XIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017

Transcrição

1 XIII Simpósio Brasieiro de Automação Inteigente Porto Aegre RS, 1 o 4 de Outubro de 2017 DISPOSITIVO SENSORIAL OLFATIVO ASSOCIADO À REDE NEURAL ARTIFICIAL PARA IDENTIFICAÇÃO DE CONTAMINANTES NO LEITE FRANCIELE L. SILVA 1, JOMAR S. VASCONCELOS 1, ANTÔNIO C. S. VASCONCELOS Laboratório de Sistemas Embarcados, Departamento de Eetroeetrônica, IFMA Avenida Getúio Vargas, N 4, Monte Casteo, São Luís, MA, BRASIL E-mais: arissafrancieyima@gmai.com, jomar@ifma.edu.br, acarsv@ifma.edu.br Abstract This paper presents the performance of an ofactory sensory device in the identification of contaminants in mi, this aduteration usuay incudes chemicas such as formadehyde, sodium hydroxide and urea. The device, nown as e-nose or eectronic nose, is an embedded system composed of an array of non-seective chemica sensors associated with an artificia neura networ for the recognition of aromatic profies. Sampes were coected from five commercia brands of UHT (Utra High Temperature) mi and subjected to the addition of different concentrations of contaminants- urea, sodium hydroxide and formadehyde - in tota 40 sampes were anayzed and from them more than 160 sampes were created by resamping bootstrap. For the recognition and cassification of each contaminant a neura networ Mutiayer Perceptron showed satisfactory performance recognizing a contaminants from the set of test sampes, 97,1% of sampes used for training were correcty cassified as 95,7% of vaidation sampes, for the adjustment of networ parameters was used the sequentia simpex optimization method. The differentia of this device compared to other physico-chemica anaysis methods incude ow cost, rea-time response, portabiity and simpe interface. Keywords eectronic nose, discrimination of mi, artificia neura networs, MOS sensors. Resumo Este trabaho demonstra o desempenho de um dispositivo sensoria ofativo na identificação de contaminantes no eite. Ta aduteração geramente incui produtos químicos como formadeído, hidróxido de sódio e ureia. O dispositivo, mais conhecido como e-nose ou nariz eetrônico, é um sistema embarcado composto por uma matriz de sensores químicos não seetivos, associada a uma rede neura artificia para o reconhecimento de perfis aromáticos. Amostras foram recohidas de cinco marcas comerciais de eite UHT (Utra High Temperature) e submetidas à adição de diferentes concentrações de contaminantes - ureia, hidróxido de sódio e formadeído-, ao todo 40 amostras foram anaisadas e a partir deas mais 160 amostras foram criadas por reamostragem bootstrap. Para o reconhecimento e cassificação de cada aduterante uma rede neura do tipo MLP (Mutiayer Perceptron) apresentou desempenho satisfatório reconhecendo todos os contaminantes do conjunto de teste, das amostras utiizadas para treinamento da rede 97,1% foram corretamente cassificadas bem como 95,7% das amostras de vaidação, para o ajuste dos parâmetros da rede foi empregado o método de otimização simpex sequencia. O diferencia deste dispositivo comparado a outros métodos de anáise físico-químicas incui seu baixo custo, resposta em tempo rea, portabiidade e interface simpes. Paavras-chave nariz eetrônico, discriminação do eite, redes neurais artificiais, sensores MOS. 1 Introdução O eite é um dos aimentos mais consumidos no mundo e um dos mais sujeitos a sofrer aduterações sejam pea adição de água ou até mesmo produtos químicos o que reduz o seu vaor nutriciona aém de representar um sério risco à saúde do consumidor. Tradicionamente a anáise do eite é