Ηλεκτρονική «μύτη» από το UC Berkeley εντοπίζει αλλοιωμένα τρόφιμα στα έξυπνα ψυγεία

Σύνοψη

• Ερευνητές του Πανεπιστημίου UC Berkeley ανέπτυξαν μια προηγμένη «ηλεκτρονική μύτη» ικανή να ανιχνεύει την αλλοίωση τροφίμων με μεγαλύτερη ακρίβεια από την ανθρώπινη όσφρηση.
• Το σύστημα χρησιμοποιεί μια συστοιχία 16 αισθητήρων από νανοσωλήνες άνθρακα.
• Μέσω μηχανικής μάθησης, αναγνωρίζει ίχνη αλλεργιογόνων (έως 0,05 γραμμάρια καρυδιού) και το βαθμό αλλοίωσης σε ωμό κοτόπουλο, γάλα και αυγά μετά από 24 και 48 ώρες.
• Η τεχνολογία προορίζεται για άμεση ενσωμάτωση σε μελλοντικά έξυπνα ψυγεία, προσφέροντας ειδοποιήσεις στο smartphone του χρήστη για τη μείωση της σπατάλης τροφίμων και την προστασία της δημόσιας υγείας.

Η αξιολόγηση της φρεσκάδας των τροφίμων βασίζεται παραδοσιακά στην οπτική επαφή, την ημερομηνία λήξης και την ανθρώπινη όσφρηση, ωστόσο, η ανθρώπινη μύτη, παρά την ευαισθησία της, αδυνατεί να εντοπίσει τα πρώιμα στάδια της αλλοίωσης ή την παρουσία επικίνδυνων παθογόνων μικροοργανισμών που δεν εκπέμπουν άμεσα έντονες οσμές. 

Μια ερευνητική ομάδα από το Πανεπιστήμιο της Καλιφόρνια στο Berkeley (UC Berkeley), παρουσίασε μια τεχνολογική λύση που υπόσχεται να εξαλείψει τις τροφιμογενείς ασθένειες.

Η έρευνα περιγράφει την ανάπτυξη μιας «ηλεκτρονικής μύτης», ουσιαστικά μια διάταξη αισθητήρων η οποία συνδυάζει την επιστήμη των υλικών με τους αλγορίθμους μηχανικής μάθησης (machine learning), επιτυγχάνοντας ανάλυση των πτητικών οργανικών ενώσεων (VOCs) σε πραγματικό χρόνο και με αξιοπιστία που ξεπερνά κατά πολύ τις ανθρώπινες δυνατότητες.

Πώς λειτουργεί η νέα ηλεκτρονική μύτη στα έξυπνα ψυγεία;

Η ηλεκτρονική μύτη του UC Berkeley χρησιμοποιεί μια διάταξη 16 μικροσκοπικών αισθητήρων αερίων από νανοσωλήνες άνθρακα, οι οποίοι καταγράφουν τις χημικές ενώσεις που εκπέμπουν τα τρόφιμα. Συνδυάζοντας αυτά τα δεδομένα με μοντέλα μηχανικής μάθησης, το σύστημα ταυτοποιεί το πτητικό αποτύπωμα (VOCs) κάθε τροφίμου με ακρίβεια 92,6%, λειτουργώντας αποτελεσματικά σε θερμοκρασία δωματίου για την άμεση ειδοποίηση του χρήστη.

Βασικά χαρακτηριστικά

• Αρχιτεκτονική αισθητήρων: 16 ανεξάρτητοι αισθητήρες σε ένα μικροτσίπ, με τον καθένα να διαθέτει διαφορετικό φιλμ επικάλυψης για να αντιδρά σε διαφορετικά μόρια αερίων, λειτουργώντας ως ψηφιακοί «γευστικοί κάλυκες».
• Υλικό κατασκευής: Χρήση νανοσωλήνων άνθρακα πάχους λίγων νανομέτρων. Η επιλογή αυτή εξασφαλίζει τεράστια επιφάνεια απορρόφησης σε σχέση με τον όγκο τους και επιτρέπει τη λειτουργία σε θερμοκρασία δωματίου.
• Όριο ανίχνευσης: Εξαιρετική ευαισθησία, ικανή να εντοπίσει μόλις 0,05 γραμμάρια καρυδιού, δηλαδή περίπου το 1/100 ενός καθαρισμένου ξηρού καρπού.
• Συνδεσιμότητα IoT: Το σύστημα διαθέτει ήδη ένα φορητό πρωτότυπο που ελέγχεται πλήρως μέσω εφαρμογής στο iPhone, μετατρέποντας τα χημικά σήματα σε ψηφιακές ειδοποιήσεις.

