باکتری لاکتوباسیلوس اسیدوفیلوس یکی از مفیدترین گونه های لاکتوباسیلوس می باشد که به عنوان یک میکرواورگانیسم پروبیوتیک در محصولات لبنی مانند ماست، شیر و بخش هایی از دستگاه گوارش پستانداران نظیر روده انسان دیده می شود. این باکتری گرم مثبت و کاتالاز منفی بوده و بهترین رشد را در دمای °c37 به مدت 72 ساعت در شرایط میکروآئروفیل دارد. باکتری مزبور از جمله باکتری های هموفرمنتاتیو بوده و قادر به تخمیر قندهایی همانند گلوکز، فروکتوز، مانوز، گالاکتوز و غیره می باشد. در این تحقیق سویه های بومی لاکتوباسیلوس اسیدوفیلوس از 20 نمونه از ماست های منطقه شهر بابک کرمان جداسازی گردید. به منظور شناسایی این باکتری از روشهای غیر ملکولی شامل بررسی رشد در دماهای مختلف، بررسی حساسیت یا مقاومت به دیسک های آنتی بیوتیک و بررسی رفتارهای رشدی نسبت به تخمیر قندها، به همراه دو روش ملکولی تکثیر توالی جزئی ژن16s rrna و شناسایی به کمک روش pcr-rflp استفاده گردید. با استفاده از این آزمایشات 12 جدایه لاکتوباسیلوس اسیدوفیلوس خالص سازی گردید که نتایج بدست آمده از آنها با خصوصیات ذکر شده در کتاب باکتری شناسی سیستماتیک روشهای برگی و نمونه شاهد مثبت مطابقت داشت. این اولین گزارش کشوری از جداسازی جدایه های لاکتوباسیلوس اسیدوفیلوس از ماست های بومی شهر بابک کرمان می باشد.

تشخیص راه های تخریب شده در اثر آوار و تعیین درجه ی انسداد آنها به منظور امداد رسانی سریع و بهینه پس از بلایای طبیعی امری حیاتیست. در این تحقیق از یک رویکرد ابتکاری برای تشخیص و ارزیابی راه های تخریب شده به صورت نیمه اتوماتیک استفاده شده است که از تصاویر پیش و پس از زلزله به همراهِ نقشه ی برداری راه ها بهره میجوید. منظور از تخریب و انسداد در این پژوهش؛ آوار حاصل از ساختمانها، حضور خودرو های پارک شده و همچنین درختان شکسته بر سطح راه ها بود که طبیعتا این حضور امر امداد رسانی را با اشکالاتی همراه میکند. ویژگی های مختلفی به منظور طبقه بندی سطح راه ها همچون "شاخص سایه" و "شاخص گیاهی" بکار گرفته شد و سپس از یک الگوریتم ژنتیک برای یافتن ویژگی های بهینه ی فاقد همبستگی و یا خطا استفاده گردید. در این کوشش به منظور دستیابی به دقت کلی بالاتر و تشخیص تخریب بهتر از بین دو طبقه بندی کننده نظارت شده mll و svm و با روش آزمون و خطا؛ طبقه بندی کننده ی ماشین بردار پشتیبان انتخاب شد که نتایج بهتری در تشخیص صحیح پیکسل های تخریب نسبت به طبقه بندی کننده ی بیشترین شباهت داشت. در انتها از یک سیستم استنتاج فازی "ممدانی" و همچنین یک مدل عصبی- فازی برای ارزیابی درجه ی تخریب یک قطعه از یک راه استفاده شد و با تعیین یکسری ضوابط آماری روی تعداد قطعات با درجه تخریب معین در یک راه مشخص؛ میزان تخریب به کل آن راه تعمیم یافت. روش مذکور بر روی تصاویر سنجنده ی quick bird از شهر بم ایران تست شد و نتایج دقت بالای 93 درصد و ضریب کاپای 0.91 را در مرحله ی تشخیص تخریب نشان میدهد. همچنین بیش از 88% و 94% از راه های مورد مطالعه به ترتیب در روش ارزیابی با fis و anfis برچسب تخریب صحیح گرفتند. این درجه از دقت با داده های چشمی و تفسیر بصری توسط اپراتور حاصل شد. همچنین خروجی دیگری به عنوان نقشه ی قطعات مسدود راه ها با قابلیت ارائه به پروژه های امداد رسانی بدست آمد که دقت جزئی تری را نسبت به سایر تحقیقات مشابه که تخریب هر راه را مستقل و بدون ملاحظات توپولوژیک بیان میکردند ارائه نمود. این امر نشان از کارآیی بالای الگوریتم پیشنهادی دارد.