Evaluation of microplastic classifiers using linear hyperspectral mixture images

Abstract

Hyperspectral images of microplastic samples can, under certain conditions, contain mixed spectra, for example when the resolution of the imaging instrument is lower than the particle dimensions. This work presents a tool for the evaluation of the performance of a microplastic classifier when faced with spectral mixtures and noisy data. Linear hyperspectral mixture images comprising mixed spectra with varying amounts of added noise are created from two selected spectra and subsequently classified. The classified mixture images are translated into features that facilitate the analysis of the classifier under examination. Among these features are the parameters defining the logistic function, that fits the response values of a classified mixture image at a particular noise level. Three random forest classifiers with different training sets and features were evaluated. Two of them use manually selected spectral descriptors (SPDCs) as features, while the last classifier works with automatically selected SPDCs. One of the first two classifiers, named experts classifier, was trained on a significantly larger training set compared to the other two. The experiments conducted suggest that the features "offset" and "midpoint", describing logistic function parameters, capture the behavior of a classifier applied to mixture images best. The results of the experiments covering the experts classifier revealed discrepancies in the performance of the individual binary classifiers.PAN showed much more rapid deterioration of the classifier responses with increasing noise level compared to ABS and PS. The classifiers using the manually chosen features showed comparable or better performance for mixtures of polymer and non-polymer spectra with the exception of EVOH and PE. Here the automatically selected features facilitate better separation despite similarities in the spectra of EVOH, PE and non-polymers.

Hyperspektrale Bilder von Mikroplastikproben können unter gewissen Umständen Mischspektren enthalten, beispielsweise wenn die laterale Auflösung eines Mikroskops nicht für die Erkennung der einzelnen Partikel ausreicht. Diese Arbeit präsentiert eine Methode zur Evaluierung der Performance von Mikroplastik-Klassifikatoren in Hinblick auf gemischte und verrauschte Spektren. Lineare hyperspektrale Mischbilder enthalten unterschiedlich stark verrauschte Mischungen von zwei selektierten Spektren. Die Evaluierung der Klassifikatoren basiert auf verschiedenen Merkmalen, die aus den klassifizierten Mischbildern berechnet werden. Teil dieser Merkmale sind unter anderem die Parameter der logistischen Funktion die eine Zeile eines klassifizierten Mischbildes am besten approximiert. Drei Random Forests mit verschiedenen Merkmalen und unterschiedlich großen Trainingssets wurden evaluiert. Zwei verwenden spektrale Deskriptoren (SPDCs) als Merkmale, die manuell ausgewählt wurden. Der dritte arbeitet mit einem Set aus automatisch selektierten SPDCs. Einer der Random Forests mit manuell gewählten Features wurde auf einem wesentlich größeren Trainingsdatensatz erzeugt als die anderen. Dieser wird folglich als "Experten-Klassifikator" bezeichnet. Die Merkmale "offset" und "midpoint" beschreiben Parameter logistischer Funktionen und konnten das Verhalten von Klassifikatoren bei der Anwendung auf Mischbilder am besten wiedergeben. Die Untersuchung des "Experten-Klassifikators" zeigte Unterschiede in den einzelnen binären Klassifikatoren auf. So fiel die Antwort des PAN Klassifikators wesentlich schneller mit steigender Amplitude des Rauschens im Vergleich zu ABS und PS. Die auf den manuell selektierten SPDCs basierenden Klassifikatoren erzielten mit Ausnahme von EVOH und PE die besseren Ergebnisse. Bei letzteren konnten die automatisch ausgewählten Merkmale die Klassen EVOH, PE und Non-Polymer trotz Ähnlichkeiten in den Spektren besser voneinander unterscheiden.