Riassunto analitico
In ambito alimentare, la continua richiesta di standard di qualità sempre più elevati implica la necessità di impiegare sistemi veloci, affidabili e non distruttivi per il monitoraggio di processo. In questo contesto, i sistemi di controllo basati sulle immagini rappresentano uno strumento utile per il monitoraggio in tempo reale, in quanto permettono di indentificare eventuali problemi direttamente a livello della linea di produzione. In particolare, a partire dagli ultimi 15 anni, sistemi di controllo basati su telecamere RGB sono stati ampiamente utilizzati per l’analisi oggettiva di proprietà legate al colore dei prodotti alimentari. Più recentemente sono stati sviluppati sistemi di monitoraggio di processo basati sull’utilizzo di imaging multispettrale ed iperspettrale, i quali permettono di unire i vantaggi delle tecniche di imaging con i metodi spettroscopici classici. In questo modo è possibile caratterizzare la superficie del campione in esame considerando range spettrali alternativi al visibile come il vicino infrarosso, permettendo quindi di visualizzare la composizione chimica della superficie del campione in maniera rapida e non distruttiva.
Le immagini sono matrici di dati tridimensionali costituite da un elevatissimo numero di pixel (fino a decine di milioni), ciascuno dei quali è definito da un determinato numero di canali a seconda del sistema di acquisizione utilizzato. Infatti, mentre i sistemi di imaging RGB acquisiscono per ogni pixel i valori di intensità dei canali R, G e B, i sistemi di imaging iperspettrale permettono di acquisire centinaia di canali spettrali a diverse lunghezze d’onda. Pertanto, a causa delle grandi dimensioni di tali matrici di dati, è necessario usare opportuni metodi chemiometrici per ricavare l’informazione utile.
La presente tesi di dottorato è stata focalizzata sull’o sviluppo di tecniche chemiometriche per la caratterizzazione di matrici alimentari mediante imaging RGB ed iperspettrale, con particolare attenzione a due problematiche relative all’analisi delle immagini: l’identificazione di specifiche lunghezze d’onda mediante selezione di variabili e la riduzione della dimensionalità dei dati.
In primo luogo, sono stati utilizzati metodi sparse per la selezione di variabili spettrali a partire da immagini iperspettrali, valutando anche la possibilità di utilizzare le variabili così selezionate per l’implementazione di un più economico sistema di imaging multispettrale.
Per quanto riguarda la riduzione della dimensionalità dei dati, sono stati sviluppati ed applicati metodi che permettono di convertire ogni immagine in un segnale monodimensionale, il quale può essere visto come la fingerprint delle proprietà dell’immagine di partenza. In questo modo, dataset costituiti da numerose immagini possono essere facilmente convertiti in matrici di segnali, che a loro volta possono essere elaborate mediante metodi chemiometrici per l’analisi esplorativa dei dati e per lo sviluppo di modelli di calibrazione e classificazione.
Per le immagini RGB questo metodo consiste nel trasformare ogni immagine in un segnale, chiamato colorigramma, che ne codifica le proprietà relative al colore: in tale contesto, in questa tesi di dottorato è stata sviluppata una interfacci grafica che permette di semplificare le operazioni di conversione delle immagini in colorigrammi e l’analisi di questi ultimi.
Analogamente alle immagini RGB, anche le immagini iperspettrali possono essere trasformate in segnali, chiamati iperspettrogrammi, ottenuti a partire da grandezze calcolate mediante analisi delle componenti principali, che codificano le proprietà spaziali e/o spettrali contenute nelle immagini originali. L’efficacia di tali approcci è stata valutata considerando diverse problematiche riguardanti matrici alimentari.
|
Abstract
In the food industry, the increasing demand of high quality standards implies the need of advanced process monitoring methods that should be fast, reliable and non-destructive. In this context, image-based systems represent suitable tools for real-time monitoring, allowing to identify the occurrence of problems directly on the process line. In the last 15 years, monitoring systems based on Red-Green-Blue (RGB) cameras have found a widespread use for the objective measurement of colour-related properties of food and agricultural products. More recently, monitoring systems based on multispectral and hyperspectral imaging have been developed, in order to combine the advantages of imaging methods with those of spectroscopic techniques. In this manner, it is possible to identify surface features of the imaged sample using spectral regions alternative to the visible range like e.g. the near infrared, thus enabling to visualize the chemical composition of the sample surface in a fast and non-destructive way.
Images are three-dimensional data arrays consisting of a high number of pixels (up to tens of millions), where each pixel is defined by a given number of channels according to the considered imaging system. Indeed, while RGB imaging systems record the intensity values of R, G and B channels for each pixel of the image, hyperspectral imaging systems allow to collect up to hundreds of spectral channels at different wavelengths. For these reasons, the use of proper chemometric tools is mandatory in order to extract the useful information from such high dimensional data arrays.
The present PhD thesis has been focused on the development of chemometric strategies for the characterization of food matrices through RGB and hyperspectral imaging, and in particular on two different issues related to multivariate image analysis: the identification of relevant wavelengths through variable selection algorithms and data dimensionality reduction techniques.
Considering the former issue, the application of sparse-based methods for the extraction of relevant variables from hyperspectral data has been extensively investigated, both exploring the theory fundamentals and considering practical applications. Furthermore, attention was also paid to the feasibility of implementing cheaper filter-based multispectral imaging systems, starting from the outcomes of a variable selection step performed on hyperspectral data.
As far as the data dimensionality reduction issue is concerned, different methods have been developed and successfully applied; these essentially consist in converting the three dimensional image arrays into one dimensional signals, which in turn can be considered like a sort of fingerprint codifying the properties of the original images. In this manner, large datasets of images are converted into matrices of signals, that can be further analysed using chemometric methods for data exploration and for the development of calibration or classification models.
For RGB images, this method consists in transforming each image into a signal, named colourgram, which codifies its colour-related properties; in this context, in the frame of this PhD thesis a graphical interface has been developed, in order to simplify the conversion of images into colourgrams, and the further colourgram analysis and interpretation steps.
Similarly to RGB images, also hyperspectral images can be transformed into a matrix of signals, named hyperspectrograms, which are derived from quantities obtained from Principal Component Analysis, codifying the spectral and/or spatial features of interest of the original images. The effectiveness of this approach has been tested on different food related issues.
|
