logo

Un método computacional para la identificación de asbesto-cemento en imágenes hiperespectrales mediante regresión gaussiana no paramétrica

10.24050/reia.v23i46.1887
Publicado 2026-09-17
Artículos

Resumen

Uno de los desafíos en el campo de las imágenes hiperespectrales, debido a la alta dimensionalidad de los datos, es la necesidad de métodos eficientes y computacionalmente efectivos para la detección de materiales. Como contribución a este problema, este artículo propone un nuevo método computacional para la detección de asbesto-cemento, basado en el modelado de su firma espectral utilizando el proceso gaussiano con un kernel RBF, y comparando un porcentaje relevante de la curva modelada con las firmas espectrales de los píxeles de la imagen mediante similitud basada en RMSE. Para esta investigación, se llevó a cabo una adaptación de cuatro fases de la metodología CRISP-DM: F1. Comprensión del negocio y de los datos; F2. Preparación de los datos; F3. Modelado y evaluación; y F4. Despliegue del modelo. Como resultado, se encontró que, en términos de efectividad, el método propuesto es comparable al método de correlación, difiriendo en menos del 1% en el porcentaje de asbesto detectado respecto a la correlación. Asimismo, en términos de eficiencia, el método propuesto es en promedio 7.039% más eficiente que el método de correlación. En conclusión, el método es una buena alternativa a los métodos convencionales, de tal forma que puede adaptarse e integrarse en sistemas de monitoreo de materiales basados en teledetección e imágenes hiperespectrales.

Palabras clave

Categorías

Autores/as

Referencias

Abdulraheem, M. I., Zhang, W., Li, S., Moshayedi, A. J., Farooque, A. A., Hu, J. (2023). Advancement of Remote Sensing for Soil Measurements and Applications: A Comprehensive Review. Sustainability, 15(21), pp. 1-32. doi: 10.3390/su152115444.

Ahmad, M., Khan, A. M., Mazzara, M., Distefano, S., Ali, M., Sarfraz, M. S. (2022). A Fast and Compact 3-D CNN for Hyperspectral Image Classification. IEEE Geosci. Remote Sens. Lett., 19, pp. 1-5. doi: 10.1109/LGRS.2020.3043710.

Awange, J., Kiema, J. (2019). Fundamentals of Remote Sensing, in Environmental Geoinformatics. Berlin, pp. 115-123, Springer. doi: 10.1007/978-3-030-03017-9_7.

Bassani, C., Cavalli, R. M., Cavalcante, F., Cuomo, V., Palombo, A., Pascucci, S., Pignatti, S. (2007). Deterioration status of asbestos-cement roofing sheets assessed by analyzing hyperspectral data. Remote Sens. Environ., 109(3), pp. 361-378. doi: 10.1016/j.rse.2007.01.014.

Bonifazi, G., Capobianco, G., Serranti, S. (2015). Hyperspectral imaging applied to the identification and classification of asbestos fibers, in 2015 IEEE SENSORS, Korea, pp. 1-4, IEEE. doi: 10.1109/ICSENS.2015.7370458.

Bonifazi, G., Capobianco, G., Serranti, S. (2018). Asbestos containing materials detection and classification by the use of hyperspectral imaging. J. Hazard. Mater., 344, pp. 981-993. doi: 10.1016/j.jhazmat.2017.11.056.

Bonifazi, G., Capobianco, G., Serranti, S., Malinconico, S., Paglietti, F. (2022). Asbestos detection in construction and demolition waste adopting different classification approaches based on short wave infrared hyperspectral imaging. Detritus, 20, pp. 90-99. doi: 10.31025/2611-4135/2022.15211.

Bonifazi G., Capobianco, G., Serranti, S., Trotta, O., Bellagamba, S., Malinconico, S., Paglietti, F. (2024). Asbestos detection in construction and demolition waste by different classification methods applied to short-wave infrared hyperspectral images. Spectrochim. Acta Part A Mol. Biomol. Spectrosc., 307, pp. 1-13. doi: 10.1016/j.saa.2023.123672.

Burger, J., Gowen, A. (2011). Data handling in hyperspectral image analysis. (2011). Chemom. Intell. Lab. Syst., 108(1), pp. 13-22. doi: 10.1016/j.chemolab.2011.04.001.

Camayo, E., Villegas, J., Sierra, L. M. (2013). Material Etnoeducativo Informático Tipo Micromundo Para El Apoyo De La Enseñanza Del Nasa-Yuwe. p. 53.

Chang, Y.-L., Tan, T.-H., Lee, W.-H., Chang, L., Chen, Y.-N., Fan, K.-C., Alkhaleefah, M. (2022). Consolidated Convolutional Neural Network for Hyperspectral Image Classification. Remote Sens., 14(7), pp. 1-16. doi: 10.3390/rs14071571.

