KHOA HỌC CÔNG NGHỆ Só 07/2021
Nghiên cứu ứng dụng mạng nơ-tron nhân tạo
để nâng cao độ chính xác cho cảm biến đo thân nhiệt không tiếp xúc
■ TS. NGUYỄN VĂN TIẾN; PGS. TS. HOÀNG XUÂN BINH; TS. TRẤN THỊ PHƯƠNG THẢO Trường Đại học Hàng hải Việt Nam
TÓM TẮT: Mạng nơ-ron nhân tạo (MNN) là một phương pháp hiện đại để giải quyết những bài toán với đối tượng vào dạng bất định. Bài báo trình bày nghiên cứu sửdụng mạng nơ-ron nhân tạo để nâng cao độ chính xác của cảm biếnđo thân nhiệt không tiếpxúc.Trên cơ sở một tập mẫudữ liệu, một mạng nơ-ron nhân tạo gồm 8 nơ-ron sẽ được huấn luyện để khắc phục sai số đo của cảm biến. Các kết quả nghiên cứu được kiểm chứng bằng mô phỏng và thực nghiệm cho kết quả tốt.
Tử KHÓA: Arduino, MLX90614ESF, HC-SRFO4, mạng nơ tron, vi điều khiển.
ABSTRACT: Artificial neural networks (ANN) is a modern method to solve the problem with the uncertain form object. The paper presents research usingartificial neural networks toimprove the accuracy of contactless body temperature sensors. On the basis of a data sample set, anartificial neural network consisting of 8 neurons will be trainedtocorrect the sensor's measurement error. The research results have been proved bysimulationand experiment with good results..
KEYWORDS: Arduino, MLX90614ESF, HC-SRF04, artificial neuralnetworks, microcontroller.
tiếp xúc để đo thân nhiệt con người giúp giảm nguy cơ lây nhiễm y tế.
Tuy nhiên, các cảm biến đo nhiệt độ không tiếp xúc cũng sẽ có những nhược điểm, đó là phụ thuộc vào khoảng cách đo. Để khắc phục sai số đó, trong một số nghiên cứu [1,2] các tác giả kết hợp việc đo khoảng cách tới vật cần đo và thực hiện một phép tính bù nhiệt, tuy nhiên độ chính xác không cao do khó xác định lượng bù chính xác với từng khoảng cách đo. Hoặc trong [3], tác giả kết hợp bộ điều khiển mờ để hiệu chỉnh nhiệt độ, nhược điểm của bộ điều khiển mờ là phụ thuộc kinh nghiệm thiết kê do vậy cần hiệu chỉnh nhiều.
Nghiên cứu trong bài báo sử dụng hướng tiếp cận khác đó là một tập dữ liệu mẫu thu được nhờ thực nghiệm để đưa vào huấn luyện một mạng nơ-ron nhân tạo theo phương pháp lan truyền ngược. Sau khi huấn luyện mạng nơ-ron được sử dụng để bù được sai số của cảm biến với độ chính xác đảm bảo tiêu chuẩn y tế [4] là nhỏ hơn 0,2°C.
Trong bài báo thực nghiệm với cảm biến đo nhiệt độ không tiếp xúc MLX90614ESF-DCI và mạng nơ-ron gồm 8 nơ-ron.
2. XÂY DỰNG MÔ HÌNH ĐO NHIỆT ĐỘ KHÔNG TIẾP XÚC VỚI CẢM BIẾN MLX90614ESF-DCI
2.1. Cảm biến đo thân nhiệt MLX90614ESF-DCI Trên Hình 2.1 là hình ảnh thực tế của cảm biến MLX90614ESF-DCI và Bảng 2.1 là một số thông số chính của cảm biến. Cảm biến này được lựa chọn vì có độ chính đáp ứng tiêu chuẩn y tế. Ngoài ra, cảm biến còn có tích hợp bộ bù nhiệt độ môi trường bên trong và có đầu ra dạng số thuận tiện cho việc thu thập dữ liệu.
1.
ĐẶTVẤN ĐỂ
Cảm biến đo nhiệt độ không tiếp xúc dựa trên nguyên lý phát hiện nguồn năng lượng hóng ngoại phát ra từ các vật thể. Nguyên lý này cho phép đo nhiệt độ từ khoảng cách xa mà không cấn tiếp xúc với đối tượng cần đo, chính vì lý do đó mà cảm biến đo nhiệt độ không tiếp xúc rất hữu ích khi cần đo nhiệt độ khi đối tượng đo di chuyển hoặc yêu cẩn thời gian đáp ứng nhanh.Trong các trường hợp đó, các cảm biến nhiệt độ loại khác không thể sử dụng hoặc cho kết quả đo không chính xác, đặc biệt cảm biến nhiệt
độ không tiếp xúc có thể ứng dụng làm nhiệt kê không Hình 2.1: cảm biến MLX90614ESF-DCI
133
KHOA HỌC CÔNG NGHỆ
Só 07/2021
Bảng 2.1. Thông số của MLX90614ESF-DCI [5]
Hãng sản suất
MelexisDải nhiệt độ đo
-70- 38O°C Độ chính xác o,2°c Độ phân giải
0,02°CĐiện áp hoạt động 3V-5V Giao diện dữ liệu ra I2C, PWM Khoảng cách đo 0
- 100cmNguyên lý hoạt động của cảm biến dựa trên việc phát hiện nguồn năng lượng hống ngoại được phát ra từ các vật thể có nhiệt độ trên 0°K. Cảm biến có khả năng thu được năng lượng của hồng ngoại của phổ kéo dài từ bước sóng 0,7 - 1000 pm, bước sóng càng ngắn thì nhiệt độ của vật thể càng cao. Năng lượng sóng hồng ngoại sẽ được chuyển đổi thành điện áp và thông qua bộ số hóa để đưa tới đầu ra.
