首页 > 解决方案 > 环境分析

环境分析

A comparison study of pattern recognition algorithms implemented on a microcontroller for use in an electronic tongue for monitoring drinking waters

1.  Introduction

Sensors  based  on  electrochemical  techniques  are  used  to  determine the concentration of specific chemical compounds, or theaccurate measurement of physiochemical parameters. But generally  they  have  an  important drawback;  namely  that  of  susceptibilityto interference from other species that mask the species of interest.However  this  drawback  can  be  converted  to  advantage  if,  instead  of looking  for  that  type  of accurate  measurement,  another  kind  7  measurement  of  a  rather  more  qualitative  nature  is  employed, such  as the  discrimination  or  classification  of  samples  of  complex  chemical nature. Under this concept, electronic tongue systems that employ different  sets  of  non-specific  electrodes  were  developed  some  years ago.  Each  of  the  electrodes  provides  a  signal  that  is  proportional to  the  set  of  species  in  the  system  under  analysis.  As  electronic tongue  systems  tend  to  produce  a  qualitative  result,  multivariate analysis  techniques  are  generally  required  in  order  to  process  the data  obtained  from  the  measurements.

2.  System  description
2.1.  Samples
A  total  of  five  Spanish  natural  mineral  waters  of  different  brands(Bezoya,  Bronchales,  Cortes,  Lanjarón  and  Solán),  one  sparkling water (Primavera) and tap water from Valencia City have been selected  as  representative  samples  and  they  have  been  studied  by using  the  array  of  electrodes  described  below.

2.2. Electrodes

A  wide  range  of  electrodes  with  different  surfaces  were  selected in order to explore their differential response in potentiometric measurements. Following this approach various electrodes fabricated using thick-film technology were prepared. To this purpose,several  inks  with  different  active  element  were  used;  the  pasteswere supplied by HERAEUS and they are RuO2 of  10  /sq  (modelR8911)  and  1  M/sq  (model  R8961),  Cu  (model  C7257), Ag  (model  C8829),  and  Pt  (model  C1076D).  The  AgCl  was  manufactured  by mixing  Ag  and  AgCl  powder  in  a  ratio  of  1:1  and  using  low  temperature EG2020 glass (supplied by Ferro). The protective upper layer  paste  was  model  D2020823D2  supplied  by  GWENT.

2.3.  Electronic  system
Two  boards  with  18  electrodes  on  each  were  used.  Therefore 36  channels  could  be  measured simultaneously.  The  external  reference  electrode  employed  was  an  Ag/AgCl  device  (supplied  by CRISON).


3.  Data  analysis

The  procedure  for  working  with  artificial  neural  networks  consists  of  two  stages,  a  first  stage  of  training of  the  network  and  a second stage for its verification. The training stage is performed with  some  of  the available  measures.  At  this  stage  the  network  categories are set out (in our case the seven different types of water).The  data  form  six  electrodes  for  each  measurement  are  applied  as an input vector. With these data the coefficients of the algorithm that  configures  the  network  are  calculated.  In  the  verification  stage,the  data  from  new  measures  are  applied  to  the  inputs,  checking whether the output of the active network is correct or not.