Cilia, C., Panigada, C., Rossini, M., Candiani, G., Pepe, M., Colombo, R. (2015). Mapping of Asbestos Cement Roofs and Their Weathering Status Using Hyperspectral Aerial Images. ISPRS Int. J. Geo-Information, 4(2), pp. 928-941. doi: 10.3390/ijgi4020928.

Colombero, C., Comina, C., Godio, A. (2020) Special Issue ‘Remote Sensing in Applied Geophysics.’ Remote Sensing, 12(20), pp. 1-3. doi: 10.3390/rs12203413.

Fernandez, D., Gonzalez, C., Mozos, D., Lopez, S. (2019). FPGA implementation of the principal component analysis algorithm for dimensionality reduction of hyperspectral images. J. Real-Time Image Process., 16(5), pp. 1395-1406. doi: 10.1007/s11554-016-0650-7.

Gao, L., Smith, R. T. (2015). Optical hyperspectral imaging in microscopy and spectroscopy - a review of data acquisition. Journal of Biophotonics, 8(6), pp. 441-456. doi: 10.1002/jbio.201400051.

Hayat Suhendar, M. T., Widyani, Y. (2023). Machine Learning Application Development Guidelines Using CRISP-DM and Scrum Concept, in 2023 IEEE International Conference on Data and Software Engineering (ICoDSE), Toba, IEEE, pp. 168-173. doi: 10.1109/ICoDSE59534.2023.10291438.

Hikuwai, M., Patorniti, N., Vieira, A., Frangioudakis Khatib, G., Stewart, R. (2023). Artificial Intelligence for the Detection of Asbestos Cement Roofing: An Investigation of Multi-Spectral Satellite Imagery and High-Resolution Aerial Imagery. Sustainability, 15(5), pp. 1-23. doi: 10.3390/su15054276.

Jiménez-López, A. F., Jiménez-López, M., Jiménez-López, F. R. (2015). Multispectral analysis of vegetation for remote sensing applications. ITECKNE, 12(2), pp.156.167. doi: 10.15332/iteckne.v12i2.1242.

Krówczyńska, M., Raczko, E., Staniszewska, N., Wilk, E. (2020). Asbestos—Cement Roofing Identification Using Remote Sensing and Convolutional Neural Networks (CNNs). Remote Sens., vol. 12, no. 3, pp. 1-16. doi: 10.3390/rs12030408.

Lechner, A. M., Foody, G. M., Boyd, D. S. (2020). Applications in Remote Sensing to Forest Ecology and Management. One Earth, 2(5), pp. 405-412. doi: 10.1016/j.oneear.2020.05.001.

Maataoui, S., Bencheikh, G., Bencheikh, G. (2023). Predictive Maintenance in the Industrial Sector: A CRISP-DM Approach for Developing Accurate Machine Failure Prediction Models, in 2023 Fifth International Conference on Advances in Computational Tools for Engineering Applications (ACTEA). Lebanon, IEEE, pp. 223-227. doi: 10.1109/ACTEA58025.2023.10193983.

Manning, C. B., Vallyathan, V., Mossman, B. T. (2002). Diseases caused by asbestos: mechanisms of injury and disease development. Int. Immunopharmacol., 2(2-3), pp. 191-200. doi: 10.1016/S1567-5769(01)00172-2.

Moharram, M. A., Sundaram, D. M. (2025). Spectral-Spatial hyperspectral image classification based on hybrid of archimedes optimization algorithm and genetic algorithm with bitonic filter. Infrared Phys. Technol., 147, p. 105788. doi: 10.1016/j.infrared.2025.105788.

Mossman, B., Churg, A. (1998). Mechanisms in the Pathogenesis of Asbestosis and Silicosis. Am. J. Respir. Crit. Care Med., 157(5), pp. 1666-1680. doi: 10.1164/ajrccm.157.5.9707141.

Musk, A. W., Klerk, N. de, Reid, A., Hui, J., Franklin, P., Brims, F. (2020). Asbestos-related diseases. Int. J. Tuberc. Lung Dis., 24(6), pp. 562-567. doi: 10.5588/ijtld.19.0645.

Nansen, C., Elliott, N. (2016). Remote Sensing and Reflectance Profiling in Entomology. Annu. Rev. Entomol., 61(1), pp. 139-158. doi: 10.1146/annurev-ento-010715-023834.

Navalgund, R., Jayaraman, V., Roy, P. S. (2007). Remote sensing applications: An overview. Curr. Sci., 93, pp. 1747-1766.

Ortega, S., Fabelo, H., Iakovidis, D., Koulaouzidis, A., Callico, G. (2019). Use of Hyperspectral/Multispectral Imaging in Gastroenterology. Shedding Some–Different–Light into the Dark. J. Clin. Med., 8(1), pp. 1-21. doi: 10.3390/jcm8010036.

