CN115666225A - 生物制品的受控生长系统 - Google Patents

生物制品的受控生长系统 Download PDF

Info

Publication number
CN115666225A
CN115666225A CN202180035742.6A CN202180035742A CN115666225A CN 115666225 A CN115666225 A CN 115666225A CN 202180035742 A CN202180035742 A CN 202180035742A CN 115666225 A CN115666225 A CN 115666225A
Authority
CN
China
Prior art keywords
quality metric
final quality
biological product
controlled growth
process parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180035742.6A
Other languages
English (en)
Inventor
达马斯·利莫格
瓦迪姆·潘斯基
帕克·穆塞尔曼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nano Electronic Imaging Co ltd
Original Assignee
Nano Electronic Imaging Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nano Electronic Imaging Co ltd filed Critical Nano Electronic Imaging Co ltd
Publication of CN115666225A publication Critical patent/CN115666225A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G31/00—Soilless cultivation, e.g. hydroponics
    • A01G31/02—Special apparatus therefor
    • A01G31/04—Hydroponic culture on conveyors
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G18/00—Cultivation of mushrooms
    • A01G18/40—Cultivation of spawn
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G18/00—Cultivation of mushrooms
    • A01G18/60—Cultivation rooms; Equipment therefor
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G2/00—Vegetative propagation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G31/00—Soilless cultivation, e.g. hydroponics
    • A01G31/02—Special apparatus therefor
    • A01G31/06—Hydroponic culture on racks or in stacked containers
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A01G7/02—Treatment of plants with carbon dioxide
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G31/00—Soilless cultivation, e.g. hydroponics
    • A01G2031/006—Soilless cultivation, e.g. hydroponics with means for recycling the nutritive solution

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mycology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Botany (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Developmental Biology & Embryology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Forests & Forestry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本文提供了一种受控生长系统。受控生长系统包括受控生长环境、控制器、传感器和计算系统。受控生长环境被配置为使生物制品生长。控制器与受控生长环境通信。控制器被配置为管理受控生长环境的过程参数。传感器被配置为在生长过程期间监测生物制品。计算系统与传感器和控制器通信。计算系统被编程为执行用于实现生物制品的期望最终质量度量的操作。