reaizada por métodos aboratoriais anaíticos como a cromatografia gasosa associada à espectrometria de massas. Geramente essas técnicas são caras e demoradas. Dentre os fatores de quaidade do eite, o aroma é um dos mais importantes podendo dizer muito a respeito da integridade do produto. Uma ferramenta reativamente nova para monitorar a quaidade dos aimentos baseada apenas na percepção do cheiro é o nariz eetrônico ou e-nose que eva em consideração o caráter goba do cheiro ta como ocorre com o sistema ofativo humano (Marsii, 1995). Um nariz eetrônico é geramente composto por um sistema de sensores químicos e um sistema eetrônico associado a técnicas de inteigência artificia para o reconhecimento de padrões (Pioggia, 2007). Usando um conjunto de diversos sensores que respondem á diversos compostos, podem ser identificados vapores, gases e misturas de gases. Dentre os ISSN tipos de sensores a serem empregados em narizes eetrônicos os sensores do tipo MOS (Meta Oxide Semiconductor) demonstram boa sensibiidade aos vapores orgânicos (ppm ou mesmo ppb) para uma grande abrangência de compostos químicos (Marsii, 1995). As respostas dos diferentes sensores podem ser decompostas de modo a permitir a identificação e quantificação dos diferentes compostos químicos presentes na amostra usando um software para anáise a partir dos padrões registrados ou uma rede neura artificia (Oueette, 1999). Dentre as principais vantagens das redes neurais artificiais comparadas a metodoogias estatísticas consagradas como, por exempo, a anáise de componentes principais (ACP) a princípio ampamente empregada na discriminação de perfis aromáticos em narizes eetrônicos (Hair et a, 2005), está na possibiidade de reaizar o mapeamento de reações compexas e não-ineares entre mútipas variáveis de entrada e saída. A construção das regras de cassificação baseadas apenas nos dados disponíveis, sem a imposição de um modeo a priori é outro atrativo da técnica (Sabani,2008). A rede neura do tipo perceptron de mútipas camadas têm sido ampamente utiizada na cassifi-

2 XIII Simpósio Brasieiro de Automação Inteigente Porto Aegre RS, 1 o 4 de Outubro de 2017 cação de padrões em conjunto com o nariz eetrônico (Deisingh et a, 2004). Seu treinamento é reaizado de forma supervisionada através do consagrado agoritmo de retropropagação de erro, o qua é baseado na regra de aprendizagem por correção de erro (Hayin,2001). O desempenho da rede está intrinsicamente reacionado à sua arquitetura e à escoha dos parâmetros de treinamento. Dependendo da escoha a aprendizagem pode ficar presa em um mínimo oca ou convergir entamente (Linder and Pöpp, 2003). Para sistemas que trabaham em tempo rea é importante reduzir o tamanho da amostra de treinamento pea retirada de dados redundantes, para aumentar a veocidade de processamento (Hammond et a., 2004). Narizes eetrônicos têm sido bastante apicados na indústria de aticínios para cassificação e reconhecimento do prazo de vaidade do eite (Capone et a., 2000), de eite UHT e eite pasteurizado (Capone et a., 2001), off-favors no eite (Marsii, 1999), origem geográfica de produtos ácteos (Coier et a., 2003), cutura de bactérias no eite (Magan et a., 2001), triagem de aroma - bactérias produtoras de ácido ácteo (Mariey et a., 2004), avaiação da quaidade (O riordan and Deahunty, 2003), e reconhecimento de diferentes tipos de eite (Brudzewsi et a., 2004). Entretanto, ainda não há reatos da apicação do nariz eetrônico para o reconhecimento de substâncias químicas aduterantes no eite. O presente trabaho teve como objetivo o desenvovimento