Ortega, S., Halicek, M., Fabelo, H., Callico, G. M., Fei, B. (2020). Hyperspectral and multispectral imaging in digital and computational pathology: a systematic review [Invited]. Biomed. Opt. Express, 11(6), pp. 3195-3233. doi: 10.1364/BOE.386338.

Park, B. (2016). Future Trends in Hyperspectral Imaging. NIR news, 27(1), pp. 35-38, doi: 10.1255/nirn.1583.

Pentru, C., Nigeriene, L. (2012). Computer Assisted Language Learning (CALL): Its Prospects and Consequences for Nigerian Languages. Studii şi cercetări filologice, 13, pp. 82-204.

Pizzolante, R., Carpentieri, B. (2017). Hyperspectral Data: Efficient and Secure Transmission. Algorithms, 10(4), pp.1-11. doi: 10.3390/a10040132.

Recio, G., Martin, E., Estebanez, C., Saez, Y. (2012). AntBot: Ant colonies for video games. IEEE Trans. Comput. Intell. AI Games, 4(4), pp. 295-308. doi: 10.1109/TCIAIG.2012.2212194.

Ruiz Hidalgo, D., Bacca Cortés, B., Caicedo Bravo, E. (2021). Dimensionality reduction of hyperspectral images of vegetation and crops based on self-organized maps. Inf. Process. Agric., 8(2), pp. 310–327, Jun. 2021, doi: 10.1016/j.inpa.2020.07.002.

Shimaoka, A. M., Ferreira, R. C., Goldman, A. (2024). The evolution of CRISP-DM for Data Science: Methods, Processes and Frameworks. SBC Rev. Comput. Sci., 4(1), pp. 28-43. doi: 10.5753/reviews.2024.3757.

Song, W., Zhang, X., Yang, G., Chen, Y., Wang, L., Xu, H. (2024). A Study on Dimensionality Reduction and Parameters for Hyperspectral Imagery Based on Manifold Learning. Sensors, 24(7), pp. 1-40. doi: 10.3390/s24072089.

Taşkın, G., Kaya, H., Bruzzone, L. (2017). Feature Selection Based on High Dimensional Model Representation for Hyperspectral Images. IEEE Trans. Image Process., 26(6), pp. 2918-2928. doi: 10.1109/TIP.2017.2687128.

Torres Galindo, A. K., Gómez Rivera, A. F., Jiménez López, A. F. (2015). Desarrollo de un sistema multiespectral para aplicaciones en agricultura de precisión usando dispositivos embebidos. Sist. y Telemática, 13(33), pp. 27-44. doi: 10.18046/syt.v13i33.2079.

Verhoeven, G. (2018). Multispectral and Hyperspectral Imaging, in The Encyclopedia of Archaeological Sciences, pp. 1-4, Wiley. doi: 10.1002/9781119188230.saseas0395.

Wang, Z., Ma, Y., Zhang, Y., Shang, J. (2022). Review of Remote Sensing Applications in Grassland Monitoring. Remote Sens., 14(12), pp. 1-40. doi: 10.3390/rs14122903.

Wellmann, T., Lausch, A., Andersson, E., Knapp, S., Cortinovis, C., Jache, J., Scheuer, S., Kremer, P., Mascarenhas, A., Kraemer, R., Haase, A., Schug, F., Haase, D. (2020). Remote sensing in urban planning: Contributions towards ecologically sound policies? Landsc. Urban Plan., 204, pp. 1-13. doi: 10.1016/j.landurbplan.2020.103921.

Yu, T. T., Lin, Y.-C., Lan, S.-C., Yang, Y.-E., Wu, P.-Y., Lin, J.-C. (2022). Mapping Asbestos-Cement Corrugated Roofing Tiles with Imagery Cube via Machine Learning in Taiwan. Remote Sens., 14(14), pp.1-14. doi: 10.3390/rs14143418.

Yun, Z., Weihua, L., Yang, C. (2014). Applying balanced scordcard strategic performance management to CRISP-DM, in 2014 International Conference on Information Science, Electronics and Electrical Engineering, Sapporo, IEEE, pp. 2009–2014. doi: 10.1109/InfoSEEE.2014.6946275.

Zhao, J., Hu, L., Dong, Y., Huang, L. (2021). Hybrid Dense Network with Dual Attention for Hyperspectral Image Classification. Remote Sens., 13(23), pp. 1-22. doi: 10.3390/rs13234921.

Zhu, Y., Myint, S. W., Cao, J., Liu, K., Zeng, M., Diao, C. (2025). Evaluating multitemporal vegetation indices from Zhuhai-1 hyperspectral images for detecting a rapidly spreading invasive species - Spartina alterniflora. Ecol. Inform., p. 1-12, doi: 10.1016/j.ecoinf.2025.103208.

Estadísticas

Resumen
0
Accesos al PDF
0

Dimensions

PlumX

Descargas

Los datos de descarga aún no están disponibles.