Description

生物制品的受控生长系统
相关申请的交叉引用
本申请要求于2020年6月3日提交的美国申请序列号63/034,027的优先权，其全部内容通过引用并入本文。
技术领域
本公开总体上涉及用于受控生长环境内的生物生长的系统和方法。
背景技术
在许多行业中，生物制品代表了对各种应用具有显著益处的可能替代品。例如，实验室培养或制造的菌丝体具有多种应用，例如对生态更友好且更安全的皮革生产、可生物降解的包装和临时建筑材料、实验室培养的肉类替代品等。类似地，随着采用大麻作为医疗手段的频率越来越高，大麻已显示出提供各种医疗益处。
发明内容
在实施例中，本文公开了受控生长系统。受控生长系统包括控制器、传感器和计算系统。受控生长环境被配置为使生物制品生长。控制器被配置为管理受控生长环境的过程参数。传感器被配置为在生长过程期间监测受控生长环境中的生物制品。计算系统与传感器和控制器通信。计算系统被编程为执行操作。操作包括通过向控制器提供用于受控生长环境的一组初始过程参数来启动生长过程。操作还包括在生长过程期间从传感器接收传感器数据。传感器数据至少包括生物制品的图像。操作还包括基于图像生成生物制品的所预测最终质量度量。所预测最终质量度量代表基于生物制品的当前状态的生物制品在生长过程结束时的最终状态。操作还包括确定生物制品的所预测最终质量度量不在规范最终质量度量的阈值范围内。操作还包括基于该确定生成一组更新后的过程参数，以实现规范最终质量度量。操作还包括向控制器提供该组更新后的过程参数。
在一些实施例中，本文公开了一种用于在受控生长环境中控制生物制品的生长的方法。计算系统通过向受控生长环境的控制器提供一组初始过程参数来启动生物制品在受控生长环境中的生长过程。计算系统在生长过程期间从受控生长环境的传感器接收传感器数据。传感器数据至少包括生物制品的图像。计算系统基于图像生成生物制品的所预测最终质量度量。所预测最终质量度量代表基于生物制品的当前状态的生物制品在生长过程结束时的最终状态。计算系统确定生物制品的所预测最终质量度量不在规范最终质量度量的阈值范围内。计算系统基于该确定生成一组更新后的过程参数，以实现规范最终质量度量。计算系统向控制器提供该组更新后的过程参数。
在一些实施例中，本文公开了用于菌丝体的受控生长系统。受控生长系统包括传感器和计算系统。传感器被配置为在生长过程期间监测受控生长环境中的菌丝体片。计算系统与传感器和受控生长环境通信。计算系统被编程为执行操作。操作包括通过向受控生长环境提供用于受控生长环境的一组初始过程参数，来启动生长过程。操作还包括在生长过程期间从传感器接收传感器数据。传感器数据至少包括菌丝体片的图像。操作还包括基于图像生成菌丝体片的所预测最终质量度量。所预测最终质量度量代表基于菌丝体片的当前状态的菌丝体片在生长过程结束时的最终状态。操作还包括确定菌丝体片的所预测最终质量度量不在规范最终质量度量的阈值范围内。操作还包括基于该确定生成一组更新后的过程参数，以实现规范最终质量度量。操作还包括基于该组更新后的过程参数调整受控生长环境。
附图说明
为了描述能够获得本公开的上述和其他优点和特征的方式，将通过参考在附图中示出的本公开的特定实施例来呈现对以上简要描述的原理的更具体描述。理解这些附图仅描绘了本公开的示例性实施例并且因此不被视为限制本公开的范围，本文的原理通过使用附图以附加的特异性和细节来描述和解释，其中：
图1是示出了根据示例性实施例的计算环境的框图。
图2是示出了根据示例性实施例的计算环境的框图。
图3示出了根据示例性实施例的塔盘(column tray)的示例塔控制元件。
图4是示出了根据示例性实施例的使生物制品在受控生长环境中生长的方法的流程图。
图5A示出了根据示例性实施例的系统总线计算系统架构。
图5B示出了根据示例性实施例的具有芯片组架构的计算机系统。
为了便于理解，在可能的情况下，使用相同的附图标记来表示附图共有的相同元件。预期在一个实施例中公开的元件可以有益地用于其他实施例而无需具体叙述。
具体实施方式
本文提供的一种或更多种技术涉及受控生长系统。受控生长系统包括控制器、传感器和计算系统。受控生长环境被配置为使生物制品生长。控制器被配置为管理受控生长环境的过程参数。传感器被配置为在生长过程期间监测受控生长环境中的生物制品。计算系统与传感器和控制器通信。计算系统被编程为执行用于实现生物制品的期望最终质量度量的操作。
图1是示出根据示例性实施例的计算环境100的框图。如图所示，计算环境100可以包括经由一个或更多个通信链路105和115通信的受控生长环境102、计算系统104、传感器106和控制器108。
在一些实施例中，一个或更多个通信链路105和115可以是硬连线通信链路。在一些实施例中，一个或更多个通信链路105和/或115可以是任何合适的类型，包括经由因特网的单独连接，例如蜂窝或Wi-Fi网络。在一些实施例中，通信链路105和/或通信链路115可以使用诸如射频识别(radio frequency identification,RFID)、近场通信(near-fieldcommunication,NFC)、蓝牙TM、低功耗蓝牙TM(low-energy Bluetooth,BLE)、Wi-FiTM、ZigBeeTM、环境反向散射通信(ambient backscatter communication,ABC)协议、USB、广域网(wide area network,WAN)或局域网(local area network,LAN)之类的直接连接来连接终端、服务和移动设备。由于传输的信息可能是个人的或机密的，因此安全问题可能要求对这些类型的连接中的一种或更多种连接进行加密或以其他方式保护。然而，在一些实施例中，正在传输的信息可能是较不个人的，因此，可以为了方便而不是安全来选择网络连接。
通信链路105和/或通信链路115可以包括用于交换数据或信息的任何类型的计算机网络布置。例如，通信链路105和/或通信链路115可以是因特网、专用数据网络、使用公共网络的虚拟专用网络和/或使计算环境100中的部件能够在环境100的部件之间发送和接收信息的其他合适的连接。
受控生长环境102可以代表用于使生物制品110生长的生长结构。例如，受控生长环境102可以被配置为提供和/或维持生物制品110的最佳生长条件。示例性生物制品110可以包括但不限于菌丝体、大麻、消费品、藻类、大豆、蓝细菌、脱氧核糖核酸(deoxyribonucleic acid,DNA)、合成蛋白质等。受控生长环境102可以确保为生物制品110提供足够的生长条件。例如，与受控生长环境102通信的控制器108可以控制一个或更多个变量以在受控生长环境102内维持理想的或最佳的生长环境。在一些实施例中，控制器108可以被配置为控制和/或调节温度，湿度、光照强度、pH水平、二氧化碳水平、土壤硝酸盐、直接灌溉流量、氧气水平、环境空气流量和方向、环境噪声频率含量、种子图案化和密度、收获时间表、光照方向等中的一个或更多个。通过控制一个或更多个变量，控制器108可以帮助实现所期望最终质量度量。例如，控制器108可以帮助实现所期望的生物制品110的生长均匀性。
