FR3092910A1 - Procédé d’identification d’un article par signature olfactive - Google Patents

Procédé d’identification d’un article par signature olfactive Download PDF

Info

Publication number
FR3092910A1
FR3092910A1 FR1901602A FR1901602A FR3092910A1 FR 3092910 A1 FR3092910 A1 FR 3092910A1 FR 1901602 A FR1901602 A FR 1901602A FR 1901602 A FR1901602 A FR 1901602A FR 3092910 A1 FR3092910 A1 FR 3092910A1
Authority
FR
France
Prior art keywords
olfactory
article
item
given
signature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
FR1901602A
Other languages
English (en)
Other versions
FR3092910B1 (fr
Inventor
Samuel Guilaumé
David Sloo
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aryballe SA
Original Assignee
Aryballe Technologies SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aryballe Technologies SA filed Critical Aryballe Technologies SA
Priority to FR1901602A priority Critical patent/FR3092910B1/fr
Priority to PCT/FR2020/050294 priority patent/WO2020169917A1/fr
Priority to EP20710239.3A priority patent/EP3928093A1/fr
Priority to US17/431,526 priority patent/US20220137018A1/en
Publication of FR3092910A1 publication Critical patent/FR3092910A1/fr
Application granted granted Critical
Publication of FR3092910B1 publication Critical patent/FR3092910B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3236—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions
    • H04L9/3239—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions involving non-keyed hash functions, e.g. modification detection codes [MDCs], MD5, SHA or RIPEMD
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/025—Fruits or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Food Science & Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Computer Security & Cryptography (AREA)
  • Combustion & Propulsion (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Fats And Perfumes (AREA)

Abstract

La présente invention concerne un procédé mis en œuvre par un circuit de traitement informatique (CPU) relié à un nez électronique (NN) pour identifier un article donné par une signature olfactive, ledit procédé mettant en œuvre (EA) le nez électronique pour obtenir une signature olfactive (SM), répétant (EB) la mise en œuvre du nez électronique un premier nombre K de fois pour acquérir K signatures olfactives (S1, S2, …, SK), mettant en œuvre (EC) le circuit de traitement informatique pour estimer, sur la base desdites K signatures olfactives, un modèle (SMOD) de la signature olfactive de l’article donné, acquérant (ED), avec un nez électronique de même type, une mesure courante (SC) de signature olfactive d’un article courant, de même type que ledit article donné (P), et comparant (EE) la mesure courante audit modèle, pour estimer une similitude (SIM) entre l’article courant et l’article donné. (Figure d’abrégé : Figure 4)

