CN116636423B - 一种茯苓菌种的高效培育方法 - Google Patents
一种茯苓菌种的高效培育方法 Download PDFInfo
- Publication number
- CN116636423B CN116636423B CN202310924917.XA CN202310924917A CN116636423B CN 116636423 B CN116636423 B CN 116636423B CN 202310924917 A CN202310924917 A CN 202310924917A CN 116636423 B CN116636423 B CN 116636423B
- Authority
- CN
- China
- Prior art keywords
- poria cocos
- growth state
- feature
- mycelium
- cultivation
- 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.)
- Active
Links
- 235000008599 Poria cocos Nutrition 0.000 title claims abstract description 302
- 238000012364 cultivation method Methods 0.000 title claims abstract description 17
- 241001619444 Wolfiporia cocos Species 0.000 title abstract 6
- 241000233866 Fungi Species 0.000 claims abstract description 100
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- 244000197580 Poria cocos Species 0.000 claims description 297
- 239000013598 vector Substances 0.000 claims description 96
- 235000001188 Peltandra virginica Nutrition 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 48
- 238000010586 diagram Methods 0.000 claims description 33
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims description 28
- 235000011613 Pinus brutia Nutrition 0.000 claims description 28
- 241000018646 Pinus brutia Species 0.000 claims description 28
- 239000002689 soil Substances 0.000 claims description 28
- 239000001963 growth medium Substances 0.000 claims description 27
- 238000003306 harvesting Methods 0.000 claims description 21
- 238000012258 culturing Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 239000007787 solid Substances 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 239000004698 Polyethylene Substances 0.000 claims description 11
- -1 polyethylene Polymers 0.000 claims description 11
- 229920000573 polyethylene Polymers 0.000 claims description 11
- 230000001954 sterilising effect Effects 0.000 claims description 11
- 241000512259 Ascophyllum nodosum Species 0.000 claims description 10
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 10
- 239000011259 mixed solution Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 235000007164 Oryza sativa Nutrition 0.000 claims description 8
- 229930006000 Sucrose Natural products 0.000 claims description 8
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 claims description 8
- 240000008042 Zea mays Species 0.000 claims description 8
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 8
