Análisis y procesamiento de imágenes hiperespectrales NIR para detección de contaminantes plásticos

• Autor: Felipe Gaspar, Walter Sullivan
• Formato: tesis de maestría
• Fecha de Publicación: 2020
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/21493
• Enlace del recurso: http://hdl.handle.net/20.500.14076/21493
• Nivel de acceso: acceso abierto
• Materia: Imagen hiperespectral; Plásticos; PCA; SAM; SVM; K – Means; https://purl.org/pe-repo/ocde/ford#1.03.06

Es una realidad aceptada que miles de toneladas de plásticos son desechados al entorno ambiental cada año y gran parte de estos son consumidos por las aves, peces y otros animales, causando alteraciones en su organismo y finalmente la muerte. Como un primer paso para la remediación de los ecosistemas dañados, es importante desarrollar un método rápido y confiable para identificar los contaminantes plásticos. Los plásticos son materiales orgánicos que en la mayoría de casos son producidos a partir de materias primas como la celulosa, carbono, gas natural, sal, y por supuesto el petróleo. Así, sus estructuras están compuestas de enlaces C – H cuyas propiedades significativas de absorción se encuentran en la región del infrarrojo de onda corta (SWIR) entre 1000 y 2500 nm, idóneo para el uso de una cámara hiperespectral que opera en una porción de esta región (NIR) entre 900 – 1700 nm con la que se registró estas propiedades. Se recogieron muestras de plástico y se tomaron imágenes en un laboratorio. Con el fin de simular un entorno ambiental contaminado, los plásticos se fotografiaron solos (como muestras puras) y mezclados con tierra, agua de mar, madera y vegetación. Las imágenes hiperespectrales obtenidas fueron analizadas para encontrar sus principales características espectrales e identificar correctamente los plásticos dentro de todas estas mezclas. Se utilizó una librería espectral de referencia (USGS) para validar los resultados obtenidos, corroborándose que las bandas significativas de absorción de los seis tipos de plástico coincidían con las bandas significativas de absorción de los enlaces C – H. Estas bandas significativas de absorción se encontraron en rangos de longitud de onda de 1100 – 1225 nm, 1300 – 1420 nm y 1650 – 1800 nm. Para procesar las imágenes obtenidas, los modelos utilizados fueron: Análisis de componentes principales (PCA), Spectral angle Mapper (SAM), Support Vector Machine (SVM) y K – Means Clustering. SVM demostró ser el método más fuerte para identificar los plásticos, diferenciándolo entre tipos y de los otros materiales con los que se mezcló. El análisis con SAM mostró buenos resultados para diferenciar los tipos de plásticos bajo ajustes precisos de sus parámetros de referencia, aunque en mezclas con agua, los espectros de los plásticos sumergidos no fueron de gran trascendencia. PCA y K – Means Clustering no siempre fueron capaces de distinguir los tipos de plásticos en las mezclas, puesto que tuvieron una alta dependencia de la inspección visual para la elección de las correlaciones adecuadas y la cantidad de clusters escogidos, respectivamente. En el medio ambiente, además de los plásticos también se encuentran otros materiales como vegetación y madera. Los espectros de estos materiales fueron comparados con los espectros de los plásticos, encontrándose que sus características son significativamente diferentes. Por lo tanto, las imágenes hiperespectrales definitivamente son un método aplicable y sobre todo confiable para identificar plásticos en el entorno ambiental.