Description

Procédé d’identification d’un article par signature olfactive
L’invention porte sur un procédé d’identification d’un article par signature olfactive. En particulier, l’invention concerne un procédé pour mesurer une évolution de signatures olfactives au cours du temps. L’invention porte également sur un dispositif configuré pour mettre en œuvre un tel procédé.
La traçabilité d’articles, notamment pour suivre les conditions d’acheminement de biens destinés à la grande distribution, constitue aujourd’hui un enjeu majeur des chaines d’approvisionnement. Au cours des différentes phases d’un approvisionnement d’articles depuis un producteur donné jusqu’aux consommateurs, par exemple au cours d’étapes de stockage et de transport (maritime, routier, etc.), ces biens peuvent subir des transformations affectant leur valeur. Ainsi, des chocs occasionnés lors du transport de fruits récoltés, ou des variations importantes de la température de bouteilles de parfums stockées dans un container, sont dommageables à leur qualité initiale.
Souvent, on constate en fin de chaine d’approvisionnement que les articles sont abimés et ne peuvent être distribués. Des transactions trop nombreuses, un transport violent ou encore un stockage mal conditionné sont autant d’évènements qui impliquent des transformations nuisant à la valeur de ces articles, et donc, à la fiabilité de leurs chaines d’approvisionnement. Ceci est particulièrement vrai dans le cas d’articles périssables, dont la maturation et la fraicheur est directement affectée par de tels évènements.
Pour suivre des articles au cours d’une chaine d’approvisionnement, il est connu des procédés et des dispositifs pour mesurer et enregistrer leur état et leur position à un instant donné. Ainsi, la collecte de ces données permet à différents intervenants de contrôler la fiabilité de la chaine d’approvisionnement de ces articles. Par exemple, il existe des puces NFC (« Near Field Communication », ou communication en champ proche, en français) ou des puces RFID (« Radio Frequency Identification », ou identification par radiofréquence, en français) pour identifier un article en un instant donné, et pour suivre sa position au cours du temps.
Un inconvénient des procédés et des dispositifs connus est qu’ils ne permettent pas d’établir un historique précis de la chaine d’approvisionnement. En fin de chaine d’approvisionnement, et avant livraison des articles à un destinataire final, il est donc difficile de déterminer précisément quand, où et dans quelles conditions des articles ont pu être endommagés sur la base des données récoltées.
Un autre inconvénient des procédés et des dispositifs connus est qu’ils ne garantissent pas que les données mesurées n’ont pas été altérées au cours de la chaine d’approvisionnement, volontairement ou involontairement. Si une comparaison de données issues de différents capteurs, par exemple des capteurs de chocs placés sur un container de bouteilles et des capteurs de position, permet en principe d’en déduire à quel moment de la chaine d’approvisionnement ces bouteilles ont pu être endommagées, un tiers peut supprimer ou falsifier ces données. L’accessibilité et la précision des données récoltées ne permettent donc pas toujours de comparer celles-ci entre-elles. L’origine et l’authenticité de ces articles ne sont donc pas toujours vérifiables.
Encore un autre inconvénient des procédés et des dispositifs connus est qu’ils ne permettent pas de mesurer et de suivre précisément l’état d’un article périssable dans le temps. Or, la maturation d’un article périssable, par exemple un fruit ou un légume, est susceptible de varier plus ou moins rapidement en fonction de ses conditions environnementales, ce que les capteurs actuels ne permettent pas de mesurer de manière fiable. Bien qu’il soit possible de mesurer la température, la température ou l’humidité à l’intérieur d’un container de denrées, ces mesures ne fournissent pas de renseignements quant à la maturation de ces denrées qui dépendent expressément et de manière complexe des conditions environnementales parmi bien d’autres facteurs liés notamment à la nature du bien périssable.
Il existe donc un besoin de proposer un procédé améliorant la situation et ne présentant pas l’un au moins des inconvénients précités.
Objet et résumé de l’invention
Afin de répondre à ce ou à ces inconvénients, l’invention concerne, selon un premier aspect, un procédé mis en œuvre par un circuit de traitement informatique, relié à un nez électronique, pour identifier un article donné par une signature olfactive de l’article donné, ledit procédé comprenant:
- mettre en œuvre le nez électronique comportant une pluralité de capteurs de présence de fluides susceptibles d’être présents dans un mélange de fluides issu de l’article donné, pour obtenir une signature olfactive dudit mélange, la signature olfactive comportant des proportions respectives desdits fluides dans le mélange ;
- répéter la mise en œuvre du nez électronique un premier nombre K de fois pour acquérir K signatures olfactives ;
- mettre en œuvre le circuit de traitement informatique pour estimer, sur la base desdites K signatures olfactives, un modèle de la signature olfactive de l’article donné ;
- acquérir, avec un nez électronique de même type, une mesure courante de signature olfactive d’un article courant, de même type que ledit article donné ; et
- comparer la mesure courante audit modèle, pour estimer une similitude entre l’article courant et l’article donné.
Dans les présentes, un article donné comprend et exhale un mélange de fluides. En particulier, il libère une partie de sa matière moléculaire sous forme de fluides tels que des gaz ou des liquides, qui peuvent interagir avec des capteurs d’un nez électronique tel qu’un nez électronique décrit ci-après, et comprenant des capteurs tels que des capteurs olfactifs, gustatifs ou des détecteurs de molécules particulières dans un gaz ou un liquide.
Dans les présentes, un circuit de traitement informatique est tout type de circuit intégré, ce circuit intégré comprenant un espace de stockage, par exemple une mémoire, et un processeur. L’espace de stockage est par exemple une mémoire non volatile (ROM ou Flash, par exemple) et peut constituer un support d’enregistrement, ce support d’enregistrement pouvant en outre comprendre un programme d’ordinateur. Le processeur est un processeur de données qui permet de mettre en œuvre les instructions d’un programme d’ordinateur. Ces instructions sont stockables dans une mémoire d’un dispositif informatique, par exemple un serveur, chargées puis exécutées par le processeur.
Dans les présentes, le premier nombre K est un nombre entier strictement supérieur à 1.
Ceci permet de détecter une détérioration des capteurs d’un nez électronique pouvant affecter la précision des signatures olfactives mesurées par ledit nez électronique. En pratique, les capteurs d’un nez électronique comprennent des couches de détection présentant une durée de vie limitée et telle qu’après un certain nombre de mesures, ces mesures sont faussées et peuvent ne plus être reproductibles. Le vieillissement des capteurs d’un nez électronique peut ainsi être détecté et indiquer la nécessité d’effectuer une réparation ou un remplacement. Ceci permet par ailleurs de fournir une méthode de calibration d’un tel nez électronique, par exemple sur la base de signatures olfactives d’échantillons d’articles non périssables tels que du sel, du sucre, de l’eau ou de l’alcool.
Dans un mode de réalisation de l’invention, l’article donné est un article périssable.
Dans les présentes, un article périssable est, de manière générale, tout article susceptible de se transformer et pas uniquement vers la péremption. Un article périssable peut être tout type d’article ne pouvant pas être conservé longtemps dans des circonstances normales sans s'altérer. Un article périssable peut aussi être une denrée alimentaire choisie parmi tout type de fruits, de viandes, de poissons, de légumes, de produits laitiers, d’œufs, de farineux, de céréales et/ou de légumineuses. De même, un article périssable peut être un gaz, un liquide voire un corps solide non destiné à la consommation alimentaire et dont les propriétés physico-chimiques sont susceptibles de varier lors de différentes étapes d’une chaine d’approvisionnement. Un article périssable peut aussi être du parfum, une essence, une colle, une huile moteur, etc.
Ceci permet de détecter des modifications d’une signature olfactive d’un article périssable donné pour en identifier une altération précise, par exemple en comparant deux signatures olfactives, dont une différence peut indiquer une origine géographique différente ou une contrefaçon.
Dans un mode de réalisation de l’invention, la mise en œuvre du nez électronique pour obtenir le premier nombre K de signatures olfactives dans le temps est effectuée successivement dans le temps pour acquérir une succession des K signatures olfactives dans le temps.
Ceci permet de construire un modèle d’évolution dans le temps à partir de plusieurs mesures différentes des signatures olfactives d’un mélange de fluides issus d’un article périssable. Il est ainsi possible de détecter des différences représentatives d’une transformation des composants de cet article périssable.
Dans un mode de réalisation de l’invention, l’article périssable présente plusieurs phases successives de maturation dans le temps et les K signatures olfactives sont représentatives desdites phases successives de l’article périssable.
Dans les présentes, une phase de maturation d’un article périssable est toute phase au cours de laquelle cet article voit ses qualités physico-chimiques se modifier de manière naturelle, par exemple par vieillissement, ou de manière non-naturelle, par exemple suite à une exposition à des bactéries. Dans le cas de denrées périssables tels que des fruits, on parle de maturité physiologique lorsque le fruit atteint son terme de croissance. Cette croissance peut être suivie d’un processus de mûrissement l’amenant à atteindre un niveau de maturation conforme aux normes requises pour une distribution à un consommateur, ce niveau de maturation pouvant être quantifié au moyen de différentes mesures physico-chimiques, par exemple.
Ceci permet de quantifier la maturation d’un article périssable au cours du temps et de fournir une référence à partir de laquelle plusieurs paramètres de l’article peuvent être identifiés, par exemple son origine ou des dégradations anormales qui sont apparues au cours d’une chaine d’approvisionnement de cet article.
Dans un mode de réalisation de l’invention, le circuit de traitement informatique est mis en œuvre pour estimer, sur la base desdites K signatures olfactives successives, un modèle d’évolution dans le temps de la signature olfactive de l’article périssable en fonction de ses différents états qualifiés ou phase de maturation.
