Identificación de asbesto-cemento en imágenes NIR mediante métodos de similitud espectral y redes neuronales artificiales
DOI:
https://doi.org/10.24054/rcta.v1i47.4108Palabras clave:
Asbesto-cemento, imágenes multiespectrales, similitud espectral, redes neuronales artificialesResumen
Este estudio emplea imágenes multiespectrales aéreas obtenidas a partir del repositorio del Establecimiento Público Ambiental de Cartagena (EPA), las cuales cuentan con una resolución espacial de 0.17 m/píxel. El conjunto de datos está compuesto por cuatro bandas espectrales (R, G, B y NIR), a partir de las cuales se extrajeron 300 firmas espectrales de cubiertas de asbesto-cemento y 300 firmas de otros materiales. El etiquetado se realizó mediante interpretación visual apoyada en visitas de campo. Se evaluaron dos configuraciones del cubo de datos: una con las cuatro bandas multiespectrales y otra con cinco bandas, generada mediante la incorporación del primer componente principal obtenido mediante PCA. Se compararon tres medidas de similitud espectral (Cosine-Based Similarity (CBS), Spectral Distance Similarity (SDS) y Euclidean Distance Similarity (EDS)) junto con un modelo de red neuronal artificial (ANN). El desempeño se evaluó mediante división 70–30 utilizando métricas de precisión, recall, F1 y tiempo de ejecución. Los resultados indican que EDS y CBS alcanzaron la mayor exactitud en la detección, siendo EDS computacionalmente más eficiente (CBS fue 2,22 veces más lento). Estos hallazgos demuestran que EDS y CBS son métodos prometedores para la detección eficiente de cubiertas de asbesto-cemento a partir de imágenes multiespectrales, y pueden ser extrapolados a la identificación de otros materiales bajo condiciones similares de resolución espacial y calidad de datos.
Descargas
Referencias
C. Zhang, «Introduction to Remote Sensing», en Multi-sensor System Applications in the Everglades Ecosystem, 2020, pp. 31-60. doi: 10.1201/9780429075872-2.
J. Awange, «Fundamentals of Remote Sensing», en Environmental Science and Engineering, 2019, pp. 115-123. doi: 10.1007/978-3-030-03017-9_7.
W. Fu, J. Ma, P. Chen, y F. Chen, «Remote Sensing Satellites for Digital Earth», en Manual of Digital Earth, H. Guo, M. F. Goodchild, y A. Annoni, Eds., Singapore: Springer Singapore, 2020, pp. 55-123. doi: 10.1007/978-981-32-9915-3_3.
B. Zhang et al., «Remotely sensed big data: evolution in model development for information extraction [point of view]», Proc. IEEE, vol. 107, n.o 12, pp. 2294-2301, dic. 2019, doi: 10.1109/jproc.2019.2948454.
Z. Shun et al., «Research on remote sensing image extraction based on deep learning», PeerJ Computer Science, vol. 8, p. e847, ene. 2022, doi: 10.7717/peerj-cs.847.
A. M. Lechner, G. M. Foody, y D. S. Boyd, «Applications in Remote Sensing to Forest Ecology and Management», One Earth, vol. 2, n.o 5, pp. 405-412, may 2020, doi: 10.1016/j.oneear.2020.05.001.
Z. Wang, Y. Ma, Y. Zhang, y J. Shang, «Review of Remote Sensing Applications in Grassland Monitoring», Remote Sensing, vol. 14, n.o 12, p. 2903, jun. 2022, doi: 10.3390/rs14122903.
M. I. Abdulraheem, W. Zhang, S. Li, A. J. Moshayedi, A. A. Farooque, y J. Hu, «Advancement of Remote Sensing for Soil Measurements and Applications: A Comprehensive Review», Sustainability, vol. 15, n.o 21, p. 15444, oct. 2023, doi: 10.3390/su152115444.
P. Wang, X. Ma, y Q. Zhao, «Learning-based classification approach for coded aperture compressive spectral image», en International Conference on Image, Signal Processing, and Pattern Recognition (ISPP 2023), P. Batista y R. Bilas Pachori, Eds., Changsha, China: SPIE, jun. 2023, p. 137. doi: 10.1117/12.2681198.
A. Bodkin, A. Sheinis, A. Norton, J. Daly, S. Beaven, y J. Weinheimer, «Snapshot hyperspectral imaging: the hyperpixel array camera», en SPIE Proceedings, S. S. Shen y P. E. Lewis, Eds., Orlando, Florida, USA: SPIE, may 2009, p. 73340H. doi: 10.1117/12.818929.
D. Hong et al., «SpectralGPT: Spectral Remote Sensing Foundation Model», IEEE Trans. Pattern Anal. Mach. Intell., vol. 46, n.o 8, pp. 5227-5244, ago. 2024, doi: 10.1109/tpami.2024.3362475.