Η ιδέα της ηλεκτρονικής μύτης δεν είναι εντελώς νέα, καθώς τα πρώτα θεωρητικά μοντέλα εμφανίστηκαν τη δεκαετία του 1980. Η δυσκολία, ωστόσο, εντοπιζόταν πάντα στο hardware. Μέχρι σήμερα, οι περισσότεροι βιομηχανικοί αισθητήρες αερίων κατασκευάζονταν από οξείδια μετάλλων που απαιτούν θέρμανση σε υψηλές θερμοκρασίες (συχνά άνω των 200°C) για να λειτουργήσουν σωστά, καθιστώντας τους ενεργοβόρους και ακατάλληλους για ενσωμάτωση σε οικιακές συσκευές ψύξης, όπως τα ψυγεία.

Η ομάδα του Berkeley έλυσε αυτό το τεχνικό εμπόδιο χρησιμοποιώντας νανοσωλήνες άνθρακα ως αγώγιμο υλικό. Η ικανότητα των νανοσωλήνων να λειτουργούν άψογα σε συνθήκες δωματίου επέτρεψε στην ομάδα να χρησιμοποιήσει μια ευρύτερη γκάμα υλικών ευαίσθητων στα αέρια, συμπεριλαμβανομένων πολυμερών που διαφορετικά θα καταστρέφονταν από τις υψηλές θερμοκρασίες.

Εκπαίδευση της AI και ανίχνευση αλλεργιογόνων

Η καρδιά του συστήματος βασίζεται στην τεχνητή νοημοσύνη, με τους ερευνητές να εκπαιδεύουν τα μοντέλα μηχανικής μάθησης διαβάζοντας τα «μοτίβα» των ηλεκτρικών σημάτων που παρήγαγε η συστοιχία των 16 αισθητήρων. Το σύστημα δοκιμάστηκε σε επτά διαφορετικά τρόφιμα: φράουλα, μύρτιλο, μπανάνα, καρύδι, φουντούκι, κάσιους και φιστίκι.

Ιδιαίτερη έμφαση δόθηκε στην ανίχνευση των ξηρών καρπών, καθώς οι τροφικές αλλεργίες ταλαιπωρούν εκατομμύρια ανθρώπους παγκοσμίως, με συχνά θανατηφόρες συνέπειες σε περιπτώσεις αναφυλαξίας. Η συσκευή αναγνώρισε τα καρύδια και τα κάσιους με ποσοστό επιτυχίας 100%, στα φουντούκια το ποσοστό ανήλθε στο 91,96% και στα φιστίκια στο 80,65%. Η AI εμφάνισε ελαφρά δυσκολία στο διαχωρισμό μεταξύ φουντουκιού και φιστικιού, κυρίως επειδή τα δύο τρόφιμα μοιράζονται κοινές κυρίαρχες χημικές ενώσεις στο πτητικό τους προφίλ.

Παράλληλα, οι ερευνητές κατέγραψαν τις οσμές από ωμό κοτόπουλο, γάλα και αυγά, παρακολουθώντας την εξέλιξη των αερίων που εκπέμπουν όταν μείνουν εκτός ψυγείου για 24 και 48 ώρες. Το σύστημα κατάφερε να κατηγοριοποιήσει το βαθμό αλλοίωσης με εντυπωσιακή ακρίβεια, προσδιορίζοντας αξιόπιστα πότε το κρέας ή τα γαλακτοκομικά παύουν να είναι ασφαλή για κατανάλωση.

Με τη ματιά του Techgear

Η μετάβαση αυτής της τεχνολογίας από τα εργαστήρια του Berkeley στα ράφια των καταστημάτων ηλεκτρικών ειδών παρουσιάζει τεράστιο ενδιαφέρον. Η σημερινή υλοποίηση της «εξυπνάδας» βασίζεται αποκλειστικά σε εσωτερικές κάμερες και χειροκίνητη καταχώρηση ημερομηνιών λήξης από τον χρήστη μέσω εφαρμογών.

Η ενσωμάτωση ενός μικροτσίπ αισθητήρων, το οποίο λόγω των νανοσωλήνων άνθρακα θα έχει εξαιρετικά χαμηλό κόστος μαζικής παραγωγής, μπορεί να εκδημοκρατίσει την τεχνολογία, φέρνοντας την ακόμα και σε συσκευές μεσαίας κατηγορίας μέχρι το 2028.