Analisi di immagini iperspettrali di differenti tipologie di polimeri tramite tecniche di Machine Learning

Il presente elaborato si focalizza sull'analisi delle immagini iperspettrali applicata ai materiali polimerici, utilizzando tecniche avanzate di Machine Learning. L'obiettivo principale è discriminare vari tipi di plastica, con particolare attenzione a PE, PP, PET e PS. Lo studio combina i temi del riciclaggio della plastica e la sua analisi spettrale, affrontando il problema ambientale della produzione e smaltimento della plastica e proponendo soluzioni tecnologiche innovative per il suo riutilizzo. L'elaborato propone lo sviluppo di un sistema che simula immagini multispettrali partendo da dati iperspettrali, identificando le lunghezze d'onda critiche per la purificazione dei polimeri. Questo approccio mira a ridurre i costi e semplificare la raccolta dei dati tramite l'uso di camere multispettrali e LED commerciali, mantenendo l'accuratezza necessaria per le applicazioni pratiche. Il lavoro sperimentale include lo studio chimico dei polimeri, l'acquisizione di immagini iperspettrali, l'applicazione di tecniche di Machine Learning e feature selection. Diverse strategie sono state valutate, come la Mean Overlap e la Mean Without Overlap, utilizzando modelli come Random Forest, XGBoost e LightGBM. Nonostante la sfida del preprocessing che limita l'uso delle lunghezze d'onda continue, l'approccio MROI ha mostrato potenziale per migliorare i sistemi iperspettrali attuali, rendendoli più efficienti e meno costosi. I risultati indicano che la selezione accurata delle feature e l'ottimizzazione delle bande spettrali possono portare a f1-score elevati, suggerendo che un sistema multispettrale economico potrebbe essere, in futuro, una soluzione praticabile per la purificazione dei polimeri.