นำเสนอรายการกลิ่นให้กับการพัฒนา AI

AI ใหม่สอนให้เครื่องจักรรู้กลิ่นโดยการเชื่อมโยงกลิ่นกับภาพ ทำให้โมเดลสามารถจับคู่กลิ่นกับวัตถุ สิ่งแวดล้อม

ชุดข้อมูล และวัสดุได้ อาจเป็นเพราะเครื่องจักรที่มีการปล่อยกลิ่นมี ประวัติที่ซับซ้อน การรู้กลิ่นจึงเป็นความรู้สึกที่ถูกละเลยในงานวิจัย AI ซึ่งไม่ได้ใช้ในการผลิตอีกต่อไป ยกเว้นในกรณีที่คุณต้องการผลิตสิ่งที่มีกลิ่นเหมือน กลิ่นในภาพยนตร์ ซึ่งมีประวัติยาวนานกว่าหนึ่งศตวรรษ การใช้งานที่ดูเหมือนจะไม่สำคัญเมื่อเทียบกับการใช้ข้อมูลภาพ เสียง และวิดีโอ และโมเดล AIที่ได้รับการฝึกฝนจากข้อมูลเหล่านั้น ในความเป็นจริง การทำให้การตรวจจับของ สุนัขที่สามารถตรวจจับระเบิดสุนัขที่สามารถตรวจจับศพ สุนัขที่สามารถตรวจจับโรค และสุนัขที่สามารถตรวจจับอื่นๆ จะเป็นประโยชน์ที่สำคัญในบริการของเทศบาลและความปลอดภัย แม้ว่าจะมีความต้องการสูง แต่ การฝึกและบำรุงรักษาสุนัขที่สามารถตรวจจับ เป็นธุรกิจที่มีค่าใช้จ่ายสูง ซึ่งไม่คุ้มค่าเสมอไป

นำหน้าด้วยจมูก

การวิจัยใหม่จากทีมนักวิจัยในสหรัฐอเมริกาได้ทำการเก็บข้อมูลกลิ่นในพื้นที่ในร่มและนอกอาคารในนิวยอร์กซิตี้ และได้ทำการเก็บภาพที่เกี่ยวข้องกับกลิ่นที่ถูกจับได้ สังเกตจมูกของอุปกรณ์กลิ่น ที่สามารถเดาได้ว่าเป็นหินแกรนิต พลาสติก

หรือหนัง และสามารถระบุห้องที่อยู่ได้โดยไม่ต้องเห็นภาพ แหล่งที่มา การวิจัยนี้ได้นำไปสู่การสร้างชุดข้อมูลใหม่ที่เรียกว่า

(COIP) ซึ่งเชื่อมโยงกลิ่นกับภาพContrastive Olfaction-Image

Pretraining ด้านบน: วิดีโอและข้อมูลกลิ่นที่ถูกจับได้ในพื้นที่ธรรมชาติ โดยใช้เครื่องมือที่มีกล้องและจมูก ด้านล่างซ้าย (b): การเรียนรู้การเชื่อมโยงระหว่างกลิ่นและภาพ

และวัสดุด้านล่างขวา (c): ระบบสามารถค้นหาภาพที่เกี่ยวข้องกับกลิ่นได้ ด้านล่างขวา (d): การใช้กลิ่นเพื่อจำแนกประเภทของสิ่งแวดล้อม วัตถุ

ด้านล่างขวา (e): การแยกแยะกลิ่นที่คล้ายกัน เช่น

กลิ่นของหญ้าสองชนิด โดยไม่ต้องใช้ภาพ

ชุดข้อมูลใหม่นี้มี 7,000

แหล่งที่มา คู่ของกลิ่นและภาพที่เกี่ยวข้องกัน นว่าสามารถทำงานไดและได้แสดงให้เห็ ้ดีกว่าชุดข้อมูลอื่นๆที่มีอยู่

วิธีการ

ในการเก็บข้อมูลสำหรับชุดข้อมูลใหม่นี้ ทีมวิจัยได้ใช้เครื่องมือ

Cyranose 320 ที่มีกล้อง iPhone ติดอยู่ด้านบนเพื่อจับภาพสิ่งที่กลิ่นถูกจับได้

เครื่องมือที่มีกล้องและจมูกที่สามารถจับภาพและกลิ่นได้ เครื่องมือ Cyranose ทำงานที่ 2Hz โดยจับข้อมูลกลิ่น 32 มิติ และใช้ MiniPID2 PPM

WR เพื่อจับข้อมูล VOC

ข้อมูลและการทดสอบ

ในการพัฒนาแบบจำ ล องที ่ สาม

ารถเชื่อมโยงกลิ

่นและภ าพได้ ทีมวิจัยได้ใช้ แบบจำลองที่มีการเรียนรู้แบบขัดแย้ง เพื่อเชื่อมโยงกลิ่นแ ละ ภาพที่เกี่ยว ข ้อง กั น ข้อมูลถูกเก็บจาก 60 เซสชั่นในระยะเวลา 2 เดือน โดยครอบคลุมพื้ น ที่ต่างๆ เช่น สวนสาธารณะ อาคารม ห าวิทยาลัย สำนักงาน ถนน ห้องสมุด อพ าร์ตเมนต์ และห้องอาหาร

การค้นหาข้ามโหมด

ในการทดสอบการค้ นหาข้ามโหมด ที ม ว ิ จั

ยได้ใช้ ค่าเฉลี่ยขอ

งอัน

ดับ อันดับกลาง และ กา

รเรียกกลับ

ที่หลายๆ ค่า ความแม่นยำในการค้นหาข้ามโหมดสำ

หรับเค

รื่องมือที่แต

กต่างกัน

การรู้จำฉาก วัตถุ และวัสดุ

ในการทดสอบการรู้จำฉาก วัตถุ และวัสดุ ทีมวิจัยได้ใช้

การเรียนรู้แบบขัดแย้ง เพื่อเชื่อมโยงกลิ่นและภาพที่เกี่ยวข้องกัน ผลลัพธ์แสดงให้เห็นว่าเครื่องมือที่ใช้ข้อมูลกลิ่นสามารถรู้จำฉาก

วัตถุ

และวัสดุได้ดีกว่าเครื่องมือที่ใช้ข้อมูลภาพ

การแยกแยะกลิ่นที่ละเอียด

ในการทดสอบการแยกแยะกลิ่นที่ละเอียด ที มวิ จัยได้ใช้ แบบจำลอง

เชิงเส้น เพื่อแยกแยะกลิ่นของหญ้าสองชนิด ผลลัพธ์แสดงให้เห็นว่าเครื่องมือที่ใช้ข้อมูลกลิ่นสามา

รถแย

กแยะกลิ่นของหญ้าสองชนิดไ

ด้ดีกว่าเครื่องมือที่ใช้ข้อมูลภาพ

สรุป

แม้ว่าการสร้างกลิ่นจะยังคงเป็นปัญหาที่ยังไม่ได้รับการแก้ไข แต่ระบบกา รวิเ คราะห์กลิ่นที่มีประสิทธิภาพและราคาไม่แพงจะมีศักยภาพที่จะนำไปใช้ในการตรวจจับและติดตามสิ่งแวดล้อม ในขณะนี้ อุปกรณ์ที่เกี่ยวข้องยังคงมีราคาแพงและไม่เหมาะสมสำหรับการใช้งานในวงกว้าง การพัฒน ครื่องมือที่มีประสิทธิภาพและรา

าเ คาไม่แพงจึงเป็นกุญแจสำคัญในการนำเทคโนโลยีนี้ไปใช้ในการตรวจจั

บและติดตามสิ่งแวดล้อม