Implementación de una Nariz Electrónica para la Detección de Materia Orgánica en Desechos de Basura

Transcripción

1 Implementación de una Nariz Electrónica para la Detección de Materia Orgánica en Desechos de Basura M. en I.S.C. Francisco Jacob Ávila Camacho 1, M. en I.S.C. Juan Manuel Stein Carrillo 2, M.A.N. Adolfo Melendez Ramírez 3 1,2,3 División de Ingeniería en Sistemas Computacionales, Tecnológico de Estudios Superiores de Ecatepec, Av. Tecnológico SN, Valle de Anáhuac, CP 55210, Ecatepec, Estado de México, México. 1 jacob@avilacamacho.com, 2 jmsteinc@yahoo.com, 3 pringelinc@prodigy.net.mx Resumen. Este trabajo presenta el análisis realizado para la implementación de un sistema de reconocimiento de patrones, así como los métodos de clasificación y análisis que se emplearán con un dispositivo tipo nariz electrónica que se encargará de detectar materia orgánica dentro de los desechos de basura, este sistema forma parte de un proyecto de investigación denominado Bote de Basura Inteligente y que se encuentra participando en la Feria Mexicana de Ciencias e Ingenierías, así como en el Certamen de Innovación Tecnológica 2013 conducidos por el COMECyT (Consejo Mexiquense de Ciencia y Tecnología). En el presente artículo se describen los conceptos de nariz electrónica y sus principales aplicaciones, los métodos de reconocimiento de patrones que serán implementados para llevar a cabo el análisis de los datos. Las conclusiones presentan el resultado del análisis para implementar los métodos de clasificación en el sistema detector de materia orgánica, cuyo objetivo es contribuir a la separación de la basura para la mejora del medio ambiente, además del aprovechamiento de la materia orgánica. Palabras Clave: nariz electrónica, reconocimiento de patrones, métodos de clasificación, red neuronal artificial. 1 Introducción Dada la necesidad de separar la basura y el consecuente impacto en el medio ambiente que se logra al reducir los contaminantes y aprovechar la materia orgánica como fuente de energía y como nutriente para aplicaciones como la reforestación y las compostas, se torna importante contar con métodos y herramientas que permitan llevar a cabo estas tareas de separación de residuos (Tsai, 2008). En este sentido, se pretende implementar un sistema de nariz electrónica para la detección de materia orgánica en los residuos de basura, a través de la detección y clasificación de los gases emitidos por dicha materia y así contribuir a la separación de los residuos.

2 Existen métodos y soluciones que permiten detectar aromas, olores y gases en aplicaciones enfocadas a la medicina, la industria de los alimentos y los cosméticos entre otros. Estos métodos utilizan detectores de gases implementados como narices electrónicas que facilitan la detección de ciertos alimentos y bebidas, así como algunos contaminantes del medio ambiente (Gomez, Hu, Wang, & Pereira, 2006; Kubiak, 2003). 2 La Tecnología de Nariz Electrónica. Una nariz electrónica es un dispositivo cuyo objetivo es detectar y clasificar automáticamente olores, sabores, vapores y gases. Un sistema de nariz electrónica está compuesto principalmente por un arreglo de sensores de gases y un sistema de reconocimiento de patrones tipo red neuronal artificial (Keller, 1995). Esta combinación de sensores acoplados a un sistema de procesamiento de información hace que una nariz electrónica sea un instrumento útil para aplicaciones relacionadas con el análisis de olores (Keller, 1999). Fig. 1. Proceso de detección y clasificación de olores En la Figura 1 se muestra el proceso de detección y clasificación de olores que lleva a cabo un sistema biológico (el ser humano) y una nariz electrónica conformada por el arreglo de sensores, un procesador de señales y el sistema de procesamiento de información tipo red neuronal artificial. El sistema sensor puede ser un arreglo de sensores químicos donde cada sensor mide una propiedad diferente del químico detectado, lo que produce un arreglo de mediciones para cada químico. Estas mediciones conforman una marca o patrón característico del olor en cuestión (Keller, 1999). Con cada olor detectado por el arreglo de sensores se construye una base de datos de marcas o patrones. Esta base de

