Data reduction di immagini iperspettrali: applicazione a problemi di classificazione

L'imaging iperspettrale (HSI) consente di acquisire in pochi secondi ipercubi di grandi dimensioni, composti da milioni di spettri, che corrispondono a file spesso più grandi di 50 MB. Questa ricchezza di dati rappresenta il principale vantaggio dell’HSI, sebbene causi seri problemi per la gestione dei dati, tali da complicare lo sviluppo di applicazioni industriali efficienti per il controllo in linea. Il nostro gruppo di ricerca ha recentemente proposto un’alternativa1 per trattare dataset composti da decine o centinaia di immagini iperspettrali, che consiste nel convertire ogni immagine iperspettrale in un segnale, chiamato iperspettrogramma, costruito in modo da considerare sia l’informazione di natura spaziale che spettrale. Risulta così possibile trasformare dataset composti da un elevato numero di immagini iperspettrali in matrici bidimensionali di iperspettrogrammi, che a loro volta possono essere analizzate utilizzando i più comuni metodi chemiometrici quali PCA, PLS o PLS-DA. In questo contesto, presentiamo due applicazioni degli iperspettrogrammi per la soluzione di problemi di classificazione. Una prima applicazione riguarda l'individuazione precoce di difetti superficiali in diverse varietà di mele, con particolare attenzione ai campioni in cui il difetto non risulta apprezzabile ad occhio nudo. Le 800 immagini iperspettrali acquisite sono state convertite in iperspettrogrammi permettendo così la riduzione delle dimensioni del dataset da 18.6 GB a 4.7 MB. Inoltre la selezione di variabili mediante iPLS-DA ha permesso di ridurre ulteriormente le dimensioni del dataset e identificare le regioni più rilevanti nel segnale. Il migliore modello iPLSDA, calcolato utilizzando solo 30 variabili delle 1200 iniziali, ha portato ad un valore di efficienza in predizione sul test set esterno pari a 89.6%. Una seconda applicazione riguarda la classificazione di caffè verde appartenente a diverse tipologie: Arabica e Robusta. Prove preliminari hanno mostrato come la classificazione mediante PLS-DA effettuata sugli iperspettrogrammi ha portato ad un valore di efficienza in predizione del 98.3%.