Proposal of a computational method for asbestos detection in hyperspectral images based on the identification of prominent peaks in the spectral signature

• Chanchí-Golondrino, Gabriel Elías ^[1] ; Ospina-Alarcón, Manuel Alejandro ^[1] ; Saba, Manuel ^[1]
  1. [1] Universidad de Cartagena

     Universidad de Cartagena

     Colombia

     
• Localización: Revista de Investigación Desarrollo e Innovación: RIDI, ISSN 2027-8306, ISSN-e 2389-9417, Vol. 15, Nº. 1, 2025 (Ejemplar dedicado a: Enero-Junio), pág. 2
• Idioma: inglés
• Títulos paralelos:
  • Proposal of a computational method for asbestos detection in hyperspectral images based on the identification of prominent peaks in the spectral signature
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este estudio propone un método computacional para detectar asbesto en imágenes hiperespectrales. La metodología incluye cinco fases: selección de píxeles de muestra y obtención del píxel característico, determinación de los picos prominentes de la curva espectral, implementación del método con definición de umbrales de referencia, aplicación del método a imágenes de prueba, y evaluación comparativa de efectividad y eficiencia. El método identifica píxeles de asbesto calculando la distancia euclidiana entre los picos prominentes de las curvas espectrales. Los resultados muestran que no hay traslape entre las distancias máximas de píxeles de asbesto y las mínimas de no asbesto, logrando detectar el 11.87% de píxeles de asbesto en la imagen de prueba. Aunque el método de correlación es 1.02% más rápido, la diferencia es mínima. Este método puede ser aplicado a otros materiales y contribuye al diagnóstico urbano de materiales peligrosos como el asbesto.

  • English

    This study proposes a computational method for asbestos detection in hyperspectral images. The methodology consists of five phases: selection of sample pixels and identification of the characteristic pixel, determination of prominent peaks in the spectral curve, method implementation with reference threshold definition, application to test images, and comparative evaluation of effectiveness and efficiency. The method identifies asbestos pixels by calculating the Euclidean distance between the prominent peaks of spectral curves. Results show no overlap between maximum distances of asbestos pixels and minimum distances of non-asbestos pixels, detecting 11.87% of asbestos pixels in the test image. Although the correlation method is 1.02% faster, the difference is negligible. This method can be extrapolated to other materials with similar spectral features, contributing to urban diagnostics of hazardous materials like asbestos.