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 8
- 235000005822 corn Nutrition 0.000 claims description 8
- 239000008103 glucose Substances 0.000 claims description 8
- 235000009566 rice Nutrition 0.000 claims description 8
- 229930003231 vitamin Natural products 0.000 claims description 8
- 235000013343 vitamin Nutrition 0.000 claims description 8
- 239000011782 vitamin Substances 0.000 claims description 8
- 229940088594 vitamin Drugs 0.000 claims description 8
- 239000002023 wood Substances 0.000 claims description 8
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 7
- 244000046052 Phaseolus vulgaris Species 0.000 claims description 7
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims description 7
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 7
- 241000209140 Triticum Species 0.000 claims description 7
- 235000021307 Triticum Nutrition 0.000 claims description 7
- 239000004571 lime Substances 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 7
- 238000004321 preservation Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 235000015099 wheat brans Nutrition 0.000 claims description 7
- 235000013339 cereals Nutrition 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- YYRMJZQKEFZXMX-UHFFFAOYSA-L calcium bis(dihydrogenphosphate) Chemical compound [Ca+2].OP(O)([O-])=O.OP(O)([O-])=O YYRMJZQKEFZXMX-UHFFFAOYSA-L 0.000 claims description 5
- 229910000389 calcium phosphate Inorganic materials 0.000 claims description 5
- 235000019691 monocalcium phosphate Nutrition 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 5
- 238000004804 winding Methods 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010298 pulverizing process Methods 0.000 claims description 3
- 238000004643 material aging Methods 0.000 claims description 2
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 2
- 240000007594 Oryza sativa Species 0.000 claims 1
- 230000001580 bacterial effect Effects 0.000 claims 1
- 241000894007 species Species 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 241001619461 Poria <basidiomycete fungus> Species 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 238000000513 principal component analysis Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 241000209094 Oryza Species 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 235000013372 meat Nutrition 0.000 description 7
- 235000016709 nutrition Nutrition 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000035764 nutrition Effects 0.000 description 6
