論文の概要: Low-Cost Sensor Fusion Framework for Organic Substance Classification and Quality Control Using Classification Methods
- arxiv url: http://arxiv.org/abs/2509.19367v1
- Date: Fri, 19 Sep 2025 03:16:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-25 20:53:19.517656
- Title: Low-Cost Sensor Fusion Framework for Organic Substance Classification and Quality Control Using Classification Methods
- Title（参考訳）: 有機物分類と品質管理のための低コストセンサ融合フレームワーク
- Authors: Borhan Uddin Chowdhury, Damian Valles, Md Raf E Ul Shougat,
- Abstract要約: 有機物の迅速かつ非破壊的な分類と品質管理のためのセンサ融合フレームワークを提案する。
このフレームワークは、3つの商用環境およびガスセンサーを備えたArduino Mega 2560マイクロコントローラプラットフォーム上に構築されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a sensor-fusion framework for rapid, non-destructive classification and quality control of organic substances, built on a standard Arduino Mega 2560 microcontroller platform equipped with three commercial environmental and gas sensors. All data used in this study were generated in-house: sensor outputs for ten distinct classes - including fresh and expired samples of apple juice, onion, garlic, and ginger, as well as cinnamon and cardamom - were systematically collected and labeled using this hardware setup, resulting in a unique, application-specific dataset. Correlation analysis was employed as part of the preprocessing pipeline for feature selection. After preprocessing and dimensionality reduction (PCA/LDA), multiple supervised learning models - including Support Vector Machine (SVM), Decision Tree (DT), and Random Forest (RF), each with hyperparameter tuning, as well as an Artificial Neural Network (ANN) and an ensemble voting classifier - were trained and cross-validated on the collected dataset. The best-performing models, including tuned Random Forest, ensemble, and ANN, achieved test accuracies in the 93 to 94 percent range. These results demonstrate that low-cost, multisensory platforms based on the Arduino Mega 2560, combined with advanced machine learning and correlation-driven feature engineering, enable reliable identification and quality control of organic compounds.
- Abstract（参考訳）: 本稿では,3つの商用環境・ガスセンサを備えた標準的なArduino Mega 2560マイクロコントローラプラットフォーム上に構築された,有機物質の迅速かつ非破壊的な分類と品質管理のためのセンサ融合フレームワークを提案する。
アップルジュース、タマネギ、ニンニク、ジンジャーの新鮮な、期限切れのサンプルを含む10の異なるクラスのセンサー出力と、シナモンとカルダモンが、このハードウェアセットアップを使用して体系的に収集され、ラベル付けされ、アプリケーション固有のデータセットが作られる。
相関分析は、特徴選択のための前処理パイプラインの一部として用いられた。
予備処理と次元減少(PCA/LDA)の後,複数の教師付き学習モデル – サポートベクトルマシン(SVM),決定木(DT),ランダムフォレスト(RF),ハイパーパラメータチューニング,ニューラルネットワーク(ANN)とアンサンブル投票分類器 – が,収集データセット上でトレーニングおよび相互検証された。
調整されたランダムフォレスト、アンサンブル、ANNを含む最高のパフォーマンスモデルは、93%から94%の範囲でテストアキュラシーを達成した。
これらの結果は,Arduino Mega 2560をベースとした低コストでマルチセンサなプラットフォームと,高度な機械学習と相関駆動機能工学を組み合わせることで,有機化合物の信頼性の高い識別と品質管理を可能にすることを示した。
関連論文リスト
- Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。
本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。
経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
論文 参考訳（メタデータ） (2025-06-20T00:17:14Z) - Advancing Air Quality Monitoring: TinyML-Based Real-Time Ozone Prediction with Cost-Effective Edge Devices [0.0]
本稿では, オゾン濃度をリアルタイムに予測する新しいTinyMLシステムを提案する。
このシステムはArduino Nano 33 BLE Senseマイクロコントローラを使用し、一酸化炭素(CO)検出のためのMQ7センサーと温度と圧力測定のための内蔵センサーを備えている。
論文 参考訳（メタデータ） (2025-04-03T10:48:24Z) - CRISP: A Framework for Cryo-EM Image Segmentation and Processing with Conditional Random Field [0.0]
本稿では,Cryo-EMデータから高品質なセグメンテーションマップを自動生成するパイプラインを提案する。
我々のモジュラーフレームワークは、様々なセグメンテーションモデルと損失関数の選択を可能にする。
限られたマイクログラフでトレーニングすると、合成データ上で90%以上の精度、リコール、精度、インターセクション・オーバー・ユニオン(IoU)、F1スコアを達成することができる。
論文 参考訳（メタデータ） (2025-02-12T10:44:45Z) - Supervised Transfer Learning Framework for Fault Diagnosis in Wind Turbines [0.0]
本稿では,異常空間で動作する風力タービンの故障診断のための教師ありトランスファー学習フレームワークを提案する。
異常空間内のデータは風力タービンの各コンポーネントの異常スコアと解釈でき、各値は直感的に理解できる。
論文 参考訳（メタデータ） (2024-11-04T14:38:43Z) - An Automated Approach to Collecting and Labeling Time Series Data for Event Detection Using Elastic Node Hardware [18.15754187896287]
本稿では,センサデータをIoTデバイス上で直接ラベル付けする新しい組込みシステムを提案する。
本稿では,各種センサデータのキャプチャとラベル付けを効率化する,特殊なラベル付けセンサを備えたハードウェアとソフトウェアの統合ソリューションを提案する。
論文 参考訳（メタデータ） (2024-07-06T15:19:16Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Dataset: Impact Events for Structural Health Monitoring of a Plastic
Thin Plate [0.0]
プラスチック薄板上での衝撃検出と位置推定のための新しい時系列データセットを提案する。
データセットは、低速度で低エネルギーの衝撃イベントの実験的な手順から収集された。
入力の測定は、プレートの隅に4つのPZTセンサーが配置されている。
論文 参考訳（メタデータ） (2022-09-20T21:58:42Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - A Two-Stage Approach to Device-Robust Acoustic Scene Classification [63.98724740606457]
デバイスロバスト性を改善するために,完全畳み込みニューラルネットワーク(CNN)に基づく2段階システムを提案する。
以上の結果から,提案したASCシステムにより,開発環境における最先端の精度が得られた。
クラスアクティベーションマッピングを用いたニューラルサリエンシ解析により、モデルによって学習されたパターンに関する新たな洞察が得られる。
論文 参考訳（メタデータ） (2020-11-03T03:27:18Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。