Riassunto analitico
La maggior parte dei prodotti alimentari in commercio sono confezionati con imballaggi in plastica o carta, che ne permettono il trasporto e la conservazione. Di conseguenza, ogni anno viene prodotta un’elevata quantità di rifiuti derivanti da packaging alimentare. Una parte di questi rifiuti viene dispersa nell’ambiente causando problemi di inquinamento. Il riciclaggio è una possibile soluzione per prevenire l’accumulo dei rifiuti e per questo motivo si sta manifestando un interesse crescente verso lo sviluppo di impianti di riciclo automatizzati. L’industria alimentare deve quindi affrontare queste tematiche per un utilizzo più sostenibile degli imballaggi anche attraverso l’impiego di materiali riciclati. Tuttavia, la qualità dei prodotti derivati da materiali riciclati dipende dalla precisione dei sistemi di selezione delle diverse tipologie di rifiuti. Pertanto, si sta diffondendo negli ultimi anni l’utilizzo di sistemi basati sull’imaging iperspettrale nel vicino infrarosso per lo smistamento automatico dei rifiuti, grazie alla capacità di questa tecnica di caratterizzare i diversi materiali in base alla loro composizione chimica. Per l’applicazione di tali sistemi è fondamentale l’implementazione di algoritmi veloci ed efficienti per la selezione, in grado di minimizzare allo stesso tempo gli errori.
Lo scopo della tesi consiste nello sviluppo e validazione di un albero di classificazione per la separazione della carta e dei diversi polimeri plastici comunemente impiegati nel packaging alimentare, per mettere a punto un sistema automatizzato di separazione dei rifiuti basato sull’imaging iperspettrale. In particolare, sono stati raccolti campioni di rifiuti domestici costituiti da materiali cartacei e dai polimeri plastici di più largo impiego (HDPE, LDPE, PET, PS, PP, PVC) insieme a campioni di plastiche non riciclabili, che rappresentano i materiali estranei che sono più comunemente selezionati per errore.
A partire da immagini iperspettrali nel vicino infrarosso, acquisite con un prototipo industriale su campioni di materiali diversi posti su un nastro trasportatore, è stato creato un dataset di spettri rappresentativi di ciascun materiale considerato. Inizialmente, il dataset è stato analizzato mediante Principal Component Analysis (PCA) per mettere a punto la struttura dell’albero di classificazione individuando similitudini e differenze tra gli spettri dei diversi materiali. Successivamente, per ogni nodo dell’albero è stato calcolato un modello di classificazione basato su una versione appositamente modificata dell’algoritmo Partial Least Squares Discriminant Analysis (PLS-DA), denominata Soft PLS-DA. Questo algoritmo è stato implementato in modo tale da effettuare contemporaneamente sia la classificazione corretta dei materiali di interesse che l’identificazione di oggetti di materiali estranei, rendendo così il sistema più flessibile e veloce per un corretto riconoscimento delle diverse tipologie di materiali. Inoltre, l’algoritmo Soft PLS-DA è stato accoppiato ad un approccio di selezione di variabili di tipo sparse per individuare le sole variabili spettrali informative per ciascun nodo dell’albero, valutando così la possibilità di migliorare le performance dei modelli e ridurre i tempi di calcolo.
La validazione dei modelli è stata effettuata sia a livello quantitativo, applicando l’albero di classificazione ad un dataset esterno di spettri rappresentativi dei polimeri, sia a livello qualitativo, visualizzando le immagini in predizione ottenute applicando l’albero alle immagini iperspettrali acquisite in fase sperimentale. In generale, l’albero di classificazione sviluppato ha permesso di ottenere ottimi risultati, arrivando ad una corretta assegnazione di tutti i campioni per alcune classi di polimeri.
|