- 238000004659 sterilization and disinfection Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000011049 filling Methods 0.000 description 3
- 239000002609 medium Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007789 sealing Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000010792 warming Methods 0.000 description 3
- 229920001817 Agar Polymers 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241001558929 Sclerotium <basidiomycota> Species 0.000 description 2
- 244000061456 Solanum tuberosum Species 0.000 description 2
- 235000002595 Solanum tuberosum Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- YYRMJZQKEFZXMX-UHFFFAOYSA-N calcium;phosphoric acid Chemical compound [Ca+2].OP(O)(O)=O.OP(O)(O)=O YYRMJZQKEFZXMX-UHFFFAOYSA-N 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002147 killing effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002426 superphosphate Substances 0.000 description 2
- IIZPXYDJLKNOIY-JXPKJXOSSA-N 1-palmitoyl-2-arachidonoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCC\C=C/C\C=C/C\C=C/C\C=C/CCCCC IIZPXYDJLKNOIY-JXPKJXOSSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000009161 Espostoa lanata Nutrition 0.000 description 1
- 240000001624 Espostoa lanata Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000008272 agar Substances 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000701 coagulant Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000645 desinfectant Substances 0.000 description 1
- 239000008121 dextrose Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000021186 dishes Nutrition 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000000787 lecithin Substances 0.000 description 1
- 229940067606 lecithin Drugs 0.000 description 1
- 235000010445 lecithin Nutrition 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000009629 microbiological culture Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 239000001965 potato dextrose agar Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000005720 sucrose Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
- A01G18/00—Cultivation of mushrooms
-
- 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
- A01G18/20—Culture media, e.g. compost
-
- 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
- A01G18/50—Inoculation of spawn
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/40—Bio-organic fraction processing; Production of fertilisers from the organic fraction of waste or refuse
