นำเสนอรายการกลิ่นให้กับการพัฒนา AI

ชุดข้อมูล AI ใหม่สอนให้เครื่องจักรรู้กลิ่นโดยการเชื่อมโยงกลิ่นกับภาพ ทำให้โมเดลสามารถจับคู่กลิ่นกับวัตถุ สิ่งแวดล้อม และวัสดุได้

อาจเป็นเพราะเครื่องจักรที่มีการปล่อยกลิ่นมี ประวัติที่ซับซ้อน การรู้กลิ่นจึงเป็นความรู้สึกที่ถูกละเลยในงานวิจัย AI ซึ่งไม่ได้ใช้ในการผลิตอีกต่อไป ยกเว้นในกรณีที่คุณต้องการผลิตสิ่งที่มีกลิ่นเหมือน กลิ่นในภาพยนตร์ ซึ่งมีประวัติยาวนานกว่าหนึ่งศตวรรษ การใช้งานที่ดูเหมือนจะไม่สำคัญเมื่อเทียบกับการใช้ข้อมูลภาพ เสียง และวิดีโอ และโมเดล AI ที่ได้รับการฝึกฝนจากข้อมูลเหล่านั้น

ในความเป็นจริง การทำให้การตรวจจับของ สุนัขที่สามารถตรวจจับระเบิด สุนัขที่สามารถตรวจจับศพ สุนัขที่สามารถตรวจจับโรค และสุนัขที่สามารถตรวจจับอื่นๆ จะเป็นประโยชน์ที่สำคัญในบริการของเทศบาลและความปลอดภัย แม้ว่าจะมีความต้องการสูง แต่ การฝึกและบำรุงรักษาสุนัขที่สามารถตรวจจับ เป็นธุรกิจที่มีค่าใช้จ่ายสูง ซึ่งไม่คุ้มค่าเสมอไป

นำหน้าด้วยจมูก

การวิจัยใหม่จากทีมนักวิจัยในสหรัฐอเมริกาได้ทำการเก็บข้อมูลกลิ่นในพื้นที่ในร่มและนอกอาคารในนิวยอร์กซิตี้ และได้ทำการเก็บภาพที่เกี่ยวข้องกับกลิ่นที่ถูกจับได้

สังเกตจมูกของอุปกรณ์กลิ่น ที่สามารถเดาได้ว่าเป็นหินแกรนิต พลาสติก หรือหนัง และสามารถระบุห้องที่อยู่ได้โดยไม่ต้องเห็นภาพ แหล่งที่มา

การวิจัยนี้ได้นำไปสู่การสร้างชุดข้อมูลใหม่ที่เรียกว่า Contrastive Olfaction-Image Pretraining (COIP) ซึ่งเชื่อมโยงกลิ่นกับภาพ

ด้านบน: วิดีโอและข้อมูลกลิ่นที่ถูกจับได้ในพื้นที่ธรรมชาติ โดยใช้เครื่องมือที่มีกล้องและจมูก ด้านล่างซ้าย (b): การเรียนรู้การเชื่อมโยงระหว่างกลิ่นและภาพ ด้านล่างขวา (c): ระบบสามารถค้นหาภาพที่เกี่ยวข้องกับกลิ่นได้ ด้านล่างขวา (d): การใช้กลิ่นเพื่อจำแนกประเภทของสิ่งแวดล้อม วัตถุ และวัสดุ ด้านล่างขวา (e): การแยกแยะกลิ่นที่คล้ายกัน เช่น กลิ่นของหญ้าสองชนิด โดยไม่ต้องใช้ภาพ แหล่งที่มา

ชุดข้อมูลใหม่นี้มี 7,000 คู่ของกลิ่นและภาพที่เกี่ยวข้องกัน และได้แสดงให้เห็นว่าสามารถทำงานได้ดีกว่าชุดข้อมูลอื่นๆ ที่มีอยู่

วิธีการ

ในการเก็บข้อมูลสำหรับชุดข้อมูลใหม่นี้ ทีมวิจัยได้ใช้เครื่องมือ Cyranose 320 ที่มีกล้อง iPhone ติดอยู่ด้านบนเพื่อจับภาพสิ่งที่กลิ่นถูกจับได้

เครื่องมือที่มีกล้องและจมูกที่สามารถจับภาพและกลิ่นได้

เครื่องมือ Cyranose ทำงานที่ 2Hz โดยจับข้อมูลกลิ่น 32 มิติ และใช้ MiniPID2 PPM WR เพื่อจับข้อมูล VOC

ข้อมูลและการทดสอบ

ในการพัฒนาแบบจำลองที่สามารถเชื่อมโยงกลิ่นและภาพได้ ทีมวิจัยได้ใช้ แบบจำลองที่มีการเรียนรู้แบบขัดแย้ง เพื่อเชื่อมโยงกลิ่นและภาพที่เกี่ยวข้องกัน

ข้อมูลถูกเก็บจาก 60 เซสชั่นในระยะเวลา 2 เดือน โดยครอบคลุมพื้นที่ต่างๆ เช่น สวนสาธารณะ อาคารมหาวิทยาลัย สำนักงาน ถนน ห้องสมุด อพาร์ตเมนต์ และห้องอาหาร

การค้นหาข้ามโหมด

ในการทดสอบการค้นหาข้ามโหมด ทีมวิจัยได้ใช้ ค่าเฉลี่ยของอันดับ อันดับกลาง และ การเรียกกลับ ที่หลายๆ ค่า

ความแม่นยำในการค้นหาข้ามโหมดสำหรับเครื่องมือที่แตกต่างกัน

การรู้จำฉาก วัตถุ และวัสดุ

ในการทดสอบการรู้จำฉาก วัตถุ และวัสดุ ทีมวิจัยได้ใช้ การเรียนรู้แบบขัดแย้ง เพื่อเชื่อมโยงกลิ่นและภาพที่เกี่ยวข้องกัน

ผลลัพธ์แสดงให้เห็นว่าเครื่องมือที่ใช้ข้อมูลกลิ่นสามารถรู้จำฉาก วัตถุ และวัสดุได้ดีกว่าเครื่องมือที่ใช้ข้อมูลภาพ

การแยกแยะกลิ่นที่ละเอียด

ในการทดสอบการแยกแยะกลิ่นที่ละเอียด ทีมวิจัยได้ใช้ แบบจำลองเชิงเส้น เพื่อแยกแยะกลิ่นของหญ้าสองชนิด

ผลลัพธ์แสดงให้เห็นว่าเครื่องมือที่ใช้ข้อมูลกลิ่นสามารถแยกแยะกลิ่นของหญ้าสองชนิดได้ดีกว่าเครื่องมือที่ใช้ข้อมูลภาพ

สรุป

แม้ว่าการสร้างกลิ่นจะยังคงเป็นปัญหาที่ยังไม่ได้รับการแก้ไข แต่ระบบการวิเคราะห์กลิ่นที่มีประสิทธิภาพและราคาไม่แพงจะมีศักยภาพที่จะนำไปใช้ในการตรวจจับและติดตามสิ่งแวดล้อม

ในขณะนี้ อุปกรณ์ที่เกี่ยวข้องยังคงมีราคาแพงและไม่เหมาะสมสำหรับการใช้งานในวงกว้าง การพัฒนาเครื่องมือที่มีประสิทธิภาพและราคาไม่แพงจึงเป็นกุญแจสำคัญในการนำเทคโนโลยีนี้ไปใช้ในการตรวจจับและติดตามสิ่งแวดล้อม