عنوان	تشخیص ناخالصی در بنزین به روش تصویر‌برداری فراطیفی
نوع پژوهش	پایان نامه
کلیدواژه‌ها	.
چکیده	بنزین یکی از مهم ترین سوخت‎های فسیلی است که در پیشرانه های اشتعال جرقه ای مورد استفاده قرار می گیرد. این نوع سوخت به ‌طور طبیعی دارای ناخالصی است و یا در‌ هنگام تولید برای بهینه‌سازی و کاهش مضرات به آن افزوده می‌شود؛ اما برخی مواقع موادی از قبیل آب یا گازوئیل به آن افزوده می‌شود. این امر موجب آسیب‌های جدی به پیشرانه‌، محیط زیست، و انسان‌ می‌شود. در حال حاضر بررسی تقلب در آزمایشگاه و به روش های شیمیایی انجام می‌پذیرد که خسته‎کننده، پرهزینه، و نیازمند نیروی انسانی ماهر است. همچنین به واسطه خستگی ذهنی در انجام عمل تکراری جداسازی، روشی غیرمطمئن محسوب می شود. بنابراین توسعه روش های سریع در این راستا مفید می باشد. فناوری پردازش تصویر روشی غیرمخرب، سریع، و دقیق است. جدیدترین روش تصویربرداری در ارزیابی کیفیت محصولات مختلف، تصویربرداری فراطیفی است که اطلاعات طیفی در محدوده فروسرخ نزدیک از طیف الکترومغناطیس به صورت تصاویر چندکاناله ایجاد و با پردازش آن‎ها اطلاعات مفیدی حاصل می‌شود. هدف از تحقیق حاضر تشخیص ناخالصی در بنزین به روش تصویر‌برداری فراطیفی می‌باشد. به این منظور، گازوئیل و آب به طور جداگانه در پنج سطح شامل 0، 1، 3، 6، و 10 درصد در سه تکرار به بنزین اضافه شد. برای تصویربرداری نمونه‌های آزمایشی از سامانه تصویربرداری فراطیفی اسکن خطی با طول موج 950-400 نانومتر استفاده شد. پس از برش ناحیه وسط تصاویر، طول موج های موثر انتخاب و ویژگی‌های مختلفی از کانال‎های تصاویر متناظر با آن طول موج‌ها استخراج شد و سپس ویژگی های کارا انتخاب شدند. طبقه‌بندی تصاویر با و بدون مرحله انتخاب ویژگی توسط روش‎های شبکه عصبی مصنوعی و ماشین بردار پشتیبان انجام گرفت. در حالت بدون انتخاب ویژگی دقت شبکه عصبی مصنوعی برای تشخیص تقلب آب، گازوئیل، و هردو به ترتیب برابر 8/98، 6/95، و 5/97 درصد حاصل شد. در حالت با انتخاب ویژگی، دقت شبکه عصبی مصنوعی به ترتیب برابر 8/98، 8/98، و 5/97 درصد بود. دقت طبقه‌بندی توسط روش ماشین بردار پشتیبان با راهبرد یکی در برابر یکی در تشخیص مواد تقلبی در بنزین بدون انتخاب ویژگی به ترتیب برابر با 5/75، 33/83، و 16/77 درصد و با راهبرد یکی در برابر همه به ترتیب برابر 66/76، 88/78، و 30/75 درصد به دست آمد. در حالت با انتخاب ویژگی، دقت طبقه‌بندی روش ماشین بردار پشتیبان با راهبرد یکی در برابر یکی در تشخیص مواد تقلبی به ترتیب برابر با 47/77، 88/68، و 16/77 درصد و با راهبرد یکی در برابر همه به ترتیب برابر 33/73، 88/68، و 30/75 درصد بود. نتایج تحقیق حاضر نشان داد که الگوریتم طراحی شده به کمک طبقه‎بند مبتنی بر روش شبکه عصبی مصنوعی توانایی بالایی در تشخیص سطوح مختلف تقلب آب و گازوئیل در بنزین را دارد.
پژوهشگران	کامران خیرعلی پور (استاد راهنما)، مهدی نقی نیا (دانشجو)