IT202100028025A1

IT202100028025A1 - Procedimento per una selezione di bande spettrali per un apparato adatto a rilevare contaminanti di un campione.

Info

Publication number: IT202100028025A1
Application number: IT102021000028025A
Authority: IT
Inventors: Andrea Sardella
Original assignee: Stevanato Group Spa
Priority date: 2021-11-03
Filing date: 2021-11-03
Publication date: 2023-05-03

Description

PROCEDIMENTO PER UNA SELEZIONE DI BANDE SPETTRALI PER UN APPARATO ADATTO A RILEVARE CONTAMINANTI DI UN

CAMPIONE

La presente invenzione si riferisce ad un procedimento per una selezione di bande spettrali per un apparato adatto a rilevare contaminanti di un campione.

Un liofilo ? un sistema colloidale ottenuto attraverso un processo che consente di separare sostanze volatili in forma liquida da sostanze non volatili in forma solida. Il liofilo si presenta come uno strato compatto, un cosiddetto ?cake?, disposto su un fondo di un flacone. Un campione di liofilo pu? comprendere contaminanti o impurit? oppure difetti geometrici come ad esempio crepe o superfici irregolari.

Nello stato della tecnica sono noti procedimenti per individuare (o per distinguere da campioni puri) campioni in ambito farmaceutico (tabs, pastiglie, ecc...) comprendenti contaminanti o impurit?, che prevedono una acquisizione di immagini a colori in bande dello spettro ottico del visibile.

Svantaggiosamente i procedimenti noti non consentono di distinguere se macchie e variazioni di colore possano dipendere, invece, da ombre generate da irregolarit? superficiali.

Svantaggiosamente i procedimenti noti non consentono di rilevare principi attivi n? sostanze presenti al di sotto di una superficie del campione.

Nello stato della tecnica sono noti inoltre sistemi di analisi di contaminanti che prevedono un?analisi di una risposta spettrale di singoli punti di un campione. ? altres? noto che la scelta della banda usata per l?analisi spettrale determina il tipo di materiale identificabile. ? infine noto l?uso di intelligenze artificiali di tipo classificatore opportunamente addestrate per la classificazione di immagini. I sistemi di analisi spettrale noti non si prestano svantaggiosamente ad un?analisi effettuata sopra una intera superficie di un campione e svantaggiosamente sono procedimenti lenti che non rispondono a velocit? richieste da un?analisi in linea di produzione.

Uno scopo della presente invenzione consiste nel fatto di realizzare un procedimento che permetta di selezionare bande spettrali per far funzionare un apparato a velocit? adeguate ad un impianto industriale e consenta all?apparato di poter rilevare contaminanti specifici di un campione, identificando regioni del campione in cui sono presenti contaminanti.

In un aspetto l?invenzione riguarda un procedimento di selezione di bande spettrali per un apparato adatto a rilevare contaminanti di un campione, in cui detto apparato comprende un setup di illuminazione comprendente almeno una sorgente di luce incoerente, una molteplicit? di elementi ottici adatti a direzionare o collimare un fascio di luce proveniente dalla sorgente di luce, uno stadio di selezione di bande di lunghezze d?onda adatto a scomporre detto fascio di luce ed a selezionare una raccolta di bande di lunghezza d?onda, detta raccolta comprendendo una molteplicit? di fasci, in cui ogni fascio di detta molteplicit? di fasci comprende una banda di lunghezze d?onda di detta raccolta di bande di lunghezza d?onda, in cui detta raccolta di bande di lunghezza d?onda ? una raccolta finale di bande spettrali ottenuta da detto procedimento di selezione, una guida d?onda (o un qualsiasi equivalente convogliatore ottico) che seleziona almeno un fascio di detta molteplicit? di fasci ed indirizza detto almeno un fascio verso almeno una porzione di detto campione per illuminare detto campione, una telecamera di rilevamento adatta a rilevare immagini iperspettrali del campione, un elaboratore elettronico comprendente almeno un processore ed almeno una memoria, almeno una intelligenza artificiale di tipo classificatore caricata in detto elaboratore elettronico, in cui detta almeno una intelligenza artificiale classifica immagini iperspettrali dei campioni sulla base di una base dati di addestramento, in cui detto procedimento di selezione ? attuato da un setup di taratura e selezione comprendente la sorgente di luce, la telecamera di rilevamento, uno spettrometro, l?elaboratore elettronico comprendente detto almeno un processore e detta almeno una memoria, la prima intelligenza artificiale di tipo classificatore ed una seconda intelligenza artificiale di tipo classificatore caricate in detto elaboratore elettronico, in cui detto procedimento di selezione comprende una fase di illuminazione del campione, in cui la sorgente di luce ? incoerente ed ottimizzata per lunghezze d?onda di assorbimento di materiali presenti in un campione ed illumina il campione secondo un orientamento predefinito per misure spettroscopiche, una fase di acquisizione di immagini iperspettrali per mezzo di detta telecamera di rilevamento che acquisisce una immagine iperspettrale del campione, in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali che definiscono una molteplicit? di porzioni del campione ed una molteplicit? di lunghezze d?onda per ogni porzione di detta molteplicit? di porzioni del campione, una fase di generazione di detta almeno una base dati di addestramento per detta prima intelligenza artificiale di tipo classificatore per mezzo di detto elaboratore elettronico, in cui detta almeno una base di dati comprende una molteplicit? di immagini iperspettrali di una molteplicit? di campioni acquisite dalla fase di acquisizione, in cui dette immagini iperspettrali comprendono immagini iperspettrali di campioni comprendenti almeno un contaminante e senza alcun contaminante, una prima fase di addestramento di detta prima intelligenza artificiale di tipo classificatore, in cui alla prima intelligenza artificiale vengono fornite immagini iperspettrali di detta almeno una base di dati elaborata attraverso la fase di generazione, una fase di fornitura di una raccolta iniziale di bande spettrali, una seconda fase di addestramento di detta seconda intelligenza artificiale di tipo classificatore, in cui alla seconda intelligenza artificiale vengono fornite immagini iperspettrali di detta almeno una base di dati, in cui detta molteplicit? di lunghezze d?onda di ogni immagine iperspettrale ? ristretta alle sole bande spettrali di detta raccolta iniziale di bande spettrali, una fase di selezione della raccolta finale di bande spettrali in numero minore o uguale rispetto a detta raccolta iniziale di bande spettrali, in cui detta raccolta finale di bande spettrali ? selezionata attraverso almeno un metodo di selezione scelto tra una selezione di bande spettrali di varianza massima o una selezione di bande pi? spaziate tra di loro delle altre o una selezione di bande che comprendono righe di assorbimento di contaminanti del campione.

Nella presente descrizione e nelle rivendicazioni allegate, per sorgente ottimizzata per certe lunghezze d?onda si intende una sorgente il cui spettro di emissione copra almeno l?intero range di lunghezze d?onda di interesseper il un materiale da analizzare.

Detta fase di fornitura pu? comprendere una sottofase di identificazione di detta raccolta iniziale di bande spettrali in modo di massimizzare una differenza tra spettri di campioni senza contaminanti e spettri di campioni contaminati, in cui detta sotto-fase di identificazione della raccolta iniziale di bande spettrali viene effettuata per mezzo di un algoritmo di analisi caricato in detto elaboratore elettronico.

La fase di acquisizione delle immagini iperspettrali pu? comprendere una fase di selezione di porzioni di materiale del campione, in cui una fenditura dello spettrometro seleziona una porzione del campione ed un mezzo dispersore dello spettrometro disperde un fascio che proviene da detta fenditura.

Detta fase di acquisizione pu? prevedere che lo spettrometro acquisisca misure spettroscopiche del campione in riflettanza o in trasmittanza.

Detta fase di selezione della raccolta finale di bande spettrali in numero minore o uguale rispetto a detta raccolta iniziale di bande spettrali pu? prevedere che una banda spettrale che massimizza una differenza tra spettri di campioni senza contaminanti e spettri di campioni contaminati ? considerata come quella in cui una deviazione standard di spettri di contaminanti rispetto allo spettro senza contaminanti ? massima.

Un altro scopo della presente invenzione consiste nel fatto di realizzare un apparato che funzioni a velocit? adeguate ad un impianto industriale che rilevi contaminanti di un campione, identificando regioni del campione in cui sono presenti contaminanti.

In un aspetto l?invenzione riguarda un apparato per rilevare contaminanti di un campione comprendente un setup di illuminazione comprendente almeno una sorgente di luce incoerente, una molteplicit? di elementi ottici adatti a direzionare o collimare un fascio di luce proveniente dalla sorgente di luce, uno stadio di selezione di bande di lunghezze d?onda adatto a scomporre detto fascio di luce ed a selezionare una raccolta di bande di lunghezza d?onda comprendenti una molteplicit? di fasci, in cui ogni fascio di detta molteplicit? di fasci comprende una banda di lunghezze d?onda di detta raccolta di bande di lunghezza d?onda, una guida d?onda che seleziona almeno un fascio di detta molteplicit? di fasci ed indirizza detto almeno un fascio verso almeno una porzione di detto campione per illuminare detto campione, una telecamera di rilevamento adatta a rilevare immagini iperspettrali del campione, in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali che definiscono una molteplicit? di porzioni del campione ed una molteplicit? di lunghezze d?onda per ogni porzione di detta molteplicit? di porzioni del campione, un elaboratore elettronico comprendente almeno un processore ed almeno una memoria, almeno una intelligenza artificiale di tipo classificatore caricata in detto elaboratore elettronico, in cui detta almeno una intelligenza artificiale classifica immagini iperspettrali dei campioni sulla base di una base dati di addestramento, in cui detta raccolta di bande di lunghezza d?onda ? ottenuta da un procedimento per selezionare bande spettrali.

Detto stadio di selezione di bande di lunghezze d?onda pu? comprendere un mezzo dispersore adatto a disperdere il fascio di luce in una molteplicit? di fasci ad una molteplicit? di lunghezze d?onda, e un Digital Light Processor DLP.

Il mezzo dispersore pu? essere un reticolo di diffrazione.

Detto stadio di selezione di bande di lunghezze d?onda pu? comprendere alternativamente un Acousto Optic Tunable Filter AOTF.

Detta molteplicit? di elementi ottici pu? comprendere almeno una lente di collimazione che collima un fascio di luce della sorgente di luce incoerente, una fenditura che diffrange un fascio di luce proveniente da detta almeno una lente di collimazione, un primo specchio convergente che fa convergere il fascio di luce proveniente da detta almeno una lente di collimazione verso detto stadio di selezione di bande di lunghezze d?onda, almeno una lente di collimazione che focalizza il fascio di detta raccolta di bande di lunghezze d?onda verso detta guida d?onda, almeno una lente di collimazione che focalizza il fascio uscente dalla guida d?onda per indirizzarlo verso porzioni di campione.

Detta guida d?onda pu? comprendere una uscita disposta su uno stesso lato della telecamera di rilevamento rispetto al campione.

Detta guida d?onda pu? comprendere una uscita disposta su un lato opposto della telecamera di rilevamento rispetto al campione.

Detta almeno una sorgente di luce pu? essere o comprendere una lampada alogena.

Detta almeno una sorgente di luce pu? essere o comprendere una batteria di LED.

Detta almeno una sorgente di luce pu? essere ottimizzata per l?infrarosso.

Detta telecamera di rilevamento pu? essere o comprendere un sensore InGaAs matriciale.

Detta almeno una intelligenza artificiale pu? essere di tipo supervisionato.

Ancora un altro scopo della presente invenzione consiste nel fatto di realizzare un procedimento per rilevare contaminanti di un campione identificando regioni del campione in cui sono presenti contaminanti, in modo che tale procedimento sia veloce ed efficiente.

In un aspetto l?invenzione riguarda un procedimento per rilevare contaminanti di un campione per mezzo dell?apparato di cui sopra, comprendente una fase di illuminazione di un campione, in cui detta guida d?onda indirizza un fascio di bande di lunghezze d?onda della raccolta finale di bande di lunghezze d?onda per illuminare il campione secondo un orientamento predefinito per misure spettroscopiche, una fase di acquisizione di immagini iperspettrali per mezzo di una telecamera di rilevamento che acquisisce una immagine iperspettrale del campione, in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali che definiscono una molteplicit? di porzioni del campione ed una molteplicit? di lunghezze d?onda per ogni porzione di detta molteplicit? di porzioni del campione, una fase di classificazione in cui detta almeno una intelligenza artificiale di tipo classificatore classifica le immagini iperspettrali dei campioni sulla base di una base dati di addestramento, una fase di restituzione dati che prevede che detta almeno una intelligenza artificiale dopo la fase di classificazione restituisca in uscita l?immagine classificata del campione, in cui detta raccolta finale di bande di lunghezze d?onda ? selezionata dal procedimento di selezione.

Detta almeno una intelligenza artificiale pu? essere detta seconda intelligenza artificiale di tipo classificatore.

Un ulteriore scopo della presente invenzione consiste nel fatto di realizzare un procedimento di addestramento per un apparato che funzioni a velocit? di un impianto industriale e che rilevi contaminanti di un campione, identificando regioni del campione in cui sono presenti contaminanti.

