Denoising and classification of hyperspectral X-ray images for food quality assessment

Food safety is a scientific discipline describing handling, preparation, and storage of food in ways that prevent food-borne illness. Physical food contamination happens when food contains 'foreign bodies' such as plant stalks, other organic materials, pieces of plastic and metal. There are several techniques to detect physical food contamination, called nondestructive techniques, such as metal detectors and X-ray inspection. In particular X-rays penetrate food products and allow the imaging of the internal features of food, used to detect physical defects or contaminants. Thanks to a photon counting detector, X-ray beams intensity can be measured and used for food inspection purposes, in particular all the detected intensities are associated to image pixels. An advanced detector used in this thesis is an hyperspectral detector that measures the intensity of the X-ray beam over the X spectrum, this detector allows to generate images in which the third dimension is the frequency spectrum, those images are called hyperspectral images. Hyperspectral images are utilized by algorithms that automatically perform detection of contaminants in food. An important aspect to highlight is that measures are highly affected by noise, so, before being processed by any algorithm, they must be cleaned with noise reduction techniques, this would allow such algorithms to be more efficient and reliable. The purpose of this thesis is to analyze performances of deep learning methods applied to hyperspectral images. They are used both for noise reduction, comparing results with Wiener filter, a more classical approach, and then directly to classify contaminated and not contaminated food samples.

La sicurezza alimentare è una disciplina scientifica che descrive la gestione, preparazione e stoccaggio del cibo in modo da prevenire malattie derivanti da esso. Un prodotto è contaminato fisicamente quando contiene 'corpi esterni' come gambi di piante, altri residui organici, pezzi di plastica e metallo. Vi sono molte tecniche per individuare la contaminazione fisica, chiamate anche tecniche di controllo non distruttivo (CND), come i metal detector e la radiografia industriale tramite raggi X. In particolare i raggi X penetrano i contenitori di cibo e permettono di visualizzarne le caratteristiche interne, usate poi per individuare i contaminanti. Mediante l'uso di rivelatori a conteggio fotonico l'intensità dei raggi X che attraversano il contenitore può essere misurata e utilizzata per ispezionare il contenitore stesso, più precisamente tale intensità viene associata ai pixel di un'immagine. Un tipo avanzato di rivelatore usato in questa tesi è il rivelatore iperspettrale che permette di misurare l'intensità dei raggi X lungo lo spettro X. Tramite questo rivelatore quindi si generano immagini in cui la terza dimensione rappresenta lo spettro di frequenze, tali immagini si dicono immagini iperspettrali. Le immagini iperspettrali possono quindi essere utilizzate da algoritmi che, analizzando l'intensità dello spettro misurato in ogni punto, individuano automaticamente contaminanti nel cibo. Tuttavia è importante sottolineare che tali misure sono molto affette da rumore, nasce dunque la necessità di ridurre tale rumore prima che vengano processate dagli algoritmi menzionati sopra, così facendo tali algoritmi potranno essere più efficienti e più affidabili. Lo scopo di questa tesi è analizzare le prestazioni di metodi di deep learning applicati a immagini iperspettrali. Tali metodi vengono inizialmente usati per la riduzione del rumore, confrontando i risultati con il filtro di Wiener, un approccio più classico, successivamente vengono impiegati direttamente per classificare campioni di cibo contaminato e non contaminato.