3 datos de marcas o patrones de olores se utiliza para construir el sistema de reconocimiento de olores (Keller, 1999). El sistema de procesamiento de información hacen posible la aplicación de técnicas de reconocimiento de patrones que permiten llevar a cabo el análisis de los datos y las señales proporcionadas por el arreglo de sensores, por lo que una sustancia o una mezcla de sustancias sólo pueden ser reconocidas después de una fase de calibración, configuración o entrenamiento con el objetivo de cazar un patrón con el tipo de sustancia (Kubiak, 2003). El objetivo del proceso de entrenamiento o configuración es producir clasificaciones únicas o agrupamientos (clusterings) únicos para cada olor y con ello implementar un sistema identificador de olores automatizado (Keller, 1995, 1999). Los dispositivos de nariz electrónica han tenido un auge considerable en el área de la tecnología de sensores dado el descubrimiento de una variedad de aplicaciones derivadas de las investigaciones en diversos campos de las ciencias aplicadas. Las tecnologías recientes provienen de avances en el diseño de sensores, mejoramiento de materiales, innovaciones en software y progresos en el diseño de micro circuitos, proporcionando beneficios a una gran variedad de industrias como la agricultura, la biomedicina, la industria de los cosméticos, el medio ambiente, la industria de los alimentos, la manufactura, la industria militar y la farmacéutica, así como en varios campos de la investigación científica (Wilson & Baietto, 2009). Considerando la volatilidad de los gases desprendidos por la materia orgánica, así como algunos factores contaminantes y residuos inorgánicos, se ha determinado que el sensor ideal que se integrará en la nariz electrónica debe cumplir con los siguientes criterios: alta sensibilidad de los compuestos químicos, lo que la hace similar a la nariz humana (por debajo de g/ml), baja sensibilidad a la humedad y la temperatura, selectividad media, debe responder a diferentes compuestos presentes en la muestra, alta estabilidad, alta confiabilidad y reproducibilidad, tiempos cortos de reacción y recuperación, robusta y durable, fácil calibración, de fácil procesamiento de los datos de salida y dimensiones pequeñas. Dados que estos sensores son diseñados para propósitos industriales, se requiere de una temperatura de trabajo mínima con bajo consumo de energía. 3 Métodos de Clasificación y Análisis. Un enfoque natural para una nariz electrónica es el acoplamiento de los sensores de gases con un método de reconocimiento de patrones inspirado de forma psicológica (Keller, 1999). Los métodos de reconocimiento de patrones pueden incluir el uso de métodos estadísticos convencionales, redes neuronales artificiales (ANN) así como una

4 combinación de ambos. La tabla siguiente (Tabla 1) muestra una lista de algunas narices electrónicas comerciales y sus algoritmos de reconocimiento de patrones implementados (Keller, 1999). Table 1. Listado de narices electrónicas comerciales y sus algoritmos de reconocimiento de patrones implementados ANN Artificial Neural Network, DC Discrete Clustering, PCA Principal Component Analysis, DFA Discriminant Factorial Analysis, CA Cluster Analysis, DA Discriminant Analysis, obtenida de (Keller, 1999). 3.1 Métodos estadísticos Muchas de las técnicas estadísticas son complementarias de las redes neuronales artificiales (ANN Artificial Neural Network) y a menudo se combinan con ellas para producir clasificadores y agrupamientos que resultan más robustos que los implementados con técnicas individuales. Los métodos estadísticos incluyen el análisis de componentes principales (PCA Principal Components Analysis), mínimos cuadrados parciales (PLS Partial Least Square), análisis discriminantes (DA Discriminant Analysis), análisis discriminante factorial (DFA Discriminant Factorial Analysis), y análisis de agrupamientos (CA Clusters Analysis) (Kubiak, 2003). PCA separa los datos en combinaciones lineales de vectores ortogonales basados en los ejes que maximizan la varianza. Para reducir la cantidad de datos, sólo los ejes con varianzas grandes se conservan en la representación (Kubiak, 2003). DFA es una técnica múlti-variada que determina un conjunto de variables que mejor discriminan un grupo de objetos de otros (Keller, 1999). 3.2 Redes neuronales artificiales. Cuando una red neuronal artificial se combina con una matriz de sensores, el número de compuestos químicos detectables es generalmente mayor que el detectado por un único tipo de sensor. Por lo que se pueden utilizar sensores menos selectivos, que generalmente son más económicos. Una vez que la ANN se ha entrenado para

