Clasificación de imágenes hiperespectrales

Abstract

La alta demanda y uso extensivo de plásticos en la vida moderna está asociada con un impacto económico significativo y una seria huella ecológica. La producción de plásticos conlleva un alto consumo de energía y emisiones de CO2, así como una gran necesidad de recursos fósiles (limitados). Debido a la alta durabilidad de los plásticos, grandes cantidades de basura plástica se acumulan en vertederos desbordantes y los desechos plásticos flotan en los océanos del mundo. Por otra parte, la incineración para generar energía libera aún más CO2 y sustancias tóxicas a la atmósfera. El reciclaje de productos plásticos después de su ciclo de vida puede contribuir significativamente a la reducción de los impactos ambientales y económicos. Para producir productos de reciclaje de alta calidad, se requieren composiciones monofraccionales de polímeros de desecho; es decir, composiciones formadas por un solo tipo de plástico, en lugar de ser una mezcla de diferentes tipos de plásticos reciclados. Existen varios métodos para clasificar y recoger este tipo de polímeros, desde separación manual, clasificación mecánica, flotación por densidad o tecnología por infrarrojos. Sin embargo, las tecnologías de medición existentes, como la espectroscopia de infrarrojo cercano, presentan limitaciones en la clasificación de mezclas complejas y diferentes grados de polímeros. Las tecnologías más recientemente inventadas basadas en espectroscopia de infrarrojo medio, espectroscopia Raman o espectroscopia asistida por láser aún se encuentran en desarrollo y se espera que sean bastante costosas. Según Gruber et al. (2019), la clasificación de residuos plásticos negros utilizando imágenes de fluorescencia y aprendizaje automático ha demostrado ser eficaz para mejorar los procesos de reciclaje [1]. En este trabajo se clasifican residuos en función de su composición química procesando imágenes hiperespectrales (HSI). Las imágenes hiperespectrales consisten en una imagen a la cual se le agregan más información en su tercera dimensión. Así, mientras que una imagen normal consta de 3 dimensiones: ancho, altura y en su tercera dimensión encontramos tres espectros; en una HSI la tercera dimensión la componen muchas bandas. En el caso de este estudio en concreto son 224.