为了确定生物制品110是否进展到所期望最终质量度量，受控生长环境102可以利用过程控制系统。例如，传感器106可以被配置为监测生物制品110在受控生长环境102内的生长。在一些实施例中，传感器106可以包括成像设备(例如，相机)，该成像设备被配置为在生长过程的各个阶段捕获生物制品110的一个或更多个图像。在一些实施例中，传感器106可以包括各种传感器以测量与生长过程相关的各种变量。例如，传感器106可以包括但不限于温度传感器、湿度传感器、光强度传感器、二氧化碳传感器等。传感器106可以被配置为向计算系统104提供一个或更多个图像和/或一个或更多个测量值以用于分析。
计算系统104可以被配置为分析一个或更多个图像和/或一个或更多个测量值，以预计或预测生物制品110的最终质量度量。基于所预测最终质量度量，计算系统104可以使控制器108调整受控生长环境102的过程参数。例如，基于所预测最终质量度量，计算系统104可以使控制器108调整受控生长环境102中的一个或更多个部分的温度、湿度、光强度、二氧化碳等中的一个或更多个。
如图所示，计算系统104可以包括分析模块112。分析模块112可以包括一个或更多个软件模块。一个或更多个软件模块可以是存储在介质(例如，计算系统104的存储器)上的代码或指令的集合，其表示实现一个或更多个算法步骤的一系列机器指令(例如，程序代码)。这样的机器指令可以是计算系统104的处理器解释以实现指令的实际计算机代码，或者替代地，可以是解释以获得实际计算机代码的指令的更高级别的编码。一个或更多个软件模块还可以包括一个或更多个硬件部件。示例性算法的一个或更多个方面可以由硬件部件(例如，电路)本身来执行，而不是作为指令的结果。
分析模块112可以被配置为分析从传感器106接收的数据。例如，分析模块112可以被配置为分析从传感器106捕获的一个或更多个图像，以预计或预测生物制品110的最终质量度量。最终质量度量可以广义地指在生物制品110经历其受控生长环境之后生物制品110的最终质量属性。在一些实施例中，最终质量度量可以对应于菌丝体片生长中的均匀性水平。在一些实施例中，示例性最终质量度量可以不限于均匀性水平，并且可以包括高度/形状/体积、颜色/辐照度、化学成分、排放废气成分、人类判断的编码(例如使用人工生成标签的植物分类)、上述质量度量的变化率、上述度量的聚合等中的一个或更多个。通常，最终质量度量是在生长过程期间无法直接测量的度量。相反，它是在给定生物制品110的当前状态和分析模块112对类似过程的了解的情况下推断或预测的。使用这样的分析，管理员可以确定生物制品110是否经历了致命错误(即，基于分析，生物制品110不能达到所期望最终质量度量)、是否与实现所期望最终质量度量相符(in-line)(即，不需要对受控生长环境102进行调整)，或者是否与所期望最终质量度量不相符(out-of-line)并且需要过程参数调整。
在一些实施例中，分析模块112可以包括计算机视觉模块114。计算机视觉模块114可以被配置为分析由传感器106捕获的一个或更多个图像。基于所分析的图像，分析模块112可以预测或生成生物制品110的最终质量度量。在一些实施例中，为了分析一个或更多个图像，计算机视觉模块114可以采用地形分析方法。例如，计算机视觉模块114可以利用基于传感器106捕获的一个或更多个图像的三维点云的算法分析。这种分析可以帮助分析模块112确定是否需要对受控生长环境102的过程参数进行调整以实现所期望最终质量度量。
在一些实施例中，分析模块112可以包括机器学习模型116。机器学习模型116可以代表卷积神经网络，该卷积神经网络被训练来分析由传感器106捕获的图像，以预测或预计生物制品110的最终质量度量。在一些实施例中，机器学习模型116可以经历训练过程，在训练过程中，机器学习模型116提供有训练集，训练集包括但不限于生物制品的图像以及对应于每个图像的受控生长环境102的过程参数。以这种方式，机器学习模型116可以被训练以学习各种过程参数如何在生长过程的各个阶段影响生物制品的最终质量度量。以这种方式，分析模块112可以利用机器学习模型116来优化或调整受控生长环境102的过程参数，使得受控生长环境102能够实现生物制品的所期望最终质量度量。
一旦分析模块112确定应调整受控生长环境102的过程参数以实现所期望质量度量，分析模块112可以指示控制器108相应地调整受控生长环境102的过程参数。以这种方式，计算环境100可以包括反馈回路，在反馈回路中，生物制品110的生长被不断地监测和调整，使得受控生长环境102可以实现所期望最终质量度量。
图2是示出了根据示例性实施例的计算环境200的框图。计算环境200可以代表计算环境100的特定用例。例如，计算环境200可以代表用于使菌丝体片生长的环境。
如图所示，计算环境200可以包括受控生长环境201、菌丝体片202、塔盘203、供应管束204、可编程歧管205、进给管206、二氧化碳供应罐207、二氧化碳压力调节器208、传感器210和计算系统212。
如所提供的，计算环境200可以用于使菌丝体片生长。通常，在许多行业中，菌丝体(真菌的营养部分，例如蘑菇中的营养部分)代表具有显著益处的可能替代品。例如，实验室培养或制造的菌丝体的使用包括诸如生态友好和更安全的皮革生产、可生物降解的包装、临时建筑材料、实验室培养的肉类替代品等。可以通过将初始混合物引入到固定模具中来实现使菌丝体生长，方法是：将菌丝体压缩成期望的形状，将菌丝体纤维格栅化到用于其他过程中或与其他过程一起使用的混合物中，或者通过物理成型并从菌丝体垫中去除多余的菌丝体。在一个或更多个实施例中，可以有额外的处理步骤来规范菌丝体片，使得来自初始生长的畸形不会传播到最终产品中。计算环境200可以被配置为监测菌丝体的生长，以在生长过程的早期检测或捕捉畸形并对其进行校正，从而可以实现菌丝体的所期望最终质量度量。
如图2所示，菌丝体片202可以在受控生长环境201内的塔盘203上生长。塔盘203的每个塔可以由可编程歧管205单独控制。如由可编程歧管205控制的，可以向塔盘203的每个塔进给气体混合物以控制与每个塔相关的局部变化。在一些实施例中，歧管205可以接收来自计算系统212的指令。例如，计算系统212可以包括分析模块214(类似地配置为分析模块112)，分析模块214被配置为分析菌丝体片202的当前生长状态，以及其他相关因素(例如，温度、湿度、光照强度等)，以便更新每个塔的气体流速。调节每个塔的气体流速可以解释菌丝体片202的区域相对于整个菌丝体片202的生长而言生长过多(例如，局部区域太厚)或生长过少(例如，局部区域太薄)。在一些实施例中，所定义的生长可以基于整个片的平均或中值生长。分析模块214可以被配置为使用一种或更多种机器学习和/或计算机视觉方法来分析菌丝体状态的生长状态。例如，机器学习模型(例如，卷积神经网络)可以根据气体流速对局部区域的影响进行训练。通过操纵各种生长因子，分析模块214可以帮助实现所期望最终质量度量，例如，均匀的菌丝体片。
