بکارگیری پردازش تصویر دیجیتال در تعیین ویژگی های فیزیکی بذر مصنوعی ارکیده با مقایسه بین مدل های مختلف شبکه عصبی مصنوعی و روش سطح پاسخ

تکنولوژی بذر مصنوعی یک فناوری در حال رشد در حوزه بیوتکنولوژی گیاهی است که پتانسیل قابل توجهی برای تکثیر و محافظت از گونه های نادر و در معرض خطری را دارد که ازدیاد آن ها به روش معمول مشکل است. در این مطالعه، از نرم افزار Image J برای پردازش تصویر دیجیتال کپسوله ها و تعیین درصد کرویت، حجم کپسوله ها و شاخص مرکزیت پروتوکورم در بذر مصنوعی استفاده شد. عملکرد شبکه های مصنوعی MLP و RBF و روش سطح پاسخ (RSM) برای پیش بینی و بهینه-سازی ویژگی های فیزیکی بذر مصنوعی ارکیده فالانوپسیس، بر اساس مجموع مربعات خطا (SSE) و ضریب همبستگی (R) برای هر متغیر خروجی مقایسه شد. غلظت های مختلف آلژینات سدیم (۳، ۴ و ۵ درصد)، کلرید کلسیم (۱۰۰، ۱۲۵ و ۱۵۰ میلی مولار) و ارتفاع سقوط قطره (۱، ۵/۱ و ۲ سانتی متر)، به عنوان متغیرهای ورودی و درصد کرویت، حجم کپسوله ها و شاخص مرکزیت پروتوکورم به عنوان متغیرهای خروجی مدل در نظر گرفته شدند. نتایج نشان داد که پردازش تصویر یک روش موثر برای تعیین ویژگی های فیزیکی بذر مصنوعی است. متغیرهای ورودی در سطح احتمال ۵ درصد رابطه مثبت و معنی داری با هر سه متغیر خروجی داشتند. طبق نتایج به دست آمده شبکه عصبی MLP از نظر قابلیت های پیش بینی و مدل سازی آن در مقایسه با مدل های RBF و RSM برتری قابل توجهی نشان داد. شرایط بهینه برای پیش بینی درصد کرویت، حجم کپسوله ها و شاخص مرکزیت پروتوکورم، به ترتیب با بیشترین ضرایب همبستگی ۷۹/۰، ۵۷/۰و ۶۷/۰ و حداقل مجموع مربعات خطای ۰۰۱۴/۰، ۰۰۳۱/۰ و ۰۰۴۲/۰ در ساختارهای MLP ۳-۱۴-۱، MLP ۳-۱۰-۱ و MLP ۳-۱۴-۱ انتخاب شد. نتایج نشان داد که شبکه عصبی مصنوعیMLP ابزاری مناسب جهت پیش بینی و بهینه سازی ویژگی های فیزیکی بذر مصنوعی ارکیده فالانوپسیس است.

بکارگیری پردازش تصویر دیجیتال در تعیین ویژگی های فیزیکی بذر مصنوعی ارکیده با مقایسه بین مدل های مختلف شبکه عصبی مصنوعی و روش سطح پاسخ Keywords:

کپسوله سازی , پروتوکورم , نرم افزار Image J , ANN و RSM