بكارگيري پردازش تصوير ديجيتال در تعيين ويژگي هاي فيزيكي بذر مصنوعي اركيده با مقايسه بين مدل هاي مختلف شبكه عصبي مصنوعي و روش سطح پاسخ

فناوري بذر مصنوعي يك فناوري در حال رشد در حوزه زيست فناوري گياهي است كه قابليت قابل توجهي براي تكثير و محافظت از گونه هاي نادر و در معرض خطري را دارد كه ازدياد آن ها به روش معمول مشكل است. در اين مطالعه، از نرم افزار Image J براي پردازش تصوير ديجيتال كپسوله ها و تعيين درصد كرويت، حجم كپسوله ها و شاخص مركزيت پروتوكورم در بذر مصنوعي استفاده شد. عملكرد شبكه هاي مصنوعي MLP و RBF و روش سطح پاسخ (RSM) براي پيش بيني و بهينه‌سازي ويژگي هاي فيزيكي بذر مصنوعي اركيده فالانوپسيس، بر اساس مجموع مربعات خطا (SSE) و ضريب همبستگي (R) براي هر متغير خروجي مقايسه شد. غلظت هاي مختلف آلژينات سديم (3، 4 و 5 درصد)، كلريد كلسيم (100، 125 و 150 ميلي مولار) و ارتفاع سقوط قطره (1، 1/5 و 2 سانتي متر)، به عنوان متغيرهاي ورودي و درصد كرويت، حجم كپسوله ها و شاخص مركزيت پروتوكورم به عنوان متغيرهاي خروجي مدل در نظر گرفته شدند. نتايج نشان داد كه پردازش تصوير يك روش موثر براي تعيين ويژگي هاي فيزيكي بذر مصنوعي است. متغيرهاي ورودي در سطح احتمال 5 درصد رابطه مثبت و معني داري با هر سه متغير خروجي داشتند. طبق نتايج به دست آمده شبكه عصبي MLP از نظر قابليت هاي پيش بيني و مدل سازي آن در مقايسه با مدل هاي RBF و RSM برتري قابل توجهي نشان داد. شرايط بهينه براي پيش بيني درصد كرويت، حجم كپسوله ها و شاخص مركزيت پروتوكورم، به ترتيب با بيشترين ضرايب همبستگي 0/79، 0/57و 0/67 و حداقل مجموع مربعات خطاي 0/0014، 0/0031 و 0/0042 در ساختارهاي MLP 3-14-1، MLP 3-10-1 و MLP 3-14-1 انتخاب شد. نتايج نشان داد كه شبكه عصبي مصنوعي MLP ابزاري مناسب جهت پيش بيني و بهينه سازي ويژگي هاي فيزيكي بذر مصنوعي اركيده فالانوپسيس است.