Method for asbestos detection in hyperspectral images based on the approximate components of the wavelet transform and spectral differential similarity

Gabriel Elías Chanchí Golondrino; Manuel Saba; Manuel Alejandro Ospina Alarcón

doi:10.24054/rcta.v2i46.3521

Autores/as

Gabriel Elías Chanchí Golondrino Universidad de Cartagena https://orcid.org/0000-0002-0257-1988
Manuel Saba Universidad de Cartagena https://orcid.org/0000-0003-1345-9657
Manuel Alejandro Ospina Alarcón Universidad de Cartagena https://orcid.org/0000-0003-4510-0753

DOI:

https://doi.org/10.24054/rcta.v2i46.3521

Palabras clave:

Asbesto-cemento, imágenes hiperespectrales, sensado remoto, transformada wavelet

Resumen

Considerando que uno de los desafíos en la detección de materiales en el campo de las imágenes hiperespectrales ante la alta dimensionalidad, es la identificación de métodos computacionales más eficientes, en este artículo se propone como contribución un método para la detección de asbesto basado en el uso de los componentes aproximados de la transformada wavelet y la similitud diferencial espectral. Las variantes del método propuesto fueron implementadas mediante el uso de las librerías de código abierto: spectral, Pywavelets, numpy, pandas y matplotlib, obteniendo una efectividad similar en la detección de asbesto con respecto al método de la correlación. Así mismo, a nivel de la eficiencia computacional, se obtuvo que las tres variantes del método resultaron más eficientes que el método de la correlación, siendo el método basado en el primer componente de la transformada el que obtuvo los mejores resultados al ser 13.964% más eficiente. A partir de los resultados obtenidos, las variantes del método propuesto pueden ser consideradas como una alternativa a los métodos convencionales, de tal forma que pueden ser articuladas en sistemas de análisis y monitorización de asbesto y otros materiales a partir del uso de imágenes hiperespectrales. Así mismo, este trabajo demostró la factibilidad del uso de herramientas y librerías de código abierto en la identificación de materiales en imágenes hiperespectrales, por lo que esta investigación puede ser tomada como punto de referencia que centros de investigación y universidades repliquen y adapten estos métodos en investigaciones basadas en sensado remoto.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

J. Awange and J. Kiema, “Fundamentals of Remote Sensing,” 2019, pp. 115–123. doi: 10.1007/978-3-030-03017-9_7. DOI: https://doi.org/10.1007/978-3-030-03017-9_7

A. F. Jiménez-López, M. Jiménez-López, and F. R. Jiménez-López, “Multispectral analysis of vegetation for remote sensing applications,” ITECKNE, vol. 12, no. 2, Nov. 2015, doi: 10.15332/iteckne.v12i2.1242. DOI: https://doi.org/10.15332/iteckne.v12i2.1242

A. A. Misra, “Remote Sensing Fundamentals,” in Atlas of Structural Geological and Geomorphological Interpretation of Remote Sensing Images, Wiley, 2022, pp. 7–14. doi: 10.1002/9781119813392.ch1. DOI: https://doi.org/10.1002/9781119813392.ch1

C. Nansen and N. Elliott, “Remote Sensing and Reflectance Profiling in Entomology,” Annu. Rev. Entomol., vol. 61, no. 1, pp. 139–158, Mar. 2016, doi: 10.1146/annurev-ento-010715-023834. DOI: https://doi.org/10.1146/annurev-ento-010715-023834

R. Navalgund, V. Jayaraman, and P. Roy, “Remote sensing applications: An overview,” Curr. Sci., vol. 93, pp. 1747–1766, 2007.