Abstract
本申请公开了一种茯苓菌种的高效培育方法,其通过采用基于深度学习的机器视觉技术来对于茯苓菌丝生长状态监控视频进行分析,以提取出有关于茯苓菌丝生长状态的时序变化特征信息,以此来实现对阶梯升温的智能化精准控制,从而使得温度有利于茯苓菌丝的生长,以达到更加准确、高效的菌袋培养目的,提高茯苓栽培的产量和品质。
Description
技术领域
本申请涉及菌种培育领域,且更为具体地,涉及一种茯苓菌种的高效培育方法。
背景技术
茯苓为多孔菌科目,其不同的部位具有不同的药效功能。茯苓的入药部位为真菌的干燥菌核,其具有丰富的营养,含有大量的多糖、多种微量元素、卵磷脂,是一种重要的中药材,药用价值很高,广泛用于医药、食品和保健品领域。随着人们生活水平的提高,健康意识逐步增强,对茯苓的需求量也越来越大。
目前市场茯苓的来源主要是人工栽种,茯苓的栽种有干段木栽种和树蔸栽种两种。现有的树蔸栽种方法工序繁琐、操作复杂、耗用松木多、占用耕地大且有严重的病虫灾害,普遍存在菌丝数量虽多但个体小且发育不良直接影响菌核质量或出现不接菌核的问题,最终导致生物学效率较低。
因此,期望一种优化的茯苓菌种的高效培育方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种茯苓菌种的高效培育方法,其通过采用基于深度学习的机器视觉技术来对于茯苓菌丝生长状态监控视频进行分析,以提取出有关于茯苓菌丝生长状态的时序变化特征信息,以此来实现对阶梯升温的智能化精准控制,从而使得温度有利于茯苓菌丝的生长,以达到更加准确、高效的菌袋培养目的,提高茯苓栽培的产量和品质。
根据本申请的一个方面,提供了一种茯苓菌种的高效培育方法,其包括:
将茯苓肉接入PDA的培养基后放入培养箱内进行培养以长出茯苓菌丝体,并将所述茯苓菌丝体接入添加有松木屑、小麦粒、麦麸、白糖、石灰和过磷酸钙的原种培养基中培养以得到茯苓菌丝引;
将松树剩余物粉碎后与玉米粒、米糠、红糖和豆渣混合,并加水调配以得到固体培养料后,将所述固体培养料装入聚乙烯袋制成茯苓栽培菌袋;
将所述茯苓栽培菌袋送入摇床内进行紫外照射并振荡后,放入孵箱内保温,再经冷却后得到灭菌后的茯苓栽培菌袋;
将所述茯苓菌丝引接入所述茯苓栽培菌袋内,并采用阶梯升温法培养至菌袋内长满菌丝以得到长满菌丝的茯苓栽培菌袋;
将松树蔸锄深使树桩和根部暴露在土外,并在地面下树桩上环挖掘凹槽,在所述凹槽上部的树桩圆周上间隔剥皮,再用无水乙醇对所述凹槽消毒;
将所述长满菌丝的茯苓栽培菌袋撕开一个开口后摆放于所述凹槽上,并用海带缠绕所述长满菌丝的茯苓栽培菌袋的外表面,以将所述长满菌丝的茯苓栽培菌袋绑在所述凹槽上,覆盖新鲜松针叶并加土培养;
在采收前预定时间段内拨开所述树桩剥皮处的覆土,在剥皮处沿纵向喷洒维生素、葡萄糖和水的混合液,然后再重新覆土培养至采收。
与现有技术相比,本申请提供的一种茯苓菌种的高效培育方法,其通过采用基于深度学习的机器视觉技术来对于茯苓菌丝生长状态监控视频进行分析,以提取出有关于茯苓菌丝生长状态的时序变化特征信息,以此来实现对阶梯升温的智能化精准控制,从而使得温度有利于茯苓菌丝的生长,以达到更加准确、高效的菌袋培养目的,提高茯苓栽培的产量和品质。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的茯苓菌种的高效培育方法的流程图;
图2为根据本申请实施例的茯苓菌种的高效培育方法的系统架构图;
图3为根据本申请实施例的茯苓菌种的高效培育方法的子步骤S4的流程图;
图4为根据本申请实施例的茯苓菌种的高效培育方法的子步骤S42的流程图;
图5为根据本申请实施例的茯苓菌种的高效培育方法的子步骤S423的流程图;
图6为根据本申请实施例的茯苓菌种的高效培育方法的子步骤S4232的流程图;
图7为根据本申请实施例的茯苓菌种的高效培育方法的场景示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
在本申请的技术方案中,提出了一种茯苓菌种的高效培育方法。图1为根据本申请实施例的茯苓菌种的高效培育方法的流程图。图2为根据本申请实施例的茯苓菌种的高效培育方法的系统架构图。如图1和图2所示,根据本申请的实施例的茯苓菌种的高效培育方法,包括步骤:S1,将茯苓肉接入PDA的培养基后放入培养箱内进行培养以长出茯苓菌丝体,并将所述茯苓菌丝体接入添加有松木屑、小麦粒、麦麸、白糖、石灰和过磷酸钙的原种培养基中培养以得到茯苓菌丝引;S2,将松树剩余物粉碎后与玉米粒、米糠、红糖和豆渣混合,并加水调配以得到固体培养料后,将所述固体培养料装入聚乙烯袋制成茯苓栽培菌袋;S3,将所述茯苓栽培菌袋送入摇床内进行紫外照射并振荡后,放入孵箱内保温,再经冷却后得到灭菌后的茯苓栽培菌袋;S4,将所述茯苓菌丝引接入所述茯苓栽培菌袋内,并采用阶梯升温法培养至菌袋内长满菌丝以得到长满菌丝的茯苓栽培菌袋;S5,将松树蔸锄深使树桩和根部暴露在土外,并在地面下树桩上环挖掘凹槽,在所述凹槽上部的树桩圆周上间隔剥皮,再用无水乙醇对所述凹槽消毒;S6,将所述长满菌丝的茯苓栽培菌袋撕开一个开口后摆放于所述凹槽上,并用海带缠绕所述长满菌丝的茯苓栽培菌袋的外表面,以将所述长满菌丝的茯苓栽培菌袋绑在所述凹槽上,覆盖新鲜松针叶并加土培养;S7,在采收前预定时间段内拨开所述树桩剥皮处的覆土,在剥皮处沿纵向喷洒维生素、葡萄糖和水的混合液,然后再重新覆土培养至采收。
