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

Abstract

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.

It is an accepted reality that thousands of tons of plastics are discarded into the environment every year and a huge part of them are consumed by birds, fish and other animals, getting alterations in their body and finally death. As a first step in the remediation of damaged ecosystems, it is important to develop a fast and reliable method for plastics identification. Plastics are organic materials that in most cases are produced from raw materials such as cellulose, carbon, natural gas, salt, and of course oil. Consequently, plastics structures are composed of C – H bonds that have significant absorption properties in the shortwave infrared region (SWIR) between 1000 and 2500 nm, suitable to use a hyperspectral camera that operates in a portion of this region (NIR) between 900 – 1700 nm, which was used to record these properties. Plastic samples were collected and images were taken in a laboratory. In order to simulate a polluted environment, plastics were photographed alone (as pure samples) and mixed with soil, seawater, wood and vegetation. The obtained hyperspectral images were analyzed to find their main spectral characteristics and correctly identify the plastics within all these mixtures. The processing models used were Principal component analysis (PCA), Spectral angle Mapper (SAM), Support Vector Machine (SVM) and K – Means Clustering. To validate the obtained reflectance spectra, the USGS spectral library was used, checking the presence of the absorption bands of the C – H bonds in the 1100 – 1225 nm, 1300 – 1420 nm and 1650 – 1800 nm regions. SVM proved to be the most useful method in the identification of plastics types and other materials, which they were mixed. The analysis with SAM showed good results to differentiate types of plastics under precise under precise setting of their reference parameters, although in mixtures with water and oil, the spectra of the submerged plastics were not relevant. PCA and K – Means clustering were not always able to distinguish the types of plastics in the mixtures since they had a high dependence on visual inspection for the choice of appropriate correlations and the number of clusters chosen respectively. In the environment, in addition to plastics there are also other materials such as vegetation and wood. The spectra of these materials have been compared with the spectra of plastics, finding that their characteristics are significantly different. Therefore, hyperspectral images are definitely an applicable and especially reliable method to detect plastics in the environment.