Machine Learning applied on Hyperspectral Imaging for Automatic Food Quality Inspection with emphasis on wavelength reduction

This master thesis focuses on the application of Machine Learning algorithms for performing wavelength reduction and classification on Hyperspectral Images, with a focus on food quality inspection and sorting. Hyperspectral Imaging is a powerful instrument, still the applicability of this camera is mostly limited to remote sensing applications, due to its low acquisition speed and high volume of data. The principal objective of this master thesis is the improvement of pixel-level classification of different organic products, using Hyperspectral Imaging systems coupled with Machine Learning algorithms for the selection of a subset of wavelengths which are most suited for the process. There are several available options for the variable selection algorithms using Machine Learning that can be found in scientific literature. In this master thesis, four main variable selection algorithms, with various attachments and adaptations, have been adapted and trained on an in-house collected dataset. These will have different objectives so the number of selected wavelengths returned will be different for each algorithm0, some with the intent of improving quality control procedures performed with hyperspectral imaging, others with a much smaller number of selected wavelengths with the objective of being used for industrial food sorting. The wavelength reduction procedure will be performed using combinations of two organic products at the time. The HSI data will be provided from a push-broom type camera, the most diffused data acquisition method in industrial applications, as many of the system in industry rely on a conveyor belt to move the products, which is particularly true for food sorting applications. The research and development of novel methodologies for carrying out Machine Learning-based HSI variable selection for classification purposes is the final innovative contribution of the present work. The results of this work show that Hyperspectral Imaging systems, coupled with Machine Learning, can lead to very good performance for automatic food quality inspection through the selection of appropriate wavelengths that allow to obtain a distinct improvement of classification performances.

Questa tesi di laurea è centrata sull'applicazione di algoritmi di Machine Learning per eseguire una riduzione delle lunghezze d'onda e la classificazione di immagini iperspettrali, con focus per lo smistamento e il controllo della qualità nel settore alimentare. L'imaging iperspettrale è uno strumento potente, tuttavia l'applicabilità di questa fotocamera è per lo più limitata alle applicazioni di telerilevamento e da remoto, a causa della sua bassa velocità di acquisizione e dell'elevato volume di dati. L'obiettivo principale di questa tesi di laurea è il miglioramento della classificazione a livello di pixel di diversi prodotti organici, utilizzando sistemi di Imaging iperspettrale accoppiati con algoritmi di Machine Learning per la selezione di un sottoinsieme di lunghezze d'onda più adatte al processo. Esistono diverse opzioni disponibili per gli algoritmi di selezione delle variabili che utilizzano l'apprendimento automatico che possono essere trovati nella letteratura scientifica. In questa tesi di laurea, quattro principali algoritmi di selezione delle variabili, con vari allegati e adattamenti, sono stati addestrati su un set di dati raccolto internamente. Questi avranno obiettivi diversi, quindi il numero di lunghezze d'onda selezionate restituite sarà diverso per ciascun algoritmo, alcuni adatti al miglioramento di procedure di controllo di qualità effettuate con un’iperspettrale, altri con meno lunghezze d’onda selezionate e con l’obbiettivo di essere utilizzati per smistamento alimentare. La procedura di riduzione della lunghezza d'onda verrà eseguita utilizzando combinazioni di due prodotti organici alla volta. I dati HSI saranno forniti da una telecamera di tipo push-broom, il metodo di acquisizione dati più diffuso nelle applicazioni industriali, poiché molti dei sistemi nell'industria si affidano a un nastro trasportatore per spostare i prodotti, il che è particolarmente vero per le applicazioni di smistamento alimentare. La ricerca e lo sviluppo di nuove metodologie per eseguire la selezione di variabili HSI basata sull'apprendimento automatico ai fini della classificazione è il contributo innovativo del presente lavoro. I risultati di questo lavoro mostrano che i sistemi di imaging iperspettrale, accoppiati con l'apprendimento automatico, possono portare a ottime prestazioni per l'ispezione automatica della qualità degli alimenti attraverso la selezione di lunghezze d'onda appropriate che consentono di ottenere un netto miglioramento delle prestazioni di classificazione.