Col·laborar amb IA per fer que la sensibilitat sigui més intel·ligent

La maduració de les tecnologies d’intel·ligència artificial (IA) com l’aprenentatge automàtic i les xarxes neuronals artificials, combinada amb un augment dràstic de la potència de processament informàtic disponible, ha tingut un impacte significatiu en la indústria dels sensors. Aquest article explora alguns exemples recents d’IA que s’utilitza a la indústria dels sensors.

Crèdit d’imatge: Peshkova/Shutterstock.com

Detecció intel·ligent

Els sensors intel·ligents són dispositius de detecció amb potència computacional incorporada. Poden provar i validar els seus propis resultats de detecció, així com adaptar paràmetres i identificar nous objectius de detecció sense intervenció humana.

Els sistemes de sensors intel·ligents també poden executar sortides autodirigidas, sovint mitjançant altres dispositius connectats amb el sensor o sensors en una xarxa d’Internet de les coses (IoT). Per exemple, es pot utilitzar un dispositiu de detecció intel·ligent per controlar automàticament la temperatura de l’edifici, obrir finestres o encendre sistemes de calefacció a mesura que l’edifici canvia de temperatura de manera natural.

Els sensors intel·ligents requereixen un maquinari a mida per funcionar, conegut com a circuit de condicionament del senyal. Això supervisa el sensor i el controla, així com envia senyals de control de sortida a altres dispositius connectats.

Segons els informes, els dispositius de detecció intel·ligents són més precisos que els homòlegs tradicionals a causa de la seva capacitat d’autocalibració i autodiagnòstic de fallades en el sistema de sensors.

Aprenentatge automàtic i disseny invers per al desenvolupament de sensors

A més d’imbuir sensors i dispositius de detecció amb intel·ligència artificial, la indústria dels sensors també utilitza mètodes d’IA d’avantguarda per desenvolupar plataformes de detecció.

Un estudi d’enginyers de la Universitat de Califòrnia, Los Angeles (UCLA) mostra com es poden utilitzar els enfocaments de disseny invers i d’aprenentatge automàtic en el desenvolupament de sensors. L’article, publicat a intel·ligència de la màquina de la natura el 2021, argumenta que els dispositius de detecció es podrien redissenyar fonamentalment mitjançant aquests mètodes d’IA.

El disseny invers és un enfocament de disseny que s’ha popularitzat recentment tant en ciències naturals com en enginyeria. En un mètode de disseny invers, la configuració del resultat final es determina a partir de cerques dirigides, que es realitzen automàticament per ordinadors. Aquí, els ordinadors reben un problema d’optimització, en el qual se’ls indica que segueixin iterant noves versions del disseny fins que es compleixin determinats paràmetres establerts.

L’aprenentatge automàtic és un enfocament d’IA que indica als ordinadors que processin les dades de manera que aprenguin de les dades i que utilitzin aquest aprenentatge per determinar comportaments futurs, inclòs què més cercar al conjunt de dades.

L’estudi mostra com l’ús d’aquests mètodes d’IA per analitzar iterativament els resultats de la detecció pot donar lloc a sistemes de sensors de baix cost, compactes o més precisos. Els autors prediuen que aquests mètodes introduiran una nova generació d’implementacions de detecció orientades a l’aplicació, que poden ser molt poc intuïtives i úniques.

Incorporació de sensors amb IA

Els microcontroladors es troben en nombrosos dispositius electrònics avui en dia, inclosos sensors com monitors de pressió arterial i articles de fitness. Recentment, els investigadors de l’Institut Fraunhofer van desenvolupar un sistema d’IA específicament per a microcontroladors.

Actualment, hi ha diverses aplicacions de programari per a l’aprenentatge automàtic, però aquestes solen estar disponibles només per a ordinadors i es basen en el llenguatge de programació Python. Això vol dir que les xarxes neuronals, una forma d’IA que processa dades d’una manera en xarxa que és anàloga a la forma en què funcionen els cervells, no es poden processar dins dels microcontroladors.

Els investigadors de l’Institut Fraunhofer van superar aquest problema programant una biblioteca d’aprenentatge automàtic en el llenguatge de programació C i assegurant-se que funcionés amb microcontroladors. Tanmateix, la biblioteca és independent de la plataforma, de manera que també es pot executar amb Raspberry Pis i sistemes operatius populars.

