Identificación de especies de maderas locales mediante el uso de nariz electrónica y aprendizaje automático: un experimento preliminar

Resumen

Introducción: La deforestación y extracción desordenada de madera ponen en peligro algunas especies maderables vulnerables. Estas especies prohibidas podrían detectarse durante su proceso de transporte si las entidades de vigilancia y control tuvieran los instrumentos de seguimiento adecuados. Si bien en trabajos anteriores se reportan métodos para identificar especies de madera, estos no son aplicables a sitios alejados de las principales ciudades Objetivo: En el presente trabajo se propone utilizar narices electrónicas (arreglos de sensores químicos) para identificar especies maderables, a partir de los compuestos volátiles que estas emanan. Metodología: La medición de aromas se realiza mediante el uso de una matriz de 16 sensores químicos, cuyas curvas son la entrada a un procedimiento de estimación de características. Luego, se realiza un análisis de componentes principales, para finalmente aplicar una estrategia de clasificación basada en máquinas de vectores de soporte. En contraste a trabajos previos, en el presente trabajo las condiciones de recolección de muestras son más cercanas a las encontradas en entornos reales para los cuales este trabajo busca resolver el problema. Además, el número de muestras es mayor y más variado. Sin embargo, el número de muestras recolectadas para cada especie no está balanceado; por lo tanto, se aplica una técnica de aumento de datos para compensar el desequilibrio en las clases. Resultados: Al realizar los experimentos se encuentra un desempeño de aproximadamente 80%. Conclusiones: A pesar de los resultados prometedores, se deben realizar mayores esfuerzos para obtener un mejor desempeño.  

 

Palabras clave: Identificación de Madera, Nariz Electrónica, Matriz de Sensores Químicos, Aplicaciones de Aprendizaje Automático, Clasificación de Vectores de Soporte (SVM), Aumento de datos

Referencias

E. A. Wheeler and P. Baas, “Wood identification-a review,” IAWA J., vol. 19, no. 3, pp. 241–264, 1998.

F. Hanssen, N. Wischnewski, U. Moreth, and E. A. Magel, “Molecular identification of Fitzroya cupressoides, Sequoia sempervirens, and Thuja plicata wood using taxon-specific rDNA-ITS primers,” IAWA J., vol. 32, no. 2, pp. 273–284, 2011, doi: 10.1163/22941932-90000057.

M. Yu, K. Liu, L. Zhou, L. Zhao, and S. Liu, “Testing three proposed DNA barcodes for the wood identification of Dalbergia odorifera T. Chen and Dalbergia tonkinensis Prain,” Holzforschung, vol. 70, no. 2, pp. 127–136, 2016, doi: 10.1515/hf-2014-0234.

E. C. Cabral et al., “Wood typification by Venturi easy ambient sonic spray ionization mass spectrometry: The case of the endangered Mahogany tree,” J. Mass Spectrom., vol. 47, no. 1, pp. 1–6, 2012.

R. Rana, G. Müller, A. Naumann, and A. Polle, “FTIR spectroscopy in combination with principal component analysis or cluster analysis as a tool to distinguish beech (Fagus sylvatica L.) trees grown at different sites,” Holzforschung, vol. 62, no. 5, pp. 530–538, 2008, doi: 10.1515/HF.2008.104.

A. Dickson, B. Nanayakkara, D. Sellier, D. Meason, L. Donaldson, and R. Brownlie, “Fluorescence imaging of cambial zones to study wood formation in Pinus radiata D. Don.,” Trees - Struct. Funct., vol. 31, no. 2, pp. 479–490, 2017, doi: 10.1007/s00468-016-1469-3.

J. M. Kalaw and F. B. Sevilla, “Discrimination of wood species based on a carbon nanotube/polymer composite chemiresistor array,” Holzforschung, vol. 72, no. 3, pp. 215–223, 2018, doi: 10.1515/hf-2017-0097.

R. Fedele, I. E. Galbally, N. Porter, and I. A. Weeks, “Biogenic VOC emissions from fresh leaf mulch and wood chips of Grevillea robusta (Australian Silky Oak),” Atmos. Environ., vol. 41, no. 38, pp. 8736–8746, 2007, doi: 10.1016/j.atmosenv.2007.07.037.

K. Müller et al., “Biogenic carbonyl compounds within and above a coniferous forest in Germany,” Atmos. Environ., vol. 40, pp. 81–91, 2006, doi: 10.1002/pros.22673.

H. J. I. Rinne, A. B. Guenther, J. P. Greenberg, and P. C. Harley, “Isoprene and monoterpene fluxes measured above Amazonian rainforest and their dependence on light and temperature,” Atmos. Environ., vol. 36, no. 14, pp. 2421–2426, 2002, doi: 10.1016/S1352-2310(01)00523-4.