如图所示，菌丝体片202可以从位于受控生长环境201中的塔盘203的顶部所形成的盘生长。受控生长环境201可以包括向塔盘203的每个塔进给的供应管204。供应管204可以耦接至可编程歧管205，可编程歧管205可以由二氧化碳(CO2)调节器208进给，二氧化碳(CO2)调节器208控制来自供应罐207的二氧化碳的总吞吐量。
在一些实施例中，待形成的最终产品，即菌丝体片，可以从塔盘203生长。塔盘203可以任意缩放，使得该装置的给定构造可以产生任意高度或宽度的片。
图3示出了根据示例性实施例的塔盘203的示例塔控制元件。如上所提供的，菌丝体片可以从包含用于所选真菌生长的块状基质和/或卵状混合物的塔盘203生长。在一些实施例中，塔的精确形状(例如，圆柱形、矩形棱柱、六棱柱等)和尺寸可以变化。取决于塔的结构，在相邻塔的表面区域之间可以存在或可以不存在用于菌丝体片202生长的空间。在一些实施例中，已知同种菌丝体一起生长以形成单独的有机体。随着垫或片的厚度增加，可能在间隙上形成桥。如果塔之间有小间隙，则它们对整体片结构的影响可能会慢慢减小。
如图3中所提供的，存在若干个塔，它们之间具有空间。图3可以提供菌丝体如何可以生长或结合在一起，以在塔盘203的每个单独的塔301的顶部形成单个菌丝体片202。
来自塔盘203的每个塔301可以在底部经由单向阀连接到单个供应管204，该供应管204可以一起捆绑并且附接到可编程歧管205。可编程歧管205可以由来自附接到二氧化碳供应罐207的调节器208的管进给。在一些实施例中，二氧化碳供应罐207可以在受控生长环境201内部。在一些实施例中，二氧化碳供应罐207可以在受控生长环境201外部。
二氧化碳的源可以提供控制菌丝体片202的生长速率的示例方式。为此示例选择的真菌可以是在二氧化碳存在下表现出降低的生长速率的真菌。正如本领域技术人员所认识到的，在不背离本技术的情况下，可以使用其他气体和真菌的组合。压力调节器208可以控制可编程歧管205的总流速。在一些实施例中，可编程歧管205可以允许使用多个不同的气体供应罐，从而根据需要提供混合气体的能力。
来自塔盘203的每个塔301可以包括局部变化302并且可以连接到一个供应管304，通过进口喷嘴向该塔301进给。尽管塔301的精确结构可以变化，但是每个塔301可以包括块状和卵状基质混合物303，菌丝体片202可以在其上生长。在塔301的壁和底部封闭的情况下，真菌可以在开放的顶层上使菌丝体层生长，从而在相邻塔301的顶部和之间形成菌丝体片202。这些塔301可以彼此直接相邻或分开，如图3中所示。菌丝体片202可以在塔301之间的任何间隙上方生长并覆盖该间隙。
由于混沌效应，从任何单个塔301吸取养分的菌丝体可以比或可以不比其他菌丝体生长得更快或更慢。因此，在菌丝体片202中可以出现局部变化，一些区域将比其他区域更厚或更薄；图3中示出了增加生长的区域和抑制生长的区域。
块状和卵状基质混合物可以例如以10:1的块体-孢子比或其他允许菌丝体片202中的真菌的快速萌发的比例开始。块状和卵状基质的比例，以及真菌种类的选择，可以在不脱离本文所公开的本技术的情况下变化。这可以是菌丝体片202开始其初始生长的位置。根据实施方式，对于要生长的每个新菌丝体片202，可以需要或可以不需要更换块状和卵状基质混合物。
在一些实施例中，流过歧管205的气体可以通过进口喷嘴305直接馈送到每个塔301。这可以在每个塔301的位置处提供气体的局部梯度或浓度，使得可以基于通过供应管提供的气体来控制每个塔301上方或在每个塔301处的菌丝体片202生长得更快或更慢。
在一些实施例中，进口喷嘴305的结构可以便于气体供应管304连接到塔301，而没有泄漏也无需微粒过滤器306的存在。微粒过滤器306可以用于防止块状和卵状基质混合物303堵塞供应管304和/或喷嘴305。微粒过滤器306可以通过将生长物质与气体输送系统隔离来实现这一点。
图4是示出根据示例实施例的使生物制品在受控生长环境中生长的方法400的流程图。例如，方法400可以对应于在计算环境100内实现的功能。方法400可以从步骤402开始。
在步骤402处，可以启动生长过程。例如，管理员可以在受控生长环境201内启动生物制品110的生长过程。启动生物制品110的生长过程可以包括计算系统104将一组初始过程参数传送给控制器108。例如，计算系统104可以设置一组初始过程参数，包括但不限于受控生长环境201中的一个或更多个部分的温度、湿度水平、光强度、水位、水频率、二氧化碳水平等。
在步骤404处，计算系统104可以从传感器106接收传感器数据。例如，在生长过程期间，计算系统104可以周期性地、实时地或按需接收来自传感器106的传感器数据。在一些实施例中，传感器数据可以至少包括由传感器106捕获的生物制品110的一个或更多个图像。在一些实施例中，传感器数据还可以包括温度读数、湿度读数、光强度读数、二氧化碳水平读数等中的一个或更多个。
在步骤406处，计算系统104可以至少基于由传感器106捕获的生物制品110的一个或更多个图像来生成生物制品110的所预测最终质量度量。例如，分析模块112可以分析从传感器接收的数据106，以基于生物制品110的当前状态来确定所预测最终质量度量。最终质量度量可以广义地指在生物制品110经历其受控生长环境之后生物制品110的最终质量属性。在一些实施例中，最终质量度量可以对应于菌丝体片生长中的均匀性水平。
在一些实施例中，为了生成所预测最终质量度量，分析模块112可以利用计算机视觉模块114。计算机视觉模块114可以分析由传感器106捕获的一个或更多个图像，以预测或生成生物制品110的最终质量度量。在一些实施例中，为了分析一个或更多个图像，计算机视觉模块114可以采用地形分析方法。例如，计算机视觉模块114可以利用基于传感器106捕获的一个或更多个图像的三维点云的算法分析。
在一些实施例中，为了生成所预测最终质量度量，分析模块112可以利用机器学习模型116。机器学习模型116可以分析传感器106捕获的图像，以预测或预计生物制品110的最终质量度量。例如，基于训练过程，机器学习模型116可以识别当前状态生物制品110和当前过程参数，以基于当前生长路径确定最终质量度量。
在步骤408处，计算系统104可以确定所预测最终质量度量是否在可接受的值范围内。例如，计算系统104可以将所预测最终质量度量与规范最终质量度量进行比较，以确定是否需要调整受控生长环境102的过程参数。在步骤408处，如果计算系统104确定所预测最终质量度量在可接受的范围内，那么在步骤410处，生长过程不间断地继续。
