Hyperspectral imaging and machine learning for automatic food quality inspection

This master thesis investigates the coupled application of Machine Learning algorithms and Hyperspectral Imaging, with a focus on food quality analysis and control. Hyperspectral Imaging is a powerful instrument as it enables very detailed information to be acquired, but the potential applicability of this technology is mostly limited to remote sensing applications. Relying on Machine Learning algorithms, a fair compromise between the reduction of dimension of data-cubes from hyperspectral images and the loss of as minimal data was found. In particular, the Machine Learning algorithms on which the project focused on are Principal Component Analysis (PCA), Partial Least Squares-Discriminant Analysis (PLS-DA) and Spectral Angle Mapper (SAM). This thesis considered the application of Hyperspectral Imaging and Machine Learning for the quality analysis of baked eggplants, according to different cooking conditions. Data was acquired by means of a push-broom Hyperspectral camera produced by Specim, FX-17. The gathered results testify the applicability of Hyperspectral Imaging (HSI) together with Machine Learning methods of dimensionality reduction and classification. Results were validated on test images. Confusion matrices and several statistical parameters were adopted in order to evaluate the classification performances. Among the considered algorithms, the most promising resulted being the Partial Least Squares-Discriminant Analysis.

Questa tesi di master studia l'applicazione accoppiata di algoritmi di Machine Learning e Hyperspectral Imaging, con particolare attenzione all'analisi e al controllo della qualità degli alimenti. L'Hyperspectral Imaging è uno strumento potente in quanto permette di acquisire informazioni molto dettagliate, ma la potenziale applicabilità di questa tecnologia è per lo più limitata ad applicazioni di telerilevamento. Affidandosi ad algoritmi di Machine Learning, è stato trovato un giusto compromesso tra la riduzione della dimensione dei data-cube da immagini iperspettrali e la perdita di dati minimi. In particolare, gli algoritmi di Machine Learning su cui si è concentrato il progetto sono la Principal Component Analysis (PCA), la Partial Least Squares-Discriminant Analysis(PLS-DA) e lo Spectral Angle Mapper (SAM). Questa tesi ha considerato l'applicazione dell'Hyperspectral Imaging e del Machine Learning per l'analisi della qualità delle melanzane al forno, secondo diverse condizioni di cottura. I dati sono stati acquisiti per mezzo di una telecamera iperspettrale a spinta prodotta da Specim, FX-17. I risultati raccolti testimoniano l'applicabilità dell'imaging iperspettrale (HSI) insieme ai metodi di Machine Learning di riduzione della dimensionalità e classificazione. I risultati sono stati convalidati su immagini di prova. Le matrici di confusione e diversi parametri statistici sono stati adottati per valutare le prestazioni di classificazione. Tra gli algoritmi considerati, il più promettente è risultato essere la Partial Least Squares-Discriminant Analysis.