Analisi di segnali a microonde: tecniche di Machine Learning per la rilevazione dei contaminanti alimentari = Microwave signals analysis: Machine Learning techniques for the detection of food contaminants

Il rilevamento di agenti contaminanti nei cibi in barattolo è sempre più importante per il mercato alimentare, per salvaguardare la salute del consumatore e per preservare la qualità del prodotto. Molte tecniche possono essere utilizzate oggi per verificare l’assenza dei corpi estranei e, in particolare, l’utilizzo di tecnologie e segnali a microonde permette di lavorare in maniera non invasiva e sicura sulla catena di confezionamento; studi precedenti hanno dimostrato la possibilità di utilizzare reti neurali per discriminare con precisione i casi contaminati da quelli sicuri. Questa tesi si pone l’obiettivo di semplificare il circuito di rilevazione, cercando delle soluzioni per ridurre la quantità di informazioni da acquisire per l’addestramento senza però penalizzare le prestazioni già raggiunte: in particolare, è valutata la possibilità di utilizzare solo il modulo dei parametri di diffusione anziché le originali informazioni di parte reale e parte immaginaria. In un primo momento sono analizzati i risultati relativi alla singola frequenza di 10 GHz, ideale per barattoli di crema di cioccolato o olio di cartamo: in questo caso, le prestazioni raggiunte dimostrano la validità dell’ipotesi, ma l’accuratezza del sistema dipende in modo eccessivo dalle condizioni con le quali sono effettuate le misurazioni. Sono quindi analizzati i segnali acquisiti in un range di frequenza più ampio, tra 9 GHz e 11 GHz: aumentando le features di ogni esempio è possibile generalizzare le prestazioni, superando con tutti i dataset l’accuratezza del 99%. Il lavoro si conclude con lo studio di una possibile implementazione hardware: il sistema, progettato scegliendo dei componenti discreti, è in grado di calcolare i parametri di scattering attraverso delle misure di potenza ed è simulato per poter essere utilizzato in applicazioni future.