L’equip va reduir el codi font al mínim necessari perquè la xarxa neuronal es pogués entrenar directament al propi sensor sense recórrer a connexions amb un processador informàtic més potent. La característica independent de la plataforma d’aquest codi també significa que les xarxes neuronals entrenades en un microcontrolador o dispositiu de detecció es poden portar fàcilment a un ordinador i viceversa.

Plataforma de biodetecció amb aprenentatge automàtic dins del sensor

Un altre exemple de dispositius de detecció que incrusten funcions d’IA en lloc de connectar-se a un ordinador més potent per a la IA es va proposar recentment el 2020. Electrònica de la natura article d’investigadors de la Universitat de Califòrnia (UC) Berkeley, la Universitat de Bolonya (Itàlia) i IBM Research Zurich (Suïssa).

Dispositius portàtils per controlar l’activitat muscular basats en electromiografia a la superfície de la pell utilitzant models d’aprenentatge automàtic per classificar els gestos, que són moviments del cos o de la mà que indiquen a una màquina què ha de fer. Tanmateix, els dispositius que poden processar informació localment no solen gestionar també la formació i l’actualització de l’enfocament d’aprenentatge automàtic que es va utilitzar. Això resulta en un rendiment de detecció subòptim en entorns de la vida real.

Els investigadors van desenvolupar un sistema de biodetecció d’electromiografia de superfície portàtil basat en una matriu d’elèctrodes que proporciona capacitat d’aprenentatge adaptatiu al propi sensor. Els seus resultats van mostrar una alta precisió (més del 90%) per al reconeixement de gestos.

Sensors de tensió amb aprenentatge automàtic

Enginyers de la Universitat Nacional de Singapur de Singapur i la Universitat de Tecnologia i Disseny de Singapur, la Universitat de Ciència i Tecnologia del Sud de la Xina i la Universitat de Tsinghua i la Universitat de Maryland dels Estats Units van publicar un article que exposa un enfocament d’aprenentatge automàtic per optimitzar els mètodes de fabricació dels sensors de tensió. Els sensors de tensió són importants per a la classe emergent de màquines toves.

L’equip va utilitzar un classificador de màquines de vectors de suport que van entrenar en centenars de composicions de nanomaterials diferents. Aquests van passar per una dotzena de bucles d’aprenentatge actius per fabricar 125 sensors de tensió.

El mètode va donar lloc a mètodes de fabricació millorats per a sensors de tensió, que l’equip va provar en aplicacions de màquines suaus de la vida real.

L’ús creixent de la IA a la indústria manufacturera: reptes i evolució posterior

Referències i lectura addicional

Ballard, Z. et al (2021). Aprenentatge automàtic i disseny de sensors intel·ligents habilitats per la computació. intel·ligència de la màquina de la natura. doi.org/10.1038/s42256-021-00360-9.

Smart-Sensor. [Online] Tecnopèdia. Disponible a: https://www.techopedia.com/definition/31462/intelligent-sensor

Aprenentatge automàtic per a sensors. (2019) [Online] Phys.org. Disponible a: https://phys.org/news/2019-06-machine-sensors.html

Moin, A. et al (2020). Un sistema de biodetecció portàtil amb aprenentatge automàtic adaptatiu al sensor per al reconeixement de gestos manuals. Electrònica de la natura. doi.org/10.1038/s41928-020-00510-8.

Morris, AS i R. Langari (2021). Sensors intel·ligents. Mesura i instrumentació. doi.org/10.1016/B978-0-12-817141-7.00011-6.

Yang, H. et al (2022). Disseny automàtic del sensor de tensió mitjançant aprenentatge actiu i augment de dades per a màquines suaus. intel·ligència de la màquina de la natura. doi.org/10.1038/s42256-021-00434-8.

Exempció de responsabilitat: les opinions expressades aquí són les de l’autor expressades a títol privat i no representen necessàriament les opinions d’AZoM.com Limited T/A AZoNetwork el propietari i operador d’aquest lloc web. Aquesta exempció de responsabilitat forma part dels Termes i condicions d’ús d’aquest lloc web.

.

Leave a Comment

Your email address will not be published. Required fields are marked *