然而，在步骤408处，如果计算系统104确定所预测最终质量度量不在可接受的范围内，那么在步骤412处，计算系统104可以确定用于受控生长环境的一组新过程参数，这组新过程参数将帮助实现或导致落在可接受范围内的生长。例如，分析模块112可以利用来自计算机视觉模块114和/或机器学习模型116的输出，以优化或调整受控生长环境102的过程参数，使得受控生长环境102可以实现生物制品110的所期望最终质量度量。
在步骤414处，计算系统104可以将更新后的过程参数提供给控制器108以供实施。
在一些实施例(例如菌丝体片的实施例)中，更新后的过程参数可以包括用于塔盘203中的各个塔301的二氧化碳的流速。以这种方式，计算系统104可以解释菌丝体片202中的生长速率的差异，从而可以实现均匀的菌丝体片202。
如本领域技术人员所认识到的，上述处理可以在生物制品110的整个生长周期中进行。以这种方式，计算系统104可以连续调整受控生长环境102的过程参数以实现所期望最终质量度量。
图5A示出了根据示例实施例的系统总线计算系统500的架构。系统500的一个或更多个部件可以使用总线505彼此电气通信。系统500可以包括处理器(例如，一个或更多个中央处理器(central processing unit,CPU)、图形处理器(graphics processing unit,GPU)或其他类型的处理器)510以及将包括系统存储器515(例如只读存储器(read onlymemory,ROM)520和随机存取存储器(random access memory,RAM)525)的各种系统部件耦接到处理器510的系统总线505。系统500可以包括高速存储器的高速缓存，其与处理器510直接连接、靠近处理器510或集成为处理器510的一部分。系统500可以将来自存储器515和/或存储设备530的数据复制到高速缓存512以供处理器510快速访问。以这种方式，高速缓存512可以提供避免处理器510在等待数据时延迟的性能提升。这些和其他模块可以控制或被配置为控制处理器510以执行各种动作。其他系统存储器515也可以使用。存储器515可以包括具有不同性能特征的多种不同类型的存储器。处理器510可以代表单个处理器或多个处理器。处理器510可以包括通用处理器或硬件模块或软件模块中的一个或更多个(例如存储在存储设备530中的服务1 532、服务2 534和服务5 536，被配置为控制处理器510)以及专用处理器(软件指令被并入实际的处理器设计中)。处理器510本质上可以是完全独立的计算系统，包含多个核或处理器、总线、存储器控制器、高速缓存等。多核处理器可以是对称的，也可以是非对称的。
为了使用户能够与系统500交互，输入设备545可以是任意数量的输入机构，例如用于语音的麦克风、用于手势或图形输入的触敏屏幕、键盘、鼠标、动作输入、语音等等。输出设备535(例如，显示器)也可以是本领域技术人员已知的多种输出机构中的一个或更多个输出机构。在一些情况下，多模式系统可以使用户能够提供多种类型的输入以与系统500通信。通信接口540通常可以支配和管理用户输入和系统输出。对在任何特定硬件布置上的操作没有限制，因此这里的基本特征可以很容易地替换为正在开发的改进的硬件或固件布置。
存储设备530可以是非易失性存储器，并且可以是硬盘或其他类型的计算机可读介质，其可以存储计算机可访问的数据，例如盒式磁带、闪存卡、固态存储器设备、数字多功能磁盘、盒式磁盘、随机存取存储器(RAM)525、只读存储器(ROM)520以及它们的混合体。
存储设备530可以包括用于控制处理器510的服务532、534和536。可以设想其他硬件或软件模块。存储设备530可以连接到系统总线505。在一个方面，执行特定功能的硬件模块可以包括存储在计算机可读介质中的软件部件以及必要的硬件部件，例如处理器510、总线505、输出设备535(例如，显示器)等，以执行该功能。
图5B示出了根据示例实施例的具有芯片组架构的计算机系统550。计算机系统550可以是可用于实现所公开技术的计算机硬件、软件和固件的示例。系统550可以包括一个或更多个处理器555，其代表能够执行被配置为执行所识别的计算的软件、固件和硬件的任意数量的物理和/或逻辑上不同的资源。一个或更多个处理器555可以与芯片组560通信，芯片组560可以控制一个或更多个处理器555的输入和输出。在该示例中，芯片组560将信息输出到输出565，例如显示器，并且可以读取信息并且将信息写入存储设备570，例如，存储设备570可以包括磁性介质和固态介质。芯片组560还可以从存储设备575(例如，RAM)读取数据以及将数据写入到存储设备575。可以提供用于与各种用户接口部件585交互的桥580，以用于与芯片组560交互。这种用户接口部件585可以包括键盘、麦克风、触摸检测和处理电路、诸如鼠标之类的定点设备等。通常，对系统550的输入可以来自机器产生的和/或人工产生的多种源中的任意一种。
芯片组560还可以与一个或更多个可以具有不同物理接口的通信接口590交互。这样的通信接口可以包括用于有线和无线局域网、宽带无线网络以及个域网的接口。用于生成、显示和使用本文公开的GUI的方法的一些应用可以包括通过物理接口接收有序数据集，或者这些应用可以由机器本身通过一个或更多个处理器555分析存储在存储设备570或575中的数据来生成。此外，该机器可以通过用户接口部件585接收来自用户的输入，并通过使用一个或更多个处理器555解释这些输入来执行适当的功能，例如浏览功能。
可以理解，示例系统500和550可以具有多于一个处理器510，或者是联网在一起以提供更大处理能力的计算设备组或集群的一部分。
虽然前述内容涉及本文描述的实施例，但是在不脱离本文的基本范围的情况下可以设计其他和进一步的实施例。例如，本公开的各方面可以以硬件或软件或硬件和软件的组合来实现。本文描述的一个实施例可以被实现为与计算机系统一起使用的程序产品。程序产品的程序定义了实施例的功能(包括本文描述的方法)并且可以包含在各种计算机可读存储介质上。说明性的计算机可读存储介质包括但不限于：(i)永久存储信息的不可写存储介质(例如，计算机内的只读存储器(ROM)设备，例如可由光盘只读存储器(Compact DiscRead-Only Memory,CD-ROM)驱动器读取的CD-ROM磁盘、闪存，ROM芯片，或任何类型的固态非易失性存储器)；以及(ii)存储可更改信息的可写存储介质(例如，软盘驱动器或硬盘驱动器中的软磁盘或任何类型的固态随机存取存储器)。这样的计算机可读存储介质在执行指导所公开实施例的功能的计算机可读指令时是本公开的实施例。
本领域技术人员将理解，前述示例是示例性的而不是限制性的。本领域技术人员在阅读说明书和研究附图后，所有排列、增强、等同物和改进旨在被包括在本公开的真实精神和范围内。因此，以下所附权利要求旨在包括落入这些教导的真实精神和范围内的所有这样的修改、排列和等同物。