de um nariz eetrônico portáti capaz de reconhecer diferentes substâncias aduterantes no eite sendo as principais: ureia, hidróxido de sódio e formadeído. O dispositivo é composto por uma matriz de sensores MOS, um sistema microcontroado para o processamento de sinais e uma rede neura do tipo Mutiayer Perceptron para reconhecimento dos perfis aromáticos de cada contaminante. MQ138 MQ137 Formadeído, benzeno, Toueno, Ácoo, Acetona, Propano, gás hidrogênio Amônia Para embarcação do agoritmo de controe foi escohido a paca de desenvovimento Arduino UNO baseada no microcontroador ATMega 328P de arquitetura AVR cuja função é fazer a aquisição do sina gerado pea matriz sensoria e caibrar cada sensor quando necessário. Para o desenvovimento da rede neura foi utiizado o software Matab devido à sua diversidade de ferramentas, por apresentar uma inguagem de programação simpes e ato desempenho. A comunicação seria permite a aquisição de todos os dados fornecidos peo Arduino e posteriormente sua manipuação. Uma câmara de amostragem (Fig. 1) foi projetada de modo a acopar a matriz sensoria e permitir a entrada, permanência e saída dos gases de interesse. Na base da câmara foi acopado um aquecedor cujo controe é feito peo controador de temperatura microprocessado TCM58 com tecnoogia baseada em microcontroador RISC de ato desempenho caibrado para manter o aquecedor à temperatura constante de 200 C a fim de faciitar a iberação dos VOCs presentes no eite e proporcionar rapidez na aquisição das medidas. 2.1 Nariz Eetrônico 2 Métodos Para a construção da matriz sensoria foram utiizados três sensores do tipo MOS (Meta Oxide Semiconductor), tais sensores mostraram-se ideais devido ao seu baixo custo, ata sensitividade e principamente por atender à proposta de um e-nose, sendo individuamente não seetivos, isso significa que um mesmo sensor é capaz de responder a uma ampa gama de VOCs (Voatie Organic Compounds). A tabea a seguir apresenta a especificidade dos sensores utiizados. Sensor MQ3 Tabea 1. Especificidade dos sensores MOS. Especificidade Ácoo, etano e fumaça 2178 Figura 1. Câmara de amostragem 2.2 Preparação das amostras Foram anaisadas cinco marcas comerciais de eite UHT sendo todas as amostras recohidas de otes diferentes. Como substâncias aduterantes foram utiizadas formadeído, uréia e hidróxido de sódio por serem apontadas como as principais substâncias utiizadas para aduterar o eite. Uma micropipeta de ata precisão da Digipet e uma baança química da Be Enginnering foram utiizadas, permitindo mensurar quantidades muito pequenas de cada contaminante. Cada amostra contendo 10 m de eite UHT com uma quantidade específica de um determi-

3 XIII Simpósio Brasieiro de Automação Inteigente Porto Aegre RS, 1 o 4 de Outubro de 2017 nado contaminante era acondicionada cerca de 10 minutos a temperatura ambiente, em seguida evada a câmara de amostragem onde permaneceu durante 2 minutos e meio à temperatura de 200 C. Para um mesmo ote, quatro medidas (eite puro - eite com ureia - eite com formo - eite com hidróxido de sódio) eram reaizadas por dia, resutando num banco de dados ampo e diversificado para cassificação posterior. 