利用变压器提升电子嗅探器的性能：实现危险气味的实时识别与食品新鲜度的检测

《JOURNAL OF FOOD SCIENCE》：Advancing Electronic Noses With Transformers: Real-Time Classification of Hazardous Odors and Food Freshness

实时检测气体泄漏和食品腐败的AI电子鼻系统研究。通过MQ传感器与Grove气体传感器结合Wio Terminal边缘计算，提出增强型时间序列Transformer模型，融合温度湿度多模态数据，在4040+4080样本集上实现99.3%气体检测和94.8%食品识别准确率，较传统模型提升7%-12%，并验证了Edge Impulse平台的实时低功耗特性。

　　

摘要

实时检测气体泄漏和食物变质是一个重大挑战，尤其是在人类嗅觉感知不可靠的环境中。本文介绍了一种名为“Artificial Sensing”的新型人工智能驱动电子鼻（E-nose）系统，该系统旨在准确分类气味并评估室内环境中的食物新鲜度。该系统结合了MQ系列传感器和Grove多通道气体传感器v2，并与Seeed Studio Wio终端集成，以实现边缘级处理。为了有效处理时间序列传感器数据的变异性和复杂性，我们提出了一种基于时间序列变换器（Time-Series Transformer）的模型，该模型通过多尺度自适应卷积（MAC）和多头自注意力机制增强了特征提取能力，从而能够在不同时间尺度上进行稳健的特征提取。此外，通过结合环境温度和湿度等多模态信息，进一步提高了模型的鲁棒性。我们收集了一个包含4040个气体泄漏样本和4080个食物变质样本（牛奶和鸡肉）的综合性数据集，这些样本是在不同条件下获取的。所提出的模型在气体泄漏检测方面的F1分数达到了99.3%，在食物变质分类方面的F1分数达到了94.8%，比传统的分类器（SVM、随机森林、ANN）和基线ViT模型高出7%–12%。该系统部署在Edge Impulse平台上，表现出实时的响应能力（延迟120毫秒）和低功耗特性。这些发现凸显了基于变换器的架构在边缘级环境监测和食品安全应用中的潜力。

利益冲突

作者声明没有利益冲突。