M. Krówczynska, E. Raczko, N. Staniszewska, y E. Wilk, «Asbestos—Cement Roofing Identification Using Remote Sensing and Convolutional Neural Networks (CNNs)», Remote Sensing, vol. 12, n.o 3, p. 408, ene. 2020, doi: 10.3390/rs12030408.
F. Frassy et al., «Mapping Asbestos-Cement Roofing with Hyperspectral Remote Sensing over a Large Mountain Region of the Italian Western Alps», Sensors, vol. 14, n.o 9, pp. 15900-15913, ago. 2014, doi: 10.3390/s140915900.
G. Bonifazi, G. Capobianco, y S. Serranti, «Asbestos containing materials detection and classification by the use of hyperspectral imaging», Journal of Hazardous Materials, vol. 344, pp. 981-993, feb. 2018, doi: 10.1016/j.jhazmat.2017.11.056.
G. Bonifazi, G. Capobianco, y S. Serranti, «Hyperspectral Imaging and Hierarchical PLS-DA Applied to Asbestos Recognition in Construction and Demolition Waste», Applied Sciences, vol. 9, n.o 21, p. 4587, oct. 2019, doi: 10.3390/app9214587.
O. Trotta, G. Bonifazi, G. Capobianco, y S. Serranti, «DETECTION OF ASBESTOS CONTAINING MATERIAL IN POST-EARTHQUAKE BUILDING WASTE THROUGH HYPERSPECTRAL IMAGING AND MICRO-X-RAY FLUORESCENCE», Detritus, n.o 21, pp. 27-34, dic. 2022, doi: 10.31025/2611-4135/2022.17233.
M. Hikuwai, N. Patorniti, A. Vieira, G. Frangioudakis Khatib, y R. Stewart, «Artificial Intelligence for the Detection of Asbestos Cement Roofing: An Investigation of Multi-Spectral Satellite Imagery and High-Resolution Aerial Imagery», Sustainability, vol. 15, n.o 5, p. 4276, feb. 2023, doi: 10.3390/su15054276.
D. Enrique Valdelamar Martínez, M. Saba, y L. K. Torres Gil, «Assessment of asbestos-cement roof distribution and prioritized intervention approaches through hyperspectral imaging», Heliyon, vol. 10, n.o 3, p. e25612, feb. 2024, doi: 10.1016/j.heliyon.2024.e25612.
G. E. Chanchí-Golondrino, M. A. Ospina-Alarcón, y M. Saba, «Proposal of a computational method for asbestos detection in hyperspectral images based on the identification of prominent peaks in the spectral signature», rev. investig. desarro. innov, vol. 15, n.o 1, pp. 119-138, mar. 2025, doi: 10.19053/uptc.20278306.v15.n1.2025.19183.
B. G. Ram, P. Oduor, C. Igathinathane, K. Howatt, y X. Sun, «A systematic review of hyperspectral imaging in precision agriculture: Analysis of its current state and future prospects», Computers and Electronics in Agriculture, vol. 222, p. 109037, jul. 2024, doi: 10.1016/j.compag.2024.109037.
N. Ghasemi, J. A. Justo, M. Celesti, L. Despoisse, y J. Nieke, «Onboard Processing of Hyperspectral Imagery: Deep Learning Advancements, Methodologies, Challenges, and Emerging Trends», IEEE J. Sel. Top. Appl. Earth Observations Remote Sensing, vol. 18, pp. 4780-4790, 2025, doi: 10.1109/jstars.2025.3527898.
A. C. Toma, S. Panica, D. Zaharie, y D. Petcu, «Computational challenges in processing large hyperspectral images», en 2012 5th Romania Tier 2 Federation Grid, Cloud & High Performance Computing Science (RQLCG), oct. 2012, pp. 111-114. Accedido: 12 de julio de 2025. [En línea]. Disponible en: https://ieeexplore.ieee.org/document/6528260
S. Li, W. Song, L. Fang, Y. Chen, P. Ghamisi, y J. A. Benediktsson, «Deep Learning for Hyperspectral Image Classification: An Overview», IEEE Trans. Geosci. Remote Sensing, vol. 57, n.o 9, pp. 6690-6709, sep. 2019, doi: 10.1109/tgrs.2019.2907932.
M. E. Paoletti, J. M. Haut, J. Plaza, y A. Plaza, «Deep learning classifiers for hyperspectral imaging: A review», ISPRS Journal of Photogrammetry and Remote Sensing, vol. 158, pp. 279-317, dic. 2019, doi: 10.1016/j.isprsjprs.2019.09.006.
Z. Yu y W. Cui, «LSCA-net: A lightweight spectral convolution attention network for hyperspectral image processing», Computers and Electronics in Agriculture, vol. 215, p. 108382, dic. 2023, doi: 10.1016/j.compag.2023.108382.