2.3 Normaização e reamostragem bootstrap Quando submetidos aos VOCs presentes no eite os sensores MOS tiveram sua condutividade aterada resutando numa curva característica, a área sob cada curva foi então numericamente integrada resutando num vetor de entrada com três vaores para cada amostra. Antes de serem submetidos à rede neura, os vetores de entrada foram normaizados por Min-max de modo que todas as variáveis de entrada apresentassem a mesma ordem de grandeza evitando assim que a rede neura atribuísse maior importância à determinada variáve devido apenas à sua magnitude (Bishop, 1995). O primeiro banco de dados era composto por 40 amostras, quantidade pequena para ser dividida em um conjunto de teste e outro de treinamento. A reamostragem bootstrap permitiu a obtenção de novos vetores de entrada mediante a geração de dados aeatórios com mesma média e desvio padrão que os originais, ao todo foram criadas mais 160 amostras, isso faciitou o treinamento da rede neura sem a necessidade de reaizar novas medidas. No gera, 70% das amostras foram utiizadas para treinamento, 15% para vaidação e 15% para teste. 2.4 Mutiayer Perceptron (MLP) Utiizando o Neura Networ Toobox, ferramenta disponíve no software Matab uma rede neura do tipo Mutiayer Perceptron foi eaborada. O modeo de um neurônio para esse tipo de rede é dado na Fig. 2. Y1 Y2 Ym W1 W2 Wm Figura 2. Modeo de um neurônio numa rede MLP O somatório reaizado em cada neurônio de uma rede de L camadas é chamado de campo oca induzido (1), posteriormente ee é apicado em uma função de ativação não inear (2) que produzirá a saída do neurônio (Hayin, 2001). Σ φ(.) Y j m m m ( ) onde e onde e (1) (2) Para m, m - e é denominado bias, sua função é aumentar ou diminuir a entrada íquida da função de ativação. A função de ativação aqui empregada foi a sigmóide ogística (3). ( ) e e (3) A incinação da função ogística é um dos parâmetros da rede a ser otimizado. Para o treinamento da rede foi empregado o agoritmo de retropropagação onde os pesos são ajustados de acordo com a saída apresentada pea rede. A cada interação a resposta da rede é subtraída da resposta desejada gerando um sina de erro que é retropropagado através das conexões sinápticas ajustando os pesos (4). m (n ) m (n) m (n- ) m j n Sendo: e ( ) ( { ( ) m m m(n) ( m j e d o - m (5) (6) I - Para o neurônio da camada de saída. II - Para o neurônio da camada. m (4) O termo (n ) é o novo peso sináptico apicado na interação posterior e m (n- ) é a correção dos pesos reaizada na interação anterior, é a constante de momento e é a taxa de aprendizagem. O gradiente oca de cada neurônio é dado por, o sina de erro e é igua à resposta desejada d menos à produzida pea rede o. O processo de aprendizado se repete por várias épocas até os pesos sinápticos e bias se tornarem aproximadamente constantes e o erro quadrático médio (7) convergir para um vaor mínimo. 2179

4 XIII Simpósio Brasieiro de Automação Inteigente Porto Aegre RS, 1 o 4 de Outubro de 2017 Q e (n) n (7) Na equação acima N é o tamanho do conjunto de treinamento e C o número de neurônios na camada de saída. A fim de maximizar a porcentagem de cassificação correta e consequentemente minimizar o erro quadrático médio o método simpex sequencia foi apicado na otimização dos seguintes parâmetros: incinação da função de ativação, taxa de aprendizagem, constante de momento e a quantidade de neurônios na camada intermediária. Figura 5. Resposta dos sensores a 10 m de eite puro com 0,060g de hidróxido de sódio 3 Resutados e Discussões Nos sensores MOS a detecção de uma determinada substância ocorre quando reações de catáise ocorrem na superfície do sensor aterando sua resistência de maneira inversamente proporciona à concentração do anaito. As figuras a seguir mostram a resposta da matriz sensoria a quatro amostras (eite puro, eite com ureia, eite com hidróxido de sódio e eite com formadeído) a 200 C. Figura 3. Resposta dos sensores a 10 m de eite puro Figura 4. Resposta dos sensores a 