低コストセンサー融合フレームワークによる有機物分類と品質管理：分類手法を用いて
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19367v1発表論文：クロス
要旨：本研究では、市販の環境・ガスセンサー3つを搭載した標準的なArduino Mega 2560マイクロコントローラープラットフォームを基盤とする、有機物質の迅速かつ非破壊的な分類と品質管理のためのセンサー融合フレームワークを提示する。本研究で使用された全てのデータは独自に生成されたものである。リンゴジュース、タマネギ、ニンニク、生姜、シナモン、カルダモンなど10種類の異なるクラス（新鮮なものと期限切れのサンプルを含む）のセンサー出力は、このハードウェア設定を使用して体系的に収集およびラベル付けされ、アプリケーション固有の独自のデータセットが作成された。特徴選択のための前処理パイプラインの一部として、相関分析が用いられた。前処理と次元削減（PCA/LDA）の後、サポートベクターマシン（SVM）、決定木（DT）、ランダムフォレスト（RF）（それぞれハイパーパラメータチューニング済み）を含む複数の教師あり学習モデル、ならびに人工ニューラルネットワーク（ANN）とアンサンブル投票分類器を訓練し、収集したデータセット上でクロスバリデーションを行った。チューニング済みのランダムフォレスト、アンサンブル、ANNを含む、最も性能の高いモデルは、93～94％のテスト精度を達成した。これらの結果は、Arduino Mega 2560をベースとした低コストのマルチセンサプラットフォームと、高度な機械学習および相関駆動型特徴量エンジニアリングを組み合わせることで、有機化合物の信頼できる識別と品質管理が可能になることを示している。
原文（英語）を表示
Title (EN): Low-Cost Sensor Fusion Framework for Organic Substance Classification and Quality Control Using Classification Methods
arXiv:2509.19367v1 Announce Type: cross
Abstract: We present a sensor-fusion framework for rapid, non-destructive classification and quality control of organic substances, built on a standard Arduino Mega 2560 microcontroller platform equipped with three commercial environmental and gas sensors. All data used in this study were generated in-house: sensor outputs for ten distinct classes – including fresh and expired samples of apple juice, onion, garlic, and ginger, as well as cinnamon and cardamom – were systematically collected and labeled using this hardware setup, resulting in a unique, application-specific dataset. Correlation analysis was employed as part of the preprocessing pipeline for feature selection. After preprocessing and dimensionality reduction (PCA/LDA), multiple supervised learning models – including Support Vector Machine (SVM), Decision Tree (DT), and Random Forest (RF), each with hyperparameter tuning, as well as an Artificial Neural Network (ANN) and an ensemble voting classifier – were trained and cross-validated on the collected dataset. The best-performing models, including tuned Random Forest, ensemble, and ANN, achieved test accuracies in the 93 to 94 percent range. These results demonstrate that low-cost, multisensory platforms based on the Arduino Mega 2560, combined with advanced machine learning and correlation-driven feature engineering, enable reliable identification and quality control of organic compounds.
Published: 2025-09-24 19:00 UTC