3.1.  Training  the  Fuzzy  ARTMAP


3.2. Training the multi-layer feed-forward neural network


3.3.  Training  the  linear  discrimination  analysis


4. Conclusion

A  microcontroller-based  electronic  tongue  system,  capable  of discriminating  between  drinking  water  samples  has  been  successfully  developed.  An  82.5%  recognition  rate  has  been  achieved  for the  samples  tested. This  intelligent  system  may  find  application  in the  area  of  water  quality  monitoring.Pattern  recognition  algorithms  have  been  applied  to  the  classification.  The  main  memory  requirement  for  the  algorithms  canbe  minimized  sufficiently  to  fit  in  the  limited  memory  space  of  a microcontroller.  MLFF  networks  need  many  more  training  cycles than  fuzzy  ARTMAP  and  LDA.  The  algorithm  which  used the  most  memory  of  the  microcontroller  was  the  Fuzzy  ARTMAP.MLFF  and  LDA  used  similar  amounts  of  RAM  memory  but  MLFF needs  more  program  memory.  Thus,  the  best  pattern  recognition algorithm  to  be  implemented  on  a  microcontroller  is  LDA. At  present  we  are  working  with  three  research  lines  based  on this work; honey classification, meal classification and chemical classification  in  a  waste  water  depuration  plant.  Moreover,  we  are developing  new  electrodes  as  well  as  improvements  in  electrode stability  as  major  topics  for  future  work.

References

[1]  F.  Winquist,  C.  Krantz-Rülker,  I.  Lunström,  Electronic  tongues  and  combinations of  artificial  senses,  Sensors  Update  11  (2002)  279–306.

[2]  A.  Legin,  A.  Rudnitskaya,  Y.  Vlasov,  C.  Di  Natale,  F.  Davide,  A.  D’Amico,  Tasting of  beverages  using  an  electronic  tongue,  Sensors  and  Actuators  B  44  (1997)291–296.
[3]  A.  Arrieta,  C.  Apetrei,  M.L.  Rodríguez-Méndez,  J.A.  de  Saja,  Voltammetric  sensor array  based  on conducting  polymer-modified  electrodes  for  the  discrimination of  liquids,  Electrochimica  Acta  49  (2004)  4543–4551.
[4] G. Pioggia, F. Di Francesco, A. Marchetti, M. Ferro, A. Ahluwalia, A composite  sensor  array  impedentiometric electronic  tongue:  part  I.  Characterization,Biosensors and Bioelectronics 22 (2007) 2618–2623.
[5]H. Sakai, S. Liyama, K. Toko, Evaluation of water quality and pollution using multichannel  sensors,  Sensors  and  Actuators  B  66  (2000)  251–255.
[6]J.  Gallardo,  S.  Alegret,  M.  del  Valle,  Application  of  a  potentiometric  electronic tongue  as  a  classification  tool  in  food  analysis,  Talanta  66  (2005)  1303–1309.
[7]G.  Verrelli,  L.  Francioso,  R.  Paolesse,  P.  Siciliano,  C.  Di  Natale,  A.  D’Amico,A. Logrieco, Development of silicon-based potentiometric sensors: towards aminiaturized electronic tongue, Sensors and Actuators B 123 (2007) 191–197.
[8]  L.  Lvova,  E.  Martinelli,  E.  Mazzone,  A.  Pede,  R.  Paolesse,  C.  Di  Natale,  A.  D’Amico,Electronic  tongue based  on  an  array  of  metallic  potentiometric  sensors,  Talanta70 (2006) 833–839.
[9]J.  Soto,  R.H.  Labrador,  M.D.  Marcos,  R.  Martínez-Mᘠnez,  C.  Coll,  E.  García-Breijo,L.  Gil,  A  model  for  the  assessment  of  interfering  processes  in  Faradic  electrodes,Sensors and Actuators 142 (2008) 56–60.
[10] R. Martínez-Mᘠnez, J. Soto, E. García-Breijo, L. Gil, J. Iba˜ nez, E. Gadea, A multi-sensor in thick-film technology for water quality control, Sensors and ActuatorsA 120 (2005) 589–595.

[11] B.A. Botre, D.C. Gharpure, A.D. Shaligram, Embedded electronics nose and supporting  software  tool  for  its parameter  optimization,  Sensors  and  Actuators  B146 (2010) 453–459.
[12] A.S. Abdul Rahman, M.M. Sim Yap, A.Y.Md. Shakaff, M.N. Ahman, Z. Dahari, Z.Ismail,  M.S.  Hitam,  A  microcontroller-based  taste  sensing  system  for  the  verification of Eurycomalongifolia, Sensors and Actuators B 101 (2004) 191–198.