In un aspetto l?invenzione riguarda un procedimento di addestramento dell?apparato per rilevare contaminanti di un campione suddetto, in cui il procedimento di addestramento ? attuato da detto apparato e detto procedimento di addestramento comprende una fase di illuminazione del campione, in cui detta guida d?onda indirizza un fascio di bande di lunghezze d?onda della raccolta finale di bande di lunghezze d?onda per illuminare il campione secondo un orientamento predefinito per misure spettroscopiche, una fase di acquisizione di immagini iperspettrali per mezzo di una telecamera di rilevamento che acquisisce una immagine iperspettrale del campione, una fase di generazione di almeno una base dati di addestramento per detta almeno una intelligenza artificiale di tipo classificatore per mezzo di detto elaboratore elettronico, in cui detta almeno una base di dati comprende una molteplicit? di immagini iperspettrali di una molteplicit? di campioni acquisite dalla fase di acquisizione, in cui dette immagini iperspettrali comprendono immagini iperspettrali di campioni comprendenti almeno un contaminante e senza alcun contaminante, una prima fase di addestramento di detta almeno una intelligenza artificiale di tipo classificatore, in cui a detta almeno una intelligenza artificiale vengono fornite immagini iperspettrali di detta almeno una base di dati elaborata attraverso la fase di generazione, in cui detta raccolta finale di bande di lunghezze d?onda ? selezionata dal procedimento di selezione.

Il procedimento di addestramento pu? comprendere inoltre un procedimento di calibratura del DLP, in cui il procedimento di calibratura del DLP comprende una fase di assegnazione, in cui l?elaboratore elettronico assegna ad ogni banda della raccolta finale di bande di lunghezze d?onda una posizione ed un numero di colonne del DLP da spostare in posizione accesa in modo da illuminare il campione in sequenza con ognuna delle bande, in cui detta raccolta finale di bande di lunghezza d?onda ? selezionata dal procedimento di selezione.

Detto orientamento predefinito per misure spettroscopiche tra la guida d?onda e la superficie del campione pu? essere ottenuto orientando la guida d?onda oppure attraverso almeno una lente di focalizzazione posta a valle della guida d?onda.

Altre caratteristiche sono previste nelle rivendicazioni dipendenti.

Le caratteristiche ed i vantaggi della presente invenzione risulteranno maggiormente evidenti dalla descrizione seguente, esemplificativa e non limitativa, riferita ai disegni schematici allegati nei quali:

la figura 1 ? una vista schematica di un apparato secondo la presente invenzione, in cui detto apparato ? adatto a rilevare contaminanti di un campione, identificando regioni di detto campione in cui sono presenti contaminanti;

la figura 2 ? una vista schematica di un setup di taratura e selezione che ? un apparato spettroscopico adatto a attuare un procedimento di selezione di bande spettrali per far funzionare l?apparato di figura 1; la figura 3 ? una vista schematica di uno spettrometro del setup di taratura e selezione di figura 2;

la figura 4 ? un diagramma di flusso del procedimento di selezione di bande spettrali secondo la presente invenzione;

la figura 5 ? un diagramma di flusso di una fase del procedimento di acquisizione di immagini iperspettrali per mezzo dell?apparato spettroscopico delle figure 2 e 3;

la figura 6 ? un diagramma di flusso di una fase del procedimento di generazione di almeno una base dati di addestramento per una prima intelligenza artificiale di tipo classificatore;

la figura 7 ? un diagramma di flusso di una fase del procedimento di addestramento di detta prima intelligenza artificiale di tipo classificatore;

la figura 8 ? un diagramma di flusso di una fase del procedimento di selezione di una raccolta finale di bande spettrali in numero minore o uguale rispetto ad una raccolta iniziale di bande spettrali elaborata da detta prima intelligenza artificiale di tipo classificatore;

la figura 9 ? un diagramma di flusso di un procedimento di addestramento di detto apparato per permettere di attuare un procedimento per rilevare contaminanti;

la figura 10 ? un diagramma di flusso del procedimento per rilevare contaminanti di un campione e identificarne i contaminanti restituendo il risultato dell?analisi per mezzo dell?apparato;

la figura 11 ? un diagramma di flusso di una fase di restituzione dati del procedimento di figura 10.

Con riferimento alle figure citate ed in particolare alle figure 4-8 viene mostrato un procedimento 100 che permette di selezionare bande spettrali per rendere efficace ed efficiente un apparato 50 (mostrato in fig. 1) per rilevare contaminanti di un campione 10, identificando regioni in cui sono presenti contaminanti.

Il procedimento 100 di selezione di bande spettrali per l?apparato 50 risulta vantaggioso in particolare per un settore farmaceutico relativo all?ispezione di campioni 10 di liofilo.

Vantaggiosamente il procedimento 100 consente di far funzionare l?apparato 50 a velocit? di un impianto industriale, ad esempio alla velocit? di un nastro trasportatore e consente all?apparato 50 di poter rilevare contaminanti di un campione 10, identificando regioni del campione 10 in cui sono presenti contaminanti.

Le velocit? di un impianto industriale prevedono per esempio che l?apparato 50 possa funzionare con un numero compreso tra 100 e 150 campioni al minuto o superiori.

Il procedimento 100 per la selezione di bande spettrali per l?apparato 50 ? attuato da un setup di taratura e selezione 49, come mostrato schematicamente nelle figure 2 e 3, che ? un apparato spettroscopico comprendente uno spettrofotometro o pi? in generale uno spettrometro 55 a seconda delle lunghezze d?onda utilizzate.

Nel seguito tratteremo prima del procedimento 100 di selezione di bande di lunghezze d?onda per aumentare la rapidit? e l?efficienza dell?apparato, in seguito dell?apparato 50 per rilevare contaminanti del campione 10 ed infine di un procedimento 200 per rilevare contaminanti del campione 10 per mezzo dell?apparato 50, in cui tale procedimento 200 ? un procedimento di funzionamento dell?apparato 50.

Il procedimento 100 comprende una fase di allestimento di un setup di illuminazione 20 di uno spettrometro 55 per illuminare il campione 10 da analizzare attraverso misure spettroscopiche.

Questa fase ? definita come una fase di illuminazione 110 in cui una sorgente di luce 21 incoerente ottimizzata per lunghezze d?onda di assorbimento di materiali presenti nel campione 10 illumina il campione 10 secondo un orientamento predefinito per misure spettroscopiche.

Questa fase 110 implementa misure spettroscopiche in riflettanza.

In alternativa ? possibile prevedere anche misure spettroscopiche in trasmittanza.

Il liofilo campione 10 viene posto sopra un supporto orientabile 30 e viene illuminato da una sorgente di luce 21.

La sorgente di luce 21 ? preferibilmente una lampada alogena di 50 W ottimizzata per l?IR, dove l?acronimo inglese IR sta per infrarosso.

Preferibilmente la lampada alogena comprende una alimentazione stabilizzata.

La sorgente di luce 21 ? preferibilmente orientata a 45? rispetto alla superficie del campione 10, ma sono possibili altri orientamenti predefiniti.

Pi? in generale viene utilizzata una sorgente di luce 21 incoerente ottimizzata per l?infrarosso.

Qualora invece siano di interesse altre lunghezze d?onda, ? possibile ottimizzare la sorgente di luce 21 in modo tale che abbia almeno un picco nell?intervallo di lunghezze d?onda di interesse.

Ancora pi? in generale il setup 20 comprende una sorgente di luce 21 incoerente ottimizzata per identificare lunghezze d?onda di assorbimento di materiali presenti nel campione 10.

Un posizionamento geometrico tra sorgente di luce 21 ed il campione 10 permette di produrre un?illuminazione diffusa, necessaria per ottenere le informazioni spettrali desiderate che non potrebbero essere ottenute tramite luce riflessa, cio? vengono svolte misurazioni spettroscopiche in riflettanza.

La riflessione pu? essere di due tipi: speculare o diffusa. La prima ? come uno specchio, la componente spettrale non varia, cio? viene mantenuta la caratteristica spettrale della sorgente e non del campione di interesse. Invece, la riflessione diffusa penetra vantaggiosamente all?interno del materiale del campione 10 e l?informazione spettrale in uscita ? l?assorbimento, misurato come intensit? diffusa in funzione della lunghezza d?onda, tipico delle specifiche caratteristiche del materiale di cui ? composto l?oggetto attraversato. La luce diffusa che ritorna dal campione 10 non viene solo dalla sua superficie, ma anche e soprattutto dal suo interno, dagli strati di materiale al di sotto della superficie del campione 10.

Il procedimento 100 comprende una fase di acquisizione 120 dell?immagine spettrale del campione 10, ad esempio un liofilo.

Viene acquisita l?immagine del campione 10 tramite un apparato spettrofotometrico comprendente una fenditura 40 ed un prisma dispersore, in modo da ottenere diverse immagini spettrali di una singola linea del campione 10.

Pi? in generale al posto del prisma dispersore ? possibile utilizzare un altro mezzo dispersore 45, ad esempio un reticolo di diffrazione.

La luce raccolta dall?ottica 20 all?ingresso dello spettrometro 55 entra attraverso la fenditura 40, che ? anche denominata come fenditura d?ingresso.

Pi? in generale lo spettrometro 55 ? un apparato iperspettrale in grado di indagare lo spettro elettromagnetico relativo alla lunghezza d?onda del materiale da analizzare all?interno del campione, non limitandosi solo ad uno spettrofotometro in grado di analizzare lo spettro UV, visibile e vicino IR. Nel seguito l?esempio realizzativo sperimentato utilizza uno spettrofotometro, ma l?invenzione non si limita a queste bande dello spettro elettromagnetico.

Pi? in generale la fenditura 40, opportunamente posizionata, ? in grado di selezionare una porzione del campione 10. Nel caso della fenditura 40 tale porzione ? approssimabile con una riga.

Il mezzo dispersore 45 ? adatto a disperdere un fascio che provenga da detta fenditura 40.

Il principio di funzionamento dello spettrofotometro ? basato sulla trasmissione o riflessione dei fotoni in ingresso ad angoli diversi a seconda della loro lunghezza d?onda, sfruttando il fenomeno dell?interferenza per mezzo dell?utilizzo di un grating, cio? di un reticolo di diffrazione, che ? il mezzo dispersore 45. Lo spettrometro 55 separa la radiazione di ogni singolo punto della riga di luce che entra dalla fenditura 40 nelle sue componenti spettrali la cui intensit? ? rilevata da una telecamera matriciale, pi? in generale da una telecamera di rilevamento 60.

L?illuminazione avviene per esempio nella banda SWIR, acronimo inglese per radiazione infrarossa ad onda corta compresa tra 900-1700 nm. L?immagine viene prodotta sopra la telecamera di rilevamento 60.

La telecamera di rilevamento 60 pu? essere ad esempio un sensore InGaAs matriciale, dove InGaAs ? acrononimo per Indio Gallio Arseniuro. A ciascuna colonna del sensore corrisponde l?immagine spettrale di un punto del campione 10. Ciascun pixel della colonna rappresenta una componente spettrale con risoluzione per esempio di 5 nm, per un totale di per esempio 151 intervalli/bande spettrali rispetto al massimo possibile di iniziali 256 intervalli/bande spettrali. A ciascuna riga del sensore corrisponde una riga dell?immagine del campione 10. Il campione viene traslato in modo da acquisire per righe l?intera immagine sincronizzando la velocit? con cui viene acquisita l?immagine con la corsa del traslatore. I parametri utilizzati prevedono un traslatore con corsa di 30 mm con una risoluzione di 1.25 ?m ed una velocit? massima di 5mm/s. Alla fine della fase 120 si ottiene un?immagine completa del campione 10 in cui ad ogni punto identificato con le coordinate spaziali x, y ? associato un intero spettro.

In questo modo la telecamera di rilevamento 60 registra un?immagine di una molteplicit? di porzioni di materiale del campione 10, in cui detta immagine ? un ipercubo comprendente dimensioni spaziali ed una molteplicit? di lunghezze d?onda. Si ottiene quindi un ipercubo di 151+2 dimensioni cio? x, y, ?1, ?2 ? ?151, dove x e y rappresentano le dimensioni spaziali e ?i sono le bande i-esime, che rappresenta l?immagine spettrale del campione 10. La scelta della banda ? funzionale ad evidenziare i legami complessi, ad esempio N-H e C-H, tipici dei contaminanti da analizzare, in particolare plastiche e componenti organiche, rispetto ad altri intervalli spettrali come il NIR, acronimo inglese per infrarosso vicino, pi? adatti ad evidenziare altri tipi di legame pi? semplici come O-H.

Per contaminanti alternativi verranno utilizzate altre lunghezze d?onda che evidenzino i legami tipici dei contaminanti da analizzare.

Le immagini sono acquisite in modalit? riflettanza come spiegato sopra e sono costituite da ipercubi, quindi le immagini sono definite pi? in generale come immagini iperspettrali.

Esperimenti a tal proposito sono stati eseguiti utilizzando ad esempio il software Spectral Scanner v.1.2.0 distribuito da

In ambito spettroscopico si misura o in riflettanza o in trasmittanza. Quest?ultima si usa convenzionalmente per i liquidi: la luce attraversa il liquido o un prodotto trasparente e si analizza lo spettro risultante. Il metodo della riflettanza si usa convenzionalmente per i solidi perch? il materiale non permette di ottenere uno spettro dall?attraversamento della luce, perci?, viene analizzata la luce riflessa nella sua componente diffusa. La fase 120 qui descritta ? ottimizzata per la misura in riflettanza.

In alternativa pu? essere usata anche una misura in trasmittanza a patto di orientare opportunamente tra loro illuminatore 21 e telecamera di rilevamento 60.

Pi? in generale le misure spettroscopiche sono in riflettanza o in trasmittanza a seconda di come la sorgente di luce 21 viene orientata rispetto ad una superficie del campione 10.

