In this thesis, the problem of microplastics classification was addressed through an integrated approach between Raman spectroscopy and machine learning. After an introduction to the physical, environmental and health phenomena related to microplastic contamination, an experiment was developed that combines spectral analysis of real samples from household waste with supervised machine learning models. In particular, an optimised SVM classifier was used on a dataset of over 11,000 Raman spectra, achieving an accuracy of over 99%. The interpretation of results was supported by visualisation techniques (PCA, t-SNE) and an analysis of spectroscopic contributions to model decisions. The work highlights the potential of artificial intelligence in the rapid and reliable classification of microplastics, with application perspectives in environmental and analytical fields.

Nella questa tesi è stato affrontato il problema della classificazione delle microplastiche domestiche attraverso un approccio integrato tra spettroscopia Raman e Machine Learning. Dopo un’introduzione ai fenomeni fisici, ambientali e sanitari legati alla contaminazione da microplastiche, è stato sviluppato un esperimento che combina l’analisi spettrale di campioni reali provenienti da rifiuti domestici con modelli di machine learning supervisionato. In particolare, è stato utilizzato un classificatore SVM ottimizzato su un dataset di oltre 11.000 spettri Raman, ottenendo un’accuratezza superiore al 99%. L’interpretazione dei risultati è stata supportata da tecniche di visualizzazione (PCA, t-SNE) e da un’analisi dei contributi spettroscopici alle decisioni del modello. Il lavoro evidenzia le potenzialità dell’intelligenza artificiale nella classificazione rapida e affidabile di microplastiche, con prospettive applicative in ambito ambientale e analitico.

Understanding and Classifying Domestic Microplastics through Raman Spectroscopy and Machine Learning

CANEVARI, SIMONE
2024/2025

Abstract

In this thesis, the problem of microplastics classification was addressed through an integrated approach between Raman spectroscopy and machine learning. After an introduction to the physical, environmental and health phenomena related to microplastic contamination, an experiment was developed that combines spectral analysis of real samples from household waste with supervised machine learning models. In particular, an optimised SVM classifier was used on a dataset of over 11,000 Raman spectra, achieving an accuracy of over 99%. The interpretation of results was supported by visualisation techniques (PCA, t-SNE) and an analysis of spectroscopic contributions to model decisions. The work highlights the potential of artificial intelligence in the rapid and reliable classification of microplastics, with application perspectives in environmental and analytical fields.
2024
Understanding and Classifying Domestic Microplastics through Raman Spectroscopy and Machine Learning
Nella questa tesi è stato affrontato il problema della classificazione delle microplastiche domestiche attraverso un approccio integrato tra spettroscopia Raman e Machine Learning. Dopo un’introduzione ai fenomeni fisici, ambientali e sanitari legati alla contaminazione da microplastiche, è stato sviluppato un esperimento che combina l’analisi spettrale di campioni reali provenienti da rifiuti domestici con modelli di machine learning supervisionato. In particolare, è stato utilizzato un classificatore SVM ottimizzato su un dataset di oltre 11.000 spettri Raman, ottenendo un’accuratezza superiore al 99%. L’interpretazione dei risultati è stata supportata da tecniche di visualizzazione (PCA, t-SNE) e da un’analisi dei contributi spettroscopici alle decisioni del modello. Il lavoro evidenzia le potenzialità dell’intelligenza artificiale nella classificazione rapida e affidabile di microplastiche, con prospettive applicative in ambito ambientale e analitico.
File in questo prodotto:
File Dimensione Formato  
Tesi_Magistrale_Canevari_Simone_PDFA.pdf

accesso aperto

Descrizione: Documento di testo della tesi di Canevari Simone
Dimensione 26.07 MB
Formato Adobe PDF
26.07 MB Adobe PDF Visualizza/Apri

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/29861