Hyperspectral imaging and machine learning techniques for the automatic sorting of horticultural products

This Master thesis discusses the development of a procedure that can be used for the off-line assessment of the acquisition parameters needed for the in-line implementation of a quality control process, for horticultural production lines, based on machine vision. The procedure revolves around the near-infrared hyperspectral imaging inspection of the product to be sorted, with the aim of using machine learning techniques to find the best set of wavelengths to be observed for classification. Once the optimal bands set is established, an evaluation of the resulting classification is performed, in order to decide if the bands are sufficient to classify the samples satisfying the application’s requirements. Hyperspectral cameras are not suited for in-line applications due to low acquisition speed and high quantity of data streamed each second, therefore, the selected bands will be observed (in-line) by some near-infrared cameras armed with band-pass filters. The last step of the procedure is the selection of the band-pass filters suited to catch the optimal selected bands. The objects of the analysis, used as a base during the development of the procedure, are tomatoes, which need to be sorted between fresh and rotten samples. Despite this specific case, the aim remains to have a flexible approach to dimensionality reduction, that can be applied to another product with minor adjustments.

Questa tesi di laurea magistrale tratta lo sviluppo di una procedura che può essere utilizzata per la valutazione off-line dei parametri di acquisizione necessari per l’implementazione in-line di un processo di controllo qualità, per linee di produzione orticole, basato sulla visione artificiale. La procedura ruota attorno all’ispezione di immagini iperspettrali nel vicino infrarosso del prodotto da selezionare, con l’obiettivo di utilizzare tecniche di apprendimento automatico per trovare il miglior set di lunghezze d’onda da osservare per la classificazione. Una volta stabilito il set di bande ottimale, viene eseguita una valutazione della classificazione risultante, per decidere se le bande sono sufficienti a classificare i campioni che soddisfano i requisiti dell’applicazione. Le telecamere iperspettrali non sono adatte alle applicazioni in linea a causa della bassa velocità di acquisizione e dell’elevata quantità di dati trasmessi al secondo; pertanto, le bande selezionate saranno osservate (in linea) da alcune telecamere nel vicino infrarosso dotate di filtri passa-banda. L’ultimo passo della procedura è la selezione dei filtri passa-banda adatti a rilevare le bande selezionate. L’oggetto dell’analisi, utilizzato come riferimento durante lo sviluppo della procedura, sono i pomodori, che devono essere smistati tra campioni freschi e marci. Nonostante questo caso specifico, l’obiettivo rimane quello di avere un approccio flessibile alla riduzione di dimensionalità, che possa essere applicato a un altro prodotto con minimi cambiamenti.