عنوان پایان‌نامه
ساخت و ارزیابی یک سامانه هوشمند تشخیص تقلبی بودن روغن زیتون به کمک فناوری های ماشین بینایی و حسگر خازنی
- رشته تحصیلی
- مهندسی مکانیک بیوسیستم - فناوری پس از برداشت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6763;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72961;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6763;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72961
- تاریخ دفاع
- ۱۲ اسفند ۱۳۹۴
- دانشجو
- مهدی رشوندآوئی
- استاد راهنما
- محمود امید
- چکیده
- روغن‌زیتون یکی از محصولات مهم ازلحاظ تغذیه‌ای و اقتصادی در ایران هست که سالانه ارزش اقتصادی بالایی برای کشور حاصل می‌نماید. تولید روغن‌زیتون به دلیل فرآیند پیچیده‌ای که دارد بسیار پرهزینه است و همین مسئله موجب بالاتر رفتن قیمت تمام‌شده این محصول می‌شود. قیمت‌های بالای روغن‌زیتون انگیزه لازم را برای ورود سودجویان به این بازار فراهم کرده است. عمده‌ترین روش سوءاستفاده هم مخلوط کردن روغن‌هایی مانند روغن‌های گیاهی ذرت، کلزا، آفتابگردان و سویا به روغن خالص زیتون است و یا روغن تفاله زیتون را وارد روغن‌زیتون‌های تصفیه‌شده می‌کنند. لذا هدف اصلی و کلی این تحقیق ساخت و ارزیابی یک سامانه قابل‌حمل هوشمند به‌منظور تشخیص تقلب روغن‌زیتون به کمک تلفیق فناوری‌های ماشین بینایی و حسگر خازنی است. دستگاه طراحی‌شده از بدنه، منبع تغذیه، واحد مولد سیگنال، واحد اندازه¬گیری پارامترهای دی¬الکتریک، میکروکنترلر AVR، واحد ارتباط با کامپیوتر، حسگر خازنی استوانه ای، نمایشگر، کارت تصویرگیر، دوربین و واحد نورپردازی تشکیل شده است. به‌منظور طبقه‌بندی و مدلسازی نمونه های روغن‌زیتون تقلبی و اصل با استفاده از ویژگیهای فرکانسی و رنگ، از تکنیک های آنالیز مؤلفه‌های اصلی(PCA)، تحلیل تفکیک خطی (LDA) و شبکه عصبی مصنوعی استفاده شد. برای ارزیابی از 15 نمونه روغن‌زیتون،آفتابگردان و کلزا که شامل درصدهای متفاوت اختلاط آن‌هاست استفاده گردید. نتایج ارزیابی‌ها نشان داد که دستگاه به‌خوبی قادر است اکثر نمونه‌ها را در بحث تقلب تشخیص دهد. در اینجا آزمایش ها برای هر نمونه با 25 تکرار انجام شد که البته مواردی نیز در این نتایج مشاهده گردید که با اختلاف خیلی کمی دارای خطا بود. در میان داده‌های موجود بیشترین خطا مربوط به نمونه‌ای است که حاوی 60 درصد روغن‌زیتون و 40 درصد روغن کلزا است که مجموعاً 7 تکرار را به‌صورت صحیح نتوانست تشخیص دهد. همچنین در رابطه با شاخص‌های دقت، اختصاصی بودن و حساسیت نیز دستگاه به‌طور مشابه دارای کمترین خطا است که نمونه‌ای که مربوط به مخلوط 60 درصد روغن‌زیتون و 40 درصد روغن کلزا است، با داشتن مقدار حساسیت 100، اختصاصی بودن 98 و دقت 72 ضعیف‌ترین نتیجه را نشان داد که این نتیجه بیانگر این است که تکنیک به کاررفته برای کلیه موارد برای این نمونه به‌درستی عمل نکرده اند. درنهایت با توجه به مقادیر جداول مربوط به شاخص های آماری حساسیت، اختصاصی بودن و دقت، میانگین دقت کل برای کلیه نمونه‌ها 97 درصد به‌دست‌آمد. پس از ارزیابی توسط ویژگی دی الکتریک ماده به استخراج ویژگیهای رنگی توسط سیستم بینایی ماشین به منظور پیش بینی غلظت ناخالصی در روغن زیتون پرداخته شد. برای این منظور شبکه های عصبی مصنوعی با یک لایه مخفی با تعداد نرون های متفاوت (از 4 تا 20) طراحی و مورد ارزیابی قرار گرفتند. بهترین شبکه با ساختار 1-6-36 برای پیش بینی نمونه های مخلوط شده زیتون و آفتابگردان مقادیر ضریب همبستگی و میانگین مربعات خطا را به ترتیب 944/0 و 006/0 ارائه داد. همچنین بهترین شبکه با ساختار 1-10-36 برای پیش بینی نمونه های مخلوط شده زیتون و کلزا مقادیر ضریب همبستگی و میانگین مربعات خطا را به ترتیب 946/0 و 0003/0 ارائه داد. در گام نهایی از ترکیب ویژگی های دی الکتریک و رنگی به منظور مدل¬سازی مسئله استفاده گردید. مقادیر ضریب همبستگی و میانگین مربعات خطا برای نمونه های مخلوط شده زیتون و آفتابگردان برابر 962/0 و 008/0 با ساختار 1-2-38 و برای نمونه های مخلوط شده زیتون و کلزا مقادیر 961/0 و 0013/0 با ساختار 1-16-38 حاصل شد. این نتایج نشان دهنده موفق بودن مدلسازی با ترکیب ویژگی های دی¬الکتریک و رنگی بوده است. واژه‌های کلیدی: زیتون، تقلب ¬، دی¬الکتریک، ماشین ¬بینایی، شبکه عصبی