La fase di acquisizione 120 delle immagini iperspettrali pu? comprendere una o pi? delle seguenti sotto-fasi:

- una sotto-fase di impostazione di parametri di configurazione 121, come un tempo di esposizione, un guadagno e un file di correzione dei pixel, cio? un file per la correzione della non uniformit? della risposta dei pixel del sensore, in cui i pixel non idonei vengono rimpiazzati con un valore interpolato dei pixel vicini; per gli altri pixel viene applicato un guadagno e un offset a seconda della risposta dei vari pixel; tale file ? univoco per ciascun sensore usato;

- una sotto-fase di impostazione dei parametri ottici e geometrici 122, come la regolazione di un diaframma dell?ottica 20 impostato per avere la giusta profondit? di campo e la messa a fuoco dell?immagine;

- una sotto-fase di acquisizione del riferimento di bianco e di nero 123, in cui per il riferimento di bianco si pu? utilizzare per esempio un pezzo di teflon rettangolare delle dimensioni ad esempio di circa 60mm x 60mm x 5mm; si osserva che il teflon presenta un andamento dello spettro di riflettanza pressoch? piatto nel range di lunghezze d?onda d?interesse, mentre per l?acquisizione del riferimento di nero possono essere per esempio spenti gli illuminatori e tappato l?obiettivo delle ottiche 20. I due riferimenti vengono utilizzati per uniformare la risposta dei pixel del sistema costituito da telecamera, spettrofotometro e obiettivo. Il riferimento di nero viene sottratto alle immagini in quanto rappresenta la risposta elettronica degli strumenti usati, mentre il riferimento di bianco rappresenta la risposta delle ottiche 20 e viene usato per normalizzare le immagini;

- una sotto-fase di acquisizione dell?immagine iperspettrale 124 dopo aver selezionato il numero di frames ed una velocit? di traslazione del supporto 30;

- una sotto-fase di ricostruzione dell?immagine e salvataggio 125. I parametri di acquisizione ottimali comprendono il file di calibrazione specifico per il sensore ottenuto con la sotto-fase 124 precedentemente descritta, apertura del diaframma dell?ottica 20, tempo di integrazione della telecamera, frame rate della telecamera, velocit? di acquisizione, corsa del traslatore in acquisizione, tempo di ciclo necessario per un?acquisizione completa dell?intero campione.

Ad esempio nell?esperimento svolto sono stati utilizzati i seguenti parametri: un?apertura del diaframma dell?ottica 20 a f/6, un tempo di integrazione di 3.5 ms, un frame rate di 77.2 fps, una velocit? di acquisizione di 1.95 mm/s ed una corsa del traslatore di acquisizione di 27 mm. Sapendo che gli ipercubi acquisiti sono composti da immagini di dimensione 320x1100 pixel, ? possibile calcolare una risoluzione orizzontale, che risulta essere di circa 25?m/pixel, cio? 27 mm/1100 pixel, e la risoluzione media verticale che ? di circa 150?m/pixel, cio? 25 mm/170 pixel.

Il procedimento 100 comprende una fase di generazione 130 del database di training/testing, cio? di una base dati di addestramento per una intelligenza artificiale di tipo classificatore.

L?intelligenza artificiale di tipo classificatore ? per esempio una rete neurale artificiale.

Viene creato un database di spettri a partire dalle immagini acquisite rappresentative di campioni con e senza contaminanti. Ogni pixel dell?immagine corrisponde ad uno spettro. La definizione di punto nel database indica il riferimento a un pixel specifico.

Si pu? creare un database di training che permetta di distinguere i campioni 10 puri da quelli contaminati, e di distinguere anche il tipo di eccipiente usato nel liofilo.

A questo scopo viene ad esempio creato un database effettuando una misura su 60 campioni, cio? ad esempio 30 con eccipiente mannitolo e 30 con saccarosio. Ciascun campione 10 viene ripreso ad esempio da 4 diverse angolazioni facendo ruotare la superficie del liofilo di 90?, ottenendo un database di 240 ipercubi totali su cui effettuare i test. Da questi ipercubi vengono raccolti un numero sufficientemente ampio di punti (x, y, ?1, ?2 ? ?i), cio? di andamenti spettrali, per generare per esempio quattro database da utilizzare nella fase di training e di test del classificatore: base dati di training per eccipiente mannitolo, base dati di training per eccipiente saccarosio, base dati di validazione per eccipiente mannitolo, base dati di validazione per eccipiente saccarosio.

I file delle basi dati di training comprendono per esempio un insieme di 2200 punti, cio? 2200 spettri, suddivisi in 1100 punti di eccipiente, 1000 provenienti da campioni correttamente conservati e 100 da campioni appositamente rovinati per mettere in risalto le ombre dovute a scheggiature, solchi, e altre imperfezioni puramente geometriche, 1100 punti di contaminanti, cio? 100 per ogni tipo di contaminante.

I file di validazione possono invece essere formati da un totale di 11000 punti (spettri) cos? raccolti: 5500 di eccipiente (come per il training 5000 500), 5500 di contaminante (500 per ogni contaminante).

I singoli punti (andamenti spettrali) sono raccolti in maniera omogenea tra tutti gli ipercubi disponibili selezionandoli in modo manuale.

Pi? in generale la fase 130 ? una fase di generazione di almeno una base dati di addestramento per una intelligenza artificiale di tipo classificatore, in cui vengono acquisite immagini iperspettrali secondo la fase di acquisizione di immagini iperspettrali 120, in cui detta almeno una base di dati comprende immagini di campioni 10 comprendenti materiali con e senza contaminante.

Gli spettri subiscono successivamente un?operazione di pre-processing 131 della fase 130 il cui scopo ? di eliminare o ridurre al minimo deviazioni negli spettri acquisiti dovute a cause di natura non spettrale: questa sotto-fase 131 permette di conservare la componente spettrale di ogni pixel a prescindere dalla sua intensit?, evitando errori legati ad esempio alla presenza di ombre o disomogeneit? di illuminazione (tipici dei sistemi noti).

Pi? in generale la fase di generazione 130 di almeno una base dati di addestramento per una intelligenza artificiale di tipo classificatore comprende una sottofase di elaborazione e normalizzazione dell?immagine 131.

Si specifica che almeno una base di dati significa che ? previsto che possa essere generato un unico database di training per tutte le tipologie di liofilo campione 10 sotto analisi, oppure un database specifico per ogni tipo di liofilo campione 10.

Sono stati testati diversi algoritmi di preprocessing per immagini iperspettrali disponibili in letteratura.

Possiamo definire due differenti categorie in cui suddividere queste tecniche: ?sample-based methods? metodi che agiscono singolarmente su ogni campione 10 e non tengono conto dell?informazione degli altri campioni 10; ?variable based methods? metodi che agiscono sulle variabili dei campioni 10.

I filtri disponibili che sono stati ritenuti idonei e testati sono i seguenti.

Smoothing: filtro di tipo sample-based. Concettualmente si tratta di un filtro passa basso. Nel caso presente ? stato utilizzato un filtro di SavitzkyGolay di secondo ordine e finestra di dimensione 7. In questo modo vengono rimossi una buona parte dei piccoli rumori presenti nei segnali senza modificarne l?andamento medio.

Derivata: filtro di tipo sample-based, applicazione della derivata di primo ordine al set di campioni 10. Effettuando prima un filtraggio di smoothing e solo successivamente la derivata i valori potrebbero risultare pi? significativi e l?andamento essere pi? definito.

Normalizzazione: filtro di tipo sample-based. Comporta la perdita dell?informazione in ampiezza dei campioni 10. In questo modo risulta pi? immediato effettuare una comparazione tra gli andamenti ma, allo stesso tempo, il riconoscimento del background e di sostanze che presentano valori in ampiezza molto bassi, come la gomma, ? pi? complicato.

Standard Normal Variate (SNV): filtro di tipo sample-based. Si tratta di una normalizzazione pesata: ogni campione viene pesato in maniera diversa secondo la formule note in letteratura.

Multiplicative Signal Correction (MSC): filtro di tipo variable-based. Utilizza l?informazione degli altri campioni 10 come riferimento (in questo caso la media). Come tutti i sistemi variable-based prevede l?utilizzo di campioni 10 ?simili? come set in ingresso.

Generalized Least Square Weighting: filtro di tipo variable-based. Il filtro genera una matrice di trasformazione calcolata sulla base delle differenze di campioni 10 che dovrebbero altrimenti essere uguali.

Si pu? gestire l?efficacia del filtro tramite un parametro ?alpha?. Come per il filtro MSC anche in questo caso i campioni 10 in ingresso devono essere noti.

Dai risultati ottenuti da test sulla sotto-fase 131, dopo l?applicazione dei filtri si ? concluso che l?applicazione dei filtri ?variable-based? non ? utilizzabile per l?applicazione in esame in quanto prevede la conoscenza a priori delle informazioni contenute nei campioni 10. Nel caso si decida di effettuare l?analisi dei campioni 10 utilizzando la derivata ? necessario prima effettuare uno smoothing degli spettri. Normalizzazione, SNV e MSC offrono risultati molto simili. Per questa sotto-fase 131 si ? quindi applicata ai dati dell?ipercubo una normalizzazione. Gli spettri ottenuti vengono normalizzati in modo che il segnale corrispondente al campione 10 ?puro? sia posto pari a 1, in cui per campione 10 puro si intende senza contaminanti. I contaminanti si manifestino come segnale pi? o meno discostato da 1. Per ogni lunghezza d?onda viene posto uguale a 1 il segnale prodotto dal liofilo puro.

Il procedimento 100 comprende una fase di addestramento 140 di un primo classificatore.

In generale la fase di addestramento 140 di detta intelligenza artificiale di tipo classificatore prevede che all?intelligenza artificiale vengano fornite immagini presenti nell?almeno una base di dati elaborata attraverso le precedenti fasi, eventualmente supervisionando i risultati della classificazione ottenuta dall?intelligenza artificiale.

Tale fase di addestramento 140 avviene usando il database di training/testing normalizzato della fase precedente 130 e viene addestrato un primo classificatore eventualmente supervisionato, ad esempio di tipo SVM che ? un acronimo inglese per una macchina a vettori di supporto.

Viene determinata l?efficacia di discriminazione dei contaminanti della SVM tramite una misura della percentuale di falsi positivi e falsi negativi.

Il Support Vector Machine (SVM) ? un algoritmo di apprendimento automatico supervisionato che pu? essere utilizzato sia per scopi di classificazione che di regressione. Dato un insieme di esempi per l'addestramento, ognuno dei quali etichettato con la classe di appartenenza fra le due possibili classi, un algoritmo di addestramento per le SVM costruisce un modello che assegna i nuovi esempi a una delle due classi, ottenendo quindi un classificatore lineare binario non probabilistico. Un modello SVM ? una rappresentazione degli esempi come punti in uno spazio a n dimensioni, mappati in modo tale che gli esempi appartenenti alle due diverse categorie siano chiaramente separati da una distanza il pi? possibile ampia in tale spazio, in modo da poter dividere tale spazio in due porzioni. I nuovi esempi sono quindi mappati nello stesso spazio e la predizione della categoria alla quale appartengono viene fatta sulla base della porzione di spazio in cui ricadono.

Quest?ultima fase 140 ? divisa in due sotto-fasi: training 141 e testing 142.

Nella fase di training 141 SVM usa diversi algoritmi kernels per trovare degli iperparametri ideali sulla base dei dati presenti nel database che viene utilizzato per inserire manualmente in modo supervisionato quali sono i liofili e quali i contaminanti.

Nella fase di test 142 vengono usati campioni 10 ed il sistema deve discernere autonomamente tra liofilo e contaminante.

La classificazione permette di svolgere un training SVM dove si riesce a discriminare tra i diversi liofili e contaminanti, ottenendo informazioni nel campo spettrale sulla tipologia di contaminante, morfologia, composizione del liofilo campione 10, sul principio attivo e la sua distribuzione ed altri parametri.

A seconda del tipo di training set usato, il classificatore potr? semplicemente discriminare tra campione 10 puro e contaminato, oppure discriminare uno specifico componente (ad esempio un eccipiente), o uno specifico contaminante.

Il classificatore SVM dopo la prima fase di training 141 restituisce come output un iperpiano ottimizzato per separare le sue classi in ingresso. L?ottimizzazione dell?iperpiano ? operata in maniera tale da massimizzare la distanza minima tra l?iperpiano ed i punti del database di training.

L?algoritmo SVM implementato utilizza una funzione kernel, si tratta di una funzione di mappatura dei dati utilizzati per l?addestramento, per migliorarne la somiglianza con un set di dati linearmente separabili, che pu? essere di quattro tipi: lineare, polinomiale, RBF (Radial Basis Function) o sigmoide. Una volta scelto il kernel da utilizzare, il classificatore cercher? i parametri ottimi per separare il database di punti che vengono dati in ingresso.

Ad esempio come primo passo di questa fase viene caricato un database di training contenente spettri di riflettanza di intervallo spettrale compreso tra 1000nm e 1600nm in modo da ottimizzare i parametri. Il database di punti, precedentemente sottoposto a normalizzazione, viene utilizzato nella fase di training 141 per calcolare i parametri ottimi da utilizzare nell?individuazione dell?iperpiano che separa le due classi.

Nell?esempio sopra descritto sono state testate tutte le possibili funzioni kernel a disposizione utilizzando il database di training contenente 1100 elementi appartenenti alla classe positiva, cio? spettri di eccipiente e 1100 elementi appartenenti alla classe negativa, cio? spettri di contaminanti, in modo da poter confrontare i risultati ottenuti. Per poter generalizzare la validit? delle funzioni kernel provate, ? stato classificato il database di validazione contenente 5500 elementi appartenenti alla classe positiva, cio? spettri di eccipiente e 5500 elementi appartenenti alla classe negativa, cio? spettri di contaminanti, utilizzando i parametri ottimi appena trovati utilizzando il database di training.

Per l?eccipiente mannitolo, i risultati migliori sono stati ottenuti utilizzando il kernel RBF (radial basis function), con il quale sono stati classificati correttamente il 97.91% degli spettri del database di training e il 96,15% di quelli del database di validazione.

Per quanto riguarda i punti classificati in modo non corretto, vi ? una percentuale maggiore di spettri di contaminanti classificati come eccipiente (falsi positivi, 1.27% per il database di training e 2.97% per quello di validazione) rispetto a spettri di eccipiente classificati come contaminante (falsi negativi, 0.82% per il database di training e 0.88% per quello di validazione).