5 reconocer un olor o compuesto específico, la operación consiste en propagar los datos recolectados a través de la red. Dado que esto es una simple multiplicación de una matriz de vectores, se pueden analizar olores de manera cualitativa (Keller, 1999). Tanto las redes neuronales artificiales como las técnicas estadísticas pueden clasificarse en supervisadas y no supervisadas. Una técnica supervisada involucra entrenar un clasificador de patrón para relacionar los valores detectados a etiquetas de olores específicos. El clasificador aprende la relación entre el valor detectado y la etiqueta del olor dada. Los algoritmos supervisados utilizados en narices electrónicas incluyen backpropagation trained, entrenamiento de propagación hacia atrás, feed forward networks, redes alimentadas hacia adelante, cuantificadores de vectores de aprendizaje y ARTmaps difusos (Keller, 1999). Los algoritmos no supervisados no requieren de clases de olores predeterminadas como entrenamiento. Estos algoritmos desarrollan agrupamientos de datos dentro de grupos similares basados en los atributos medidos o características que sirven como entradas para los algoritmos. Las redes neuronales no supervisadas y utilizadas en narices electrónicas incluyen mapas auto organizados (SOMs Self Organized Maps) y la teoría de resonancia adaptativa en redes. Los mapas auto organizados SOM se pueden diseñar como una forma de proyectar múltiples dimensiones, (comúnmente cada dimensión representa una salida diferente del sensor o una característica extraída del arreglo de sensores), hacia una salida de dos dimensiones permitiendo al usuario visualizar los grupos y las relaciones de los olores o compuestos químicos volátiles (Kubiak, 2003). Fig. 2. Mapa auto organizado de olores representando sus relaciones topológicas, extraído de (Kubiak, 2003).

6 4 Conclusiones Las primeras generaciones de narices electrónicas comerciales ya se encuentran en el mercado e incluyen sistemas de al menos 15 fabricantes, los cuales se mencionan algunos en la Tabla 1. Estos sistemas son de uso comercial para una amplia variedad de aplicaciones de olor y compuestos volátiles. Para la implementación del sistema automatizado para la detección de materia orgánica, se llevarán a cabo pruebas con tres productos de distintas selectividades para evaluar la efectividad del sistema de procesamiento tipo red neuronal, tomando en cuenta las características deseables mencionadas en la sección 2. Para lograr el éxito en la implementación de una nariz electrónica capaz de detectar materia orgánica en los desechos de basura, se empleará un detector de gases con un arreglo de sensores que mejor responda en las pruebas con diversos componentes y el sistema de clasificación implementado. Se implementará una red neuronal artificial debido a la gran cantidad de componentes volátiles presentes en los desechos de basura y será no supervisada ya que se requiere discriminar entre diferentes componentes contenidos en desechos de basura, gases emitidos incluso por residuos inorgánicos, requiriendo de autonomía en el proceso para lo cual se utilizarán mapas auto organizados dada la gran variedad de gases presentes en los desechos de basura. Referencias 1. Gomez, A., Hu, G., Wang, J., & Pereira, A. (2006). Evaluation of tomato maturity by electronic nose. Computers and Electronics in Agriculture, 54(1), doi: /j.compag Keller, P. E. Electronic noses and their applications., IEEE Technical Applications Conference and Workshops Northcon95 Conference Record (1995). doi: /northc Keller, P. E. Overview of electronic nose algorithms., 1 IJCNN99 International Joint Conference on Neural Networks Proceedings Cat No99CH vol.1 (1999). doi: /ijcnn Kubiak, A. (2003). Artificial nose and its application to food evaluation. ProblemyInzynieriiRolniczej, 11(2), Tsai, W.-T. (2008). Management considerations and environmental benefit analysis for turning food garbage into agricultural resources. Bioresource Technology, 99(13), Retrieved from 3/2/c74774de3de6f0db3096c c47 6. Wilson, A. D., & Baietto, M. (2009). Applications and Advances in Electronic- Nose Technologies. Sensors (Peterboroug, 9(7), doi: /s