- Abstract
- Olive oil, is one the most important agricultural crop due to its digestive and economical properties, which yields high economic values for the country. Olive oil production due to its complex production process, is a costly process which causes higher prices in end-user product. The most jobbery ways during its production are consist of mixing other oils such as maize, sunflower, and soy oil into olive oil. So, the main goal of this study, is to devise a portable device which can detect any deception using machine vision and capacitive sensor techniques. This device consists of: Chassis, power supply, sine signal generation unit, di-electric measurement parameters unit, AVR microcontroller, single PC connection (Port COM), a capacitive sensor, display, capture card, camera and lighting unit. For categorizing of fake olive oil by using frequency specification, Principal Component Analysis (PCA) and Linear discriminant analysis (LDA) have been employed. For evaluation purposes, a set of 15 samples of olive, sunflower and Canola oil which mixed in deferent combination, have been used. Assessment results, shows that, this device has a good capability for detecting impurities in olive oil. During test process, for each sample, 25 iteration has been employed. Regarding results, highest error rate was for a sample containing 60% olive oil, 40% canola oil. In general, 7 iteration failed to be properly diagnosed. Regarding for accuracy indexes, specialness and Sensitivity, this device has the minimum error for a mixed sample (60% olive oil, 40% canola oil), specialness was 100 and sensitivity was 98, yielded accuracy was 72, which was the weakest result. This finding showed us all the samples which have this combination, would be failed during the test. Finally regarding mean value table for all the sample, accuracy reached to 97%. After evaluation of the developed system based on dielectric properties of olive oil, color properties of the material was extracted to predict adulterated concentration into the olive oil. For this purpose different neural networks with various neuron in hidden layer (4-20) was designed and evaluated. the best neural network had structure of 36-6-1 for prediction of adulterated olive oil with sunflower oil.By using neural network techniques, the correlation coefficient and least square error for mixed sample (olive & sunflower) was 0.944 and 0.006, respectively and for mixed sample (olive & canola) was 0.946 and 0.003, respectively. In the final step, a combination of frequency and color properties in order to modeling, was used. In this way, the correlation coefficient and least square error for mixed sample (olive & sunflower) was 0.962 and 0.008, for the best structure of neural network (38-2-1) and for mixed sample (olive & canola) was 0.961 and 0.0013 for the structure of 38-16-1 neural network. Obtained results also showed that this device has acceptable adulterated detection in olive oil based on dielectric and colour properties. Keywords: olive oil, adulterated oil, dielectric property, vision machine, neural network
