Desenvolvimento de um olfatômetro eletrônico baseado em sensores de baixo custo e aprendizado de máquina

Abstract

O desenvolvimento de narizes eletrônicos (e-noses) de baixo custo é uma área de grande interesse, mas esbarra nas limitações de seletividade e robustez de sensores químicos acessíveis, como os da família MQ (Metal Oxide Semiconductor - MOX). Esta dissertação apresenta o desenvolvimento e a avaliação de um protótipo de olfatômetro eletrônico baseado em uma arquitetura embarcada multissensorial e técnicas de aprendizado de máquina (ML) para classificação de gases e odores. O sistema emprega uma matriz extensa de 13 sensores MQ (dois MQ-2, dois MQ-3 e um de cada dos demais 9 modelos), um sensor MP503 para qualidade do ar e um DHT22 para monitoramento ambiental, gerenciados por um microcontrolador ESP32. Os dados são transmitidos via I²C para um Raspberry Pi Zero 2 W, onde é executado um pipeline de ML que inclui pré-processamento robusto (RobustScaler e PowerTransformer, ajustados apenas no conjunto de treinamento) e a comparação de cinco algoritmos de classificação: K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Multilayer Perceptron (MLP), Random Forest (RF) e Decision Tree (DT). Os modelos foram avaliados num dataset de 38.912 amostras, coletados sob um protocolo experimental rigoroso. Em condições ideais, todos os modelos alcançaram excelente desempenho, com o MLP atingindo F1-Score de 1,000 e o KNN, 0,9999. Contudo, testes de robustez com adição de ruído revelaram que o KNN manteve superior estabilidade (F1-Score de 0,985 com 5% de ruído), enquanto o MLP mostrou maior sensibilidade (F1-Score de 0,935 nas mesmas condições). A validação prática no protótipo, realizada com 15 ciclos de exposição, 5.000 inferências e 4 horas contínuas sem perda de pacotes, confirmou a superioridade do KNN, que classificou corretamente todas as classes em tempo real. O protótipo funciona em tempo real a 1 Hz, possuindo uma interface de visualização por meio do Node-RED e acesso remoto seguro por meio do Ngrok. Isso comprova a viabilidade de um e-nose acessível, preciso e resistente, adequado para uso em monitoramento ambiental, segurança e IoT.

Abstract: The development of low-cost electronic noses (e-noses) is an area of great interest, but it faces limitations in the selectivity and robustness of affordable chemical sensors, such as those from the MQ family (Metal Oxide Semiconductor - MOX). This dissertation presents the development and evaluation of an electronic olfactometer prototype based on a multisensory embedded architecture and machine learning (ML) techniques for gas and odor classification. The system employs an extensive array of 13 MQ sensors (two MQ-2, two MQ-3, and one of each of the remaining 9 models), an MP503 sensor for air quality, and a DHT22 for environmental monitoring, all managed by an ESP32 microcontroller. Data is transmitted via I²C to a Raspberry Pi Zero 2 W, where an ML pipeline is executed, including robust preprocessing (RobustScaler and PowerTransformer, fitted only on the training set) and a comparison of five classification algorithms: K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Multilayer Perceptron (MLP), Random Forest (RF), and Decision Tree (DT). The models were evaluated on a dataset of 38,912 samples, collected under a rigorous experimental protocol. Under ideal conditions, all models achieved excellent performance, with MLP reaching an F1-Score of 1.000 and KNN, 0.9999. However, robustness tests with added noise revealed that KNN maintained superior stability (F1-Score of 0.985 with 5% noise), while MLP showed greater sensitivity (F1-Score of 0.935 under the same conditions). Practical validation on the prototype, conducted over 15 exposure cycles, 5,000 inferences, and 4 continuous hours without packet loss, confirmed KNN's superiority, as it correctly classified all classes in real-time. The prototype operates in real-time at 1 Hz, featuring a visualization interface via Node-RED and secure remote access through Ngrok. This proves the feasibility of an affordable, accurate, and resilient e-nose, suitable for use in environmental monitoring, security, and IoT.