实时检测和识别鱼类质量使用低功率多式联接式人工嗅觉系统

科学领域:

• 材料科学 材料科学 材料科学
• 人工智能的人工智能
• 传感器技术 传感器技术

背景情况:

• 单一气体量化和混合气体识别在气体检测方面带来了重大挑战.
• 化学电阻气体传感器具有局限性,这推动了对传感器阵列的研究.
• 传感材料和模式识别算法的优化对于改善气体检测至关重要.

研究的目的:

• 开发基于双金属氧化物的新型气体传感器,用于室温操作.
• 通过使用先进的算法来提高气体识别和量化准确性.
• 创建一个低功耗的人工嗅觉系统,用于实时评估食品的新鲜度.

主要方法:

• 制造四个双金属氧化物气体传感器,使用表面氧缺陷,聚合导电聚合物,纳米金属修饰和柔性基板组合等技术.
• 特性工程的应用,用于降低传感器阵列信号的噪声和尺寸.
• 使用支持矢量机 (SVM) 模型进行定性气体识别,并使用组合卷积神经网络-长短期记忆 (CNN-LSTM) 网络进行定量度估计.

主要成果:

• 使用SVM模型实现了98.86%的准确性.
• 基于深度学习的CNN-LSTM模型在度识别方面表现出卓越的性能,达到2.3.3的最低根平均平方误差 (RMSE).
• 一个集成的低功耗的人工嗅觉系统成功地建立了实时的食品新鲜感判断.

结论:

• 开发的双金属氧化物气体传感器和先进的模式识别算法显著提高了气体检测能力.
• 该CNN-LSTM模型有效地解决了过度装配问题,并提高了度识别的准确性.
• 人工嗅觉系统为实时,准确的食品新鲜度监测提供了一个有前途的解决方案.