Identification of microplastics in the environment and detection of impurities in coffee by near-infrared hyperspectral imaging (HSI-NIR) and chemometrics

Orientador: Celio Pasquini Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Química Resumo: Imageamento hiperespectral na região do infravermelho próximo (HSI-NIR) e modelos de classificação foram empregados para a detecção de impurezas ou contaminantes em nível micro e milimétrico com mínimo preparo de amostra, como alternativa aos métodos mais trabalhosos e subjetivos comumente usados em dois tópicos de relevância social e técnico-científica. O primeiro tópico está relacionado à preocupação global da poluição por microplásticos (MP), demandando o desenvolvimento de método analíticos. Modelos quimiométricos foram desenvolvidos por Modelagem Independente por Analogia de Classe (SIMCA) para identificar MP das classes polietileno (PE), polipropileno (PP), poliamida-6 (PA), tereftalato de polietileno (PET) e poliestireno (PS) em areia de praia com mínimo preparo de amostra. Um conjunto de dados espectrais abrangentes, incluindo aqueles de polímeros prístinos, formulados e degradados, foi usado para construir os modelos. A sensibilidade e especificidade dos modelos foram superiores a 99% para todas as classes. Foram validados com centenas de MP primários e secundários coletados no ambiente. O efeito do tamanho da partícula, cor e degradação na previsão dos modelos são discutidos. O método foi aplicado a amostras ambientais, identificando milhares de partículas sem prévia inspeção visual, o que é uma contribuição para melhorar a produtividade na detecção e confirmação de MP. No segundo tópico é descrita uma proposta de um método rápido para a determinação do máximo permitido de 1% m/m de impurezas em café torrado e moído, realizando análises diretas por HSI-NIR. Foram desenvolvidos quatro modelos de classificação por Análise Discriminante por Mínimos Quadrados Parciais (PLS-DA) para as classes de café e impurezas, obtendo-se de 97 a 99 % de especificidade e sensibilidade para todos os modelos, apesar da similaridade espectral entre as espécies e região espectral ruidosa e nos limites instrumentais da técnica. Os resultados de previsão da classificação foram utilizados para quantificação pela razão entre os pixels da imagem classificados como impurezas e o total de pixels da imagem (Porcentagem de Pixels de Impureza, PPI). Demonstrou-se o efeito de bordas nas interfaces entre espécies de diferentes classes na previsão e contagem de pixels. Embora as impurezas tenham sido identificadas nos mapas químicos, os valores de PPI não se mostraram repetitivos para diferentes amostras com o mesmo teor em massa de impureza e a granulometria do café foi a principal causa. Demonstrou-se limitações em relação ao uso de imagens em análise direta quantitativa de sólidos segregados Abstract: Near-infrared hyperspectral imaging (HSI NIR) and chemometric classification models were applied for the detection of impurities or contaminants at the micro and millimeter level with minimal sample preparation, as an alternative to the more laborious and subjective methods commonly used, in two topics of societal and technical-scientific relevance. The first topic is related to the global concern of microplastic (MP) pollution, and there is the demand for the development of analytical methods to detect them. The use of HSI-NIR combined with Soft Independent Modelling of Class Analogy (SIMCA) is described to automatically identify MP of the classes polyethylene (PE), polypropylene (PP), polyamide 6 (PA), polyethylene terephthalate (PET) and polystyrene (PS) in beach sand with minimum sample preparation. An in-house comprehensive spectral dataset, including from pure to weathered MP, was used to build the classification models. SIMCA sensitivity and specificity were over 99 % for all classes. Models were validated with hundreds of primary and secondary MP collected in the environment. The effect of particle size, color and weathering are discussed. The method was applied to environmental samples, identifying thousands of particles without prior visual sorting, which is a time-efficiency method contribution. The second topic describes the proposal for a fast method for the determination of the maximum allowed 1% w/w of impurities in roasted and ground coffee, through sample direct analysis by HSI-NIR. Four classification models using Partial Least Squares Discriminant Analysis (PLS-DA) were developed for coffee and impurities classes, obtaining from 97 to 99% specificity and sensitivity for all models, despite the spectral similarity between species, noisy spectral region and within the technique instrumental limits. The classification prediction results were used for quantification by the ratio between the image pixels classified as impurities and the total image pixels (Percentage of Impurity Pixels, PPI). The effect of edges at the interfaces between species in predicting and counting pixels of different classes was demonstrated. Although impurities have been identified at the chemical maps, the PPI values were not repetitive for different samples with the same impurity mass content, and coffee granulometry was the main cause. Limitations regarding the use of images in direct quantitative analysis of segregated solids were demonstrated Doutorado Química Analítica Doutora em Ciências CNPQ 465768/2014-8 CAPES 001 FAPESP 2014/50951-4