Per l?eccipiente mannitolo si ? quindi scelto di utilizzare la funzione kernel RBF, la scelta ? giustificata da una maggiore percentuale di classificazione corretta sul database di validazione.

Lo stesso test con tutte le possibili funzioni di kernel ? stato effettuato anche per l?eccipiente saccarosio, sia per il database di training che per quello di validazione, i quali contengono lo stesso numero di elementi positivi e negativi che nel caso del mannitolo, in modo da poter confrontare i risultati anche con quelli ottenuti per l?eccipiente mannitolo.

Per l?eccipiente saccarosio, i risultati migliori sono stati ottenuti utilizzando il kernel polinomiale, con il quale sono stati classificati correttamente il 94.41% degli spettri del database di training e il 93.95% di quelli del database di validazione.

Per quanto riguarda i punti classificati in modo non corretto vi ? una percentuale maggiore di spettri di contaminanti classificati come eccipiente (falsi positivi, 3.14% per il database di training e 4.55% per quello di validazione) rispetto a spettri di eccipiente classificati come contaminante (falsi negativi, 2.45% per il database di training e 1.50% per quello di validazione). Per l?eccipiente saccarosio si ? quindi scelto di utilizzare la funzione kernel polinomiale. Sono state ottenute percentuali di corretta classificazione pi? alte, circa del 3%, nel caso di campioni 10 contenenti eccipiente mannitolo, rispetto al caso di campioni 10 contenenti saccarosio. Questo pu? essere spiegato dal fatto che la superficie dei campioni di saccarosio risulta visivamente cristallizzata e meno uniforme e pi? porosa rispetto a quella dei campioni di mannitolo; questo causa una maggiore disuniformit? anche negli spettri di riflettanza acquisiti.

Questi risultati sono stati ottenuti considerando solo le lunghezze spettrali comprese tra 1000 nm e 1600 nm poich? in questo sistema iperspettrale le lunghezze spettrali esterne a questo range (comprese tra 950 nm e 1000 nm e tra 1600 nm e 1700 nm) sono poco sensibili e le loro informazioni sono prevalentemente dominate dal rumore dello strumento utilizzato.

Invece il range 1000 nm e 1600 nm ? particolarmente vantaggioso in quanto in questo range occorre meno luce, minor tempo di esposizione e quindi ? possibile un incremento di velocit? del processo.

Il procedimento 100 comprende una fase di fornitura 150 di bande significative.

Per bande significative si intende una raccolta iniziale di bande spettrali, anche detta un primo set di bande spettrali.

Preferibilmente la fase di fornitura 150 comprende una sotto-fase di identificazione delle bande significative.

Per bande significative si intende che detta raccolta iniziale di bande spettrali venga scelta in modo di massimizzare una differenza tra spettri di campioni 10 senza contaminanti e spettri di campioni 10 contaminati.

Detta sotto-fase di identificazione della raccolta iniziale di bande spettrali viene effettuata per mezzo di un algoritmo di analisi caricato in detto elaboratore elettronico.

In particolare la sotto-fase di identificazione utilizza un algoritmo PCA, acronimo inglese per un algoritmo di analisi delle componenti principali, vengono identificate tra le per esempio 151 bande iniziali, n bande in cui il contenuto informativo ? massimo (massima differenza tra spettri di campioni puri e contaminati).

L?algoritmo PCA ? un metodo statistico-matematico noto in letteratura che permette di ordinare un insieme di dati di partenza in base al loro contenuto informativo; come indicatore di tale contenuto si possono usare diversi parametri quali la varianza o l?entropia.

Sfruttando l?ordinamento generato da PCA si pu? scegliere di analizzare solo i dati pi? significativi. Nel caso presente, la base dati di partenza sono le 151 bande che sono state classificate in base alla varianza rispetto al campione puro (liofilo).

Ad esempio, la banda pi? significativa sar? quella in cui la deviazione standard degli spettri dei vari contaminanti rispetto a 1 ? massima.

Pi? in generale una banda spettrale che massimizza la differenza tra spettri di campioni 10 puri e spettri di campioni 10 contaminati ? considerata come quella in cui una deviazione standard di spettri di contaminanti rispetto allo spettro puro ? massima.

Vengono scelte le bande che nel loro complesso riuniscono la quasi totalit? dello scostamento dal valore normalizzato, quindi, le n bande che sommate contengono la pi? alta percentuale possibile della variazione. Nelle altre bande il segnale prodotto dal campione 10 puro e quello prodotto dal contaminante ? praticamente uguale. Come gi? indicato sopra per rendere pi? efficiente e veloce il procedimento si escludono le bande inferiori a 1000 nm e superiori a 1600 nm.

Viene quindi caricato un database di punti noti che, dopo essere stato sottoposto alla fase di preprocessamento o pre-processing precedentemente descritta, viene utilizzato nell?analisi PCA per classificare gli spettri in modo da evidenziare quelli che massimizzano le differenze tra eccipiente e contaminante. Sono stati usati due database di punti su cui calcolare la PCA, e cio? un primo caso utilizzando un database con 1100 spettri solo di eccipiente e un secondo caso utilizzando il database di training con 1100 spettri di eccipiente e 1100 spettri di contaminante (database di training).

Il procedimento 100 comprende una fase di addestramento 160 di una seconda intelligenza artificiale di tipo classificatore per mezzo di detta raccolta iniziale di bande spettrali.

Usando ancora il primo database il classificatore SVM viene addestrato su spettri di input ristretti alle sole bande significative identificate dalla PCA.

Si confrontano i risultati dei due classificatori. Se il numero di bande viene ristretto opportunamente, il classificatore non perde significativamente in efficienza.

Come spiegato precedentemente il database di punti viene utilizzato nella fase di training del classificatore per calcolare i parametri ottimi da utilizzare nell?individuazione dell?iperpiano che separa le due classi. Anche in questo caso, sono state testate tutte le possibili funzioni kernel a disposizione utilizzando il database di training (contenente 1100 elementi appartenenti alla classe positiva, cio? spettri di eccipiente e 1100 elementi appartenenti alla classe negativa, cio? spettri di contaminanti), calcolando la PCA sia sul database di training sia su un database contenente solo spettri di eccipiente, in modo da poter confrontare i risultati ottenuti; in entrambi i casi ? stata utilizzata solo l?informazione spettrale nel range compreso tra 1000nm e 1600nm.

Pi? in generale la fase 160 ? una fase di addestramento della seconda intelligenza artificiale di tipo classificatore, in cui alla seconda intelligenza artificiale vengono fornite immagini presenti in detta almeno una base di dati, eventualmente supervisionando i risultati della classificazione ottenuta dalla seconda intelligenza artificiale, in cui detta molteplicit? di lunghezze d?onda di ogni immagine ? ristretta alle sole bande spettrali di detta raccolta iniziale di bande spettrali identificata da detta prima intelligenza artificiale.

Per poter generalizzare la validit? delle funzioni kernel provate, ? stato classificato il database di validazione (contenente 5500 elementi appartenenti alla classe positiva, cio? spettri di eccipiente e 5500 elementi appartenenti alla classe negativa, cio? spettri di contaminanti), utilizzando i parametri ottimizzati emersi utilizzando il database di training.

Per l?eccipiente mannitolo, i risultati migliori sono stati ottenuti utilizzando il kernel RBF (radial basis function), sia nel caso di calcolo della PCA sul database di training che in quello di calcolo della PCA su un database con solo spettri di eccipiente. Utilizzando la funzione kernel RBF sono stati classificati correttamente il 97.36%, nel caso di calcolo della PCA sul database di training, e il 98.11%, in quello di calcolo della PCA su un database con solo spettri di eccipiente, degli spettri del database di training. Inoltre sono stati classificati correttamente il 95.45%, nel caso di calcolo della PCA sul database di training, e il 84.21%, in quello di calcolo della PCA su un database con solo spettri di eccipiente, degli spettri del database di validazione.

Per quanto riguarda i punti erroneamente classificati, vi ? una percentuale maggiore di spettri di contaminanti classificati come eccipiente, falsi positivi, (1.59% e 1.20% per il database di training e 3.55% e 3.38% per quello di validazione, rispettivamente utilizzando il database di training e un database con solo spettri di eccipiente per il calcolo della PCA) rispetto a spettri di eccipiente classificati come contaminante, falsi negativi, (1.05% e 0.69% per il database di training e 1.01% e 12.40% per quello di validazione, rispettivamente utilizzando il database di training e un database con solo spettri di eccipiente per il calcolo della PCA).

Per l?eccipiente mannitolo si ? scelto di utilizzare il database di training per il calcolo della PCA e la funzione kernel RBF, nonostante la percentuale di classificazione corretta del database di validazione sia pressoch? identica a quella ottenuta con la funzione kernel polinomiale, perch? la percentuale di falsi positivi, cio? gli spettri di contaminanti classificati come eccipiente, sono inferiori rispetto al caso di utilizzo di funzione kernel polinomiale, ed ? proprio questo valore che si vuole minimizzare.

Lo stesso test con tutte le possibili funzioni di kernel ? stato effettuato anche per l?eccipiente saccarosio, sia per il database di training che per quello di validazione, i quali contengono lo stesso numero di elementi positivi e negativi che nel caso del mannitolo, in modo da poter confrontare i risultati anche con quelli ottenuti per l?eccipiente mannitolo. I test sono stati effettuati sia calcolando la PCA sul database di training sia su un database contenente solo spettri di eccipiente, in modo da poter confrontare i risultati ottenuti; in entrambi i casi ? stata utilizzata solo l?informazione spettrale nel range compreso tra 1000 nm e 1600 nm.

Per l?eccipiente saccarosio, i risultati migliori sono stati ottenuti utilizzando il kernel polinomiale, sia nel caso di calcolo della PCA sul database di training che in quello di calcolo della PCA su un database con solo spettri di eccipiente. Utilizzando la funzione kernel polinomiale sono stati classificati correttamente il 93.18%, nel caso di calcolo della PCA sul database di training, e il 91.36%, in quello di calcolo della PCA su un database con solo spettri di eccipiente, degli spettri del database di training. Inoltre sono stati classificati correttamente il 93.05%, nel caso di calcolo della PCA sul database di training, e il 91.38%, in quello di calcolo della PCA su un database con solo spettri di eccipiente, degli spettri del database di validazione.

Per quanto riguarda i punti erroneamente classificati, vi ? una percentuale maggiore di spettri di contaminanti classificati come eccipiente, falsi positivi, (4.00% e 5.09% per il database di training e 5.97% e 7.11% per quello di validazione, rispettivamente utilizzando il database di training e un database con soloi spettri di eccipiente per il calcolo della PCA) rispetto a spettri di eccipiente classificati come contaminante, falsi negativi, (2.92% e 3.55% per il database di training e 0.98% e 1.51% per quello di validazione, rispettivamente utilizzando il database di training e un database con solo spettri di eccipiente per il calcolo della PCA).

Per l?eccipiente saccarosio si ? scelto di utilizzare il database di training per il calcolo della PCA e la funzione kernel polinomiale perch? la percentuale di classificazione corretta per il database di validazione ? maggiore e quella dei falsi positivi ? minore sia per il data base di training che per quello di validazione, utilizzando la funzione kernel polinomiale.

Il procedimento 100 comprende una fase di selezione 170 di una raccolta finale di bande spettrali in numero minore o uguale rispetto a detta raccolta iniziale di bande spettrali.

Per bande finali di misura si intende una raccolta finale di bande spettrali in numero minore o uguale rispetto alla raccolta iniziale di bande spettrali della fase precedente 150.

I risultati ottenuti tramite PCA dimostrano come buona parte dell?informazione degli ipercubi sia contenuta in un numero molto inferiore di bande spettrali. Nello specifico si ? visto come le dieci bande pi? significative dal punto di vista della varianza siano gi? un numero sufficiente. In questa fase si sono confrontati diversi criteri per la scelta delle bande pi? significative usando ancora un limite di dieci bande.

Tale limite di dieci ? esemplificativo in quanto per un insieme di contaminanti limitato o spettralmente pi? omogeneo il numero pu? essere inferiore, mentre per una popolazione di contaminanti spettralmente pi? diversificati il numero di bande potrebbe aumentare.

Lo scopo di quest?ultima fase 170 ? quella di capire quali sono le n bande pi? significative sulla base dell?informazione che si sta cercando e dei requisiti tecnici di un apparato adatto ad essere utilizzato su impianti industriali. Per industriale si intende un apparato efficiente che possa essere usato su impianti industriali in cui la velocit? ? compresa tra 100 e 150 campioni al minuto o superiore.

Come verr? spiegato meglio in seguito, ai fini della realizzazione dell?apparato 50 in modo che possa essere usato industrialmente ? opportuno che le bande utilizzate non siano troppo strette in quanto questo riduce molto l?efficienza luminosa del sistema, allungando i tempi di esposizione e di durata dell?ispezione. Inoltre, ? opportuno che le bande siano sufficientemente spaziate tra di loro in quanto un sistema con una risoluzione troppo elevata ha una bassa efficienza luminosa. Infine, ? opportuno che le bande selezionate abbiano un alto contenuto informativo per tutti i tipi di contaminanti. ? quindi opportuno individuare dei metodi di selezione delle bande che tengano conto di questi vincoli.

Sono state applicate tre diverse metodologie per la selezione delle bande pi? significative. Queste tre metodologie possono essere applicate da sole o in combinazione tra loro.

