Identificazione e caratterizzazione di materiali contenenti amianto mediante tecnologie innovative Dipartimento di Ingegneria Chimica Materiali Ambiente XI Giornata Nazionale delle Miniere Sala Seminari - Facoltà di Ingegneria Civile e Industriale Viale Andrea Doria, 3 04100 Latina
Hyperspectral imaging per il riconoscimento dell amianto Obiettivo: Esplorare le potenzialità dell hyperspectral imaging e dei relativi metodi di elaborazione dei dati basati su tecniche chemiometriche, per il riconoscimento dell amianto all'interno di diverse matrici, in modo sicuro, speditivo e non distruttivo SWIR-HSI (1000-2500 nm) Progetto INAIL BRIC 58 Riconoscimento e caratterizzazione di materiali contenenti amianto a scala di laboratorio mediante analisi d immagine iperspettrale
Che cos è l Hyperspectral Imaging? Source: Perception Park E una tecnica che combina la spettroscopia convenzionale con l analisi d immagine digitale e consente di misurare le firme spettrali (associate a composizioni chimiche) di tutti gli elementi presenti nell immagine
Lo spettro elettromagnetico I metodi spettroscopici si possono classificare in funzione della regione dello spettro elettromagnetico investigata (ultravioletto, visibile, vicino infrarosso, ecc.) Ogni sostanza presenta uno spettro caratteristico che fornisce informazioni dettagliate e precise sulla sua struttura o sulla sua composizione
Da immagine monocromatica a iperspettrale Monochrome Image Color Image Hyperspectral Image
Il cubo immagine Immagine spaziale di nxm pixels ad una singola lunghezza d onda (λ i ) Firma spettrale di un singolo pixel Immagine spettrale di n pixels per tutte le lunghezze d onda investigate (λ) Ciascuna delle singole immagini spaziali e spettrali può essere estratta dall ipercubo, così come lo spettro di ogni singolo pixel dell immagine in qualunque punto
Esempio di applicazione HSI
Architettura del sistema iperspettrale Architettura harware e software integrata in grado di acquisire linea per linea gli spettri di una superficie correttamente illuminata. Sistema illuminante Camera Spettrografo Lente Il sistema di rilevamento è costituito da quattro elementi: L ottica Lo spettrografo La camera CCD La sorgente luminosa Computer
Piattaforme iperspettrali ImSpector V10E (Specim) - VIS-NIR: 400-1000 nm Spectral Camera NIR (Specim) - NIR: 1000-1700 nm SISUCHEMA XL (Specim) - SWIR: 1000-2500 nm
Piattaforme iperspettrali SISUChema XL Chemical Imaging Workstation (Specim, Finland) Operation mode: push-broom Spectral range: SWIR: 1000-2500 nm Spectral sampling: 6.3 nm Spatial resolution: scalable from 30 to 600 μm Field of View: scalable from 10 to 200 mm
Acquisizione HSI di un campione di materiale contenente amianto (MCA)
Gestione ed elaborazione delle immagini iperspettrali Acquisizione del dato Gli ipercubi di dati acquisiti sono elaborati mediante il software PLS_Toolbox (Eigenvector Rsearch Inc.) che gira in ambiente Matlab.
Acquisizione di campioni standard di amianto Crocidolite Tremolite Selezione delle ROI (Regions of Interest) per costruire il training set. Amosite Crisotilo
Spettri medi di riflettanza dei vari tipi di amianto Crocidolite Crisotilo Amosite Tremolite Spettri medi grezzi Spettri medi preprocessati
Fase di esplorazione: PCA (Principal Component Analysis) La PCA permette di valutare la possibilità di classificare correttamente i 4 tipi di amianto considerati
Fase di classificazione: PLS-DA (Partial Least Squares Discriminant Analysis) Immagine classificata in falsi colori Matrice di confusione crocidolite tremolite amosite crhysotile Predicted as crocidolite 3890 3 5 0 Predicted as tremolite 1 4002 0 1 Predicted as amosite 14 1 4512 19 Predicted as crhysotile 0 2 1 4789
La microfluorescenza a raggi X Bruker M4 Tornado operante a 50 kv e 500 μa con un filamento di rodio La micro-xrf permette di analizzare la composizione chimica e di ottenere mappe di distribuzione degli elementi sulle superfici indagate (massima risoluzione spaziale: 30 µm)
Mappe micro-xrf dei campioni amianto standard Crisotilo Mg 3 Si 2 O 5 (OH) 4 Crocidolite Na 2 Fe 2+ 3Fe 3+ 2Si 8 O 22 (OH) 2 Mg Si Na Fe Si Tremolite Amosite Ca 2 Mg 5 Si 8 O 22 (OH) 2 (Mg,Fe) 7 Si 8 O 22 (OH) 2 Ca Si Fe Mg Si
Campioni di MCA di varia natura Chrysotile Crocidolite b b Chrysotile Crocidolite Crocidolite a c a c Amosite Crocidolite Chrysotile b b Crocidolite Amosite a c a c
Applicazione del modello di classificazione a MCA Risultati della classificazione HSI e confronto dei risultati con micro-xrf HSI prediction map map HSI prediction map HSI Prediction Map Micro-XRF Map HSI Prediction Map Micro-XRF map Map Crocidolite: Na 2 (Mg,Fe) 6 Si 8 O 22 (OH) 2 Chrysotile: Mg3(Si2O5)(OH)4
Applicazione del modello di classificazione a MCA Risultati della classificazione HSI e confronto dei risultati con micro-xrf HSI Prediction Map Chrysotile Micro-XRF Maps Fe Mg Crocidolite b Chrysotile Crocidolite a c Chrysotile Crocidolite Amosite N.C.
