Apprendimento automatico applicato alla spettroscopia Raman di gas per la sorveglianza biologica

Traditional microbiological detection methods used in dairy industries to detect spores are time-consuming and limited in efficiency and sensitivity. According to the fermentative butyric acid production, carbon dioxide and hydrogen are also produced as byproducts during fermentation. A multi-gas sensor based on Raman spectroscopy has been proposed for the measurement of CO2 and H2 concentration in the vials headspace, as the presence of these gases indicates contamination by bacteria. The proposed instrument will be equipped with a loader for the automated measurement of several test tubes and with a stepper motor that allows the single tube to rotate. The objective of this thesis is to develop the software of the instrument that controls the rotation of the test tube, which is done to find positions in which the acquired spectrum is not degraded by fluorescence and other artefacts related to glass defects. Through image processing and machine learning algorithms, a possible solution (developed with tubes containing air) is proposed for the automatic control of the tube rotation to maximize measurement accuracy.

I metodi di rilevamento microbiologico tradizionali utilizzati nelle industrie lattiero-casearie per rilevare le spore richiedono molto tempo e sono limitati in termini di efficienza e sensibilità. Secondo la produzione fermentativa di acido butirrico, durante la fermentazione vengono prodotti anche anidride carbonica e idrogeno come sottoprodotti. È stato proposto un sensore multigas basato sulla spettroscopia Raman per la misurazione della concentrazione di CO2 e H2 nello spazio di testa delle fiale, poiché la presenza di questi gas indica la contaminazione da batteri. Lo strumento proposto sarà dotato di un caricatore per la misura automatizzata di più provette e di un motore passo-passo che permette la rotazione della singola provetta. L'obiettivo di questa tesi è quello di sviluppare il software dello strumento che controlla la rotazione della provetta, che serve a trovare posizioni in cui lo spettro acquisito non sia degradato da fluorescenza e altri artefatti legati a difetti del vetro. Attraverso l'elaborazione di immagini e algoritmi di machine learning, viene proposta una possibile soluzione (sviluppata con tubi contenenti aria) per il controllo automatico della rotazione del tubo per massimizzare la precisione di misura.