10 m de eite puro com 0,064g de ureia 2180 Figura 6. Resposta dos sensores a 10 m de eite puro com 0,05m de formadeído Foi constatado que todos os sensores apresentaram rápida adsorção e dessorção cinética variando sua condutância em até 50% em dois minutos e meio. Para todas as medidas reaizadas observou-se que um mesmo sensor responde de forma distinta a amostras diferentes e que para medidas reaizadas num mesmo ambiente sem variações consideráveis de temperatura e umidade a variação de condutividade pra cada amostra manteve-se constante demostrando que os sensores apresentam boa repetitividade. Em reação à otimização dos parâmetros da rede neura apicando a metodoogia simpex sequencia o mehor desempenho de cassificação com menor erro quadrático médio foi obtido com taxa de aprendizagem igua a 0,93, constante de momento igua a 0,6 e incinação da função de ativação igua à unidade. A arquitetura da rede foi definida de acordo com a dimensão dos vetores de entrada e a quantidade de casses de saída, sendo utiizado, portanto 3 neurônios na camada de entrada e 4 neurônios na camada de saída, a quantidade suficiente de neurônios na camada intermediária ficou definida entre 3 a 5 neurônios. Observou-se que o uso de mais de 5 neurônios na camada intermediária apesar de resutar em um erro quadrático médio menor para o conjunto de treinamento a capacidade de generaização da rede para novos vetores de entrada era reduzida, esse comportamento é conhecido como overtrainig. O modo sequencia de treinamento mostrou-se mais adequado ao probema em questão em reação ao modo bateada, pois uma vez que a apresentação dos padrões à rede é reaizada de modo aeatório o espaço de busca dos pesos sinápticos é feito de modo mais ampo, aém disso, esse modo foi capaz de

5 XIII Simpósio Brasieiro de Automação Inteigente Porto Aegre RS, 1 o 4 de Outubro de 2017 contornar padrões redundantes no banco de dados, tudo isso reduziu a possibiidade do agoritmo de treinamento ficar preso em um mínimo oca. A apicação dos parâmetros otimizados e o modo sequencia de treinamento permitiu uma cassificação correta de 100% do conjunto de teste, para as amostras de vaidação a porcentagem de cassificação correta situou-se em torno de 95,7% e para o conjunto de treinamento essa taxa chegou a 97,1% em média. Estas e outras variáveis de desempenho como o erro quadrático médio e número de épocas de treinamento são mostrados na tabea 2. Tabea 2. Desempenho da rede neura. Erro quadrático médio 0,0021 0,0007 Número de épocas Cassificação correta das amostras de vaidação Cassificação correta das amostras de treinamento Cassificação correta das amostras de teste 95,7% 1,3% 97,1% 0,7% 100% Estes resutados só foram possíveis peo emprego da otimização simpex sequencia dos parâmetros, a apicação do booststrap na geração de um ampo e diversificado conjunto de treinamento e pea normaização adequada dos vetores de entrada. Um ponto atamente positivo da incorporação da rede neura ao nariz eetrônico é que esta permitiu amenizar o efeito de sinais ruidosos e interferências aos quais estão sujeitas as medidas eétricas peo fato de possibiitar a incusão prévia de informações ao ongo do seu desenvovimento simpificando o projeto e aumentando a veocidade de resposta. 