Ceci permet de construire des modèles d’évolution de la maturation d’un article périssable donné à partir de similitudes estimées entre deux articles, ou d’un même article en des instants successifs. Il est ainsi possible de distinguer précisément différents articles périssables en fonction de leur type, de leur provenance géographique, de différences dans leur vitesse de maturation, etc.
Dans un mode de réalisation de l’invention, la comparaison de la mesure courante au modèle d’évolution dans le temps donne une estimation de similitude entre l’article courant et l’article périssable à une phase donnée de maturation de l’article périssable.
Ceci permet de comparer à posteriori une signature olfactive au modèle d’évolution pour en déduire une déviation à un instant donné de la phase de maturation attendue à l’étape de la prise de mesure.
Dans un mode de réalisation de l’invention, le modèle de la signature olfactive de l’article donné est obtenu par une analyse multivariée des K signatures olfactives, déterminées chacune par des proportions respectives desdits fluides dans le mélange, le modèle étant défini dans un espace de L dimensions, l’analyse multivariée étant sélectionnée parmi une analyse en composantes principales ou une analyse en positionnement multidimensionnels.
Dans les présentes, l’application d’une analyse multivariée permet de transformer des proportions, mesurées, respectives de fluides dans un mélange qui sont corrélées entre-elles en de nouvelles variables dé-corrélées les unes des autres. Le nombre L de dimensions est inférieur ou égal au premier nombre K.
En variante, le modèle peut être défini au moyen d’autres types d’analyse tels que par l’intermédiaire de l’utilisation de réseaux de neurones, d’arbres de décision, de forêts aléatoires etc…
Dans un mode de réalisation de l’invention, l’analyse multivariée est sélectionnée parmi une analyse en composantes principales ou une analyse en positionnement multidimensionnels.
Dans les présentes, une analyse en composantes principales permet de distinguer les contributions les plus importantes parmi les proportions respectives des fluides dans un mélange, en réduisant le nombre de variables utilisées. Ceci rend l'information fournie par celles-ci moins redondant, tout en permettant de synthétiser l’information pertinente sous la forme de composantes principales, pouvant être définies comme des « odeurs », et résultant d’une combinaison des proportions mesurées.
Une analyse en positionnement multidimensionnels permet de séparer les proportions respectives des fluides dans un mélange en fonction de leurs variances, ce qui permet aussi de maximiser la variance dans l’espace de dimensions L. Les distances sont ainsi contrastées et les contributions les plus faibles, généralement dues au bruit mesuré par les capteurs, peuvent être éliminées plus facilement.
Dans un mode de réalisation de l’invention, le modèle est défini par un jeu de vecteurs-phases dans l’espace de L dimensions, chaque vecteur-phase caractérisant une phase de maturation de l’article périssable.
Dans les présentes, un vecteur-phase est un vecteur à L composantes déterminé comme étant une signature représentative, par exemple une signature moyenne ou une signature médiane, d’une pluralité de signatures olfactives acquises, ce vecteur étant caractérisé par une norme et une direction dans l’espace de L dimensions.
Ceci permet de quantifier et de représenter une phase donnée de maturation d’un article périssable à partir d’une pluralité de signatures olfactives sélectionnées pour caractériser ladite phase de maturation.
Dans un mode de réalisation de l’invention, on estime, dans l’espace de L dimensions, une distance entre un point représentant la mesure courante et chaque vecteur-phase, la plus petite des distances estimées caractérisant un état de maturation courant de l’article périssable.
Ceci permet, sur la base d’une seule mesure courante, de déterminer de quelle phase de maturation un article courant est le plus proche.
Dans un mode de réalisation de l’invention, la distance est une valeur absolue, une distance euclidienne ou une distance entre le point représentant la mesure courante et plusieurs vecteurs-phase plus proches voisins.
Ceci permet de rendre plus précise la détermination d’une phase de maturation de laquelle un article courant est le plus proche, et notamment de mieux discriminer plusieurs phases de maturation proches.
Dans un mode de réalisation de l’invention, le nombre de capteurs que comprend le nez électronique est inférieur ou égal à 100, et de préférence égal à 25.
Ceci permet d’assurer l’acquisition d’un nombre optimal de fluides présents dans un mélange de fluides issus d’articles donnés en vue d’estimer un modèle suffisamment précis de la signature olfactive de ces articles tout en minimisant le taille du nez électronique.
Dans un mode de réalisation de l’invention, le procédé comporte en outre:
- grouper plusieurs signatures olfactives en au moins deux groupes, chaque groupe étant défini par un barycentre des signatures dans ledit groupe, la distance de chaque signature audit barycentre étant inférieure ou égale à une distance prédéterminée ;
- comparer les distances entre la mesure courante et chacun desdits groupes, pour associer l’article courant au groupe dont l’article courant est le plus proche.
Dans les présentes, le barycentre d’un groupe de points dans un espace de 1 dimension correspond à la médiane ou à la moyenne de ces points. Dans un espace de L dimensions où L est supérieur à 1, le barycentre d’un groupe de points, chaque point étant défini par un L-uple de coordonnées, est un point dont chaque coordonnée correspond à la médiane ou à la moyenne des coordonnées de ces points qui sont de même rang.
Ceci permet d’identifier et de distinguer les signatures olfactives correspondant à des phases de maturation différentes selon différents groupes, de représenter chaque groupe par une seule signature olfactive virtuelle, dite barycentre, et d’identifier de quelle phase de maturation un article courant est le plus proche.
Tout autre moyen de classification pourra être utilisé indifféremment pour rendre compte de la phase d’un vecteur d’article courant parmi les phases apprises.
Dans un mode de réalisation de l’invention, le procédé comporte en outre:
- mettre en œuvre un capteur complémentaire choisi parmi un capteur de marquage, un capteur de géolocalisation, un capteur de température, un capteur de pression, un capteur d’humidité ou un capteur d’accélération pour mesurer un paramètre complémentaire de l’article donné ;
- acquérir, avec un capteur complémentaire de même type, une paramètre complémentaire courant de l’article courant, de même type que l’article donné ; et - associer ledit paramètre complémentaire au groupe dont l’article courant est le plus proche.
Ceci permet d’améliorer l’identification de l’article courant par rapport à une phase de maturation donnée à partir de mesures effectuées par des capteurs qui ne sont pas des capteurs olfactifs, en faisant correspondre un tag, une valeur spatio-temporelle, une valeur de température, une valeur de pression, une valeur d’humidité ou une valeur d’accélération à cette phase de maturation.
Dans un mode de réalisation de l’invention, le procédé comporte en outre un traitement de données d’un résultat de ladite estimation de similitude entre l’article courant et l’article donné, pour protéger lesdites données contre une falsification.
Dans les présentes, et de manière non limitative, un exemple de système de traitement de données met en œuvre un dispositif d'émission-codage comprenant des moyens de codage d’une signature olfactive et/ou d’un résultat d’une estimation d’une similitude entre un article courant et un article donné. Ce dispositif d'émission-codage est par exemple compris dans le nez électronique ou dans le circuit de traitement informatique, qui comprend en outre des moyens d’émission de l’information codée. Cet exemple de système de traitement comprend en outre un dispositif de réception-décodage comprenant des moyens pour recevoir cette information codée et des moyens pour la décoder. Ce dispositif de réception-décodage est par exemple compris dans une interface homme-machine ou machine-machine.
Ceci interdit à un tiers d’altérer les signatures olfactives acquises par les capteurs du nez électronique, ainsi que le résultat d’une estimation de similitude entre un article courant et l’article donné.
Dans un mode de réalisation de l’invention, lesdites données de résultat sont traitées par une chaîne de blocs.
Dans les présentes, une chaine de blocs est tout type d’environnement d'informatique distribuée tel qu’un système client-serveur mis en réseau avec une interface d’un utilisateur, notamment en combinaison avec un système de traitement de données.
Ceci permet de stocker et de transmettre des informations avec une sécurisation renforcée, par le biais d’un processus de consensus au sein d’un réseau formé par plusieurs intervenants d’une chaine d’approvisionnement. L’utilisation d’une chaine de blocs préserve aussi la fiabilité des mesures de signatures olfactives effectuées au cours d’une chaine d’approvisionnement, ce qui permet de prévenir d’avantage d’éventuelles tentatives de falsification. Le traitement d’une signature olfactive et/ou des données de résultat au sein d’une chaine de blocs fournissent une garantie fiable des mesures effectuées dans le cadre d’une chaine d’approvisionnement donnée.
Selon un autre aspect, l’invention a pour objet un dispositif pour identifier un article donné par sa signature olfactive, le dispositif comprenant :- un nez électronique, comportant une pluralité de capteurs de présence de fluides susceptibles d’être présents dans un mélange de fluides issu de l’article donné,- un circuit de traitement informatique, relié au nez électronique pour obtenir une signature olfactive dudit mélange, la signature olfactive comportant des proportions respectives desdits fluides dans le mélange, et le circuit de traitement informatique étant configuré pour mettre en œuvre le procédé selon l’une des revendications précédentes.
Selon un autre aspect, l’invention a pour objet un programme informatique comportant des instructions de tout ou partie d’un procédé tel que défini dans les présentes lorsque lesdites instructions sont exécutées par un processeur d’un circuit de traitement.
D’autres caractéristiques, détails et avantages de l’invention apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, sur lesquels :
, la figure 1, représente une vue d’un nez électronique pour mettre en œuvre un procédé conforme à l'invention ;
, la figure 2, représente une vue de capteurs d’un nez électronique pour mettre en œuvre un procédé conforme à l'invention ;
, la figure 3, représente, un exemple de représentation d’une signature olfactive acquise par un nez électronique ;
