Extending E-Nose baking monitoring to multiple recipes in domestic ovens using Dynamic Time Warping

Electronic noses (E-noses) have shown strong potential for monitoring cooking processes through the analysis of volatile organic compounds (VOCs). However, most existing studies focus on static classification tasks, such as identifying product type or assessing quality at a specific point in time, rather than capturing the continuous evolution of the baking process. In smart cooking applications, there is therefore a need for methods capable of tracking baking progression in real time [2, 3, 4]. Previous work within the SOS-COOKS project addressed this challenge using time-alignment and feature extraction techniques, but these approaches could be limited when applied to products with different baking dynamics [5]. This thesis presents a real-time monitoring framework for baking processes based on e-nose data and Dynamic Time Warping (DTW). The proposed method converts raw sensor signals into continuous predictions of both product type and cooking stage as the process evolves. Ideal reference curves are constructed from multiple training samples for each category, and DTW is used to compare the incoming signal with these references, allowing flexible alignment of time series with different durations. The framework was evaluated on a dataset including bread products, pizza, and cakes. Strong performance was achieved for FastBread, MediumBread, Pizza, and Cake, with overall accuracy reaching approximately 96% when excluding the more challenging SlowBread category, where stage-specific curves show limited separation and make transitions harder to distinguish. Real-time experiments confirmed that the detected cooked stage aligns well with sensorial evaluation of product quality. The system also demonstrated the ability to generalize to unseen products, such as apple cake, and to operate under varying baking conditions. In hot-start scenarios, a simple temporal calibration compensates for the time shift introduced by preheating, maintaining accurate predictions. Future improvements may focus on the integration of temperature-modulated metal-oxide sensors, such as SGP-type devices, to capture richer VOC dynamics and enhance stage discrimination, particularly in cases where signal patterns are less distinct. By providing additional chemical information that complements the temporal evolution of the signals, these sensors could help reduce the reliance on kinetically defined categories, as differences in baking time would become less critical. Overall, the proposed DTW-based framework provides a flexible and accurate solution for real-time baking monitoring, supporting the development of next-generation intelligent cooking systems.

I nasi elettronici (E-nose) hanno mostrato un forte potenziale nel monitoraggio dei processi di cottura attraverso l’analisi dei composti organici volatili (VOC). Tuttavia, la maggior parte degli studi esistenti si concentra su compiti di classificazione statica, come l’identificazione del tipo di prodotto o la valutazione della qualità in un determinato momento, piuttosto che sulla cattura dell’evoluzione continua del processo di cottura. Nelle applicazioni di cucina intelligente emerge quindi la necessità di metodi in grado di monitorare in tempo reale l’avanzamento della cottura [2, 3, 4]. Lavori precedenti svolti nell’ambito del progetto SOS-COOKS hanno affrontato questa sfida utilizzando tecniche di allineamento temporale ed estrazione di caratteristiche, ma tali approcci possono risultare limitati quando vengono applicati a prodotti con dinamiche di cottura differenti [5]. Questa tesi presenta un framework per il monitoraggio in tempo reale dei processi di cottura basato su dati provenienti da un E-nose e sull’algoritmo Dynamic Time Warping (DTW). Il metodo proposto converte i segnali grezzi dei sensori in previsioni continue sia della tipologia di prodotto sia della fase di cottura, man mano che il processo evolve. Per ciascuna categoria vengono costruite curve di riferimento ideali a partire da più campioni di addestramento, e il DTW viene utilizzato per confrontare il segnale in ingresso con tali riferimenti, consentendo un allineamento flessibile di serie temporali con durate differenti. Il framework è stato valutato su un dataset comprendente prodotti da forno come pane, pizza e torte. Sono state ottenute prestazioni elevate per le categorie FastBread, MediumBread, Pizza e Cake, con un’accuratezza complessiva di circa il 96% escludendo la più complessa categoria SlowBread, nella quale le curve associate alle diverse fasi di cottura mostrano una separazione limitata, rendendo più difficile distinguere le transizioni tra gli stadi. Gli esperimenti in tempo reale hanno confermato che la fase di cottura rilevata corrisponde bene alla valutazione sensoriale della qualità del prodotto. Il sistema ha inoltre dimostrato la capacità di generalizzare a prodotti non presenti durante l’addestramento, come la torta di mele, e di operare in condizioni di cottura variabili. Negli scenari di avvio a caldo (hot-start), una semplice calibrazione temporale consente di compensare lo sfasamento temporale introdotto dal preriscaldamento, mantenendo previsioni accurate. I futuri sviluppi potrebbero concentrarsi sull’integrazione di sensori a ossido metallico con modulazione della temperatura, come i dispositivi di tipo SGP, per catturare dinamiche dei VOC più ricche e migliorare la discriminazione tra le diverse fasi di cottura, in particolare nei casi in cui i pattern dei segnali risultano meno distinti. Fornendo informazioni chimiche aggiuntive che completano l’evoluzione temporale dei segnali, questi sensori potrebbero contribuire a ridurre la dipendenza da categorie definite principalmente dalla cinetica del processo, poiché le differenze nei tempi di cottura diventerebbero meno critiche. Nel complesso, il framework basato su DTW proposto rappresenta una soluzione flessibile e accurata per il monitoraggio in tempo reale della cottura, supportando lo sviluppo di sistemi di cucina intelligente di nuova generazione.