B. Verma, M. Porwal, A. K. Jha, R. G. Vyshnavi, A. Rajpoot, and A. K. Nagar, “Enhancing Precision Agriculture and Environmental Monitoring Using Proximal Remote Sensing,” J. Exp. Agric. Int., vol. 45, no. 8, pp. 162–176, Jul. 2023, doi: 10.9734/jeai/2023/v45i82168. DOI: https://doi.org/10.9734/jeai/2023/v45i82168

W. M. Castro Silupu, I. J. Yoplac Tafur, and C. A. López Portocarrero, “Predicción del color y contenido de humedad en café cerezo mediante redes neuronales y regresión de mínimos cuadrados parciales,” Cienc. Amaz., vol. 5, no. 2, p. 91, Dec. 2015, doi: 10.22386/ca.v5i2.94. DOI: https://doi.org/10.22386/ca.v5i2.94

M. E. Paoletti, J. M. Haut, J. Plaza, and A. Plaza, “Estudio Comparativo de Técnicas de Clasificación de Imágenes Hiperespectrales,” Rev. Iberoam. Automática e Informática Ind., vol. 16, no. 2, p. 129, Mar. 2019, doi: 10.4995/riai.2019.11078. DOI: https://doi.org/10.4995/riai.2019.11078

L. Gao and R. T. Smith, “Optical hyperspectral imaging in microscopy and spectroscopy - a review of data acquisition,” J. Biophotonics, vol. 8, no. 6, pp. 441–456, Jun. 2015, doi: 10.1002/jbio.201400051. DOI: https://doi.org/10.1002/jbio.201400051

B. Park, “Future Trends in Hyperspectral Imaging,” NIR news, vol. 27, no. 1, pp. 35–38, Feb. 2016, doi: 10.1255/nirn.1583. DOI: https://doi.org/10.1255/nirn.1583

J. Burger and A. Gowen, “Data handling in hyperspectral image analysis,” Chemom. Intell. Lab. Syst., vol. 108, no. 1, pp. 13–22, Aug. 2011, doi: 10.1016/j.chemolab.2011.04.001. DOI: https://doi.org/10.1016/j.chemolab.2011.04.001

S. Muhammed, R. D, and V. S, “Hyperspectral and Multispectral Image Fusion Techniques,” Int. J. Recent Technol. Eng., vol. 8, no. 5, pp. 467–471, Jan. 2020, doi: 10.35940/ijrte.E4904.018520. DOI: https://doi.org/10.35940/ijrte.E4904.018520

H. González-Núñez and R. de la Fuente, “Offner imaging spectrometers,” Opt. Pura y Apl., vol. 50, no. 1, pp. 37–47, Mar. 2017, doi: 10.7149/OPA.50.1.49506. DOI: https://doi.org/10.7149/OPA.50.1.49506

G. Bonifazi, G. Capobianco, and S. Serranti, “Asbestos containing materials detection and classification by the use of hyperspectral imaging,” J. Hazard. Mater., vol. 344, pp. 981–993, Feb. 2018, doi: 10.1016/j.jhazmat.2017.11.056. DOI: https://doi.org/10.1016/j.jhazmat.2017.11.056

G. Bonifazi, G. Capobianco, and S. Serranti, “Hyperspectral imaging applied to the identification and classification of asbestos fibers,” in 2015 IEEE SENSORS, IEEE, Nov. 2015, pp. 1–4. doi: 10.1109/ICSENS.2015.7370458. DOI: https://doi.org/10.1109/ICSENS.2015.7370458

G. Bonifazi, G. Capobianco, S. Serranti, S. Malinconico, and F. Paglietti, “ASBESTOS DETECTION IN CONSTRUCTION AND DEMOLITION WASTE ADOPTING DIFFERENT CLASSIFICATION APPROACHES BASED ON SHORT WAVE INFRARED HYPERSPECTRAL IMAGING,” Detritus, no. 20, pp. 90–99, Aug. 2022, doi: 10.31025/2611-4135/2022.15211. DOI: https://doi.org/10.31025/2611-4135/2022.15211

G. Bonifazi, G. Capobianco, and S. Serranti, “Hyperspectral Imaging and Hierarchical PLS-DA Applied to Asbestos Recognition in Construction and Demolition Waste,” Appl. Sci., vol. 9, no. 21, p. 4587, Oct. 2019, doi: 10.3390/app9214587. DOI: https://doi.org/10.3390/app9214587

D. Gubiani et al., “A dynamic neural network model for the identification of asbestos roofings in hyperspectral images covering a large regional area,” Comput. Civ. Infrastruct. Eng., Nov. 2024, doi: 10.1111/mice.13376. DOI: https://doi.org/10.1111/mice.13376