2.2. Sơ đồ khối hệ thống đo nhiệt độ không tiếp xúc Sơ đồ khối kết nối các thành phần trong mô hình thử nghiệm như trong Hình 2.2.
Perceptron), trong đó các nơ-ron được xếp thành nhiều lớp, bao gồm lớp đẩu vào, lớp đầu ra và một số lớp ở giữa gọi là lớp ẩn. Tại mỗi lớp (trừ lớp đầu vào) ta có các nơ-ron, giữa hai lớp có các kết nối có trọng số, ta chỉ cần sử dụng tối đa hai lớp ẩn là có thể mô hình hóa một hàm phi tuyến với độ chính xác tùy chọn [6].
Trên Hình 3.1 là ví dụ về một mạng nơ-ron với lớp đầu vào L,, lớp đầu ra L4 và và có hai lớp ẩn là L2 và Lr
Hình 3.1: cấu trúc một mạng nơ-ron điển hình
Để khắc phục sai số của cảm biến, trong bài báo sử dụng mô hình mạng mạng nơ-ron nhân tạo gồm hai lớp là lớp ẩn và lớp đầu ra. Lớp ẩn có 8 nơ-ron, còn lớp ra có 1 nơ- ron. Thông số đẩu vào gồm hai thông số là khoảng cách tới vật cần đo và nhiệt độ của cảm biến đo được. Đẩu
■'1 1». -Willin g MLX90614 Arduino Nano
ra là nhiệt độ sau khi đâ được bù.
MATLAB
SIMULINK® Q
Display
Hình 2.2: Sơ đồ cấu trúc thửnghiệm
Hệ thống thử nghiệm bao gồm cảm biến đo nhiệt độ MLX90614ESF-DCI được kết nối tới một board mạch Arduino Nano. Giá trị nhiệt độ cảm biến đo được sẽ được Arduino số hóa và gửi lên máy tính. Trên máy tính được cài đặt phần mềm MatLab& Simulink với một mạng nơ-ron đã được huấn luyện để đưa ra được giá trị nhiệt độ chính xác của đối tượng đo. Kết quả đo được hiện thị lên phấn mểm để thuận tiện cho việc quan sát và lưu mẫu.
3. MẠNG NƠ-RON NHÂN TẠO VÀ HUẤN LUYỆN MẠNG 3.1. Mạng nơ-ron nhân tạo
Mạng nơ-ron là một mô hình toán, gốm có một nhóm các nơ-ron nhân tạo nối với nhau và xử lý thông tin bằng cách truyền theo các kết nối tại các nút. Với các phần tử nơ-ron, ta có thể xây dựng một mạng với cách ghép nối tùy ý. Tuy nhiên trong thực tế, để thuận tiện cho việc lập trình tính toán, ta sử dụng mô hình mạng MLP (Multi-layer
Hình 3.2: Mô hình mạng nơ-ron bù nhiệt độ cảm biến 3.2. Thu thập dữ liệu và huấn luyện mạng
Huấn luyện mạng được thực hiện trên phần mềm Matlab & Simulink, đây là quá trình điểu chỉnh các trọng số liên kết giữa các nơ-ron để đạt được tập giá trị đấu ra mong muốn.Thông số mạng nơ ron nhưtrên Hình 3.3, điểu chỉnh các trọng số bằng thuật toán TRAINCGF, hàm thích nghi sử dụng là LEARNGDM, đánh giá kết quả bằng sai số toàn phương MSE.
Hình 3.3: Thõng số huấn luyện mạng nơ-ron
134
KHOA HOC CÔNG NGHỆ
Só 07/2021
Tập dữ liệu huấn luyện mạng gồm có 10 giá trị thu được bằng thực nghiệm như trong Bảng 3.1. Trong đó, d là khoảng cách từ cảm biến tới đối tượng đo, tm là nhiệt độ cảm biến đo được, t là nhiệt độ thực tế của đối tượng đo bằng thiết bị đo kiểm chuẩn.
Bảng 3.1. Tập dữ liệu huấn luyện mạng
d (cm) 5 10 15 20 25 30 35 40 45 50
tm(°C) 36,5 36,1 35,4 35,0 34,8 34,7 33,9 33,8 32,6 32,1
t (°C) 36,1 36,2 36,3 36,4 36,5 36,6 36,7 36,8 36,8 36,5
Mạng được kiêm tra băng sai sô toàn phương trung bình và hệ số tương quan R [7]. Mạng trí tuệ nhân tạo được đánh giá độ chính xác sau khi luyện để không bị quá khớp.