Claims (20)

1.一种受控生长系统，包括：
控制器，被配置为管理受控生长环境的过程参数；
传感器，被配置为在生长过程期间监测所述受控生长环境中的生物制品；以及
计算系统，与所述传感器和所述控制器通信，所述计算系统被编程以执行操作，所述操作包括：
通过向所述控制器提供用于所述受控生长环境的一组初始过程参数来启动所述生长过程；
在所述生长过程期间接收来自所述传感器的传感器数据，其中，所述传感器数据至少包括所述生物制品的图像；
基于所述图像生成所述生物制品的预测的最终质量度量，其中，所预测的最终质量度量表示基于所述生物制品的当前状态的所述生物制品在所述生长过程结束时的最终状态；
确定所述生物制品的所预测的最终质量度量不在规范的最终质量度量的阈值范围内；
基于该确定，生成一组更新后的过程参数以实现所述规范的最终质量度量；以及
向所述控制器提供该组更新后的过程参数。
2.根据权利要求1所述的受控生长系统，其中，所述传感器数据还包括温度读数、湿度读数、光强度读数和二氧化碳水平读数中的一个或更多个。
3.根据权利要求1所述的受控生长系统，其中，基于所述图像生成所述生物制品的所预测的最终质量度量包括：
将地形分析方法应用于所述生物制品以生成所预测的最终质量度量。
4.根据权利要求1所述的受控生长系统，其中，基于所述图像生成所述生物制品的所预测的最终质量度量包括：
将一种或更多种计算机视觉技术应用于所述生物制品，以生成所预测的最终质量度量。
5.根据权利要求1所述的受控生长系统，其中，基于所述图像生成所述生物制品的所预测的最终质量度量包括：
将所述图像输入到卷积神经网络中；以及
接收所述生物制品的所预测的最终质量度量作为输出。
6.根据权利要求5所述的受控生长系统，其中，生成该组更新后的过程参数以实现所述规范的最终质量度量包括：
从所述卷积神经网络输出该组更新后的过程参数，以基于所述生物制品的当前状态实现所述规范的最终质量度量。
7.根据权利要求5所述的受控生长系统，还包括：
基于包括训练生物制品的训练图像以及所述受控生长环境的对应于训练图像的训练过程参数的训练数据集，训练所述卷积神经网络以学习各种过程参数如何在生长的各个阶段影响所述生物制品的最终质量度量。
8.一种用于在受控生长环境中控制生物制品的生长的方法，包括：
由计算系统通过向所述受控生长环境的控制器提供一组初始过程参数，来启动所述生物制品在所述受控生长环境中的生长过程；
由所述计算系统在所述生长过程期间接收来自所述受控生长环境的传感器的传感器数据，其中，所述传感器数据至少包括所述生物制品的图像；
由所述计算系统基于所述图像生成所述生物制品的预测的最终质量度量，其中，所预测的最终质量度量表示基于所述生物制品的当前状态的所述生物制品在所述生长过程结束时的最终状态；
由所述计算系统确定所述生物制品的所预测的最终质量度量不在规范的最终质量度量的阈值范围内；
由所述计算系统基于该确定生成一组更新后的过程参数以实现所述规范的最终质量度量；以及
由所述计算系统向所述控制器提供该组更新后的过程参数。
9.根据权利要求8所述的方法，其中，所述传感器数据还包括温度读数、湿度读数、光强度读数和二氧化碳水平读数中的一个或更多个。
10.根据权利要求8所述的方法，其中，基于所述图像生成所述生物制品的所预测的最终质量度量包括：
将地形分析方法应用于所述生物制品以生成所预测的最终质量度量。
11.根据权利要求8所述的方法，其中，基于所述图像生成所述生物制品的所预测的最终质量度量包括：
将一种或更多种计算机视觉技术应用于所述生物制品，以生成所预测的最终质量度量。
12.根据权利要求8所述的方法，其中，基于所述图像生成所述生物制品的所预测的最终质量度量包括：
将所述图像输入到卷积神经网络中；以及
接收所述生物制品的所预测的最终质量度量作为输出。
13.根据权利要求12所述的方法，其中，生成该组更新后的过程参数以实现所述规范的最终质量度量包括：
从所述卷积神经网络输出该组更新后的过程参数，以基于所述生物制品的当前状态实现所述规范的最终质量度量。
14.根据权利要求12所述的方法，还包括：
基于包括训练生物制品的训练图像以及所述受控生长环境的对应于训练图像的训练过程参数的训练数据集，训练所述卷积神经网络以学习各种过程参数如何在生长的各个阶段影响所述生物制品的最终质量度量。
15.一种用于菌丝体的受控生长系统，包括：
传感器，被配置为在生长过程期间监测受控生长环境中的菌丝体片；以及
计算系统，与所述传感器和所述受控生长环境通信，所述计算系统被编程以执行操作，所述操作包括：
通过向所述受控生长环境提供用于所述受控生长环境的一组初始过程参数来启动所述生长过程；
在所述生长过程期间接收来自所述传感器的传感器数据，其中，所述传感器数据至少包括所述菌丝体片的图像；
基于所述图像生成所述菌丝体片的预测的最终质量度量，其中，所预测的最终质量度量表示基于所述菌丝体片的当前状态的所述菌丝体片在所述生长过程结束时的最终状态；
确定所述菌丝体片的所预测的最终质量度量不在规范的最终质量度量的阈值范围内；
基于该确定，生成一组更新后的过程参数以实现所述规范的最终质量度量；以及
基于该组更新后的过程参数调整所述受控生长环境。
16.根据权利要求15所述的受控生长系统，其中，所述传感器数据还包括温度读数、湿度读数、光强度读数和二氧化碳水平读数中的一个或更多个。
17.根据权利要求15所述的受控生长系统，其中，基于所述图像生成所述菌丝体片的所预测的最终质量度量包括：
将地形分析方法应用于所述菌丝体片以生成所预测的最终质量度量。
18.根据权利要求15所述的受控生长系统，其中，基于所述图像生成所述菌丝体片的所预测的最终质量度量包括：
将一种或更多种计算机视觉技术应用于所述菌丝体片，以生成所预测的最终质量度量。
19.根据权利要求15所述的受控生长系统，其中，基于所述图像生成所述菌丝体片的所预测的最终质量度量包括：
将所述图像输入到卷积神经网络中；以及
接收所述菌丝体片的所预测的最终质量度量作为输出。
20.根据权利要求19所述的受控生长系统，还包括：
基于包括训练菌丝体片的训练图像以及所述受控生长环境的对应于训练图像的训练过程参数的训练数据集，训练所述卷积神经网络以学习各种过程参数如何在生长的各个阶段影响所述菌丝体片的最终质量度量。
CN202180035742.6A 2020-06-03 2021-06-03 生物制品的受控生长系统 Pending CN115666225A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063034027P 2020-06-03 2020-06-03
US63/034,027 2020-06-03
PCT/US2021/035686 WO2021247852A1 (en) 2020-06-03 2021-06-03 Controlled growth system for biologicals