, la figure 4, représente une vue schématique d’un procédé selon un exemple de mise en œuvre de l’invention ;
, la figure 5, représente, un exemple de modèle d’évolution dans le temps d’une signature olfactive d’un article périssable ;
, la figure 6, représente, un exemple de mise en œuvre d’un procédé conforme à l'invention dans le cadre d’une chaine d’approvisionnement ;
, la figure 7, représente, un exemple de modèle défini par l’application d’une analyse multivariée à plusieurs signatures olfactives pour définir un modèle dans un espace de 2 dimensions ; et
, la figure 8, représente, un exemple de comparaison entre un article courant et des articles donnés au moyen d’un jeu de vecteurs-phases dans un espace de 2 dimensions.
Sauf indications contraires, les éléments communs ou analogues à plusieurs figures portent les mêmes signes de référence et présentent des caractéristiques identiques ou analogues, de sorte que ces éléments communs ne sont généralement pas à nouveau décrits par souci de simplicité.
Dans les présentes, un nez électronique est un dispositif physique configuré pour acquérir une signature olfactive d’un objet donné, par exemple un article périssable, à partir d’odeurs exhalées par cet article. Un nez électronique comprend typiquement une pluralité de capteurs configurés pour reconnaître la présence d’un composé cible, par exemple un analyte chimique ou biologique, dans un fluide comme un échantillon gazeux ou liquide.
La figure 1 représente un exemple d'un nez électronique NN configuré pour mettre en œuvre un procédé conforme à l'invention. La figure 2 est une vue d’une couche métallique CM que comprend le nez électronique NN et de ses capteurs C1, C2, …, CN, cette couche métallique étant prévue pour favoriser la détection, et en particulier l’adsorption, de fluides dans un mélange en contact avec la couche CM.
Dans un exemple présenté ici, le nez électronique NN comprend une couche métallique CM, de préférence plane, et comprenant par exemple de l’Or. La couche CM du nez électronique NN comprend en outre un nombre N de capteurs C1, C2, …, CNformés sur une première face F1 de la couche métallique CM de sorte que la première face F1 de la couche métallique CM et lesdits capteurs soient en contact avec un mélange d’un fluide, en particulier un fluide de nature diélectrique, par exemple un liquide ou un gaz qui est exhalé par un article à analyser au moyen du nez électronique NN.
Dans un exemple présenté ici, le nombre N de capteurs que comprend le nez NN peut varier entre 1 et plusieurs centaines, de préférence entre 20 et 100. De manière non limitative, les exemples présentés ici se rapportent à un nez NN comprenant 10 ou 25 capteurs pour optimiser la taille du nez NN tout en lui permettant de maximiser se sensibilité. Dans les présentes, la pluralité de capteurs comprend au moins deux capteurs de sensibilité différente pour obtenir une signature olfactive dudit mélange.
Dans un exemple présenté ici, le nez électronique NN comprend également un support SS pour ladite couche métallique CM. Le support SS est agencé contre une deuxième face F2 de la couche métallique CM, cette deuxième face F2 étant opposée à la première face F1. De manière générale, le support SS est formé en un matériau diélectrique et présente un indice de réfraction supérieur à l’indice de réfraction du mélange à analyser. Ce support SS est par exemple un prisme en verre.
Dans un exemple présenté ici, une autre couche métallique (non représentée) de faible épaisseur, par exemple réalisée en Chrome (Cr), est prévue entre la deuxième face F2 et le support SS pour assurer une accroche stable de la couche métallique CM sur le support SS.
Dans un exemple présenté ici, le nez électronique NN comprend en outre un système d’aspiration pour capturer un échantillon de volume d’un fluide. La couche métallique CM et les capteurs C1, C2, …, CNsont logés dans une chambre CC, et cette chambre CC comprend une entrée NI et une sortie NO. La sortie NO est par exemple reliée à une pompe externe (non représentée) qui permet d’alimenter la chambre CC avec un flux fluidique parfaitement contrôlé entre l’entrée NI et la sortie NO.
Le nez électronique NN comprend en outre des moyens informatiques tels qu’un micro-processeur, un étage de communication entrée/sortie et des moyens de connexion et de communication avec d’autres dispositifs électroniques, en particulier avec un circuit de traitement informatique ou un serveur. Ces moyens de connexion et de communication peuvent être filaires ou non filaires.
Dans un exemple présenté ici, les capteurs C1, C2, …, CNdu nez électronique NN sont des transducteurs sensibles à des résonances plasmoniques (« surface plasmon resonance », ou SPR, en anglais) générées au niveau de la première face F1 de la couche métallique CM en contact avec le fluide dans la chambre CC. En vertu des principes de mesure de la SPR, une résonance plasmon générée au niveau de la première face F1, moyennant une polarisation de la lumière incidente, permet de mesurer des variations de l’indice de réfraction du fluide par les capteurs au moyen d’une détection de niveaux de gris correspondants, au moyen de caméras CCD, par exemple.
Des variations locales d’indice de réfraction peuvent ainsi être mesurées par les capteurs C1, C2, …, CNlorsque différentes molécules présentes du fluide analysé sont adsorbées, par exemple lorsque des composés organo-volatils présents dans un gaz exhalé par un article placé à proximité du nez électronique NN sont adsorbés par plusieurs des capteurs C1, C2, …, CN. Les molécules adsorbées sont ensuite imagées pour en déduire des niveaux de gris représentatifs de leur concentration.
Par exemple, ces capteurs C1, C2, …, CNsont con[Figurés pour adsorber différents composés tels que des heptanes, des octanes, des nonanes, de l’éthanol ou encore du bêta-pinène. A chaque capteur du nez électronique NN correspond ainsi une intensité mesurée I1, I2, …, INrespective des proportions respectives de ces composés ou fluides dans ce mélange. Ces proportions peuvent éventuellement être normalisées lors de la mesure ou après celle-ci.
Des résultats de mesure obtenus par 10 capteurs C1, C2, …, C10d’un nez électronique NN sont représentés sur la figure 3 sous la forme d’un graphe « radar », ces résultats formant une signature olfactive d’un mélange de fluides issu d’un article donné P, par exemple d’un parfum produit par un contrefacteur ou d’une banane juste cueillie au Brésil.
Dans le cadre d’une mesure d’une signature olfactive de cet article, cet article exhale un ensemble des composés organo-volatiles et chaque capteur adsorbe un ou plusieurs de ces composés. La mesure de variations d’indice de réfraction dans le gaz permet alors d’identifier que des composés différents réagissent avec des intensités différentes en fonction de chaque capteur.
Dans l’exemple présenté ici, les intensités mesurées par le nez électronique NN sont clairement séparées et quantifiées en fonction de chaque capteur, par exemple une intensité I1égale à 40 d’un composé d’éthanol est mesurée par le capteur C1, une intensité I2égale à 60 d’un composé d’octane est mesurée par le capteur C2, … et une intensité I10égale à 35 d’un composé de nonane est mesurée par le capteur C10. Ces intensités peuvent aussi être représentées par un vecteur à 10 composantes, égal à (40, 60, …, 35).
Dans l’exemple présenté ici, le signal fourni par chaque capteur correspond aux intensités mesurées et normalisées par rapport à l’ensemble des capteurs. En particulier, l’intensité normalisée correspondante peut être définie comme étant l’intensité mesurée par un capteur donné divisée par la norme, ladite norme étant égale à la racine carrée de la somme des carrés des intensités mesurées par chaque capteur. Cette normalisation permet de séparer l’intensité de la signature elle-même, ce qui est avantageux par exemple lorsque la concentration de fluide présent dans le mélange, ou l’odeur, de l’article est trop forte, ce qui résulte en une saturation du capteur correspondant. Les proportions relatives étant respectées lors de la normalisation, il est possible de comparer différentes signatures acquises au cours du temps par un même type de nez électronique. Pour chaque signature olfactive acquise, une normalisation des intensités correspondant aux proportions respectives des fluides permet aussi, par la suite, d’estimer un modèle de signatures olfactives au moyen d’une analyse multivariée appliquée à des données normalisées.
Ainsi, une intensité donnée rend compte de la proportion respective de fluides adsorbés par les différents capteurs du nez électronique NN, et donc de la concentration de ces composés dans le mélange de fluides de l’article. Pour 10 capteurs on obtient donc, pour un article donné, 10 rayons correspondant chacun à la réponse d’un capteur. Une signature olfactive est ainsi représentée sur le graphe radar par une surface dont la forme varie en fonction de l’odeur exhalée par l’article en un instant donné.
On peut donc comparer différentes surfaces pour distinguer des signatures olfactives d’un article donné à différents instants, les différences entre ces surfaces ou signatures pouvant être la conséquence de transformations internes de l’article, par exemple en raison d’une contrefaçon ou d’une maturation, ou du vieillissement du nez électronique NN en raison de la dégradation de ses capteurs.
La figure 4 illustre un organigramme représentant un procédé selon un exemple de mise en œuvre de l’invention.
Au cours d’une étape EA, un nez électronique NN est mis en œuvre pour acquérir, en entrée, une signature olfactive SM d’un mélange de fluides issu d’un article donné P. La signature est acquise par l’ensemble des capteurs que comprend le nez électronique NN, par exemple 25 capteurs C1, C2, …, C25.
Au cours d’une étape EB, l’étape de mise en œuvre EA est répétée un premier nombre K de fois pour acquérir autant de signatures olfactives correspondantes. Selon différentes variantes, ces K signatures olfactives peuvent être acquises pour un même article donné P en des instants T1, T2, …, TK très proches les uns des autres pour fournir une mesure plus précise par calcul de moyennes, ce qui permet notamment de calibrer un nez électronique NN imparfait. Ces K signatures olfactives peuvent aussi être acquises à partir de plusieurs articles de même type, par exemple à partir de plusieurs bananes d’un même container, pour en fournir une mesure globale. Ces K signatures olfactives peuvent aussi être acquises à partir d’un même article périssable en des instants T1, T2, …, TK successifs éloignés les uns des autres pour fournir des signatures olfactives représentatives de phases successives de maturation dans le temps de cet article périssable, ou pour définir un modèle d’évolution dans le temps de sa signature olfactive comme expliqué ci-après.
