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

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

2 گروه مهندسی بیوسیستم-دانشگاه تربیت مدرس

3 گروه مهندسی ماشین‌های صنایع غذایی، پردیس ابوریحان دانشگاه تهران، تهران، ایران

4 گروه باغبانی، پردیس ابوریحان دانشگاه تهران، تهران، ایران

10.22034/jrmam.2022.10104.544

چکیده

تکنولوژی بذر مصنوعی یک فناوری در حال رشد در حوزه بیوتکنولوژی گیاهی است که پتانسیل قابل توجهی برای تکثیر و محافظت از گونه‌های نادر و در معرض خطری را دارد که ازدیاد آن‌ها به روش معمول مشکل است. در این مطالعه، از نرم‌افزار Image J برای پردازش تصویر دیجیتال کپسوله‌ها و تعیین درصد کرویت، حجم کپسوله‌ها و شاخص مرکزیت پروتوکورم در بذر مصنوعی استفاده شد. عملکرد شبکه‌های مصنوعی MLP و RBF و روش سطح پاسخ (RSM) برای پیش‌بینی و بهینه-سازی ویژگی‌های فیزیکی بذر مصنوعی ارکیده فالانوپسیس، بر اساس مجموع مربعات خطا (SSE) و ضریب همبستگی (R) برای هر متغیر خروجی مقایسه شد. غلظت‌های مختلف آلژینات سدیم (3، 4 و 5 درصد)، کلرید کلسیم (100، 125 و 150 میلی مولار) و ارتفاع سقوط قطره (1، 5/1 و 2 سانتی متر)، به عنوان متغیرهای ورودی و درصد کرویت، حجم کپسوله‌ها و شاخص مرکزیت پروتوکورم به عنوان متغیرهای خروجی‌ مدل در نظر گرفته شدند. نتایج نشان داد که پردازش تصویر یک روش موثر برای تعیین ویژگی‌های فیزیکی بذر مصنوعی است. متغیرهای ورودی در سطح احتمال 5 درصد رابطه مثبت و معنی‌‌داری با هر سه متغیر خروجی داشتند. طبق نتایج به دست آمده شبکه عصبی MLP از نظر قابلیت‌های پیش‌بینی و مدل‌سازی آن در مقایسه با مدل‌های RBF و RSM برتری قابل توجهی نشان داد. شرایط بهینه برای پیش‌بینی درصد کرویت، حجم کپسوله‌ها و شاخص مرکزیت پروتوکورم، به ترتیب با بیشترین ضرایب همبستگی 79/0، 57/0و 67/0 و حداقل مجموع مربعات خطای 0014/0، 0031/0 و 0042/0 در ساختارهای MLP 3-14-1، MLP 3-10-1 و MLP 3-14-1 انتخاب شد. نتایج نشان داد که شبکه‌عصبی مصنوعیMLP ابزاری مناسب جهت پیش‌بینی و بهینه‌سازی ویژگی‌های فیزیکی بذر مصنوعی ارکیده فالانوپسیس است.

کلیدواژه‌ها

عنوان مقاله [English]

Application of digital image processing in determining the physical properties of artificial orchid seeds by comparing different models of artificial neural networks and response surface methodology

چکیده [English]

Artificial seed production is a developing technology in plant biotechnology that provides considerable potential for conserving rare, endangered, and threatened species that are difficult to propagate through conventional propagation methods. In the present investigation, Image J software was used to process the digital image of the capsules and determine the volume, sphericity, and artificial seed centrality index. Response surface methodology (RSM) and artificial neural network (MLP and RBF) were utilized to model, predict and optimize the physical properties of the artificial seed of Phalaenopsis orchid. The training and validation data sets of the studied models were compared using regression  coefficients (R) and sums of squared errors (SSE). Artificial seeds were obtained through encapsulation of Phalaenopsis
orchid protocorm using various levels of sodium alginate concentration (3, 4, and 5%), calcium chloride concentration (100, 125, and 150%), and drop height (1, 1.5, and 2 cm) as input variables. Physical properties of artificial orchid seeds, including (capsule volume, sphericity index (SI), and concentric index (CI)) were considered as output variables. The
results showed that image processing is an effective method for determining the physical properties of artificial seeds. According to the regression models, Results showed that interaction effects of the main factors are positively correlated with volume (p< 0.05). The effects of sodium alginate× calcium chloride concentration were significantly correlated with
the CI index (P< 0.05). In addition, the sphericity value was positively correlated with sodium alginate concentration. In general, based on R2 and SSE values, the MLP model showed a much more accurate prediction than RSM and RBF models in terms of the values R2 and SSE. The optimum condition for volume, sphericity and CI index values was obtained using MLP 3-10-1 (R= 0.79, SSE= 0.0014), MLP 3-14-1 (R= 0.57, SSE= 0.0031) and MLP 3-14-1 (R=0.67, SSE= 0.0042), respectively. It is concluded that the ANN (MLP) is a desirable tool for the prediction and optimization of the physical properties of Phalaenopsis orchid synthetic seed.

کلیدواژه‌ها [English]

  • ANN
  • Encapsulation
  • Image J
  • Protocorm
  • RSM