U. Ghous, M. S. Sarfraz, M. Ahmad, C. Li, y D. Hong, «EXNet: (2+1)D Extreme Xception Net for Hyperspectral Image Classification», IEEE J. Sel. Top. Appl. Earth Observations Remote Sensing, vol. 17, pp. 5159-5172, 2024, doi: 10.1109/jstars.2024.3362936.
Y.-L. Chang et al., «Consolidated Convolutional Neural Network for Hyperspectral Image Classification», Remote Sensing, vol. 14, n.o 7, p. 1571, mar. 2022, doi: 10.3390/rs14071571.
J. M. Bioucas-Dias et al., «Hyperspectral Unmixing Overview: Geometrical, Statistical, and Sparse Regression-Based Approaches», IEEE J. Sel. Top. Appl. Earth Observations Remote Sensing, vol. 5, n.o 2, pp. 354-379, abr. 2012, doi: 10.1109/jstars.2012.2194696.
X. Huang, P. Wang, S. Zhang, X. Zhao, y Y. Zhang, «Structural health monitoring and material safety with multispectral technique: A review», Journal of Safety Science and Resilience, vol. 3, n.o 1, pp. 48-60, mar. 2022, doi: 10.1016/j.jnlssr.2021.09.004.
L. Wunsch, M. Hubold, R. Nestler, y G. Notni, «Realisation of an Application Specific Multispectral Snapshot-Imaging System Based on Multi-Aperture-Technology and Multispectral Machine Learning Loops», Sensors, vol. 24, n.o 24, p. 7984, dic. 2024, doi: 10.3390/s24247984.
Y. Chen, H. Jiang, C. Li, X. Jia, y P. Ghamisi, «Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks», IEEE Trans. Geosci. Remote Sensing, vol. 54, n.o 10, pp. 6232-6251, oct. 2016, doi: 10.1109/TGRS.2016.2584107.
E. Maggiori, Y. Tarabalka, G. Charpiat, y P. Alliez, «Convolutional Neural Networks for Large-Scale Remote-Sensing Image Classification», IEEE Trans. Geosci. Remote Sensing, vol. 55, n.o 2, pp. 645-657, feb. 2017, doi: 10.1109/TGRS.2016.2612821.
F. Melgani y L. Bruzzone, «Classification of hyperspectral remote sensing images with support vector machines», IEEE Trans. Geosci. Remote Sensing, vol. 42, n.o 8, pp. 1778-1790, ago. 2004, doi: 10.1109/TGRS.2004.831865.
R. H. Yuhas, A. F. Goetz, y J. W. Boardman, «Discrimination among semi-arid landscape endmembers using the spectral angle mapper (SAM) algorithm», en JPL, Summaries of the Third Annual JPL Airborne Geoscience Workshop. Volume 1: AVIRIS Workshop, 1992.
N. Audebert, B. Le Saux, y S. Lefèvre, «Beyond RGB: Very high resolution urban remote sensing with multimodal deep networks», ISPRS Journal of Photogrammetry and Remote Sensing, vol. 140, pp. 20-32, jun. 2018, doi: 10.1016/j.isprsjprs.2017.11.011.
F. Martínez-Plumed et al., «CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories», IEEE Transactions on Knowledge and Data Engineering, vol. 33, n.o 8, pp. 3048-3061, 2021, doi: https://doi.org/10.1109/TKDE.2019.2962680.
J. Saltz, «CRISP-DM for Data Science: Strengths, Weaknesses and Potential Next Steps», presentado en 2021 IEEE International Conference on Big Data (Big Data), Orlando, FL, USA, 2021. doi: https://doi.org/10.1109/BigData52589.2021.9671634.
C. Schröer, F. Kruse, y J. Gómez, «A Systematic Literature Review on Applying CRISP-DM Process Model.», Procedia Computer Science, vol. 181, pp. 526-534, 2021, doi: https://doi.org/10.1016/j.procs.2021.01.199.
A. M. Shimaoka, R. C. Ferreira, y A. Goldman, «The evolution of CRISP-DM for Data Science: Methods, Processes and Frameworks», Reviews, vol. 4, n.o 1, pp. 28-43, oct. 2024, doi: 10.5753/reviews.2024.3757.
D. Enrique Valdelamar Martínez, M. Saba, y L. K. Torres Gil, «Assessment of asbestos-cement roof distribution and prioritized intervention approaches through hyperspectral imaging», Heliyon, vol. 10, n.o 3, feb. 2024, doi: 10.1016/j.heliyon.2024.e25612.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Gabriel Elías Chanchí Golondrino, Manuel Alejandro Ospina Alarcón, Manuel Saba
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