Una raccolta finale di bande spettrali ? in numero minore o uguale rispetto a detta raccolta iniziale di bande spettrali in quanto la raccolta finale di bande spettrali potrebbe essere in ugual numero rispetto alla raccolta iniziale di bande, ma ottimizzata, infatti ad esempio tramite uno dei metodi di selezione descritti in seguitosi pu? ottenere una raccolta finale di bande spettrali di egual numero della raccolta iniziale di bande spettrali, ma con diversa spaziatura e/o con diversa larghezza a met? altezza FWHM, in modo da meglio adattarsi alle caratteristiche del DLP.

Detta raccolta finale di bande spettrali pu? essere selezionata attraverso almeno un metodo di selezione 171, 172, 173 scelto tra una selezione di bande spettrali di varianza massima 171 o una selezione di bande pi? spaziate tra di loro delle altre 172 o una selezione di bande che comprendono righe di assorbimento di contaminanti del campione 10 173.

Un primo metodo di selezione 171 consiste in una analisi di varianza per ottimizzare la selezione delle bande. Partendo dal database di training ? stato calcolato il valore medio di riflettanza per ogni lunghezza d?onda. ? stata quindi calcolata la deviazione standard di ogni punto del database e per ogni lunghezza d?onda sono stati sommati tutti i valori cos? ottenuti. Tali valori sono stati poi pesati in base al valor medio di ogni lunghezza d?onda calcolato precedentemente e normalizzati tra 0 e 1. ? stato cos? creato un grafico nel quale vi sono in ascissa le lunghezze d?onda ed in ordinata un valore rappresentativo della variazione dei valori di riflettanza a quella lunghezza d?onda. Questo ha permesso di selezionare le lunghezze d?onda con maggiore variazione e quindi maggiore informazione.

Un secondo metodo di selezione 172 pu? essere definito come forza bruta per selezionare le bande pi? distanziate dalle altre. Un software in grado di testare ogni possibile combinazione delle per esempio 151 bande disponibili. Il software restituisce in un file di testo la combinazione di bande analizzata e la relativa percentuale di campioni corretta in uscita dal classificatore. Sulla base di questi valori ? possibile raccogliere l?insieme di bande pi? significative. Il numero di combinazioni testate ? stato limitato per problemi computazionali. Le bande sono state testate in combinazioni di 5 impostando un limite minimo di distanza tra ogni banda (25 nm). In questo modo sono state testate circa 16.000 combinazioni possibili. Il secondo passo e stato quello di affinare la ricerca nell?intorno delle bande migliori evidenziate dal primo calcolo (circa 5.000 combinazioni).

Un terzo metodo di selezione 173 consiste in una analisi visiva per selezionare le bande che comprendano righe di assorbimento dei contaminanti del campione 10 da analizzare. Vengono selezionate delle bande pi? significative per ogni contaminante: partendo dal database di training, sono stati graficati gli spettri medi dei contaminati dopo averli divisi per lo spettro medio del rispettivo eccipiente. Per ogni andamento dei grafici cos? ottenuti, ? stata individuata una lunghezza d?onda per cui ? massima la differenza tra gli spettri medi di contaminante e eccipiente, cio? dove il valore di riflettanza del contaminante diviso il valore di riflettanza dell?eccipiente ? pi? scostato da quello dell?eccipiente.

Questi metodi 171, 172, 173 permettono di utilizzare criteri diversi per la selezione delle bande quali la larghezza di banda, la separazione tra le bande e quanto una banda ? significativa per uno specifico contaminante. Il metodo PCA serve a stimare l?ordine di grandezza del minimo numero di bande necessarie, ma porta solo a una valutazione complessiva del contenuto informativo delle bande spettrali che non tiene conto di altre esigenze legate alla realizzabilit? industriale del sistema.

Come si vede i metodi elencati 171, 172, 173 permettono di introdurre i vincoli menzionati sopra e di selezionare le bande che danno i migliori risultati di classificazione tenendo conto di questi vincoli.

Le combinazioni ricavate con i diversi metodi 171, 172, 173 sono state confrontate testandole con il classificatore.

Le 10 bande che hanno permesso di ottenere risultati migliori sono 980 nm, 1000 nm, 1030 nm, 1205 nm, 1290 nm, 1315 nm, 1395 nm, 1405 nm, 1490 nm, 1595 nm per l?eccipiente mannitolo, selezionate utilizzando la metodologia 172, cio? la verifica di tutte le combinazioni.

Con queste 10 bande sono stati classificati correttamente il 98.50% degli spettri del database di training e il 95.42% di quelli del database di validazione. Per quanto riguarda i punti erroneamente classificati, vi ? una percentuale maggiore di spettri di contaminanti classificati come eccipiente, falsi positivi, (1.00% per il database di training e 3.12% per quello di validazione) rispetto a spettri di eccipiente classificati come contaminante, falsi negativi, (0.50% per il database di training e 1.46% per quello di validazione).

Le 10 bande che hanno permesso di ottenere risultati migliori sono 1000 nm, 1130 nm, 1210 nm, 1315 nm, 1390 nm, 1410 nm, 1445 nm, 1470 nm, 1505 nm, 1565 nm per l?eccipiente saccarosio, selezionate utilizzando la metodologia 171 combinata con la metodologia 173, cio? facendo alcuni tentativi con le bande risultanti dai due metodi. Con queste 10 bande sono stati classificati correttamente il 90.50% degli spettri del database di training e il 90.94% di quelli del database di validazione.

Per quanto riguarda i punti erroneamente classificati, vi ? una percentuale maggiore di spettri di contaminanti classificati come eccipiente, falsi positivi, (5.68% per il database di training e 6.63% per quello di validazione) rispetto a spettri di eccipiente classificati come contaminante, falsi negativi, (3.82% per il database di training e 2.44% per quello di validazione).

Al termine di questa fase 170 sono stati quindi messi a punto dei metodi per una selezione delle bande ottimali per un sistema di ispezione industriale con specifiche caratteristiche di velocit? e risoluzione.

Il procedimento 100 sopra descritto ? utile per selezionare la raccolta finale di bande spettrali in numero minore o uguale rispetto a detta raccolta iniziale di bande spettrali, in modo che l?apparato 50 di misura possa funzionare a velocit? elevata, tanto da poter essere montato in un impianto industriale. La selezione delle bande spettrali ? utile per far funzionare l?apparato 50 e consentirgli non solo di discriminare tra campioni 10 puri e campioni 10 contaminati, ma anche di identificare i contaminanti e indicare la regione del campione 10 dove i contaminanti sono presenti.

Il procedimento 100 ? una vera e propria taratura dell?apparato 50 senza la quale l?apparato 50 pu? non funzionare del tutto correttamente.

Ai fini della realizzazione dell?apparato 50 da montare in un impianto industriale e che riesca a funzionare in modo veloce ed efficiente possono essere prese in considerazione due tipologie di componenti sulla base del miglior compromesso tra velocit? e risoluzione spettrale, specificamente una basata su tecnologia acusto-ottica e una basata su un digital light processor.

L?apparato 50 comprende il setup di illuminazione 20 comprendente la sorgente di luce incoerente 21 come ad esempio una sorgente di luce bianca. Pu? essere utilizzata la lampada alogena come per il setup di selezione descritto nel procedimento 100 sopra riportato.

L?apparato 50 comprende uno stadio di selezione delle bande 52 comprendente un reticolo di diffrazione che ? un mezzo dispersore 45 ed un processore ottico digitale, o Digital Light Processor (DLP) 65.

L?apparato 50 comprende una fibra ottica 70 che consente di indirizzare la luce sul campione 10 liofilo da analizzare, dove in questo caso ? stata considerata ad esempio una Liquid Light Guide (LLG). La fibra ottica ? una guida d?onda. In alternativa ? possibile utilizzare un qualsiasi altro convogliatore di onde equivalente.

L?apparato 50 comprende uno stadio di raccolta 53 comprendente una telecamera di rilevamento 60 che ? ad esempio una telecamera InGaAs lineare corredata da un?opportuna ottica in grado di acquisire il segnale proveniente dal campione 10 in esame, e trasferirlo al software dove avviene uno stadio di processamento secondo un procedimento 200 per rilevare contaminanti di un campione 10 e identificarne i contaminanti restituendo il risultato dell?analisi, cio? la presenza o meno di contaminanti all?interno del liofilo campione 10 e la loro identificazione.

L?apparato 50 nel seguito viene anche definito come sistema multispettrale.

Pi? in generale l?apparato 50 per rilevare contaminanti del campione 10 comprende il setup di illuminazione 20 comprendente almeno una sorgente di luce 21 incoerente, una molteplicit? di elementi ottici 22-26 adatti a direzionare o collimare un fascio di luce proveniente dalla sorgente di luce 21, uno stadio di selezione 52 di bande di lunghezze d?onda adatto a scomporre detto fascio di luce e a selezionare una raccolta di bande di lunghezza d?onda comprendenti una molteplicit? di fasci, in cui ogni fascio di detta molteplicit? di fasci comprende una banda di lunghezze d?onda di detta raccolta di bande di lunghezza d?onda, in cui detta raccolta di bande di lunghezza d?onda ? ottenuta da un procedimento 100 per una selezione di bande spettrali, una guida d?onda 70 che seleziona almeno un fascio di detta molteplicit? di fasci ed indirizza detto almeno un fascio verso almeno una porzione di detto campione 10 per illuminare detto campione 10, la telecamera di rilevamento 60 adatta a rilevare immagini iperspettrali del campione 10, in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali che definiscono una molteplicit? di porzioni del campione 10 ed una molteplicit? di lunghezze d?onda per ogni porzione di detta molteplicit? di porzioni del campione 10, un elaboratore elettronico comprendente almeno un processore ed almeno una memoria, almeno una intelligenza artificiale di tipo classificatore caricata in detto elaboratore elettronico, in cui detta almeno una intelligenza artificiale classifica le immagini iperspettrali dei campioni 10 in base all?addestramento ricevuto sulla base della base dati di addestramento ricavata da un procedimento di addestramento 300.

Nel caso in cui l?intelligenza artificiale sia una rete neurale artificiale, allora l?addestramento consiste nel conferire un peso ai diversi nodi della rete.

Preferibilmente detta molteplicit? di elementi ottici 22-26 comprende almeno una lente di collimazione 22 che collima un fascio di luce della sorgente di luce 21 incoerente, una fenditura 40 che diffrange un fascio di luce proveniente dalle lenti di collimazione 22, un primo specchio convergente 23 che fa convergere il fascio di luce proveniente dalle lenti di collimazione 22 verso detto stadio di selezione di bande di lunghezze d?onda 52, almeno una lente di collimazione 25 che focalizza il fascio di detta raccolta di bande di lunghezze d?onda verso una guida d?onda 70, almeno una lente di collimazione 26 che focalizza il fascio uscente dalla guida d?onda 70 per indirizzarlo verso porzioni di campione 10.

L?apparato 50 rispetto al setup di taratura e selezione 49 precedente non utilizza uno spettrofotometro 55 per la selezione delle lunghezze d?onda nello stadio di acquisizione dell?immagine 53, ma solo per la taratura del DLP 65. In questo sistema ? stato ingegnerizzato lo stadio di illuminazione 20 del campione 10 in modo tale da illuminarlo di volta in volta con una banda comprendente lunghezze d?onda d?interesse come precedentemente identificate dal procedimento di selezione 100.

Come mostrato in figura 1 lo stadio di illuminazione 20 comprende mezzi 22-26 per convergere e diffondere la luce emessa dalla sorgente di luce 21 e farla passare nelle rispettive componenti dell?apparato 50.

Il segnale luminoso ? portato sul campione 10 per esempio attraverso una guida d?onda 70, preferibilmente una fibra ottica 70.

Preferibilmente la guida d?onda 70 scelta in questo esempio realizzativo ? una guida di luce liquida con diametro del core di 8 mm e apertura numerica (NA) di 0.5 che presenta una trasmittanza della luce compresa tra il 70% e il 75%, nella gamma di lunghezze d?onda d?interesse selezionate attraverso il procedimento 100 di selezione di un numero minore o uguale di bande di lunghezza d?onda per l?apparato 50. Per focalizzare la luce all?interno della guida di luce 70 ? opportuno utilizzare un sistema di lenti 22, che si stima avere delle perdite dell?ordine del 50% dell?intensit? luminosa. In questa configurazione la selezione delle lunghezze d?onda viene operata con il reticolo di diffrazione 45 ed il DLP 65.

Il reticolo di diffrazione 45 ? denominato anche grating.

Le lunghezze d?onda provenienti dalla sorgente 21 vengono separate con il grating 45 e vengono poi indirizzate su colonne del DLP 65. Abilitando e disabilitando le colonne del DLP 65, vengono selezionate le lunghezze d?onda con cui illuminare il campione 10 liofilo attraverso la fibra ottica 70. Le lunghezze d?onda selezionate sono state identificate dal procedimento 100 e sono comprese nella raccolta finale di bande spettrali in numero minore o uguale.

Il DLP 65 utilizzato in questo esempio presenta una trasmittanza media superiore al 70% della potenza luminosa con cui viene illuminato.

Inoltre, si deve tener conto anche della perdita di intensit? dovuta alla selezione di una banda della larghezza di alcuni nanometri.

La larghezza della banda in uscita dal DLP 65 pu? essere regolata a seconda della richiesta, e la larghezza di banda pu? essere compresa tra 50 nm e 75 nm. Infatti, per questi valori di larghezza di banda si ? visto che si ha una perdita della classificazione corretta di circa l?1% per mannitolo e saccarosio.

Questa caratteristica del DLP 65 lo rende particolarmente vantaggioso, infatti, selezionando una singola riga di specchi si seleziona una banda molto stretta ma con efficienza bassa; selezionando un numero sempre maggiore di linee di specchi si seleziona una larghezza di banda sempre maggiore, a cui corrisponde una maggior efficienza luminosa e quindi velocit?. Tuttavia l?allargamento della banda spettrale porta ad una riduzione dell?efficienza dell?intelligenza artificiale del tipo classificatore, per cui ? opportuno raggiungere un compromesso tra queste due variabili all?aumentare della larghezza della banda.

