Identificazione e caratterizzazione di materiali ... · Identificazione e caratterizzazione di...

XI Giornata Nazionale delle Miniere

Sala Seminari - Facoltà di Ingegneria Civile e Industriale

Viale Andrea Doria, 3 – 04100 Latina

Identificazione e caratterizzazione

di materiali contenenti amianto

mediante tecnologie innovative

Silvia Serranti

Dipartimento di Ingegneria Chimica Materiali Ambiente

Progetto INAIL – BRIC 58 “Riconoscimento e caratterizzazione di materiali

contenenti amianto a scala di laboratorio mediante analisi d’immagine

iperspettrale…”

Silvia Serranti

Identificazione e caratterizzazione di materiali contenenti amianto mediante tecnologie innovative

XI Giornata Nazionale delle Miniere – 24 Maggio 2019

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)

Hyperspectral imaging per il riconoscimento dell’amianto

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

Source: Perception Park

Che cos’è l’Hyperspectral Imaging?

Silvia Serranti



• 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

Lo spettro elettromagnetico

Silvia Serranti



Da immagine monocromatica a iperspettrale

Silvia Serranti



Monochrome Image Color Image Hyperspectral Image

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

Immagine spaziale di

nxm pixels ad una

singola lunghezza

d’onda (λi)

Immagine spettrale

di n pixels per tutte

le lunghezze d’onda

investigate (λ)

Firma spettrale di

un singolo pixel

Il cubo immagine

Silvia Serranti



Esempio di applicazione HSI

Silvia Serranti



Architettura harware e software

integrata in grado di acquisire

linea per linea gli spettri di una

superficie correttamente

illuminata.

Il sistema di rilevamento è

costituito da quattro elementi:

L’ottica

Lo spettrografo

La camera CCD

La sorgente luminosa

Sistema

illuminante

Lente

Spettrografo

Camera

Computer

Architettura del sistema iperspettrale

Silvia Serranti



ImSpector V10E (Specim)

- VIS-NIR: 400-1000 nm

Spectral Camera NIR (Specim)

- NIR: 1000-1700 nm

Piattaforme iperspettrali

SISUCHEMA XL (Specim)

- SWIR: 1000-2500 nm

Silvia Serranti



• 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

Piattaforme iperspettraliSISUChema XL™ Chemical Imaging Workstation (Specim, Finland)

Silvia Serranti



Acquisizione HSI di un campione di materiale contenente

amianto (MCA)

Silvia Serranti



DSC_0427.MOV

Acquisizione del

dato

Gestione ed elaborazione delle immagini iperspettrali

Gli ipercubi di dati acquisiti

sono elaborati mediante il

software PLS_Toolbox

(Eigenvector Rsearch Inc.)

che gira in ambiente Matlab™.

Silvia Serranti



CrisotiloAmosite

TremoliteCrocidolite

Acquisizione di campioni standard di amianto

Selezione delle ROI (Regions of Interest)

per costruire il training set.

Silvia Serranti



Spettri medi grezzi

Spettri medi di riflettanza dei vari tipi di amianto

Spettri medi preprocessati

Crocidolite

Crisotilo

Amosite

Tremolite

Silvia Serranti



Fase di esplorazione: PCA (Principal Component Analysis)

La PCA permette di valutare la possibilità di classificare correttamente i 4

tipi di amianto considerati

Silvia Serranti



Fase di classificazione: PLS-DA (Partial Least Squares Discriminant Analysis)

crocidolite tremolite amosite crhysotilePredicted as crocidolite 3890 3 5 0Predicted as tremolite 1 4002 0 1Predicted as amosite 14 1 4512 19

Predicted as crhysotile 0 2 1 4789

Matrice di confusione

Immagine classificata in falsi colori

Silvia Serranti



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)

Silvia Serranti



Crisotilo

Mg3Si2O5(OH)4

Amosite

(Mg,Fe)7Si8O22(OH)2

Tremolite

Ca2Mg5Si8O22(OH)2

Crocidolite

Na2Fe2+3Fe3+

2Si8O22(OH)2

Mg

Mg

Si

Si

SiFe

Fe SiCa

Na

Mappe micro-XRF dei campioni amianto standard

Silvia Serranti



Campioni di MCA di varia natura

b

a c

Crocidolite

b

a c

Chrysotile

Chrysotile

Crocidolite

Crocidolite

b

a c

Amosite

Amosite

b

a c

Chrysotile

Crocidolite

Crocidolite

Silvia Serranti



Applicazione del modello di classificazione a MCA

Crocidolite: Na2(Mg,Fe)6Si8O22(OH)2

Chrysotile: Mg3(Si2O5)(OH)4

Micro-XRF mapHSI prediction map Micro-XRF mapHSI prediction mapHSI Prediction Map Micro-XRF Map HSI Prediction Map Micro-XRF Map

Risultati della classificazione HSI e confronto dei risultati con micro-XRF

Silvia Serranti



Chrysotile

Crocidolite

Amosite

N.C.

Fe Mg

Applicazione del modello di classificazione a MCARisultati della classificazione HSI e confronto dei risultati con micro-XRF

Silvia Serranti



HSI Prediction Map Micro-XRF Maps

b

a c

Chrysotile

Chrysotile

Crocidolite

Crocidolite

Chrysotile

Crocidolite

Amosite

N.C.

Fe

Applicazione del modello di classificazione a MCARisultati della classificazione HSI e confronto dei risultati con micro-XRF

Silvia Serranti



Micro-XRF MapsHSI Prediction Map

b

a c

Crocidolite

Fe

b

a c

Amosite

Amosite

Amosite

N.C.

Micro-XRF MapsHSI Prediction Map

Analisi in PCA a diversi ingrandimenti di campioni di MCA

Riconoscimento amianto e matrice nei MCA

Silvia Serranti



Amianto Matrice

Classificazione a diversi ingrandimenti di campioni di MCA

Riconoscimento tipo di amianto nei MCA

Silvia Serranti



Immagini contenenti

scarti misti da C&D

Descrizione tipologie di materiali

MCA in rosso

Identificazione di MCA in scarti da costruzione e

demolizione

Silvia Serranti



Mosaicatura di 4 acquisizioni e suddivisione

del dataset in calibrazione e validazione

Identificazione MCA in scarti da costruzione e demolizionePreparazione del dataset

Silvia Serranti



Identificazione del campione di MCA rispetto ai campioni non contaminati

Identificazione MCA in scarti da costruzione e demolizioneRisultati della classificazione HSI

Silvia Serranti



• 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

Vantaggi dell’Hyperspectral imaging

nel riconoscimento di MCA

Silvia Serranti



SPIE DSS 2016

April 17-21, 2016

Baltimore, Maryland, USA

“CRETE 2016”

27th – 30th September , 2016

Chania (Crete, Greece).

• 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

Riferimenti bibliografici

Grazie !!!

Gruppo di Ingegneria delle Materie Prime

Giuseppe BonifaziProfessore ordinario

Silvia SerrantiProfessore ordinario

Riccardo

GasbarroneDottorando

Roberta

PalmieriBorsista di Ricerca

Giuseppe

CapobiancoAssegnista di Ricerca

Ludovica

FioreDottoranda

Grazie

[email protected]

Identificazione e caratterizzazione

di materiali contenenti amianto

mediante tecnologie innovative

Identificazione e caratterizzazione di materiali ... · Identificazione e caratterizzazione di...

Documents

Transcript of Identificazione e caratterizzazione di materiali ... · Identificazione e caratterizzazione di...