M. Krówczynska and E. Wilk, “Identification of asbestos-cement roofing with the use of remote sensing data in the capital city of Poland,” Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., vol. XLVIII-3–2, pp. 273–278, Nov. 2024, doi: 10.5194/isprs-archives-XLVIII-3-2024-273-2024. DOI: https://doi.org/10.5194/isprs-archives-XLVIII-3-2024-273-2024

Y. Chen, H. Jiang, C. Li, X. Jia, and P. Ghamisi, “Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks,” IEEE Trans. Geosci. Remote Sens., vol. 54, no. 10, pp. 6232–6251, Oct. 2016, doi: 10.1109/TGRS.2016.2584107. DOI: https://doi.org/10.1109/TGRS.2016.2584107

J. Torres Tello, “Aprendizaje profundo para predicciones que usan imágenes multiespectrales en agricultura,” ConcienciaDigital, vol. 6, no. 4.1, pp. 75–87, Oct. 2023, doi: 10.33262/concienciadigital.v6i4.1.2734. DOI: https://doi.org/10.33262/concienciadigital.v6i4.1.2734

M. Unser and T. Blu, “Wavelet theory demystified,” IEEE Trans. Signal Process., vol. 51, no. 2, pp. 470–483, Feb. 2003, doi: 10.1109/TSP.2002.807000. DOI: https://doi.org/10.1109/TSP.2002.807000

G. C.-H. Chuang and C.-C. J. Kuo, “Wavelet descriptor of planar curves: theory and applications,” IEEE Trans. Image Process., vol. 5, no. 1, pp. 56–70, Jan. 1996, doi: 10.1109/83.481671. DOI: https://doi.org/10.1109/83.481671

Y. Tounsi, A. Ghlaifan, M. Kumar, F. Mendoza-Santoyo, O. Matoba, and A. Nassim, “Fringe Pattern Analysis in Wavelet Domain,” in Holographic Materials and Applications, IntechOpen, 2019. doi: 10.5772/intechopen.87943. DOI: https://doi.org/10.5772/intechopen.87943

R. Ohura and T. Minamoto, “A blind digital image watermarking method based on the dyadic wavelet packet transform and fast interval arithmetic techniques,” Int. J. Wavelets, Multiresolution Inf. Process., vol. 13, no. 05, p. 1550040, Sep. 2015, doi: 10.1142/S021969131550040X. DOI: https://doi.org/10.1142/S021969131550040X

G. E. Chanchí Golondrino, M. A. Ospina Alarcón, and M. Saba, “Vegetation Identification in Hyperspectral Images Using Distance/Correlation Metrics,” Atmosphere (Basel)., vol. 14, no. 7, p. 1148, Jul. 2023, doi: 10.3390/atmos14071148. DOI: https://doi.org/10.3390/atmos14071148

M. Kottek and M. L. Yuen, “Public health risks from asbestos cement roofing,” Am. J. Ind. Med., vol. 65, no. 3, pp. 157–161, Mar. 2022, doi: 10.1002/ajim.23321. DOI: https://doi.org/10.1002/ajim.23321

M. Krówczynska and E. Wilk, “Environmental and Occupational Exposure to Asbestos as a Result of Consumption and Use in Poland,” Int. J. Environ. Res. Public Health, vol. 16, no. 14, p. 2611, Jul. 2019, doi: 10.3390/ijerph16142611. DOI: https://doi.org/10.3390/ijerph16142611

C. A. Saito et al., “Sex-Specific Mortality from Asbestos-Related Diseases, Lung and Ovarian Cancer in Municipalities with High Asbestos Consumption, Brazil, 2000–2017,” Int. J. Environ. Res. Public Health, vol. 19, no. 6, p. 3656, Mar. 2022, doi: 10.3390/ijerph19063656. DOI: https://doi.org/10.3390/ijerph19063656

G. Chanchí-Golondrino, M. Ospina-Alarcón, and M. Saba, “Propuesta de un método computacional para la detección de asbesto en imágenes hiperespectrales a partir de la similitud diferencial espectral,” Rev. Colomb. Tecnol. Av., vol. 1, no. 45, pp. 195–203, 2025. DOI: https://doi.org/10.24054/rcta.v1i45.3279