Treffer: AI applied to odour recognition. Use case on BME688

Títol alternatiu emprat a la intranet docent de l'EPSEVG: "Intelligencia artifial aplicada al reconeixement d'olors. Cas d'ús basat en BME688"
Aquesta tesi presenta el desenvolupament d’un sistema de reconeixement d’olors basat en IA i de codi obert, utilitzant el sensor de gas Bosch BME688 integrat amb un microcontrolador ESP32-S3. El projecte aborda les limitacions de l’eina propietària BME AI-Studio de Bosch oferint una alternativa escalable i rendible, capaç de fer inferència en temps real en dispositius edge. La motivació rau en democratitzar l’accés a l’anàlisi d’olors, millorant el monitoratge ambiental, la seguretat alimentària i la detecció primerenca d’incendis mitjançant un sistema descentralitzat i eficient energèticament. La innovació principal consisteix a convertir les dades del sensor —valors de resistència a través d’un perfil tèrmic— en imatges en escala de grisos de 5x10 que s’utilitzen com a empremtes digitals d’olors per entrenar xarxes neuronals (NN). Mitjançant Edge Impulse, es van entrenar els models, quantitzar (INT8) i optimitzar amb el compilador EON per aconseguir temps d’inferència inferiors a 100 mil·lisegons amb un consum d’energia inferior a 350 mW. Un enfocament d’agrupació multi-impuls va permetre classificar sis olors diferents, superant el límit de quatre classes de la solució de Bosch. La recollida de dades es va fer amb una configuració personalitzada que inclou múltiples sensors BME688 gestionats a través de multiplexació I²C, assegurant-ne l’escalabilitat. Es van provar diversos dispositius de maquinari, com el Nicla Sense ME i kits de desenvolupament. Reptes com inconsistències dels sensors, interferències ambientals i limitacions de la plataforma es van resoldre amb sessions limitades en el temps i entrenament local basat en Docker per evitar les restriccions de temps d’Edge Impulse. Es va desenvolupar una cadena d’eines en Python (DataExtractor i DataModifier) per a la normalització, segmentació, visualització i conversió de dades a format d’imatge. Es van dissenyar caixes personalitzades per millorar la fiabilitat dels sensors, reduint
Esta tesis presenta el desarrollo de un sistema de reconocimiento de olores basado en inteligencia artificial y de código abierto, utilizando el sensor de gases Bosch BME688 integrado con un microcontrolador ESP32-S3. El proyecto aborda las limitaciones de la plataforma propietaria BME AI-Studio de Bosch ofreciendo una alternativa escalable y rentable, capaz de realizar inferencias en tiempo real en dispositivos edge. La motivación se basa en democratizar el acceso a la analítica de olores, mejorando el monitoreo ambiental, la seguridad alimentaria y la detección temprana de incendios mediante un sistema descentralizado y energéticamente eficiente. La innovación principal consiste en convertir los datos del sensor —valores de resistencia a lo largo de un perfil térmico— en imágenes en escala de grises de 5x10 que se utilizan como huellas digitales de olor para entrenar redes neuronales (NN). Usando Edge Impulse, los modelos fueron entrenados, cuantificados (INT8) y optimizados con el compilador EON para alcanzar tiempos de inferencia inferiores a 100 milisegundos con un consumo energético menor a 350 mW. Un enfoque de ensamblado de múltiples impulsos permitió clasificar seis olores distintos, superando el límite de cuatro clases de la solución de Bosch. La recopilación de datos se realizó mediante una configuración personalizada que incluía múltiples sensores BME688 gestionados mediante multiplexación I²C, lo que garantizó su escalabilidad. Se probaron distintos dispositivos hardware, como el Nicla Sense ME y kits de desarrollo. Los retos como las inconsistencias entre sensores, interferencias ambientales y limitaciones de la plataforma se resolvieron mediante sesiones de tiempo limitado y entrenamiento local con Docker para evitar los límites de tiempo de Edge Impulse. Se desarrolló una cadena de herramientas en Python (DataExtractor y DataModifier) para normalización, segmentación, visualización y conversión de los datos a formato de im
This thesis presents the development of an open-source, AI-based odour recognition system using the Bosch BME688 gas sensor integrated with an ESP32-S3 microcontroller. The project addresses the limitations of Bosch’s proprietary BME AI-Studio by offering a scalable and cost-effective alternative capable of real-time inference on edge devices. The motivation lies in democratising access to odour analytics, improving environmental monitoring, food safety, and early fire detection through a decentralized and energy-efficient system. The core innovation includes converting sensor data—resistance values across a thermal profile—into 5x10 grayscale images used as odour fingerprints for training neural networks (NN). Using Edge Impulse, models were trained, quantised (INT8), and optimised using the EON compiler to achieve sub-100 millisecond inference times with energy consumption below 350 mW. A multi-impulse ensemble approach allowed classification of six distinct odours, outperforming the four-class limit of Bosch's solution. Data collection employed a custom setup comprising multiple BME688 sensors managed through I²C multiplexing, ensuring scalability. A range of hardware, including Nicla Sense ME and development kits, was tested. Challenges like sensor inconsistencies, environmental interference, and platform constraints were resolved through time-limited sessions and local Docker-based training to bypass Edge Impulse’s time caps. A Python toolchain (DataExtractor and DataModifier) was developed for data normalisation, segmentation, visualisation, and conversion to image format. Custom enclosures improved sensor reliability by mitigating temperature and humidity fluctuations. The system's low cost and modular design make it ideal for deployment in smart cities, fridges, and industrial environments. Key applications include wildfire detection via early gas release recognition, food spoilage detection through microbial odour markers, and urban air quality monitoring.