Việc kiểm tra hiệu của luyện mạng này nhờ số dữ liệu được dùng để kiểm tra. Sau đó, sử dụng dữ liệu trung gian để kiểm tra chéo với mục đích biết được sai số để độ quá khớp
không có. Kết quả được hiển thị trên các đó thị Hình 3.4. a) - Mô hình thiết bị đo
a) - Đổ thị của sai sõ toàn phương MSE
b) - Dữ liệu huấn luyện mạng Hình 3.4: Kết quả huấn luyện mạng nơron
Kết quả luyện mạng ở 6 vòng lặp cho thây tại vòng lặp 6 cho kết quả sai số là tốt nhất.
4. KẾT QUẢ THỬ NGHIỆM
Mô hình thử nghiệm hoàn chỉnh như trên Hình 4.1d, bao gồm cảm biến MLX90614ESF-DCI gắn trên một cơ cấu chuyển động tịnh tiến để có thể thay đổi vị trí đo tùy theo chiều cao của đối tượng cẩn đo.
b) - Phẩn mềm hiển thị kết quả đo
Hình 4.1: Mõ hình thụt: nghiệm hệ thống đo thân nhiệt không tiếp xúc Một phần mềm hiển thị đơn giản được thiết kế (Hình 4.1 b) để hiển thị giá trị nhiệt độ đo được. Ngoài ra, phần mềm cũng tích hợp với một camera để lưu vết hình ảnh của những người có thân nhiệt cao trên 37,5°c để thuận tiện cho công tác truy vết dịch tề.
Để đánh giá kết quả làm việc của mạng nơ-ron, mô hình sẽ thực hiện đo thân nhiệt cho một đối tượng khi có và không có mạng nơ-ron. Kết quả được cho trong Bảng 4.1.
Bảng 4.1. Kết quả so sánh kết quắ khi có mạng nơ-ron Khoảng cách đo (cm) 15 20 25 30 35 40 45 50
Chưa có mạng nơ- ron (°C)
35,4 35,0 34,8 34,7 33,9 33,8 32,6 32,1
Có mạng nơ-ron (°C) 36,5 36,4 36,6 36,5 36,5 36,7 36,4 36,6
Nhiệt độ thực(°C) 36,5
Kết quả cho thấy, khi chưa có mạng nơ-ron, sai số của cảm biến nằm trong khoảng 1,1 -4,4°c. Khi có mạng nơ- ron tham gia vào thì sai số chỉ còn trong khoảng 0 - 0,2°C.
5. KẾT LUẬN
Bài báo đề xuất và thiết kế thành công một mạng nơ-ron dạng MLP với công cụ là phần mềm Matlab&Simulink để nâng cao độ chính xác cho cảm biến đo nhiệt độ không tiếp xúc
135
KHOA HỌC CÔNG NGHỆ
Só07/2021
MLX90614ESF-DCI. Kết quả thử nghiệm với cảm biến trên cho thấy mạng nơ-ron đã làm việc hiệu quả và giảm thiểu sai lệch giá trị đo của cảm biến. Sai lệch lớn nhất đảm bảo nhỏ hơn 0,2°C đáp ứng yêu cầu sử dụng trong y tế đảm bảo tính phù hợp của nghiên cứu.
Lời cảm ơn: Nghiên cứu này được tài trợ bởi Trường Đại học Hàng hải Việt Nam trong Đề tài mã số DT20-21.44.
Tài liệu tham khảo
[1] , Sandra Costanzo and Alexandra Flores (2020), A Non-Contact Integrated Body-Ambient TemperatureSensors Platform to Contrast COVID-19, Electronics 2020.
[2] , Zheng, K.; Dong, R.; Wang, H.; Granick, s. (2020), Infrared assessment of human facial temperature in the presenceand absence of common cosmetics, MedRxiv.
[3] . Usamentiaga, R.; Venegas, R; Guerediaga, J.; Vega, L.; Molleda, L.; Bulnes, F.G. (2014), Infrared Thermography forTemperature Measurement and Non-Destructive Testing, Open Access Sens.
[4] , Bhattacharya, Y.; Milne, M.Psychrometric (2009), Chart Tutorial: A Tool for Understanding Human Thermal Comfortconditions; University of California, Los Angeles.
[5] , MLX90614 family datashet, online: https://www.
melexis.com/en/documents/-documentation/datasheets/
datasheet-mlx90614.
[6] , Trần Hoài Linh (2014), Mạng nơ-ron và ứng dụng trong xử lý tín hiệu, NXB. Bách khoa Hà Nội.
[7] . Tạ Quốc Dũng, Lê Thế Hà, Phạm Duy Khang (2019), ứng dụng mạng neuron nhân tạo (ANN) trong dự báo độ rỗng, Tạp chí Dầu khí, số 7.
Ngày nhận bài: 26/5/2021 Ngày chấp nhận đăng: 11 /6/2021 Người phản biện:TS. Đào Quang Khanh
TS. Đào Hồng Hải
