Kunnen robots binnenkort net zo goed proeven als wij? Onderzoekers hebben een doorbraak bereikt in het ontwikkelen van een ‘robottong’ die met behulp van een chemische sensor de verdunning, versheid en het type van dranken kan analyseren.
De zoektocht naar een geautomatiseerde methode om snel en op grote schaal smaaktesten uit te voeren op producten houdt de voedingsmiddelen- en drankenindustrie al decennialang bezig. Onderzoekers hebben in een studie met behulp van machine learning nu de beperkingen van een veelbelovende chemische sensor overwonnen. Dit betekent dat een robotachtige tong binnenkort misschien wel je melk of wijn kan beoordelen voordat jij dat doet.
Wanneer ionen in een vloeistof de geleidende laag van een iongevoelige veldeffecttransistor (ook wel Ion Sensitive Field Effect Transistor of kortweg ISFET) aanraken, verandert de elektrische stroom die door de vloeistof loopt. Dit gebeurt op basis van de exacte samenstelling van de vloeistof en de spanning die erop inwerkt. Hierdoor kunnen wetenschappers ISFET’s gebruiken om chemische veranderingen om te zetten in elektrische signalen. De chemische samenstelling van een drank, en bijgevolg ook de smaak, wordt beïnvloed door vervuiling en versheid, iets wat ISFET’s kunnen onderscheiden.
Fijnproever
Onderzoekers verbonden de ISFET’s aan neurale netwerken. Ze trainden hiervoor een algoritme om drankjes in te delen aan de hand van de metingen van de sensoren. Het uiteindelijke systeem kon onderscheid maken tussen verschillende frisdrankmerken of koffiemelanges, verschillende vruchtensappen identificeren en de versheid ervan bepalen, en vertellen of melk verdund was.
Tijdens de ontwikkeling probeerde het team het systeem te trainen op basis van datapunten die vooraf geselecteerd werden. De onderzoekers ondervonden echter dat de aanwijzingen accurater waren als het algoritme alle metingen van het apparaat kreeg en zelf de relevante datakenmerken koos om beslissingen op te baseren. Kenmerken die door mensen gekozen werden, bleken gevoelig voor variaties in de apparaten, terwijl het algoritme alle gegevens tegelijkertijd analyseerde en elementen vond die minder variëren. Het systeem behaalde bij praktische taken een nauwkeurigheid van 97 procent.
Er wordt nu onderzocht of de technologie gebruikt kan worden voor toepassingen in de gezondheidszorg, zoals het meten van bloedglucosewaarden of het monitoren van zweet.
Bron: Pennsylvania State University, Verenigde Staten