Publications (1)

Publication Number Publication Date
CN115666225A true CN115666225A (zh) 2023-01-31

Family

ID=78816451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180035742.6A Pending CN115666225A (zh) 2020-06-03 2021-06-03 生物制品的受控生长系统

Country Status (6)

Country Link
US (1) US11889797B2 (zh)
EP (1) EP4161247A1 (zh)
JP (1) JP2023528052A (zh)
KR (1) KR20230018460A (zh)
CN (1) CN115666225A (zh)
WO (1) WO2021247852A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210192779A1 (en) * 2019-11-06 2021-06-24 Nanotronics Imaging, Inc. Systems, Methods, and Media for Manufacturing Processes
CN116720633B (zh) * 2023-08-11 2023-10-27 安徽农业大学 一种食用菌育种生长参数寻优的方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070289207A1 (en) * 2005-12-21 2007-12-20 May George A Expert system for controlling plant growth in a contained environment
US20080145577A1 (en) * 2006-12-15 2008-06-19 Rensselaer Polytechnic Institute Method for producing grown materials and products made thereby
CN107330570A (zh) * 2017-08-23 2017-11-07 成都烈风网络科技有限公司 一种利用物联网技术进行水稻干物质预测的系统
CN107515531A (zh) * 2017-08-30 2017-12-26 京东方科技集团股份有限公司 一种植物工厂的智能控制方法及系统、智能监控系统
AR110295A1 (es) * 2016-11-30 2019-03-13 Sony Corp Aparato para procesar la información, sistema de observación, método y programa para procesar la información
WO2019082617A1 (ja) * 2017-10-26 2019-05-02 ソニー株式会社 情報処理装置、情報処理方法、プログラム及び観察システム
US20190259108A1 (en) * 2018-02-20 2019-08-22 Osram Gmbh Controlled Agricultural Systems and Methods of Managing Agricultural Systems
CN110377961A (zh) * 2019-06-25 2019-10-25 北京百度网讯科技有限公司 作物生长环境控制方法、装置、计算机设备及存储介质
CN110503253A (zh) * 2019-08-12 2019-11-26 北京环丁环保大数据研究院 一种种植环境自适应控制方法及装置
WO2020049182A1 (en) * 2018-09-08 2020-03-12 Alpvision S.A. Cognitive computing methods and systems based on biological neural networks
WO2020086907A1 (en) * 2018-10-24 2020-04-30 Mycoworks, Inc. Monokaryon mycelial material and related method of production
US20200157506A1 (en) * 2018-11-20 2020-05-21 Ecovative Design Llc Methods of Generating Mycelial Scaffolds and Applications Thereof