4 Concusão A incorporação da rede neura Mutiayer Perceptron ao nariz eetrônico resutou na eaboração de uma ferramenta reativamente nova e extremamente eficaz que muito auxiiará no controe da quaidade do eite. Sua portabiidade permite o acompanhamento de todo o cico produtivo do eite reduzindo substanciamente os índices de fraudes do produto; seu baixo custo, faciidade de operação e a não utiização de reagentes químicos não exige mão de obra especiaizada nem a necessidade de confinamento em aboratórios; tudo isso atreado à possibiidade de resposta em tempo rea torna este dispositivo competitivo com técnicas consagradas de anáises físicoquímicas. Agradecimentos Ao IFMA e ao CNPq peo financiamento da pesquisa, possibiitando sua reaização Referências Bibiográficas Bishop, C. M. (1995). Neura Networs For Pattern Recognition. 1 ed. Birmingham: Carendom Press. Oxford; 482p. Brudzewsi, K.; Osowsi, S. and Mariewicz, T. (2004). Cassification of Mi by Means of an Eectronic Nose and SVM Neura Networ. Sensors and Actuators B: Chemica, Vo. 98, No. 2-3; pp Capone, S.; Siciiano, P.; Quaranta, F.; Rea, R.; Epifani, M. and Vasanei, L. (2000). Anaysis of Vapours and Foods by Means of an Eectronic nose Based on a So ge Meta Oxide Sensors Array. Sensors and Actuators B: Chemica, Vo. 69, No. 3; pp Capone, S.; Epifani, M.; Quaranta, F.; Siciiano, P.; Taurino, A. and Vasanei, L. (2001). Monitoring of Rancidity of Mi by Means of an Eectronic Nose and a Dynamic PCA Anaysis. Sensors and Actuators B: Chemica, Vo. 78, No. 1; pp Coier, W. A.; Baird, D.B; Par-Ng, Z.A; More, N. and Hart, A. L (2003). Discrimination Among Mis And Cutured Dairy Products Using Screen-printed Eectrochemica Arrays and an Eectronic Nose. Sensors and Actuators B: Chemica, Vo. 92, No. 1 2; pp Deisingh, A. K.; Stone, D. C. and Thompson, M. (2004). Appications of Eectronic Noses and Tongues in Food Anaysis, Vo. 39, No. 6; pp Hair Jr., J. F; Bac, W. C; Babin, B. J; Anderson, R. E. and Tatham, R. L. (2005). Anáise Mutivariada de Dados. 5 ed. Porto Aegre: Booman; pp Hammond, M. H.; Riede, C. J; Rose-Pehrsson, S. L. and Wiiams, F. W. (2004). Training Set Optimization Methods for a Probabiistic Neura Networ. Chemometrics and Inteigent Laboratory Systems, Vo. 71, No. 1; pp Hayin, S. (2001). Redes Neurais: Princípios e Práticas. 2 ed. Porto Aegre: Booman; 900p. Linder, R. and Pöpp, S. J. (2003). A Neura Networ Approach Cassifies Ofactory Signa With High Accuracy. Food Quaity and Preference, Vo. 14, No.5-6 ; pp Magan, N.; Pavou, A. and Chrysanthais, I. (2001). Mi-sense: A Voatie Sensing System Recognises Spoiage Bacteria and Yeasts in Mi Sensors and Actuators B: Chemica, Vo. 72, No. 1; pp Mariey, L.; Ampuero, S.; Zesiger, T. and Casey, M. G. (2004). Screening of Aroma-producing Lactic Acid Bacteria With an Eectronic Nose. Internationa Dairy Journa, Vo. 14, No.10; pp Marsii, R. (1995). The Eectronic Nose. Disponíve em: 695QA.htm. [Acesso em 20 Jun. 2016]. Marsii, R. T. (1999). SPME-MS-MVA As an Eectronic Nose For the Study Off-favours in Mi,

6 XIII Simpósio Brasieiro de Automação Inteigente Porto Aegre RS, 1 o 4 de Outubro de 2017 J. Agric. Food Chem., Vo. 47, No.2; pp O riordan P.J. and Deahunty, C.M. (2003). Characterisation of Commercia Cheddar Cheese Favour. 2: Study of Cheddar Discrimination by Composition, Voatie Compounds and Descriptive Favour Assessment. Int Dairy J, Vo. 13, No. 5; pp Oueette, J. (1999). Eectronic Noses Sniff Out New Marets. The Industria Physicist, Vo. 5, No. 1; pp Pioggia, G. (2007). The Eectronic Nose. Disponíve em: cnose/eectronicnose.htm. [Acesso em 18 Jun. 2016]. Sabani, S. S. (2008). Status of Observationa Modes Used in Design and Contro of Products and Processes. Comprehensive Reviews in Food Science and Food Safety, Vo. 7, No. 1; pp Yu, H; Wang, J. and Xu, Y. (2007). Identification of Aduterated Mi Using Eectronic Nose. Sensors and Materias, Vo.19, No. 5; pp