زاوية Anderson

إحضار حس الشم إلى تطوير الذكاء الاصطناعي

mm
أضف Unite.AI إلى مصادرك المفضلة على Google
An AI-generated image: a nasally-endowed robot smells a flower in NYC's central park. GPT-image-1 and Qwen Edit 5209.

يُعلِّم مجموعة بيانات جديدة للذكاء الاصطناعي الآلات على شم العطور من خلال ربط بيانات العطور بالصور، مما يسمح للنماذج بالتعرف على الروائح وتحديدها.

 

ربما بسبب تاريخ الآلات التي تُنتج الروائح المُزيف، فإن الحواس الخمسة في أبحاث الذكاء الاصطناعي مُهمل إلى حد ما. ما لم تكن تخطط لإنشاء مدخل آخر في سلسلة طويلة الأمد (أكثر من قرن حتى الآن) من قصص الروائح، فإن الحالات التي تُستخدم فيها الروائح دائمًا ما تبدو محددة في المقارنة بالاستخدام المحتمل لمجموعات بيانات الصور والصوت والفيديو والنماذج التي تُ훈َّ على هذه المجموعات.

في الواقع، فإن إمكانية تطبيق تقنيات الكشف عن الروائح التي تقدمها كلاب البومب وكلاب الجثث وكلاب الكشف على الأمراض وغيرها من أنواع وحدات الكشف الكلابية سيكون مفيدًا بشكل كبير في الخدمات البلدية والأمنية. على الرغم من الطلب العالي، فإن تدريب وحدات الكشف هذه مكلف للغاية ولا يُقدم دائمًا قيمة جيدة مقابل المال.

حتى الآن، كانت معظم الأبحاث التي تدخل هذا المجال مقتصرة على المختبر، مع مجموعات من الأمثلة التي تم إنشاؤها يدوياً – وهي ميول أكثر نحو حلول الصناعة المنزلية منها التطبيقات الصناعية.

متقدمًا بأنف

دخلت دراسة جديدة من الولايات المتحدة إلى هذا المناخ، حيث قام فريق من الباحثين بإنشاء مجموعة بيانات جديدة تحتوي على 7000 زوج من الروائح والصور.

تم جمع هذه البيانات باستخدام جهاز إلكتروني للشم يسمى Cyranose 320، والذي تم ربطه بجهاز آيفون لالتقاط الصور.

تم تدريب النموذج على هذه البيانات، وتم اختباره على مهام مختلفة، بما في ذلك التعرف على الروائح وتحديدها.

الطريقة

为了收集数据,研究人员使用了Cyranose 320电子鼻,附带一个iPhone相机来捕捉视觉数据。该设备可以记录32维的气味时间步长,并使用MiniPID2 PPM WR传感器来记录VOC浓度。

数据收集过程中,研究人员首先记录了基线气味,然后记录了目标气味。每个样本都记录了10秒钟,并从目标物体的不同位置记录了两个样本。

بيانات واختبارات

为了开发通用气味表示,研究人员训练了一个对比模型来关联同步的图像和气味对。该模型使用了对比语言图像预训练(CLIP)框架的损失函数来对齐视觉和气味信号的嵌入。

模型在两个类型的气味输入上进行了训练:原始原始信号和压缩的气味特征。结果表明,原始信号比压缩特征表现更好。

استرجاع عبر الوضعية

为了评估模型的性能,研究人员使用了平均排名、平均排名和召回率等指标来评估模型的性能。结果表明,模型能够很好地识别气味和图像之间的关联。

تعرف على المشهد والكائن والمادة

为了评估模型对气味的识别能力,研究人员训练了一个线性探测器来识别气味并将其与图像进行匹配。结果表明,模型能够很好地识别气味并将其与图像进行匹配。

تمييز دقيق

为了评估模型的性能,研究人员训练了一个线性分类器来区分两种类型的草。结果表明,模型能够很好地区分两种类型的草。

استنتاج

尽管 合成气味仍然是一个未解决的问题,但开发一种有效且经济ية的气味分析系统具有巨大的潜力,不仅可以用于警察、安全和医疗目的,还可以用于质量控制和城市监测。

当前,相关设备通常昂贵且专业,因此真正的进展可能需要一种具有灵活性和价格合理的传感器,类似于树莓派的精神。

首次发布于2025年11月28日

كاتب في التعلم الآلي، متخصص في مجال合成 الصور البشرية. سابقًا رئيس محتوى البحث في Metaphysic.ai، حتى انحلت في DNEG's Brahma.ai.
Portfolio site: martinanderson.ai
Contact: martin@martinanderson.ai