Dans l’exemple présenté ici, les K signatures acquises sont enregistrées dans une mémoire, par exemple sous la forme d’un premier nombre K de couples (S1, T1), (S2, T2), …, (SJ, TJ), … (SK, TK) où la « J-ième » signature olfactive SJ est mesurée en un instant TJ correspondant, J étant un nombre inférieur au premier nombre K. En variante, les K signatures sont enregistrées dans une mémoire sous la forme d’un nombre K de triplets (S1, T1, P1), (S2, T1, P2), …, (SK, TY, PZ) où « Y » est le nombre d’instants de mesures et « Z » le nombre d’articles, la somme des nombres « Y » et « Z » étant égale au premier nombre K.
Selon différentes variantes, on peut ainsi mesurer les signatures olfactives d’un seul article périssable acheminé au cours d’une chaine d’approvisionnement, ou les signatures olfactives d’une pluralité d’articles périssables appartenant à un même lot, par exemple une dizaine de bananes d’un même régime stocké dans un container de transport. Dans ce cas, une seule signature olfactive peut être utilisée pour représenter l’ensemble des articles du lot, ou pour permettre une calibration ultérieure des capteurs du nez électronique NN.
La figure 5 représente l’exemple simplifié de 10 signatures olfactives acquises successivement dans le temps en 5 instants T1, T2, …, T5, ces signatures olfactives étant définies par l’intensité I telle que mesurée par un capteur unique C1. Sont représentés le cas d‘un premier article périssable P1 correspondant aux 5 points noirs et d’un deuxième article périssable P2, correspondant aux 5 points blancs. Dans cet exemple, on voit que la proportion de fluide mesurée par ce capteur dans un mélange de fluides issu de P1 décroît au cours du temps tandis que la proportion du même fluide mesurée par ce même capteur dans un mélange de fluides issu de P2 décroît globalement au cours du temps, ce qui résulte en deux signatures olfactives très différentes.
La figure 6 représente un organigramme schématisent un exemple de mise en œuvre d’un procédé conforme à l'invention dans le cadre d’une chaine d’approvisionnement d’articles.
On considère ici le cas d’un article donné P périssable, en particulier des bananes de même type, qui est fourni par un producteur au cours d’une même chaine d’approvisionnement jusqu’à un distributeur. On suppose que ces bananes sont récoltées lors d’une phase T1, conditionnées et stockées lors d’une phase T2, transportés par véhicule au cours d’une phase T3 et distribuées en magasin au cours d’une phase T4.
A tout moment lors de l’une de ces 4 phases T1, T2, T3 et T4, un nez électronique NN peut être utilisé pour acquérir des signatures olfactives S1, S2, S3 et S4 respectives à partir d’échantillons de bananes représentatifs de l’une ou l’autre de ces phases.
En fonction de l’état des bananes en chacune de ces phases, différentes signatures olfactives sont acquises au cours du temps. Dans le cas où le nez électronique NN comprend 10 capteurs, la signature olfactive S1 correspond à 10 proportions I1 1, …, I1 10 respectives des fluides dans le mélange exhalé par ces bananes lors de la phase T1. En fonction des conditions environnementales, des conditions d’approvisionnement et de la maturation propre de ces bananes évoluant au cours du temps, la signature olfactive S2 correspondant aux 10 proportions I2 1, …, I2 10 du mélange exhalé par les bananes lors de la phase T2 est différente, et ainsi de suite pour les 10 proportions mesurées par les capteurs lors de la phase T3 et pour les 10 proportions mesurées par les capteurs lors de la phase T4. Les représentations des 4 signatures S1, S2, S3 et S4 sous la forme d’un graphe « radar » sont donc différentes.
Chacune de ces signatures est ensuite transmise à un circuit de traitement informatique CPU, pour estimer un modèle SMOD de la signature olfactive des bananes pour l’ensemble des phases T1, T2, T3 et T4, et rendant compte de son évolution au cours du temps. Ce modèle SMOD est estimé au moyen d’une analyse statistique, comme décrit ci-après.
A tout moment, le nez électronique NN peut être utilisé pour mesurer, et comparer au modèle SMOD, une mesure courante SC d’une signature olfactive d’un article courant PC, par exemple un échantillon de bananes tombé lors d’un instant intermédiaire T5 compris entre les deux phases T2 et T3. Le résultat de cette comparaison permet d’identifier et d’estimer une similitude SM entre la mesure courante SC et le modèle SMOD.
Revenant à la figure 4, les étapes EA et EB sont mises en œuvre par un nez électronique NN. Après l’étape EA, suite aux étapes EA, EB ou simultanément à l’une des deux étapes EA et EB, un nez électronique de même type que NN, et de préférence identique, est mis en œuvre pour effectuer une mesure courante SC de signature olfactive d’un article courant PC, de même type que l’article donné P. Ceci permet par la suite de comparer la mesure courante SC à l’une ou plusieurs des autres signatures olfactives, et en particulier, à un modèle de la signature olfactive de l’article donné P établie lors d’une autre étape.
Les K signatures olfactives acquises au cours de l’étape EB sont ensuite transmises à un circuit de traitement informatique CPU qui leur applique une analyse statistique afin d’estimer un modèle SMOD de la signature olfactive de l’article donné P. La manière dont ce modèle est estimé sera détaillée en lien avec les figures suivantes.
Dans l’exemple présenté ici, le nez électronique NN est connecté au circuit de traitement informatique CPU et sont tous les deux compris dans un dispositif DD pour identifier l’article donné P par sa signature olfactive conformément aux présentes. Le circuit de traitement CPU est relié au nez électronique es configuré pour mettre en œuvre le procédé selon l’une des revendications précédentes.
Après l’étape EB, les K signatures olfactives sont transmises à un module de sortie SOUT du nez électronique NN qui est en communication avec un module d’entrée CIN du circuit de traitement informatique CPU, ces deux modules formant une interface de communication entre le nez électronique NN et le circuit de traitement informatique CPU.
Le dispositif DD comprend en outre un module de communication (non représenté) pour connecter ledit dispositif à un réseau externe R, et d'échanger des données avec d'autres dispositifs par l'intermédiaire dudit réseau. Par exemple, le module de communication peut être une interface réseau Wifi ou Ethernet, ou encore un module de communication Bluetooth. De préférence, le module de communication comprend aussi un module de réception de données et un module d’émission de données.
Une fois le modèle SMOD établi, celui-ci est comparé avec une mesure courante SC de signature olfactive d’un article courant PC, par exemple issue d’un échantillon de bananes. La mesure SC est acquise lors de l’étape ED. Par exemple, la mesure SC est acquise en l’une quelconques des phases T1, T2, T3, T4, SC se rapportant au même type de bananes que celui utilisé pour établir le modèle SMOD. Comme pour les K signatures olfactives, la mesure SC est transmise au module de sortie SOUT du nez électronique qui la communique au module d’entrée CIN du circuit de traitement informatique CPU. Le module d’entrée CIN compare ensuite la mesure SC au modèle SMOD pour en estimer une similitude SIM avec l’article PC. Cette estimation de similitude SIM est ensuite transmise à un module de sortie COUT du circuit de traitement informatique CPU, qui la communique à un réseau externe R, par exemple un serveur ou tout autre dispositif permettant de traiter sécuriser les données sortantes, par exemple au moyen d’un traitement de données d’un résultat de ladite estimation de similitude, notamment pour protéger ces données contre une falsification, par exemple via un circuit de traitement de données par chaine de blocs (non représenté).
Dans un autre exemple (non représenté), le procédé est aussi applicable au cas d’un article P non périssable, par exemple du sel de mer récolté lors d’une phase T1, acheminé au cours de phases T2 et T3 et finalement distribué lors d’une phase T4. Dans ce cas, la calibration, la précision et/ou la fiabilité d’un même nez électronique NN peuvent être vérifiées à tout moment en comparant au moins deux signatures olfactives d’un mélange de fluides issu de l’article P. Un contrôle précis du nez électronique NN peut donc être effectué en estimant une similitude SIM entre une mesure courante SC de signature olfactive d’un échantillon de sel d’un article courant PC lors de l’une quelconque des phases T1, T2, T3 et T4 et le modèle établi de la signature olfactive du sel P sur la base des signatures olfactives de celui-ci lors de l’ensemble des phases T1, T2, T3 et T4 ou de certaines d’entre elles.
La figure 7 représente un exemple de résultats obtenus par l’application d’une analyse statistique à 40 signatures olfactives S1, S2, …, S40 qui ont été acquises à partir d’un même type d’article donné P.
Dans le cas présent, ces 40 signatures olfactives sont acquises pour un même article périssable, par exemple des bananes originaires du Brésil, lors de 4 phases de maturation successives. Selon une variante, ces 40 signatures olfactives peuvent aussi se rapporter à celles correspondant à 10 bananes prises parmi 4 échantillons différents.
Dans l’exemple présenté ici, une estimation d’un modèle SMOD de la signature olfactive de l’article donné P est mise en œuvre via l’application d’une analyse multivariée. Une analyse multivariée consiste à effectuer une réduction dimensionnelle des données acquises.
En particulier, l’analyse multivariée qui est appliquée est une analyse par composantes principales, qui permet de déterminer une pluralité, ici un deuxième nombre L de paramètres définissant un état respectif de l’article dans un espace à L dimensions, L définissant deux dimensions Dim1 et Dim2 sur les figures 7 et 8.
Dans le cas présent, chaque signature olfactive représente les proportions respectives de fluides issus de P telles que mesurées par 25 capteurs C1, C2, …, C25d’un nez électronique NN. Avant l’application de l’analyse multivariée, l’article donné P est identifié par 40*25 valeurs de proportions, et peut donc être représenté par 40 points dans un espace à 25 dimensions. Après l’application de l’analyse multivariée, l’article P peut être représenté par 40 points comprenant chacun deux coordonnées, dans un espace de 2 dimensions. De manière non limitative, le nombre L de dimensions est compris entre 1 et 10 et de préférence entre 1 et 5, et dans tous les cas inférieur au nombre de capteurs.
D’autres méthodes d'analyse peuvent être utilisées. On peut mentionner, à titre d'exemple non limitatif, l'analyse par composantes principales, ou ACP ; une analyse en positionnement multidimensionnels, ou MDS ; une régression par composantes principales, ou PCR ; une régression par moindres carrés partiels, ou PLS ; une analyse discriminante par moindres carrés partiels, ou PLS-DA. La plupart de ces méthodes, en particulier PLS-DA, présente l'avantage de tenir compte d’un apprentissage préalable des différents groupes d'échantillons ayant subi des traitements similaires, ce qui optimise la séparation des points en différents groupes.
Une analyse multivariée permet ainsi de réduire l’information correspondant à 25 proportions mesurées d’une signature olfactive et de les réduire à 2 composantes principales. Un nombre limité de composantes principales, idéalement les plus significatives, est choisi pour expliquer la variabilité des signatures olfactives de façon optimale.
Dans l’exemple présenté ici, plusieurs signatures olfactives sont donc regroupées en différents groupes après l’application de l’analyse multivariée. Les 40 signatures olfactives de l’article périssable forment 4 nuages comportant chacun 10 points regroupés en 4 groupes G1, G2, G3 et G4 dans cet espace de dimensions réduites. Ces nuages de points, ou centroïdes, déterminent ainsi des groupes ayant notamment la forme d'un intervalle (à 1 dimension), cercle (à 2 dimensions), sphère (à 3 dimensions) ou hyper-sphère (à plus de 3 dimensions). L’analyse multivariée permet donc de regrouper les signatures olfactives représentées dans l’espace de L dimensions, et d’estimer des variabilités par rapport aux centroïdes, ces variabilités pouvant être dues, par exemple, à la maturation de l’article périssable que l’on cherche à identifier ou du vieillissement des capteurs du nez électronique dans le temps.
Dans le cas où le nombre de dimensions est égal à 2, on peut définir une signature olfactive virtuelle représentant l’ensemble des signatures les plus proches dans un groupe donné, ici en l’occurrence 4 centres SG1, SG2, SG3 et SG4 correspondants aux groupes G1, G2, G3 et G4, respectivement. Ces signatures olfactives virtuelles définissent un centroïde ou barycentre du nuage de points correspondant (ou, dans le cas d’une seule dimension, sa médiane) ainsi qu’un rayon correspondant (non représenté). Un tel rayon est par exemple défini par l'intervalle de confiance des points de référence. Les centroïdes peuvent par exemple encadrer 95% ou 99% de la variabilité de chaque groupe, etc. Un rayon peut aussi être défini par une distance calculée entre le centre et le point le plus éloigné, comme détaillé ci-après.
En lien avec les figures 7 et 8, et pour chaque point correspondant à une signature olfactive d’un article à identifier, il est possible de déterminer une distance D entre plusieurs points et/ou plusieurs vecteurs-phase. Une distance définie dans un espace de L dimensions peut être de différents types, par exemple une valeur absolue, une distance euclidienne ou une distance entre un nombre donné de plus proches voisins. Prenant pour point de référence l’origine du référentiel de l’espace vectoriel de L dimensions, une distance D est généralement une norme « L Dans un espace à 1 dimension, la distance peut être la norme « 1 » donnée par la somme des valeurs absolues. Dans un espace à 2 dimensions, la distance peut être la racine carrée de la somme des carrés. Dans un espace de L dimensions, la norme L est la « 1/Lème» racine de la somme des éléments à la Lèmepuissance, etc.
Dans les deux cas, ces 40 signatures ont été acquises à l’aide d’un même nez électronique NN comportant 25 capteurs, chaque capteur étant sensible à un fluide différent susceptible d’avoir été présents dans un mélange de fluides issu de P
Un modèle SMOD peut ensuite être estimé sur la base de l’interpolation d’une trajectoire passant par chaque groupe de points, et en particulier, par chacun des barycentres de ces groupes. En variante, l’application d’une régression sur les composantes principales permet d’obtenir une trajectoire attendue, qui peut être linéaire ou non.
La figure 8 représente un exemple de comparaison entre un article courant et des articles donnés au moyen d’un jeu de vecteurs-phases dans un espace de 2 dimensions.
Dans le cas d’un espace de L dimensions, la définition d’une distance permet de quantifier et de comparer des phases de maturation d’un article périssable. Un vecteur-phase indicateur dans un espace de L dimensions est typiquement défini par un ensemble de coordonnées X1, X2, …, XL dans cet espace, lesdites coordonnées étant utilisées pour calculer des distances entre les vecteurs-phases.
Dans le présent exemple, un premier vecteur VG1 à deux composantes désigne la position d’un premier barycentre SG1, un deuxième vecteur VG2 à deux composantes désigne la position d’un deuxième barycentre SG2 et un troisième vecteur VG3 à deux composantes désigne la position d’un troisième barycentre VG3.
Dans cet exemple, un point SGC correspondant à la mesure courante SC est représenté dans l’espace de 2 dimensions Dim1 et Dim2 suite à l’application d’une analyse multivariée. On détermine alors de quel barycentre le point SGC est le plus proche par comparaison relative des distances séparant ce point des différents barycentres, ce qui permet d’estimer de quel groupe et donc de quelle phase de maturation la mesure courante SC de l’article courant PC est la plus proche. En pratique, un vecteur-phase virtuel VGC (non représenté) peut être déterminé pour correspondre au point SGC. Sur la base de la comparaison de la distance D1 définie entre le vecteur-phase VG1 et VGC, de la distance D2 définie entre VG2 et VGC, de la distance D3 définie entre VG3 et VGC, on peut déduire que SGC est le plus proche de SG2 dans l’espace de dimensions Dim1 et Dim2. En effet, la distance D2 étant plus petite que les distances D1 et D3, on déduit de cette comparaison que l’article courant PC appartient plus probablement au groupe G2, et que celui-ci est probablement plus proche de la phase de maturation correspondante.
Dans l’exemple présenté ici, au moins l’une des distances déterminées entre la mesure courante représentée dans l’espace de L dimensions et l’un des barycentres permet de définir une similitude SIM, par ailleurs quantifiée, entre l’article courant PC l’article donné grâce à l’estimation du modèle SMOD.
Avantageusement, la probabilité qu’un article courant soit dans une phase de maturation donnée peut aussi être quantifiée grâce à la distance séparant le vecteur VGC du vecteur-phase associé au barycentre du groupe correspondant à cette phase de maturation.
De manière générale, une donnée de résultat d’une estimation de similitude SIM entre l’article courant et l’article donné comprend des données sélectionnées parmi toute signature olfactive, tout vecteur-phase, tout modèle de signature olfactive et/ou toute distance établis comme expliqué précédemment.
Dans l’exemple présenté ici, ces données de résultat sont traitées pour être protégées contre une falsification. En particulier, ces données de résultat sont traitées par une chaîne de blocs.
Par exemple, ce traitement est mis en œuvre par l’unité de traitement informatique CPU, qui est configurable pour coder les données de résultat en les plaçant dans une somme de contrôle (« hash », en anglais) d’une chaîne de blocs (« blockchain », en anglais). En variante, ce traitement est mis en œuvre par un circuit de traitement de données par chaine de blocs, CBC (non représenté), qui est en communication avec le circuit de traitement informatique CPU (par exemple une succession de serveurs communicants ou autre). Cette communication peut être permanente ou occasionnelle. En variante, le circuit de traitement informatique CPU comprend ce circuit CBC ou constitue lui-même ce circuit de traitement de données par chaine de blocs.
En particulier, l’ensemble de ces données sont incluses dans une ou plusieurs sommes de contrôle définissant une donnée codée, par exemple dans des sommes de contrôle hexadécimales. De manière non limitative, ces sommes de contrôle peuvent être des sommes de contrôle déterminées par des algorithmes de type MD5 ou SHA, qui ont l’avantage de sécuriser le format des données incluses tel que toute tentative de lecture non autorisée entraîne automatiquement une modification de ce format, dès lors identifiable directement. Avantageusement en outre, on peut protéger de telles signatures avec un chiffrement de cryptage (RSA ou autre) de sorte que le décryptage peut nécessiter au moins une clé secrète.
Une chaine de blocs utilisant ces sommes de contrôle permet de stocker les données dans une base de données sécurisée, et/ou de valider d'autres données stockées dans la même base de données. Cette base de données peut inclure un ou plusieurs serveurs, en communication avec le circuit de traitement informatique CPU et éventuellement avec un ou plusieurs terminaux locaux ou distants, via un réseau tel que l'Internet.
Au cours d’une première étape du traitement des données de l’exemple présenté ici, CBC peut recevoir des données depuis le nez électronique NN, depuis le circuit de traitement informatique CPU ou depuis une base de données sécurisée et éventuellement les enregistrer localement dans une mémoire de CBC. Un processeur de CBC est configuré pour extraire les données de la base de données sécurisée.
Au cours d’une étape suivante, le processeur de CBC peut générer des métadonnées comprenant des données de chaînes de blocs. Ces métadonnées comportent des protections supplémentaires, en particulier via le stockage d'un somme de contrôle qui permet de crypter chaque donnée, ce stockage formant un bloc « A » de la chaine de blocs. Ces métadonnées peuvent contenir des informations sur d’autres blocs de la chaine de blocs et/ou la valeur d’une somme de contrôle, par exemple une somme de contrôle d’un autre bloc. Lors d’une étape suivante, et pour chaque bloc, « A » le processeur de CBC génère une somme de contrôle du bloc « A – 1 » précédent.
Par exemple, pour déterminer une somme de contrôle d’un bloc « A », on concatène toutes les données de ce bloc « A » avec la valeur de la somme de contrôle du bloc « A – 1 » qui précède A, ce qui fournit une nouvelle somme de contrôle, et ainsi de suite. De proche en proche, on génère ainsi une pluralité de blocs comprenant les données cryptées. Le cryptage des données d’un bloc donné dépendant de sommes de contrôle construites à partir de chaque bloc précédent, la sécurisation des données est ainsi augmentée.
On améliore ainsi la sécurisation des données contre une falsification, partant de l’acquisition d’une signature olfactive de l’article P par un nez électronique NN, une chaine de blocs, et en particulier une chaine de blocs utilisant des sommes de contrôle parmi celles décrites précédemment.
Avantageusement, il est ainsi possible d’enregistrer de manière sécurisée une donnée de résultat d’une estimation de similitude SIM entre l’article courant et l’article donné, et de la confronter par la suite à une mesure courante à des fins d’authentification.

Claims (15)

  1. Procédé mis en œuvre par un circuit de traitement informatique (CPU), relié à un nez électronique (NN), pour identifier un article donné (P) par une signature olfactive de l’article donné, ledit procédé comprenant :
    - mettre en œuvre (EA) le nez électronique comportant une pluralité de capteurs (C1, C2, …, CN) de présence de fluides susceptibles d’être présents dans un mélange (M) de fluides issu de l’article donné, pour obtenir une signature olfactive (SM) dudit mélange, la signature olfactive comportant des proportions respectives desdits fluides dans le mélange ;
    - répéter (EB) la mise en œuvre du nez électronique un premier nombre K de fois pour acquérir K signatures olfactives (S1, S2, …, SK) ;
    - mettre en œuvre (EC) le circuit de traitement informatique pour estimer, sur la base desdites K signatures olfactives, un modèle (SMOD) de la signature olfactive de l’article donné (P) ;
    - acquérir (ED), avec un nez électronique de même type, une mesure courante (SC) de signature olfactive d’un article courant (PC), de même type que ledit article donné (P) ; et
    - comparer (EE) la mesure courante audit modèle, pour estimer une similitude (SIM) entre l’article courant et l’article donné.
  2. Procédé selon la revendication 1, dans lequel, l’article donné étant un article périssable, la mise en œuvre du nez électronique pour obtenir le premier nombre K de signatures olfactives dans le temps est effectuée successivement dans le temps pour acquérir une succession des K signatures olfactives dans le temps.
  3. Procédé selon la revendication 2, dans lequel, l’article périssable présentant plusieurs phases successives de maturation dans le temps, les K signatures olfactives sont représentatives desdites phases successives de l’article périssable.
  4. Procédé selon l’une des revendications 2 et 3, dans lequel on met en œuvre le circuit de traitement informatique pour estimer, sur la base desdites K signatures olfactives successives, un modèle d’évolution dans le temps de la signature olfactive de l’article périssable.
  5. Procédé selon la revendication 4, prise en combinaison avec la revendication 3, dans lequel la comparaison de la mesure courante au modèle d’évolution dans le temps donne une estimation de similitude entre l’article courant et l’article périssable à une phase donnée de maturation de l’article périssable.
  6. Procédé selon l’une des revendications précédentes, dans lequel le modèle de la signature olfactive de l’article donné est obtenu par une analyse multivariée des K signatures olfactives, déterminées chacune par des proportions respectives desdits fluides dans le mélange, le modèle étant défini dans un espace de L dimensions, l’analyse multivariée étant sélectionnée parmi une analyse en composantes principales ou une analyse en positionnement multidimensionnels.
  7. Procédé selon la revendication 6, prise en combinaison avec la revendication 5, dans lequel le modèle est défini par un jeu de vecteurs-phases dans l’espace de L dimensions, chaque vecteur-phase caractérisant une phase de maturation de l’article périssable.
  8. Procédé selon la revendication 7, dans lequel on estime, dans l’espace de L dimensions, une distance entre un point représentant la mesure courante et chaque vecteur-phase, la plus petite des distances estimées caractérisant un état de maturation courant de l’article périssable.
  9. Procédé selon la revendication 8, dans lequel la distance est une valeur absolue, une distance euclidienne ou une distance entre le point représentant la mesure courante et plusieurs vecteurs-phase plus proches voisins.
  10. Procédé selon l’une des revendications précédentes, dans lequel le nombre de capteurs que comprend le nez électronique est inférieur ou égal à 100, et de préférence égal à 25.
  11. Procédé selon l'une des revendications précédentes, comportant en outre:
    - grouper plusieurs signatures olfactives en au moins deux groupes, chaque groupe étant défini par un barycentre des signatures dans ledit groupe, la distance de chaque signature audit barycentre étant inférieure ou égale à une distance prédéterminée ;
    - comparer les distances entre la mesure courante et chacun desdits groupes, pour associer l’article courant au groupe dont l’article courant est le plus proche.
  12. Procédé selon l'une des revendications précédentes, comportant en outre un traitement de données d’un résultat de ladite estimation de similitude entre l’article courant et l’article donné, pour protéger lesdites données contre une falsification.
  13. Procédé selon la revendication 12, dans lequel lesdites données de résultat sont traitées par une chaîne de blocs.
  14. Dispositif pour identifier un article donné (P) par sa signature olfactive, le dispositif comprenant :
    - un nez électronique, comportant une pluralité de capteurs de présence de fluides susceptibles d’être présents dans un mélange de fluides issu de l’article donné,
    - un circuit de traitement informatique, relié au nez électronique pour obtenir une signature olfactive dudit mélange, la signature olfactive comportant des proportions respectives desdits fluides dans le mélange,
    et le circuit de traitement informatique étant configuré pour mettre en œuvre le procédé selon l’une des revendications précédentes.
  15. Programme informatique comportant des instructions pour la mise en œuvre du procédé selon l’une des revendications 1 à 13, lorsque lesdites instructions sont exécutées par un processeur d’un circuit de traitement.
FR1901602A 2019-02-18 2019-02-18 Procédé d’identification d’un article par signature olfactive Active FR3092910B1 (fr)

Priority Applications (4)

Application Number Priority Date Filing Date Title
FR1901602A FR3092910B1 (fr) 2019-02-18 2019-02-18 Procédé d’identification d’un article par signature olfactive
PCT/FR2020/050294 WO2020169917A1 (fr) 2019-02-18 2020-02-18 Procédé d'identification d'un article par signature olfactive
EP20710239.3A EP3928093A1 (fr) 2019-02-18 2020-02-18 Procédé d'identification d'un article par signature olfactive
US17/431,526 US20220137018A1 (en) 2019-02-18 2020-02-18 Method for identifying an item by olfactory signature

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1901602A FR3092910B1 (fr) 2019-02-18 2019-02-18 Procédé d’identification d’un article par signature olfactive
FR1901602 2019-02-18

Publications (2)

Publication Number Publication Date
FR3092910A1 true FR3092910A1 (fr) 2020-08-21
FR3092910B1 FR3092910B1 (fr) 2021-07-09

Family

ID=66776611

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1901602A Active FR3092910B1 (fr) 2019-02-18 2019-02-18 Procédé d’identification d’un article par signature olfactive

Country Status (4)

Country Link
US (1) US20220137018A1 (fr)
EP (1) EP3928093A1 (fr)
FR (1) FR3092910B1 (fr)
WO (1) WO2020169917A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040185A (ko) 2016-10-11 2018-04-20 삼성디스플레이 주식회사 표시 장치
CN113899866B (zh) * 2021-12-10 2022-03-22 佛山绿色发展创新研究院 一种基于云服务器的氢气检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4414839A (en) * 1979-04-12 1983-11-15 Board Of Trustees, A Constitutional Corporation Operating Michigan State University Gas sensing apparatus and method
WO2001007907A1 (fr) * 1999-07-23 2001-02-01 Cyrano Sciences, Inc. Olfactometrie artificielle appliquee a des produits alimentaires
WO2009013754A1 (fr) * 2007-07-24 2009-01-29 Technion Research And Development Foundation Ltd. Transistors à effet de champ à sensibilité chimique et utilisation de ceux-ci dans des dispositifs de nez électronique
WO2015037003A1 (fr) * 2013-09-12 2015-03-19 Yeda Research And Development Co. Ltd. Procédé et nez électronique permettant de comparer des odeurs
US20180356341A1 (en) * 2017-06-09 2018-12-13 Cecilia Muldoon Characterization of liquids in sealed containers

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108701322A (zh) * 2016-02-12 2018-10-23 开利公司 审查冷链配送系统的方法
FR3063543B1 (fr) * 2017-03-03 2022-01-28 Commissariat Energie Atomique Procede de calibration d'un nez electronique.
FR3071061B1 (fr) * 2017-09-14 2019-09-13 Aryballe Technologies Systeme de detection perfectionne pour nez electronique et nez electronique comprenant un tel systeme

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4414839A (en) * 1979-04-12 1983-11-15 Board Of Trustees, A Constitutional Corporation Operating Michigan State University Gas sensing apparatus and method
WO2001007907A1 (fr) * 1999-07-23 2001-02-01 Cyrano Sciences, Inc. Olfactometrie artificielle appliquee a des produits alimentaires
WO2009013754A1 (fr) * 2007-07-24 2009-01-29 Technion Research And Development Foundation Ltd. Transistors à effet de champ à sensibilité chimique et utilisation de ceux-ci dans des dispositifs de nez électronique
WO2015037003A1 (fr) * 2013-09-12 2015-03-19 Yeda Research And Development Co. Ltd. Procédé et nez électronique permettant de comparer des odeurs
US20180356341A1 (en) * 2017-06-09 2018-12-13 Cecilia Muldoon Characterization of liquids in sealed containers

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG ZHONGYUAN ET AL: "Visualization of Spatial Distribution of on Ground Gas Sources with LSPR based 1D/2D High Speed Gas Sensor Robot System", 2018 IEEE SENSORS, IEEE, 28 October 2018 (2018-10-28), pages 1 - 4, XP033477637, DOI: 10.1109/ICSENS.2018.8589909 *

Also Published As

Publication number Publication date
WO2020169917A1 (fr) 2020-08-27
US20220137018A1 (en) 2022-05-05
EP3928093A1 (fr) 2021-12-29
FR3092910B1 (fr) 2021-07-09

Similar Documents

Publication Publication Date Title
US11113554B2 (en) Systems and methods for identifying and authenticating artistic works
Murphy et al. Variable selection and updating in model-based discriminant analysis for high dimensional data with food authenticity applications
WO2020169917A1 (fr) Procédé d'identification d'un article par signature olfactive
Ramos et al. Non‐invasive setup for grape maturation classification using deep learning
FR2988473A1 (fr) Procede et appareil de caracterisation d'echantillons par mesure de la diffusion lumineuse et de la fluorescence.
WO2016185108A1 (fr) Procédé d'identification par spectrométrie de masse d'un sous-groupe de microorganisme inconnu parmi un ensemble de sous-groupes de référence
Chen et al. New approach of simultaneous, multi‐perspective imaging for quantitative assessment of the compactness of grape bunches
Gillis An underwater target detection framework for hyperspectral imagery
Ahmad et al. Classification of tea varieties based on fluorescence hyperspectral image technology and ABC‐SVM algorithm
Tian et al. Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm
Liu et al. Identification of heat damage in imported soybeans based on hyperspectral imaging technology
Xu et al. Non‐destructive prediction of total soluble solids and titratable acidity in Kyoho grape using hyperspectral imaging and deep learning algorithm
Han et al. Predicting the ripening time of ‘Hass’ and ‘Shepard’avocado fruit by hyperspectral imaging
US20230029413A1 (en) System and method for non-destructive rapid food profiling using artificial intelligence
TWI703319B (zh) 結合人工智慧及光譜檢測之水果甜度檢測裝置及其檢測方法
US11293856B2 (en) Identification of one or more spectral features in a spectrum of a sample for a constituent analysis
Fu et al. Identification of maize seed varieties based on stacked sparse autoencoder and near‐infrared hyperspectral imaging technology
US20170208375A1 (en) Apparatus, method and system for distributed chemical or biological to digital conversion to digital information using radio frequencies
Bhavsar et al. Milk Quality Prediction Using Machine Learning
FR2832799A1 (fr) Procedure de detection optique de gaz a distance
Choi et al. Minimizing Device‐to‐Device Variation in the Spectral Response of Portable Spectrometers
WO2020201484A1 (fr) Procede pour configurer un dispositif de spectrometrie
EP3572794B1 (fr) Procédé de détection d'un composé dans une composition à identifier et dispositif de détection
Mandal et al. A color channel based on multiple Random Forest coupled with a computer vision technique for the detection and prediction of Sudan dye‐I adulteration in turmeric powder
WO2006082339A1 (fr) Procede et systeme d'identification par code contextuel

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20200821

CA Change of address

Effective date: 20201104

PLFP Fee payment

Year of fee payment: 3

CD Change of name or company name

Owner name: ARYBALLE, FR

Effective date: 20210812

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLFP Fee payment

Year of fee payment: 6

GC Lien (pledge) constituted

Effective date: 20240118