Alle larghezze di banda individuate come ottimali (50 nm per il mannitolo e 75 nm per il saccarosio) corrisponde quindi una trasmissione compresa tra il 6% e il 9.5% del totale dell?intensit? luminosa presente in tutto l?intervallo 900?1700 nm (supponendo che la lampada emetta la stessa potenza ottica per tutte le lunghezze d?onda considerate).

Per quanto riguarda il grating 45 ? opportuno considerare la sua sensibilit? allo stato di polarizzazione della luce, il che implica, nel caso in cui venga utilizzata luce con polarizzazione random, una perdita per esempio del 50% dell?intensit? luminosa in ingresso. Inoltre vanno considerate anche le perdite intrinseche al grating 45, che nel caso in esame, in cui si lavora con luce bianca proveniente da una lampada alogena (e non con luce laser), si possono stimare intorno al 50%. Infine, pu? essere opportuno l?impiego di una fenditura 40 o di un diffusore che comportano una perdita compresa per esempio tra il 50% e l?80% del totale della potenza ottica emessa dalla lampada alogena 21.

Il DLP 65 ? particolarmente vantaggioso in quanto permette di programmare la larghezza di banda, ? economico, veloce e con un grande angolo di accettazione.

La Figura 1 mostra una configurazione esemplificativa particolarmente vantaggiosa.

L?apparato 50 altrimenti detto sistema multispettrale per rilevare contaminanti del campione 10 comprendente il setup di illuminazione 20 comprendente una sorgente di luce 21, lenti di collimazione 22 che collimano un fascio di luce della sorgente di luce 21 incoerente, la fenditura 40 che diffrange un fascio di luce proveniente dalle lenti di collimazione 22, un primo specchio convergente 23 che fa convergere il fascio di luce proveniente dalle lenti di collimazione 22, il mezzo dispersore 45 sul quale converge un fascio di luce proveniente dal primo specchio convergente 23, in cui detto mezzo dispersore 45 disperde il fascio di luce proveniente dal primo specchio convergente 23 in una molteplicit? di fasci ad una molteplicit? di lunghezze d?onda, un secondo specchio convergente 24 che riceve detta molteplicit? di fasci selezionati e fa convergere almeno una selezione di fasci di detta molteplicit? di fasci sopra il DLP 65, una guida d?onda 70 che seleziona almeno un fascio di detta almeno una selezione di fasci ed indirizza almeno attraverso una lente 26 detto almeno un fascio verso almeno una porzione di detto campione 10, la telecamera di rilevamento 60 per rilevare immagini iperspettrali del campione 10.

L?apparato 50 comprende inoltre un elaboratore elettronico comprendente almeno un processore ed almeno una memoria, almeno una intelligenza artificiale caricata in detto elaboratore elettronico.

La sorgente luminosa 21 incoerente ? per esempio una lampada alogena, con e senza riflettore in alluminio e con diverse dimensioni del filamento; per esempio una lampada alogena senza riflettore da 250W elettrici (OSRAM HLX 64655 EHJ) con alimentatore stabilizzato a 24Volt e con filamento di 3.5mm x 7mm di area.

Il setup di illuminazione 20 comprende le lenti e gli specchi 22, 23, 24, 25, 26 che sono un sistema di lenti e specchi 22-26 per la collimazione e focalizzazione della luce.

Il mezzo dispersore 45 ? per esempio un reticolo di diffrazione 45 altrimenti detto grating. Preferibilmente il reticolo di diffrazione ha dimensioni 25x25 mm con una risoluzione di 300 lpm (linee per mm o gg/mm grooves/mm), dove per gg/mm si intendono linee al millimetro, correlato all?area attiva del DLP 65 utilizzato (14 mm x 10.51 mm).

Il DLP 65 ? per esempio un DLP V7000 di Texas Instruments di Dallas, U.S.A. per selezionare le lunghezze d?onda di interesse: il componente principale ? per esempio un DMD (Digital Micromirror Device) cio? un array di micromirror (microspecchi), per esempio costituito da 1.3 Mmirror (1024 x 768 mirrors) con mirror pitch 13.6?m ed un?area attiva di 14mm x 10.5mm. I micromirror possono assumere 2 posizioni distinte, ON e OFF, ruotando per esempio di 10? attorno ad una diagonale. Ogni micromirror dell?array pu? essere pilotato singolarmente.

Focalizzando lo spettro prodotto dal grating 45 sul DMD, ? possibile selezionare le lunghezze d?onda d?interesse da indirizzare verso il campione 10 in analisi, dopo un?opportuna calibrazione, attivando e disattivando i micromirror corrispondenti. La velocit? massima di refresh dell?intero DMD ? per esempio di 22727 Hz, dove per ogni refresh si ha un tempo di assestamento del chip per esempio di circa 44 ?s. Le lunghezze d?onda selezionate sono quelle della raccolta finale di bande di lunghezza d?onda dal procedimento di selezione 100 descritto sopra.

La guida d?onda 70 ? preferibilmente una LLG: fibra ottica liquida per portare la luce sul campione di lunghezza 1 m.

L?apparato 50 pu? comprendere inoltre un nastro trasportatore che ? un traslatore quando viene implementato in un impianto industriale. Il traslatore ? preferibilmente un?unit? lineare monoguida con trasmissione a cinghia, la cui corsa massima ? di 400 mm (risoluzione di 50 ?m) e velocit? massima di 5 m/s, che fa scorrere il campione davanti alla telecamera 60.

Il sistema di acquisizione 53 comprende per esempio un?ottica con obiettivo 50 mm con possibile apertura del diaframma compresa tra f/1.8 e f/16, un adattatore per l?applicazione di una correzione di Scheimpflug. Il sistema di acquisizione 53 comprende la telecamera di rilevamento 60.

Preferibilmente la telecamera di rilevamento 60 ? una telecamera lineare SWIR, che acquisisce la luce riflessa dal campione: ? per esempio una telecamera lineare (LYNX - 1.7 ? 1024 TE1) basata su un sensore InGaAs di 1024 pixels e lavora nella regione spettrale SWIR (short wave infrared), in un range compreso tra 900nm e 1700nm. Le specifiche tecniche della telecamera sono per esempio le seguenti: pixel size 25?m x 250?m, AD 16bit, sistema di raffreddamento TE1 ? 263K, r frame rate 40kHz. La telecamera 60 ? stata calibrata in modo analogo a quanto esposto in precedenza.

Per quanto riguarda l?addestramento dell?apparato 50 per farlo funzionare e per rilevare contaminanti di un campione 10 ? previsto un procedimento di addestramento 300 dell?apparato 50 che comprende fasi del procedimento di selezione 100.

Il procedimento di addestramento 300 ? attuato da detto apparato 50 e detto procedimento di addestramento 300 comprende una fase di illuminazione 310 del campione 10 del tutto similare alla fase di illuminazione 110 del procedimento di selezione 100, in cui non ? pi? la sorgente di luce 21 come nella fase 110, ma ? la guida d?onda 70 ad indirizzare bande di lunghezze d?onda selezionate dal procedimento di selezione 100 e presenti nella raccolta finale di bande di lunghezze d?onda per illuminare il campione 10.

L?orientamento predefinito per misure spettroscopiche tra la guida d?onda 70 e la superficie del campione 10 viene ottenuto orientando la guida d?onda 70 oppure attraverso almeno una lente 26 di focalizzazione posta a valle della guida d?onda 70.

Il procedimento di addestramento 300 comprende la fase di acquisizione 120 di immagini iperspettrali per mezzo della telecamera di rilevamento 60 che acquisisce l?immagine iperspettrale del campione 10, in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali che definiscono la molteplicit? di porzioni del campione 10 e la molteplicit? di lunghezze d?onda per ogni porzione di detta molteplicit? di porzioni del campione 10.

Il procedimento di addestramento 300 comprende la fase di generazione 130 di detta almeno una base dati di addestramento per la seconda intelligenza artificiale di tipo classificatore per mezzo di detto elaboratore elettronico, in cui detta almeno una base di dati comprende la molteplicit? di immagini iperspettrali della molteplicit? di campioni 10 acquisite dalla fase di acquisizione 120, in cui dette immagini iperspettrali comprendono immagini iperspettrali di campioni 10 comprendenti almeno un contaminante e senza alcun contaminante.

Il procedimento di addestramento 300 comprende la prima fase di addestramento 140 di detta seconda intelligenza artificiale di tipo classificatore, in cui alla seconda intelligenza artificiale vengono fornite immagini iperspettrali di detta almeno una base di dati elaborata attraverso la fase di generazione 130, i risultati della classificazione ottenuta dalla seconda intelligenza artificiale essendo eventualmente supervisionati.

Per l?addestramento dell?apparato 50 le immagini iperspettrali sono state acquisite in modalit? riflettanza come gi? descritto nella fase di illuminazione 110 del campione 10.

E? in alternativa possibile acquisire le immagini in trasmissione come spiegato sopra per il procedimento di selezione 100.

Il procedimento di addestramento 300 pu? prevedere una impostazione dei parametri di configurazione, come il tempo di esposizione, il guadagno e il file di correzione dei pixel.

Il procedimento di addestramento 300 pu? comprendere una impostazione dei parametri ottici e geometrici, come la regolazione del diaframma dell?ottica 20 impostato per avere la giusta profondit? di campo e la messa a fuoco dell?immagine.

Il procedimento di addestramento 300 pu? comprendere una impostazione del DLP 65 per la selezione delle bande desiderate trovate attraverso il procedimento di selezione 100.

Una calibrazione del DLP 65 si ottiene per esempio utilizzando una telecamera InGaAs 60 con davanti uno spettrometro 55 (con risoluzione 5 nm), utilizzando una lampada alogena 21 da 250 W e una larghezza di fenditura 40 di 0,6 mm ed un procedimento di calibrazione del DLP 65 eseguito da detto elaboratore elettronico.

Per esempio, il procedimento di calibrazione del DLP 65 assegna alle 10 bande selezionate dal procedimento di selezione 100 la posizione e il numero di colonne del DLP 65 da spostare in posizione ON accesa, in modo da illuminare il campione 10 con la banda desiderata.

Una acquisizione del riferimento di bianco e di nero per la calibrazione viene eventualmente effettuata, per esempio come gi? esposto in precedenza per il setup di taratura e selezione 49.

Per l?acquisizione del riferimento di nero vengono per esempio spostati tutti i micromirror del DLP 65 in posizione OFF mantenendo la lampada alogena 21 accesa. I due riferimenti vengono utilizzati per normalizzare la risposta dei pixel del setup di taratura del DLP 65 comprendente la telecamera 60, lo spettrofotometro 55 e l?obiettivo dello stadio di illuminazione 20.

Pi? in generale tale fase ? un procedimento di calibratura del DLP 65, in cui il procedimento di calibratura prevede di utilizzare uno spettrometro 55 disposto di fronte a detta telecamera di rilevamento 60, in cui il procedimento di calibratura del DLP 65 comprende una fase di assegnazione, in cui l?elaboratore elettronico assegna ad ogni banda della raccolta finale di bande di lunghezze d?onda una posizione ed un numero di colonne del DLP 65 da spostare in posizione accesa in modo da illuminare il campione 10 in sequenza con ognuna delle bande, in cui detta raccolta finale di bande di lunghezza d?onda ? selezionata dal procedimento di selezione 100.

L?acquisizione dell?immagine iperspettrale avviene dopo aver eventualmente selezionato il numero di frames e la velocit? di traslazione del supporto 30.

Segue una ricostruzione dell?immagine del campione 10 e salvataggio nella memoria dell?elaboratore elettronico.

Dopo opportune prove reiterate sono stati trovati i parametri di acquisizione ottimali: apertura del diaframma dell?ottica: f/1.8, tempo di integrazione della telecamera: 18 ms, numero di lunghezze d?onda utilizzate: 9, numero di righe acquisite per campione: 550. Conoscendo tutti questi parametri e sapendo che gli ipercubi acquisiti sono composti da immagini di dimensione 1024x550pixel, ? possibile calcolare la risoluzione verticale, che risulta essere di circa 61 ?m/pixel, e la risoluzione media orizzontale che ? di circa 31 ?m/pixel.

In un test sperimentale, dopo aver acquisito gli ipercubi, come esposto in precedenza, sono stati selezionati manualmente dei punti (corrispondenti allo spettro di riflettanza del punto selezionato sull?immagine) ed ? stato creato un database di training da utilizzare per l?addestramento della seconda intelligenza artificiale di tipo classificatore. In particolare, gli spettri sono stati divisi in due classi: la classe positiva contenente soltanto gli spettri corrispondenti all?eccipiente, e la classe negativa contenente gli spettri corrispondenti a tutti i vari contaminanti presenti.

Il classificatore implementato nel software dell?elaboratore elettronico ? per esempio un SVM (Support Vector Machine) ottimizzato come precedentemente esposto per il procedimento di selezione 100.

Una volta addestrato, il classificatore ? in grado di eseguire una discriminazione sui pixel degli ipercubi acquisiti permettendo all?apparato 50 di rilevare contaminanti del campione 10, identificare i contaminanti e la posizione sulla superficie del campione 10.

Segue la descrizione di alcuni test che hanno portato a selezionare il miglior posizionamento relativo tra fibra 70 e telecamera 60.

La fibra 70 ? stata posta secondo diversi orientamenti rispetto alla telecamera 60.