Applicazione del modello di classificazione a MCA Risultati della classificazione HSI e confronto dei risultati con micro-xrf HSI Prediction Map Micro-XRF Maps Fe Amosite b b HSI Prediction Map Micro-XRF Maps Crocidolite Fe c Amosite c Chrysotile Crocidolite Amosite Amosite N.C. Identificazione e caratterizzazione N.C. di materiali contenenti amianto mediante tecnologie innovative
Riconoscimento amianto e matrice nei MCA Analisi in PCA a diversi ingrandimenti di campioni di MCA Amianto Matrice
Riconoscimento tipo di amianto nei MCA Classificazione a diversi ingrandimenti di campioni di MCA
Identificazione di MCA in scarti da costruzione e demolizione Immagini contenenti scarti misti da C&D Descrizione tipologie di materiali MCA in rosso
Identificazione MCA in scarti da costruzione e demolizione Preparazione del dataset Mosaicatura di 4 acquisizioni e suddivisione del dataset in calibrazione e validazione
Identificazione MCA in scarti da costruzione e demolizione Risultati della classificazione HSI Identificazione del campione di MCA rispetto ai campioni non contaminati
Vantaggi dell Hyperspectral imaging nel riconoscimento di MCA Non invasivo Non distruttivo Nessuna preparazione del campione Tempo di acquisizione rapido Risparmio di tempi e costi per le analisi Misure qualitative e quantitative Mappe della composizione chimica superficiale (chemical images) Determinazione di: Matrice e amianto nei MCA Tipi di amianto nei MCA MCA in C&DW
Riferimenti bibliografici G. Capobianco, G. Bonifazi, S. Serranti, 2015: Hyperspectral Imaging Applied to the Identification and Classification of Asbestos Fibers. IEEE Sensors Journal 11/2015; DOI:10.1109/ICSENS.2015.7370458 G. Bonifazi, G. Capobianco, S. Serranti, 2016: A fast and reliable approach for asbestos recognition in complex matrices adopting an hyperspectral imaging based approach. Proc. CRETE 2016, 5th International Conference on Industrial and Hazardous Waste Management, Chania Crete Greece, 09/2016 G. Bonifazi, G. Capobianco, S. Serranti, 2018: Asbestos containing materials detection and classification by the use of hyperspectral imaging. Journal of Hazardous Materials, 344, 981-993, DOI:10.1016/j.jhazmat.2017.11.056 G. Bonifazi, G. Capobianco, S. Serranti, 2018: Asbestos recognition in construction and demolition waste by hyperspectral imaging. Proc. CRETE 2018, 6th International Conference on Industrial & Hazardous Waste Management, Chania Crete Greece; 04-07 September, 2018 Serranti S., Bonifazi G., Capobianco G., Malinconico S., Paglietti F., 2019: Hyperspectral imaging applied to asbestos containing materials detection: Specimen preparation and handling. Proc. SPIE 11007, Advanced Environmental, Chemical and Biological Sensing Technologies XV; Baltimore, USA, 13-18 April 2019, DOI:10.1117/12.2517070 SPIE CRETE DSS 2016 2016 April 27th 17-21, 30 th September 2016, 2016 Baltimore, Chania (Crete, Maryland, Greece). USA
Gruppo di Ingegneria delle Materie Prime Giuseppe Bonifazi Professore ordinario Professore ordinario Grazie!!! Giuseppe Capobianco Assegnista di Ricerca Roberta Palmieri Borsista di Ricerca Riccardo Gasbarrone Dottorando Ludovica Fiore Dottoranda
Identificazione e caratterizzazione di materiali contenenti amianto mediante tecnologie innovative Grazie silvia.serranti@uniroma1.it