Análisis de imágenes hiperespectrales para la detección y cuantificación de trozos de plástico mezclados con granos y microplásticos mezclados con harina de almendra

• Autor: Apaza Mamani, Hebbert Alexander
• Formato: tesis de maestría
• Fecha de Publicación: 2021
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/26993
• Enlace del recurso: http://hdl.handle.net/20.500.14076/26993
• Nivel de acceso: acceso abierto
• Materia: Microplásticos; Imágenes espectrales; https://purl.org/pe-repo/ocde/ford#1.03.01

Se presentan imágenes hiperespectrales de plásticos mezclados con granos de almendras, lentejas, alverjas y arroz, así como de micro plásticos mezclados con harina de almendra obtenidas en el laboratorio usando una cámara hiperespectral RESONON modelo Pika NIR. La identificación y cuantificación de abundancias de plásticos dentro de un grupo de granos presentes en una imagen hiperespectral se realizó usando dos caminos o procedimientos. En el primer procedimiento se redujo la dimensionalidad del espacio de trabajo usando el método de la mínima fracción de ruido (MNF) pasando luego a identificar los endmembers usando el algoritmo de crecimiento de un simplex (SGA) y una vez identificados elementos presentes en las imágenes al compararlos con espectros de reflectancia obtenidos de la librería espectral USGS (United States Geological Survey), se encontraron las abundancias a través de un análisis subpixel usando el modelo de mezcla lineal (MML). En el segundo procedimiento para encontrar la abundancia de plástico presente en una imagen hiperespectral se redujo la dimensionalidad aplicando el método de análisis por componentes principales (PCA), trabajando luego en regiones de interés (ROI) de la imagen que registra el menor ruido obtenida por PCA. Estas regiones de interés permitieron obtener los espectros de reflectancia de los elementos presentes en la imagen para encontrar la matriz de transformación para el análisis de la imagen completa. Se aplicaron luego modelos de predicción de los porcentajes de granos y plásticos presentes en la imagen analizada usando el modelo PLS-DA. Estos cálculos fueron hechos usando el software libre R. Se obtuvieron también mapas de identificación de las abundancias de granos y plásticos. Los resultados muestran que el modelo PLS-SA es más eficiente que el modelo MML. Asimismo, se identificó la presencia de micro plásticos mezclados con harina de almendra presentes en una imagen hiperespectral. Para esto se usó solamente el primer procedimiento de los que siguió en la identificación de plásticos en imágenes de mezclas de plásticos con granos, debido a que no era posible encontrar ROI’s en estas imágenes. Los resultados muestran una muy buena identificación de los plásticos presentes en granos, así como de micro plásticos presentes en harina de almendra con un error de alrededor del 2 %.