ارزیابی سامانه تشخیص درصد خلوص بیودیزل پالم توسط فناوری طیف‌سنجی دی‌الکتریکی و ماشین بینایی

بیودیزل یک سوخت پاک و جایگزینی برای دیزل به شمار می‌رود که تنها از منبع های تجدید پذیر مانند روغن‌های گیاهی و حیوانی تهیه می‌شود. از این رو عمده ‌ترین روش سوءاستفاده در این سوخت، مخلوط کردن سوخت‌های ارزان‌قیمت دیگر مانند دیزل به بیودیزل خالص است. بنابراین هدف این پژوهش ارزیابی یک سامانه هوشمند به‌منظور تشخیص درصد خلوص سوخت بیودیزل به کمک تلفیق طیف‌‌سنجی دی‌الکتریک و فناوری پردازش تصویر می‌باشد. به منظور استفاده از فناوری دی‌الکتریک با گذاشتن ماده در بین حسگر خازنی با توجه به محتوای خود، اثرهای گوناگونی روی ظرفیت خازن می‌گذارد. همچنین در راستای بهره‌گیری از ماشین‌بینایی از فناوری پردازش تصویر استفاده شد. بدین منظور تصویر هم زمان با داده‌برداری توسط سامانه دی‌الکتریک گرفته شد و سپس در فضاهای رنگی rgb ، l*a*b* و cmy مورد تجزیه و تحلیل قرار گرفت. به ‌منظور طبقه‌بندی نمونه‌های بیودیزل تقلبی و اصلی با استفاده از ویژگی‌های فرکانسی و رنگی، از فناوری های آنالیز مولفه‌های اصلی، تحلیل جداسازی خطی، درخت تصمیم‌گیری، ماشین بردار پشتیبان و شبکه عصبی مصنوعی استفاده‌ شد. بهترین شبکه با ساختار 36-6-1 برای پیش‌بینی نمونه‌های مخلوط شده بیودیزل پالم و دیزل مقدارهای ضریب همبستگی و میانگین مربعات خطا را به ترتیب 0.944 و 0.006 ارائه داد. در گام پایانی از ترکیب ویژگی های دی‌الکتریک و رنگی به منظور مدل‌سازی مسئله استفاده شد. مقدارهای ضریب همبستگی و میانگین مربعات خطا برای نمونه‌های مخلوط شده بیودیزل و دیزل برابر 0.962 و 0.008 با ساختار 38-2-1 به دست آمد. نتیجه های ارزیابی‌ها نشان می‌دهد که دستگاه طراحی‌شده توانایی تشخیص درصد خلوص سوخت بیودیزل را با دقت بالایی دارا است.

Evaluation of Palm Biodiesel Fraud Detection System by Dielectric Spectroscopy and Machine Vision Techniques

Biodiesel is a clean and alternative fuel for diesel. It produces from renewable sources such as vegetable and animal oils. However, due to the high price of this clean fuel, it is mixed with other inexpensive fuels, such as diesel, and a fraud fuel was sold as a pure one. The purpose of this study is to evaluate an intelligent system for detecting the level of fraud in biodiesel fuels by integrating dielectric spectroscopy and image processing techniques. In order to classify fake biodiesel specimens using frequency and color properties, the principal component analysis, linear discriminant analysis, decision tree, Support vector machine, and Artificial neural network were used. The best network with structure 1636 to predict blended biodiesel palm and diesel samples provided correlation coefficient and mean square error values of 0.944 and 0.006, respectively. In the final step, the combination of dielectric and color properties was used to model the problem. Correlation coefficient and mean squared error values for biodiesel and diesel mixed samples were 0.962 and 0.008 with a structure of 1238. The results of the evaluations show that the designed device has the ability to detect biodiesel fuel fraud with high precision.