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6567537B1 (en) 2000-01-13 2003-05-20 Virginia Commonwealth University Method to assess plant stress using two narrow red spectral bands
EP3136836B1 (en) * 2014-04-28 2020-12-30 Vineland Research and Innovation Centre Graze harvesting of mushrooms
JP6801000B2 (ja) 2016-12-01 2020-12-16 富士フイルム株式会社 細胞画像評価装置および細胞画像評価制御プログラム
US10986789B1 (en) * 2017-08-29 2021-04-27 Alarm.Com Incorporated System and method for sensor-assisted indoor gardening
KR20200084344A (ko) 2017-11-14 2020-07-10 에코베이티브 디자인 엘엘씨 빈 공간으로 성장된 균학적 바이오폴리머의 균질성 증가
WO2019157598A1 (en) * 2018-02-16 2019-08-22 9282181 Canada Inc. System and method for growing plants and monitoring growth of plants
US11663414B2 (en) * 2018-02-20 2023-05-30 Fluence Bioengineering, Inc. Controlled agricultural systems and methods of managing agricultural systems
US20210287366A1 (en) 2018-07-12 2021-09-16 Sony Corporation Information processing apparatus, information processing method, program, and information processing system
EP3836776A4 (en) 2018-08-17 2022-07-27 Hortau Inc. SYSTEMS AND METHODS TO MONITOR AND REGULATE THE PRODUCTIVITY OF PLANTS
JP7281133B2 (ja) * 2019-07-04 2023-05-25 オムロン株式会社 植物の栽培管理システム及び、植物の栽培管理装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070289207A1 (en) * 2005-12-21 2007-12-20 May George A Expert system for controlling plant growth in a contained environment
US20080145577A1 (en) * 2006-12-15 2008-06-19 Rensselaer Polytechnic Institute Method for producing grown materials and products made thereby
AR110295A1 (es) * 2016-11-30 2019-03-13 Sony Corp Aparato para procesar la información, sistema de observación, método y programa para procesar la información
CN107330570A (zh) * 2017-08-23 2017-11-07 成都烈风网络科技有限公司 一种利用物联网技术进行水稻干物质预测的系统
CN107515531A (zh) * 2017-08-30 2017-12-26 京东方科技集团股份有限公司 一种植物工厂的智能控制方法及系统、智能监控系统
WO2019082617A1 (ja) * 2017-10-26 2019-05-02 ソニー株式会社 情報処理装置、情報処理方法、プログラム及び観察システム
US20190259108A1 (en) * 2018-02-20 2019-08-22 Osram Gmbh Controlled Agricultural Systems and Methods of Managing Agricultural Systems
CA3091297A1 (en) * 2018-02-20 2019-08-29 Osram Gmbh Controlled agricultural system and method for agriculture
WO2020049182A1 (en) * 2018-09-08 2020-03-12 Alpvision S.A. Cognitive computing methods and systems based on biological neural networks
WO2020086907A1 (en) * 2018-10-24 2020-04-30 Mycoworks, Inc. Monokaryon mycelial material and related method of production
US20200157506A1 (en) * 2018-11-20 2020-05-21 Ecovative Design Llc Methods of Generating Mycelial Scaffolds and Applications Thereof
CN110377961A (zh) * 2019-06-25 2019-10-25 北京百度网讯科技有限公司 作物生长环境控制方法、装置、计算机设备及存储介质
CN110503253A (zh) * 2019-08-12 2019-11-26 北京环丁环保大数据研究院 一种种植环境自适应控制方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
管道平;胡清秀;: "食用菌工厂化生产的节能分析(续前)", 食用菌, no. 02, 23 March 2010 (2010-03-23) *

Also Published As

Publication number Publication date
US20210378190A1 (en) 2021-12-09
KR20230018460A (ko) 2023-02-07
EP4161247A1 (en) 2023-04-12
US11889797B2 (en) 2024-02-06
JP2023528052A (ja) 2023-07-03
WO2021247852A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
CN115666225A (zh) 生物制品的受控生长系统
Carter et al. Pavement cells and the topology puzzle
Muraro et al. Integration of hormonal signaling networks and mobile microRNAs is required for vascular patterning in Arabidopsis roots
Allen et al. A log-linear graphical model for inferring genetic networks from high-throughput sequencing data
JP2020525890A (ja) ディープニューラルネットワークを使用したシーケンシング結果のクオリティの予測
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
CN115427898A (zh) 生物过程的监测、模拟、以及控制
CN102831269A (zh) 一种流程工业过程工艺参数的确定方法
CN112001329B (zh) 蛋白表达量的预测方法、装置、计算机设备和存储介质
CN104991037B (zh) 一种用于煮糖结晶的数据测量方法和装置
WO2022042506A1 (zh) 基于卷积神经网络的细胞筛选方法和装置
CN107782857A (zh) 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法
US20210263495A1 (en) Systems, Methods, and Media for Manufacturing Processes
CA3168566A1 (en) Hardware execution and acceleration of artificial intelligence-based base caller
CN117063190A (zh) 用于预测和规定应用的多级机器学习
CN105184049A (zh) 基于调控-代谢网络整合模型预测微生物生长表型的方法
de Azevedo et al. Hybrid semiparametric modeling: a modular process systems engineering approach for the integration of available knowledge sources
EP4080421A1 (en) System and method for reassignment clustering for defect visibility regression
Ravari et al. Structure-based inverse reinforcement learning for quantification of biological knowledge
JP2021016359A (ja) 情報処理装置、細胞培養システム、情報処理方法、及びコンピュータプログラム
CN105527837A (zh) 化工生产装置控制回路参数整定测试方法和装置
Banerjee et al. Multi-objective optimization of continuous CHO cell clarification using acoustic wave separation
Eriksson et al. Characterizing a bioprocess with advanced data analytics
CN117114329B (zh) 多气源智能调度方法与装置
CN111693423B (zh) 一种基于遗传算法的采空区渗透系数反演方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination