Tactile estimation model using neural network

With the arrival of COVID-19, our life changes drastically, and the importance of hygiene in public places and in our own houses has increased drastically, as the usage of some products. Among them, wet wipes are an important tool to prevent the spread of the virus, and the production of high-quality standard items becomes necessary to overcome the competition in the market. Since the testing procedure is time-consuming and expensive, this research proposes a method to predict, through the imitation of the human touch sense, the sensory evaluations of a sample of wet tissue in 3 different conditions of use: hands, face, and desk cleaning. Starting from the knowledge of the human tactile mechanism, some physical quantities are defined to represent and mimic it properly: dynamic friction coefficient, heat flow rate, and vibration stimuli. After taking the measurements, the data are analysed and put into a feed-forward neural network to predict the adjective evaluations that describe the target sample. Since the data are not sufficient to train a significant number of coefficients, the number of outputs is decreased using an adjectives classification and consequently dividing the main Neural Network into 3 separated models; moreover, the principal component analysis is performed to gather adjectives with similar characteristics in macro-groups and decrease the output number again. In the first attempt, the procedure is done using all the samples as training data; after, only one of them is taken as test data for the network to search for a base able to predict the unknown products and increase the robustness of the model. The results highlight that finding a non-linear correlation between the physical properties and the evaluations is possible, obtaining a good accuracy result. Additionally, a sensitivity analysis is performed to highlight the most influential characteristics the company has to pay more attention to during the production phase to reach a high quality standard. In the end, a sample classification based on the previous analysis is done to define the best sample in each situation and transform the physical properties into requirements for producing new products.

Con l'arrivo del COVID-19, la nostra vita cambia drasticamente e l'importanza dell'igiene nei luoghi pubblici e nelle nostre case è aumentata drasticamente, così come l'utilizzo di alcuni prodotti. Tra questi, le salviette umidificate sono uno strumento importante per prevenire la diffusione del virus; la produzione di articoli di alta qualità è diventata necessaria per superare la concorrenza sul mercato. Poiché la procedura di sperimentazione è lunga e costosa, questa ricerca propone un metodo per prevedere, attraverso l'imitazione del tatto umano, le valutazioni sensoriali di un campione di salviette umidificate in 3 diverse condizioni d'uso: pulizia delle mani, del viso e della scrivania. Partendo dalla conoscenza del meccanismo tattile umano, sono state definite alcune grandezze fisiche per rappresentarlo e imitarlo in modo appropriato: coefficiente di attrito dinamico, flusso termico e stimoli vibrazionali. Dopo aver effettuato le misurazioni, i dati vengono analizzati e inseriti come input in una rete neurale feed-forward per prevedere le valutazioni degli aggettivi che descrivono il campione. Poiché i dati non sono sufficienti per definire un gran numero di coefficienti, il numero di output viene diminuito utilizzando una classificazione degli aggettivi e dividendo di conseguenza la rete neurale principale in tre modelli separati; inoltre, viene eseguita l'analisi delle componenti principali per riunire gli aggettivi con caratteristiche simili in macro-gruppi e diminuire nuovamente il numero di output. Nella prima fase, la procedura viene eseguita utilizzando tutti i campioni come dati di addestramento del modello; dopo, solo uno di essi viene utilizzato come test per la rete neurale per cercare una base in grado di prevedere i prodotti sconosciuti e incrementare la robustezza del modello. I risultati evidenziano che è possibile trovare una correlazione non lineare tra le proprietà fisiche e le valutazioni, ottenendo un buon risultato di accuratezza. Inoltre, viene eseguita un'analisi di sensibilità per evidenziare le caratteristiche più influenti, alle quali l'azienda deve prestare maggiore attenzione durante la fase di produzione per raggiungere un elevato standard di qualità. Infine, viene effettuata una classificazione dei campioni basata sull'analisi precedente per definire il campione migliore in ogni situazione e trasformare le proprietà fisiche in requisiti per la produzione di nuovi prodotti.