específicos [5]. atrás utilizando un conjunto de entrenamiento tomado con las
Las distintas configuraciones de redes neuronales se han lecturas de los 5 compuestos.
convertido en los clasificadores más precisos que pueden Los parámetros utilizados para entrenar a la red neuronal se
hacer frente a grupos, clases o clusters que se observa se muestran en la tabla de la figura 7, donde se describe que se
sobreponen con técnicas lineales, razón por la cual las narices crearon 5 entradas, una para cada uno de los 5 sensores de gas,
electrónicas comerciales hoy en día ofrecen un clasificador 10 neuronas en la capa oculta, y en la etapa final se
basado en redes neuronales con algoritmo de entrenamiento de conformaron 5 neuronas en la capa de salida.
propagación hacia atrás. De acuerdo con Pearce [5] la mejor El prototipo se entrenó para identificar: ajo, cebolla,
estrategia para el reconocimiento de patrones en narices guayaba, limón y plátano. Se agregó una categoría más
electrónicas es utilizar algoritmos, dadas algunas excepciones, (ninguno) para denotar la ausencia de todos ellos, excepto
que puedan afrontar un cierto grado de borrosidad como en el aquellos normalmente presentes en el aire. Esto conformó una
caso del sistema olfativo humano. En este sentido, una salida de la red neuronal de 5 categorías, generando una salida
combinación entre redes neuronales y lógica difusa se presenta de 5 neuronas en la capa final. En cada neurona de la capa
como una alternativa atractiva que podría ejecutar un oculta y la salida, la función de activación y transferencia es la
aprendizaje incremental y un potencial auto organizado y auto función log-sigmoid.
estabilizado. Por lo que este tipo de soluciones estarán siendo
Características Red Neuronal
más utilizadas en un futuro para producir clasificaciones Tipo Feed Forward
basadas en un conjunto de reglas entendibles [5]. Entrenamiento Propagación hacia atrás
Para el desarrollo experimental se seleccionaron 5 Arquitectura 5 – 10 – 5 Feedforward
compuestos, útiles en las biorrefinerías, para ser analizados. Función de Transferencia Log-Sigmoid
Taza de aprendizaje 0.01
Durante el análisis de los datos, se observa que existen una
Momentum 0.9
frontera de decisión no lineal y que además se tienen espacios No. de Epochs 1000
sobrepuestos entre los diferentes compuestos, por lo que no es Fig. 6. Parámetros de entrenamiento de las redes neuronales.
factible utilizar algunos de los métodos estadísticos dado que
La figura 8 muestra la arquitectura de la red neuronal,
el problema es la clasificación de 5 tipos de olores, más que la
determinación de la concentración de cada uno de ellos, el donde se aprecian 5 entradas, 10 neuronas en la capa oculta y
análisis discriminante o el análisis de cluster no facilitarían la 5 en la capa de salida.
clasificación de los compuestos analizados, La figura 6
muestra una gráfica de dispersión para los datos de estos 5
compuestos seleccionados, donde se observa que los espacios
se interponen con los diferentes sensores.
IV. RESULTADOS
Una vez integrada la red neuronal en el Arduino se
realizaron pruebas con el prototipo para la identificación
aleatoria de los compuestos orgánicos seleccionados en la
muestra con resultados satisfactorios.
Fig. 9. Resultado del entrenamiento con 3080 muestras de 5 elementos.
Se incorporó un display LCD en el Arduino para mostrar
textualmente el compuesto identificado.
La matriz de confusión demuestra una tasa de aciertos del Los sistemas de detección de olores se han aplicado en
100%. diversas aplicaciones industriales incluyendo el monitoreo de
la calidad del aire en hogares [15], [16], el cuidado de la salud,
la seguridad [17], el monitoreo ambiental, la calidad de los
productos alimenticios [8], [9], [18], [19], diagnósticos
médicos [7], [20], identificación de personas [21] [22], [23],
así como en aplicaciones farmacéuticas y militares para la
detección de gases peligrosos, por mencionar algunas [20],
[24].
La investigación en los métodos alternativos para la
detección de olores ha tenido avances importantes desde sus
inicios en 1982 [25]. Durante los últimos años ha habido una
gran variedad de desarrollos para construir instrumentos que
funcionen como narices electrónicas [26]. Existen algunos
productos comerciales, pero en su mayoría son equipos
voluminosos y de precios altos que hacen complicada una
adopción generalizada de los mismos. Muy pocos productos
son portátiles, pero aun así requiere de equipos especializados
Fig. 10. Matriz de confusión resultante del entrenamiento de la red y muchos de ellos están enfocados a tareas particulares de
neuronal para 3080 muestras de las 5 clases o elementos. áreas específicas dados los tipos de sensores utilizados en cada
aplicación [27], razón por la cual muchos de esos sistemas no
Una vez entrenada la red neuronal se extrajeron las matrices
son factibles de comercializar como productos portables, sino
de pesos y vectores de bias para las 5 entradas y 10 neuronas
más bien se utilizan como equipos de laboratorio.
de la capa oculta, así como los pesos y los bias de la capa de
Por otro lado en [28] y en [29] los autores utilizan una nariz
salida, con el fin de incorporarlas al algoritmo de red neuronal
electrónica para monitorear la madurez del tomate durante su
que se desarrolló para el Arduino Uno.
vida en estantería. Para ellos la tecnología de la nariz
electrónica ofrece una alternativa no destructiva y eficaz para
medir el aroma y así obtener la información para acceder al
estado de maduración de frutas y legumbres durante su vida en
estantería. Su objetivo era evaluar la capacidad de la nariz
electrónica para monitorear los cambios en la producción de
compuestos volátiles del tomate durante dos tratamientos de
almacenamientos diferentes. Los autores utilizaron el análisis
de componente principal PCA y el análisis del discriminante
lineal LDA para distinguir los tomates con diferentes tiempos
de almacenamiento.
Los resultados obtenidos prueban que la nariz electrónica
utilizada puede diferenciar satisfactoriamente los estados de
maduración del tomate a través de su tiempo de
almacenamiento. Los análisis PCA y LDA fueron capaces de
clasificar 97.77 y 95.55% respectivamente del total de
muestras (90 muestras) en sus respectivos grupos (5 grupos).
La nariz electrónica utilizada tiene un arreglo de 10 sensores
MOS.
Con una cantidad menor de sensores utilizando redes
neuronales en lugar de métodos estadísticos, los resultados
obtenidos con el prototipo construido en este trabajo, se
obtuvo un 100% de eficiencia en la clasificación de los olores.
Fig. 11. Algoritmo de red neuronal desarrollado para el Arduino Uno.
IEEE ROC&C‟2014-2015 6