Secondo un primo setup la fibra 70 ? disposta sul lato opposto rispetto alla telecamera 60. La fibra 70 ? stata posizionata sul lato opposto della telecamera 60 rispetto al campione 10 liofilo in esame. ? stata posizionata una lente 26 tra la fibra 70 e il campione 10 per focalizzare la luce sulla superficie del campione 10 in analisi. La larghezza della fenditura 40 ? stata fissata a 2 mm e il tempo d?integrazione della telecamera 60 ? stato scelto di 10ms. Sono state utilizzate 9 bande rispettivamente centrate sulle lunghezze d?onda: 1000 nm, 1130 nm, 1205 nm, 1290 nm, 1315 nm, 1395 nm, 1405 nm, 1490 nm, 1595 nm. Le bande sono state selezionate dal procedimento di selezione 100.

Il file di training utilizzato ? composto da 123 campioni positivi e 66 campioni negativi ed ha dato i migliori risultati con un kernel RBF come definito nella fase di addestramento 140 del primo classificatore.

Il secondo setup prevede che la fibra 70 sia disposta sullo stesso lato della telecamera 60. In questo caso la fibra 70 ? stata posizionata sullo stesso lato della telecamera 60 rispetto al campione 10 liofilo in esame.

? stata posizionata la lente 26 tra la fibra 70 e il campione 10 per focalizzare la luce sulla superficie del campione 10 in analisi.

La larghezza della fenditura 40 ? stata fissata a 1 mm e il tempo d?integrazione della telecamera 60 ? stato scelto di 8 ms. Sono state utilizzate 9 bande rispettivamente centrate sulle lunghezze d?onda: 1000 nm, 1130 nm, 1205 nm, 1290 nm, 1315 nm, 1395 nm, 1405 nm, 1490 nm, 1595 nm. Le bande sono state selezionate dal procedimento di selezione 100.

Il file di training utilizzato ? composto da 814 campioni positivi e 864 campioni negativi ed ha dato i migliori risultati con il kernel RBF.

Il terzo setup prevede che la fibra 70 sia disposta sullo stesso lato della telecamera 60. In questo caso la fibra 70 ? stata posizionata sullo stesso lato della telecamera 60 rispetto al campione 10 liofilo in esame.

? stata posizionata la lente 26 tra la fibra 70 e il campione 10 per focalizzare la luce sulla superficie del campione 10 in analisi. La larghezza della fenditura 40 ? stata fissata a 0,6 mm ed il tempo d?integrazione della camera ? stato scelto di 18 ms. Sono state utilizzate 9 bande rispettivamente centrate sulle lunghezze d?onda: 1000 nm, 1130 nm, 1205 nm, 1290 nm, 1315 nm, 1395 nm, 1405 nm, 1490 nm, 1595 nm. Le bande sono state selezionate dal procedimento di selezione 100.

Il file di training utilizzato ? composto da 183 campioni positivi e 183 campioni negativi. I migliori risultati sono stati ottenuti con i kernel RBF e polinomiale come definiti nella fase di addestramento 140 del primo classificatore.

Il terzo setup presenta i risultati migliori.

Per quanto riguarda il funzionamento dell?apparato 50 ? previsto un procedimento 200 per rilevare contaminanti del campione 10 per mezzo di un apparato 50.

Una volta messo in opera, l?apparato 50 acquisisce l?immagine iperspettrale del campione 310, 120, la classifica 240 e fornisce in uscita 250 un?immagine binaria del campione in cui il livello 1 ? classificato come normale e il livello 0 come contaminante.

Il procedimento 200 comprende la fase di illuminazione 310 del campione 10, in cui detta guida d?onda 70 indirizza bande di lunghezze d?onda della raccolta finale di bande di lunghezze d?onda per illuminare il campione 10 secondo un orientamento predefinito per misure spettroscopiche, in cui detta raccolta finale di bande di lunghezze d?onda selezionate dal procedimento di selezione 100.

Il procedimento 200 comprende una fase di acquisizione 120 di immagini iperspettrali per mezzo della telecamera di rilevamento 60 che acquisisce una immagine iperspettrale del campione 10, in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali che definiscono una molteplicit? di porzioni del campione 10 ed una molteplicit? di lunghezze d?onda per ogni porzione di detta molteplicit? di porzioni del campione 10.

Il procedimento 200 comprende una fase di classificazione 240 in cui detta seconda intelligenza artificiale di tipo classificatore classifica le immagini iperspettrali dei campioni 10 in base all?addestramento effettuato grazie a detta almeno una base dati di addestramento ricavata dalla fase di generazione 130 di almeno una base dati di addestramento.

La fase di classificazione 240 ? del tutto analoga alla fase di addestramento 140 del procedimento di addestramento 300 o del procedimento di selezione 100 e quanto gi? scritto sopra per questa fase 140 vale anche per la fase di classificazione 240.

La seconda intelligenza artificiale del tipo classificatore ? per esempio di tipo SVM.

Il procedimento 200 comprende una fase di restituzione dati 250 che prevede che il classificatore dopo la fase di classificazione 240 restituisce in uscita l?immagine binaria del campione, che rappresenta un?immagine classificata dello stesso.

Preferibilmente il livello 1 dell?immagine binaria ? classificato come normale ed il livello 0 come contaminante.

L?immagine binaria ottenuta pu? essere decentrata a causa di un allineamento poco preciso dei campioni 10 durante la loro traslazione/rotazione nella fase dell?acquisizione.

La fase di restituzione dati 250 pu? quindi comprendere una ulteriore fase di centraggio 251 per centrare una ROI (Region Of Interest) sulla superficie del campione 10 liofilo. Per il centraggio 251 viene per esempio utilizzata una maschera binaria che isola la porzione della superficie superiore del liofilo. La maschera viene traslata sulla base delle informazioni ricavate da un?immagine relativa al campione 10 in analisi e acquisita a lunghezza spettrale 1200 nm, anche per migliorare la qualit? visiva per l?operatore. Dopo l?applicazione della maschera si ? effettuata si pu? effettuare la ricerca delle regioni contaminate.

La fase di restituzione dati 250 pu? comprendere una fase di estrazione 252 dei contorni delle regioni del campione 10 delimitanti il liofilo ed il contaminante.

Questa fase di estrazione dei contorni 252 pu? prevedere un?analisi di ogni contorno come spiegato nel seguito.

Analisi dell?area: se il valore ? inferiore ad un valore di soglia, il contorno viene scartato. Ad esempio, i pixel singoli non possono essere considerati contaminante, ma rappresentano molto probabilmente un errore del classificatore.

Analisi di un rapporto area/perimetro: l?analisi viene effettuata sui contorni scartati nella fase precedente di analisi dell?area. Il calcolo del rapporto tra l?area e il perimetro permette di riconoscere oggetti filiformi quali ad esempio i capelli. Se la soglia viene superata il contorno analizzato viene riclassificato come contaminante.

Analisi di una posizione nell?immagine: per ogni contorno considerato come contaminante dalle due analisi precedenti, viene effettuato il calcolo del suo baricentro. Nel caso in cui il baricentro risulti troppo vicino al bordo della maschera, esso viene eliminato. In questo modo alcune imperfezioni nella superficie dell?eccipiente ed eventuali errori nella fase di traslazione della maschera vengono eliminati.

Creazione immagine finale per la visualizzazione: viene effettuata una sovrapposizione dei contorni estratti precedentemente dalle immagini binarie all?immagine a 1200 nm per esempio per facilitarne la visione da parte dell?operatore.

In aggiunta alle operazioni precedenti relative all?output dell?immagine da effettuarsi o prima o dopo, pu? venire applicato un filtro morfologico tradizionale per ripulire ulteriormente l?immagine ed eliminare eventuali ulteriori zone che costituiscono rumore. Ad esempio, se un contorno contiene ?buchi? (piccoli cluster di colore diverso), il filtro lo riempie e d? origine a un contorno che racchiude un?area continua. Le informazioni spettrali producono sempre del rumore, questi filtri permettono di eliminare spazialmente pixel di rumore e regioni di non interesse, ad esempio il background. Si possono usare diversi filtri noti, ad esempio del tipo opening o un filtro mediano.

Pu? venir applicato un algoritmo tradizionale di identificazione dei conglomerati di pixel classificati come ?contaminanti? (blob analysis) che produce regioni di dimensione definita anche se i contorni identificati dal classificatore sono aperti o irregolari.

Preferibilmente ? previsto che almeno un programma per elaboratore caricabile nella memoria dell?elaboratore elettronico comprenda istruzioni che, quando il programma ? eseguito dall?elaboratore, attuano i procedimenti sopra descritti 100, 200 e 300.

Vantaggiosamente il procedimento di selezione 100 permette di selezionare bande spettrali per far funzionare l?apparato 50 a velocit? di un impianto industriale e consente all?apparato 50 di poter rilevare contaminanti di un campione, identificando regioni del campione in cui sono presenti contaminanti.

Vantaggiosamente l?apparato 50 funziona a velocit? di un impianto industriale che rilevi contaminanti di un campione, identificando regioni del campione in cui sono presenti contaminanti.

Vantaggiosamente il procedimento 200 per rilevare contaminanti di un campione identificando regioni del campione in cui sono presenti contaminanti aziona l?apparato 50 ad alta velocit? e ad alta efficienza.

Vantaggiosamente il procedimento di addestramento 300 per l?apparato 50 consente all?apparato 50 di funzionare a velocit? di un impianto industriale che rilevi contaminanti di un campione, identificando regioni del campione in cui sono presenti contaminanti.

Alternativamente ? possibile prevedere che al posto di una lampada alogena, venga utilizzata un?altra sorgente di luce 21 incoerente come ad esempio diodi a emissione luminosa (LED). In particolare ? possibile prevedere di usare una batteria di LED che vengono accesi in sequenza per coprire le diverse bande di illuminazione. Sfruttando la tecnologia a LED, a ciascun LED pu? essere associata una fibra 70 per convogliare la luce di ciascun LED sul reticolo 45 in modo noto. La larghezza di banda di ciascun LED si pu? ridurre usando dei filtri ottici in caso di necessit?. Nonostante la tecnologia attuale presenti un gap nelle lunghezze d?onda disponibili tra i 1300 e 1450 nm, l?eliminazione di questo intervallo nella scelta di bande spettrali utilizzabili non presenta problemi di accuratezza nella classificazione. La potenza ? comparabile a quella di una sorgente alogena a 50 W ma non si perde pi? luce nel sistema ottico di selezione; quindi, questo ? equiparabile a un incremento di 10 volte sulla sensibilit?. In questo caso alternativo le sorgenti di luce 21 sono molteplici.

Alternativamente ? possibile prevedere che al posto del reticolo di diffrazione 45 e del DLP 65 venga utilizzato un filtro acusto-ottico programmabile, o Acousto Optic Tunable Filter (AOTF) come stadio 52 di selezione delle bande. Secondo questa alternativa lo stadio di illuminazione 20 prevede che il segnale luminoso venga portato sul campione 10 attraverso la fibra ottica 70, o pi? in generale con una guida d?onda 70. Si pu? per esempio utilizzare una guida di luce liquida con diametro del core di 8mm e apertura numerica (NA) di 0.5, che presenta una trasmittanza della luce compresa tra il 70% e il 75% nella gamma di lunghezze d?onda d?interesse. Per focalizzare la luce all?interno della guida di luce 70 ? opportuno utilizzare un sistema di lenti, che si stima avere delle perdite dell?ordine del 50% dell?intensit? luminosa. In questa configurazione alternativa la selezione delle lunghezze d?onda viene per esempio operata con AOTF. Si pu? per esempio utilizzare un AOTF che presenta un?apertura di 11 mm e che lavora nella gamma di lunghezze d?onda compresa tra 900 nm e 1700 nm. Nell?utilizzo di un AOTF ? opportuno considerare la sua sensibilit? allo stato di polarizzazione della luce, il che implica, in caso si utilizzi luce con polarizzazione random, una perdita del 50% dell?intensit? luminosa in ingresso. Inoltre vanno considerate anche le perdite intrinseche al AOTF, che nel caso in cui si lavori con una sorgente 21 di luce bianca proveniente da una lampada alogena (e non con luce laser), si possono stimare intorno al 50%. Infine, si deve tener conto anche della perdita di intensit? dovuta alla selezione di una banda della larghezza di pochi nanometri. In particolare, la larghezza della banda in uscita da un AOTF non ? sempre la stessa, ma aumenta all?aumentare della lunghezza d?onda selezionata. In particolare, per l?AOTF utilizzato in questo esempio, la larghezza delle bande pu? variare da 5 nm a 19.5 nm, che corrisponde quindi ad una trasmissione compresa tra lo 0.6% e il 2.5% del totale dell?intensit? luminosa presente in tutto il range 900 ? 1700nm (supponendo che la lampada emetta la stessa potenza ottica per tutte le lunghezze d?onda considerate). Prima che la luce entri nel AOTF ? necessario utilizzare un sistema di lenti per ridurre le dimensioni del fascio luminoso e collimarlo. Si stima che questo sistema di lenti possa causare una perdita di intensit? luminosa circa compresa tra il 50% il 70%. Infine, si ritiene che sia preferibile anche l?impiego di una fenditura 40 o di un diffusore che comportano una perdita compresa tra il 50% e l?80% del totale della potenza ottica emessa dalla lampada alogena. Il AOTF ? un componente molto compatto e robusto ma la banda passante ottenibile ? limitata e quindi il bilancio della perdita del flusso luminoso pu? essere sfavorevole nelle applicazioni ad alta velocit?, quindi c?? da aspettarsi che per garantire l?efficienza luminosa minima necessaria al sistema i tempi di esposizione vadano allungati, rendendo il sistema pi? lento rispetto a quello che utilizza il DLP 65.

Ancora alternativamente ? possibile prevedere l?uso di un reticolo di diffrazione 45 insieme al AOTF, in questo caso prima che la luce entri nell?AOTF ? opportuno utilizzare un sistema di lenti per ridurre le dimensioni del fascio luminoso e collimarlo o focalizzarlo a seconda del tipo di grating 45 utilizzato.