A. D. Wilson, D. G. Lester, and C. S. Oberle, “Application of conductive polymer analysis for wood and woody plant identifications,” For. Ecol. Manage., vol. 209, no. 3, pp. 207–224, 2005, doi: 10.1016/j.foreco.2005.01.030.

H. Shi, M. Zhang, and B. Adhikari, “Advances of electronic nose and its application in fresh foods: A review,” Crit. Rev. Food Sci. Nutr., vol. 8398, pp. 1–11, 2017, doi: 10.1080/10408398.2017.1327419.

L. Capelli, S. Sironi, and R. Del Rosso, “Electronic Noses for Environmental Monitoring Applications,” Sensors, vol. 14, no. 11, pp. 19979–20007, 2014, doi: 10.3390/s141119979.

L. Guo, Z. Yang, and X. Dou, “Artificial Olfactory System for Trace Identification of Explosive Vapors Realized by Optoelectronic Schottky Sensing,” Adv. Mater., vol. 29, no. 5, pp. 1–8, 2017, doi: 10.1002/adma.201604528.

J. P. Santos and J. Lozano, “Real time detection of beer defects with a hand held electronic nose,” Proc. 2015 10th Spanish Conf. Electron Devices, CDE 2015, pp. 1–4, 2015, doi: 10.1109/CDE.2015.7087492.

J. R. Cordeiro, R. W. C. Li, É. S. Takahashi, G. P. Rehder, G. Ceccantini, and J. Gruber, “Wood identification by a portable low-cost polymer-based electronic nose,” RSC Adv., vol. 6, no. 111, pp. 109945–109949, 2016, doi: 10.1039/c6ra22246c.

A. D. Wilson, “Application of a Conductive Polymer Electronic-Nose Device to Identify Aged Woody Samples,” Third Int. Conf. Sens. Device Technol. Appl., pp. 77–82, 2012.

F. X. Garneau, B. Riedl, S. Hobbs, A. Pichette, and H. Gagnon, “The use of sensor array technology for rapid differentiation of the sapwood and heartwood of Eastern Canadian spruce, fir and pine,” Holz als Roh - und Werkst., vol. 62, no. 6, pp. 470–473, 2004, doi: 10.1007/s00107-004-0508-8.

L. F. Ruiz Jiménez, “Detección de los insectos de la subfamilia Triatominae basado en narices electrónicas,” 2018.

Figaro Engineering Inc., “Operating principle.” 2018, [Online]. Available: https://www.figarosensor.com/technicalinfo/principle/mos-type.html.

J. Yan et al., “Electronic Nose Feature Extraction Methods: A Review,” Sensors, vol. 15, no. 11, pp. 27804–27831, 2015.

I. Rodriguez-Lujan, J. Fonollosa, A. Vergara, M. Homer, and R. Huerta, “On the calibration of sensor arrays for pattern recognition using the minimal number of experiments,” Chemom. Intell. Lab. Syst., vol. 130, pp. 123–134, 2014, doi: 10.1016/j.chemolab.2013.10.012.

L. Carmel, S. Levy, D. Lancet, and D. Harel, “A feature extraction method for chemical sensors in electronic noses,” Sens. Actuators B Chem., vol. 93, no. 1, pp. 67–76, 2003.

J. Van Hulse, T. M. Khoshgoftaar, and A. Napolitano, “Experimental perspectives on learning from imbalanced data,” in Proceedings of the 24th international conference on Machine learning, 2007, pp. 935–942.

D. A. Cieslak, N. V Chawla, and A. Striegel, “Combating imbalance in network intrusion datasets.,” in GrC, 2006, pp. 732–737.

L. Lusa and others, “Class prediction for high-dimensional class-imbalanced data,” BMC Bioinformatics, vol. 11, no. 1, p. 523, 2010.

N. V Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: synthetic minority over-sampling technique,” J. Artif. Intell. Res., vol. 16, pp. 321–357, 2002.

M. A. Akbar et al., “An Empirical Study for PCA and LDA-Based Feature Reduction for Gas Identification,” IEEE Sens. J., vol. 16, no. 14, pp. 5734–5746, 2016.

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016.

J. Friedman, T. Hastie, and R. Tibshirani, The elements of statistical learning, vol. 1. Springer series in statistics New York, 2001.

G. James, D. Witten, T. Hastie, and R. Tibshirani, An introduction to statistical learning, vol. 112. Springer, 2013.

Descargas

La descarga de datos todavía no está disponible.
Publicado
2021-02-05
Cómo citar
Mantilla Ramírez, N. A., Ruiz Jiménez, L. F., Ortega Boada, H., & Sepúlveda Sepúlveda, A. (2021). Identificación de especies de maderas locales mediante el uso de nariz electrónica y aprendizaje automático: un experimento preliminar. INGE CUC, 17(1). https://doi.org/10.17981/ingecuc.17.1.2021.15
Sección
Artículos