Alternativamente ? possibile prevedere che la fase di fornitura 150 preveda che un utilizzatore possa fornire indicazioni sulle bande significative per il suo set di campioni 10. Queste indicazioni non necessariamente porterebbero le bande indicate ad essere quelle pi? adatte, infatti le bande potrebbero non essere sufficientemente distanti oppure non essere sufficientemente larghe. Invece la sotto-fase di identificazione della fase di fornitura 150 consente di ottimizzare le bande della raccolta iniziale di bande.

L?invenzione cos? concepita ? suscettibile di numerose modifiche e varianti, tutte rientranti nell?ambito del concetto inventivo. In pratica i materiali utilizzati, nonch? le dimensioni, potranno essere qualsiasi a seconda delle esigenze tecniche.

Claims

RIVENDICAZIONI

1. Procedimento (100) per selezionare bande spettrali per un apparato (50) adatto a rilevare contaminanti di un campione (10),

in cui detto apparato (50) comprende

un setup di illuminazione (20) comprendente almeno una sorgente di luce (21) incoerente,

una molteplicit? di elementi ottici (22-26) adatti a direzionare o collimare un fascio di luce proveniente dalla sorgente di luce (21),

uno stadio di selezione (52) di bande di lunghezze d?onda adatto a scomporre detto fascio di luce ed a selezionare una raccolta di bande di lunghezza d?onda, detta raccolta comprendendo una molteplicit? di fasci, in cui ogni fascio di detta molteplicit? di fasci comprende una banda di lunghezze d?onda di detta raccolta di bande di lunghezza d?onda,

in cui detta raccolta di bande di lunghezza d?onda ? una raccolta finale di bande spettrali ottenuta da detto procedimento di selezione (100),

una guida d?onda (70) che seleziona almeno un fascio di detta molteplicit? di fasci ed indirizza detto almeno un fascio verso almeno una porzione di detto campione (10) per illuminare detto campione (10),

una telecamera di rilevamento (60) adatta a rilevare immagini iperspettrali del campione (10), un elaboratore elettronico comprendente almeno un processore ed almeno una memoria,

almeno una intelligenza artificiale di tipo classificatore caricata in detto elaboratore elettronico, in cui detta almeno una intelligenza artificiale classifica immagini iperspettrali dei campioni (10) sulla base di una base dati di addestramento,

in cui detto procedimento di selezione (100) ? attuato da un setup di taratura e selezione (49) comprendente la sorgente di luce (21), la telecamera di rilevamento (60), uno spettrometro (55), l?elaboratore elettronico comprendente detto almeno un processore e detta almeno una memoria, una prima intelligenza artificiale di tipo classificatore ed una seconda intelligenza artificiale di tipo classificatore caricate in detto elaboratore elettronico,

in cui detto procedimento di selezione (100) comprende

una fase di illuminazione (110) del campione (10), in cui la sorgente di luce (21) ? ottimizzata per lunghezze d?onda di assorbimento di materiali presenti in un campione (10) ed illumina il campione (10) secondo un orientamento predefinito per misure spettroscopiche, una fase di acquisizione (120) di immagini iperspettrali per mezzo di detta telecamera di rilevamento (60) che acquisisce una immagine iperspettrale del campione (10), in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali (x, y) che definiscono una molteplicit? di porzioni del campione (10) ed una molteplicit? di lunghezze d?onda (?1, ?2 ? ?i) per ogni porzione di detta molteplicit? di porzioni del campione (10),

una fase di generazione (130) di detta almeno una base dati di addestramento per detta prima intelligenza artificiale di tipo classificatore per mezzo di detto elaboratore elettronico, in cui detta almeno una base di dati comprende una molteplicit? di immagini iperspettrali di una molteplicit? di campioni (10) acquisite dalla fase di acquisizione (120), in cui dette immagini iperspettrali comprendono immagini iperspettrali di campioni (10) comprendenti almeno un contaminante e senza alcun contaminante,

una prima fase di addestramento (140) di detta prima intelligenza artificiale di tipo classificatore, in cui alla prima intelligenza artificiale vengono fornite immagini iperspettrali di detta almeno una base di dati elaborata attraverso la fase di generazione (130), una fase di fornitura (150) di una raccolta iniziale di bande spettrali,

una seconda fase di addestramento (160) di detta seconda intelligenza artificiale di tipo classificatore, in cui alla seconda intelligenza artificiale vengono fornite immagini iperspettrali di detta almeno una base di dati, in cui detta molteplicit? di lunghezze d?onda di ogni immagine iperspettrale ? ristretta alle sole bande spettrali di detta raccolta iniziale di bande spettrali,

una fase di selezione (170) della raccolta finale di bande spettrali in numero minore o uguale rispetto a detta raccolta iniziale di bande spettrali, in cui detta raccolta finale di bande spettrali ? selezionata attraverso almeno un metodo di selezione (171, 172, 173) scelto tra una selezione di bande spettrali di varianza massima (171) o una selezione di bande pi? spaziate tra di loro delle altre (172) o una selezione di bande che comprendono righe di assorbimento di contaminanti del campione (10) (173).

2. Procedimento di selezione (100) secondo la rivendicazione 1, caratterizzato dal fatto che detta fase di fornitura (150) comprende una sotto-fase di identificazione di detta raccolta iniziale di bande spettrali in modo da massimizzare una differenza tra spettri di campioni (10) senza contaminanti e spettri di campioni (10) contaminati, in cui detta sotto-fase di identificazione della raccolta iniziale di bande spettrali viene effettuata per mezzo di un algoritmo di analisi caricato in detto elaboratore elettronico.

3. Procedimento di selezione (100) secondo una qualsiasi delle rivendicazioni 1 o 2, caratterizzato dal fatto che la fase di acquisizione (120) delle immagini iperspettrali comprende una fase di selezione di porzioni di materiale del campione (10), in cui una fenditura (40) dello spettrometro (55) seleziona una porzione del campione (10) ed un mezzo dispersore (45) dello spettrometro (55) disperde un fascio che proviene da detta fenditura (40).

4. Procedimento di selezione (100) secondo una qualsiasi delle rivendicazioni 1-3, caratterizzato dal fatto che detta fase di acquisizione (120) prevede che lo spettrometro (55) acquisisca misure spettroscopiche del campione (10) in riflettanza o in trasmittanza.

5. Procedimento di selezione (100) secondo una qualsiasi delle rivendicazioni 1-4, caratterizzato dal fatto che detta fase di selezione (170) della raccolta finale di bande spettrali in numero minore o uguale rispetto a detta raccolta iniziale di bande spettrali prevede che una banda spettrale che massimizza una differenza tra spettri di campioni (10) senza contaminanti e spettri (10) di campioni contaminati ? considerata come quella in cui una deviazione standard di spettri di contaminanti rispetto allo spettro senza contaminanti ? massima.

6. Apparato (50) per rilevare contaminanti di un campione (10) comprendente

uno stadio di selezione (52) di bande di lunghezze d?onda adatto a scomporre detto fascio di luce ed a selezionare una raccolta di bande di lunghezza d?onda detta raccolta comprendendo una molteplicit? di fasci, in cui ogni fascio di detta molteplicit? di fasci comprende una banda di lunghezze d?onda di detta raccolta di bande di lunghezza d?onda,

una telecamera di rilevamento (60) adatta a rilevare immagini iperspettrali del campione (10), in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali (x, y) che definiscono una molteplicit? di porzioni del campione (10) ed una molteplicit? di lunghezze d?onda (?1, ?2 ? ?i) per ogni porzione di detta molteplicit? di porzioni del campione (10),

un elaboratore elettronico comprendente almeno un processore ed almeno una memoria,

in cui detta raccolta di bande di lunghezza d?onda ? ottenuta da un procedimento (100) per selezionare bande spettrali secondo una qualsiasi delle rivendicazioni 1-5.

7. Apparato secondo la rivendicazione 6, caratterizzato dal fatto che detto stadio di selezione di bande di lunghezze d?onda (52) comprende

un mezzo dispersore (45) adatto a disperdere il fascio di luce in una molteplicit? di fasci ad una molteplicit? di lunghezze d?onda, e

un Digital Light Processor DLP (65).

8. Apparato secondo la rivendicazione 7, caratterizzato dal fatto che detto mezzo dispersore (45) ? un reticolo di diffrazione.

9. Apparato secondo la rivendicazione 6, caratterizzato dal fatto che detto stadio di selezione di bande di lunghezze d?onda (52) comprende un Acousto Optic Tunable Filter (AOTF).

10. Apparato (50) secondo una qualsiasi delle rivendicazioni 6-9, caratterizzato dal fatto che detta molteplicit? di elementi ottici (22-26) comprende almeno una lente di collimazione (22) che collima un fascio di luce della sorgente di luce (21) incoerente, una fenditura (40) che diffrange un fascio di luce proveniente da detta almeno una lente di collimazione (22),

un primo specchio convergente (23) che fa convergere il fascio di luce proveniente da detta almeno una lente di collimazione (22) verso detto stadio di selezione di bande di lunghezze d?onda (52),

almeno una lente di collimazione (25) che focalizza il fascio di detta raccolta di bande di lunghezze d?onda verso detta guida d?onda (70),

almeno una lente di collimazione (26) che focalizza il fascio uscente dalla guida d?onda (70) per indirizzarlo verso porzioni di campione (10).

11. Apparato (50) secondo una qualsiasi delle rivendicazioni 6-10, caratterizzato dal fatto che detta guida d?onda (70) comprende una uscita disposta su uno stesso lato della telecamera di rilevamento (60) rispetto al campione (10).

12. Apparato (50) secondo una qualsiasi delle rivendicazioni 6-10, caratterizzato dal fatto che detta guida d?onda (70) comprende una uscita disposta su un lato opposto della telecamera di rilevamento (60) rispetto al campione (10).

13. Apparato (50) secondo una qualsiasi delle rivendicazioni 6-12, caratterizzato dal fatto che detta almeno una sorgente di luce (21) comprende una batteria di LED.

14. Apparato (50) secondo una qualsiasi delle rivendicazioni 6-13, caratterizzato dal fatto che detta almeno una intelligenza artificiale ? di tipo supervisionato.

15. Procedimento (200) per rilevare contaminanti di un campione (10) per mezzo di un apparato (50) secondo una qualsiasi delle rivendicazioni 6-14, comprendente una fase di illuminazione (310) di un campione (10), in cui detta guida d?onda (70) indirizza un fascio di bande di lunghezze d?onda della raccolta finale di bande di lunghezze d?onda per illuminare il campione (10) secondo un orientamento predefinito per misure spettroscopiche,

una fase di acquisizione (120) di immagini iperspettrali per mezzo di una telecamera di rilevamento (60) che acquisisce una immagine iperspettrale del campione (10), in cui detta immagine iperspettrale ? un ipercubo comprendente dimensioni spaziali (x, y) che definiscono una molteplicit? di porzioni del campione (10) ed una molteplicit? di lunghezze d?onda (?1, ?2 ? ?i) per ogni porzione di detta molteplicit? di porzioni del campione (10),

una fase di classificazione (240) in cui detta almeno una intelligenza artificiale di tipo classificatore classifica le immagini iperspettrali dei campioni (10) sulla base di una base dati di addestramento,

una fase di restituzione dati (250) che prevede che detta almeno una intelligenza artificiale dopo la fase di classificazione (240) restituisca in uscita un?immagine classificata del campione,

in cui detta raccolta finale di bande di lunghezze d?onda ? selezionata dal procedimento di selezione (100) secondo una qualsiasi delle rivendicazioni 1-5.

16. Procedimento (200) per rilevare contaminanti secondo la rivendicazione 15, caratterizzato dal fatto che detta almeno una intelligenza artificiale ? detta seconda intelligenza artificiale di tipo classificatore.

17. Procedimento di addestramento (300) di un apparato (50) per rilevare contaminanti di un campione (10) secondo una qualsiasi delle rivendicazioni 6-14, in cui il procedimento di addestramento (300) ? attuato da detto apparato (50) e

detto procedimento di addestramento (300) comprende una fase di illuminazione (310) del campione (10), in cui detta guida d?onda (70) indirizza un fascio di bande di lunghezze d?onda della raccolta finale di bande di lunghezze d?onda per illuminare il campione (10) secondo un orientamento predefinito per misure spettroscopiche,

una fase di acquisizione (120) di immagini iperspettrali per mezzo di una telecamera di rilevamento (60) che acquisisce una immagine iperspettrale del campione (10),

una fase di generazione (130) di almeno una base dati di addestramento per detta almeno una intelligenza artificiale di tipo classificatore per mezzo di detto elaboratore elettronico, in cui detta almeno una base di dati comprende una molteplicit? di immagini iperspettrali di una molteplicit? di campioni (10) acquisite dalla fase di acquisizione (120), in cui dette immagini iperspettrali comprendono immagini iperspettrali di campioni (10) comprendenti almeno un contaminante e senza alcun contaminante,

una prima fase di addestramento (140) di detta almeno una intelligenza artificiale di tipo classificatore, in cui a detta almeno una intelligenza artificiale vengono fornite immagini iperspettrali di detta almeno una base di dati elaborata attraverso la fase di generazione (130),

18. Procedimento di addestramento (300) secondo la rivendicazione 17, caratterizzato dal fatto di comprendere un procedimento di calibratura del DLP (65), in cui il procedimento di calibratura del DLP (65) comprende una fase di assegnazione, in cui l?elaboratore elettronico assegna ad ogni banda della raccolta finale di bande di lunghezze d?onda una posizione ed un numero di colonne del DLP (65) da spostare in posizione accesa in modo da illuminare il campione (10) in sequenza con ognuna delle bande,

in cui detta raccolta finale di bande di lunghezza d?onda ? selezionata dal procedimento di selezione (100) secondo una qualsiasi delle rivendicazioni 1-5.