具体地,在步骤S1中,将茯苓肉接入PDA的培养基后放入培养箱内进行培养以长出茯苓菌丝体,并将所述茯苓菌丝体接入添加有松木屑、小麦粒、麦麸、白糖、石灰和过磷酸钙的原种培养基中培养以得到茯苓菌丝引。茯苓菌丝体是指茯苓(学名:Poria cocos)真菌的菌丝形态。茯苓是一种常见的中药材,具有多种药用价值。茯苓真菌的菌丝体是其生长的主要形态,是一种细长的丝状结构,类似于细菌的纤维状结构。应可以理解,将茯苓菌丝体接入添加有松木屑、小麦粒、麦麸、白糖、石灰和过磷酸钙的原种培养基中培养可以提供适合茯苓真菌生长的营养环境。
PDA(Potato Dextrose Agar)是一种常用的微生物培养基,主要用于真菌的培养和繁殖。它的配方包括以下成分:1. 马铃薯提取物(Potato Extract):提供碳水化合物、氮源和维生素等营养物质。2. 葡萄糖(Dextrose):提供碳源,促进真菌的生长。3. 琼脂(Agar):作为凝固剂,使培养基凝固成固体状态,方便真菌的生长。
相应地,在一种可能的实现方式中,可通过以下步骤来将茯苓肉接入PDA的培养基后放入培养箱内进行培养以长出茯苓菌丝体,并将所述茯苓菌丝体接入添加有松木屑、小麦粒、麦麸、白糖、石灰和过磷酸钙的原种培养基中培养以得到茯苓菌丝引,例如,以下是将茯苓肉接入PDA培养基并培养茯苓菌丝体的步骤:
准备PDA培养基:按照PDA培养基的配方,将所需的成分(如蔗糖、琼脂等)加入适量的蒸馏水中,并进行搅拌和加热,直到完全溶解。然后将培养基倒入培养皿中,待其凝固;
准备茯苓肉:将茯苓肉切成较小的块状,清洗干净,并在消毒柜中进行消毒处理,以杀灭潜在的污染微生物;
接种茯苓肉:使用无菌操作的技术,将消毒后的茯苓肉块放置在凝固的PDA培养基表面上;
培养箱的设置:将培养皿放入预先设置好的培养箱中。培养箱应具备适当的温度(通常在25-30摄氏度之间)和湿度条件,以促进茯苓菌丝体的生长;
培养时间:将培养箱密封,并在适当的条件下(通常是暗处)培养茯苓菌丝体。培养时间因茯苓真菌的特性而异,通常需要数天到数周不等;
观察和收获:定期观察培养皿中的茯苓菌丝体生长情况。一旦茯苓菌丝体生长到适当的阶段,可以进行收获;
制备茯苓菌丝引:将茯苓菌丝体接入添加有松木屑、小麦粒、麦麸、白糖、石灰和过磷酸钙的原种培养基中进行培养。该培养基的配方可以根据具体需求进行调整,并根据茯苓真菌的特性进行优化。
具体地,在步骤S2中,将松树剩余物(如松树枝条、松毛等)粉碎后与玉米粒、米糠、红糖和豆渣混合,并加水调配以得到固体培养料后,将所述固体培养料装入聚乙烯袋制成茯苓栽培菌袋。应可以理解,玉米粒、米糠、红糖和豆渣与松树剩余物混合使用,能够提供养分和碳源供茯苓菌丝体生长。
聚乙烯袋是一种由聚乙烯(Polyethylene)制成的塑料袋。聚乙烯是一种常见的塑料材料,具有良好的柔韧性、耐用性和耐化学腐蚀性。聚乙烯袋通常具有透明或半透明的外观,可以用来储存、包装和运输各种物品。
相应地,在一种可能的实现方式中,可通过以下步骤将松树剩余物粉碎后与玉米粒、米糠、红糖和豆渣混合,并加水调配以得到固体培养料后,将所述固体培养料装入聚乙烯袋制成茯苓栽培菌袋,例如:选择健康的松树剩余物,将其修剪成小段,并使用研磨机或切割机将其粉碎成细小的碎片;准备好玉米粒、米糠、红糖和豆渣等原料。这些原料将与松树剩余物混合使用,提供养分和碳源供茯苓菌丝体生长;将松树剩余物粉碎物与玉米粒、米糠、红糖和豆渣等原料混合在一起。可以根据需要调整各种原料的比例,以满足茯苓菌丝体生长的需求;将适量的水加入混合物中,使其湿润但不过于湿润。搅拌混合物,确保水分均匀分布,使所有原料充分吸水;将调配好的固体培养料装入聚乙烯袋中。确保装入的料量适中,不要装得过满或过松;将袋口封口,可以使用热封机或者打结的方式进行密封,确保袋内环境相对密闭;将装有固体培养料的袋子放置在适宜的培养环境中,通常是温度适宜、湿度适中的环境。茯苓真菌对温度和湿度有一定的要求,具体的条件可以根据茯苓真菌的特性进行调整;根据茯苓真菌的生长速度和特性,通常需要在适宜的培养环境中培养一段时间,让茯苓菌丝体充分生长和繁殖。
具体地,在步骤S3中,将所述茯苓栽培菌袋送入摇床内进行紫外照射并振荡后,放入孵箱内保温,再经冷却后得到灭菌后的茯苓栽培菌袋。值得注意的是,茯苓栽培菌袋进行紫外照射能够起到杀灭细菌和真菌、防止病原菌感染、促进菌丝体生长等作用。需要注意的是,紫外照射的时间和强度应该控制在适当的范围内,以避免对茯苓菌丝体造成伤害。更具体地,将茯苓栽培菌袋放入孵箱内保温的作用是为了提供适宜的温度条件,促进茯苓菌丝体的生长和发育。茯苓真菌通常在适宜的温度范围内才能正常繁殖和产生茯苓菌丝体;冷却的作用是在茯苓菌丝体生长和发育的过程中,控制温度的下降,为茯苓菌丝体的形成提供条件;值得注意的是,保温和冷却的具体方法可以根据茯苓真菌的特性和培养条件进行调整,以确保茯苓菌丝体的正常生长和发育。
相应地,在一种可能的实现方式中,可通过以下步骤将所述茯苓栽培菌袋送入摇床内进行紫外照射并振荡后,放入孵箱内保温,再经冷却后得到灭菌后的茯苓栽培菌袋,例如:
准备一个摇床,确保其表面干净,并且能够提供均匀的振荡功能;
将茯苓栽培菌袋放入摇床:将制作好的茯苓栽培菌袋放入摇床内,确保袋子均匀分布在摇床上;
紫外照射:打开摇床上方的紫外灯,使其照射茯苓栽培菌袋。紫外照射可以帮助杀灭菌袋内的微生物,起到一定的灭菌作用。根据需要,可以调整照射时间和强度;
振荡:启动摇床的振荡功能,使茯苓栽培菌袋在紫外照射的同时进行振荡。振荡可以帮助均匀分布紫外照射,提高灭菌效果;
孵箱保温:将经过紫外照射和振荡的茯苓栽培菌袋放入孵箱中。调整孵箱的温度和湿度,提供适宜的环境条件,促进茯苓菌丝体的生长;
冷却:在一定的培养时间后,关闭孵箱的加热功能,让茯苓栽培菌袋逐渐冷却。冷却过程可以帮助茯苓菌丝体形成完整的菌丝网络,并有助于灭菌后的稳定;
得到灭菌后的茯苓栽培菌袋:经过冷却后,取出茯苓栽培菌袋。此时,茯苓栽培菌袋应该已经完成了灭菌过程,可以用于茯苓菌丝体的培养和繁殖。
具体地,在步骤S4中,将所述茯苓菌丝引接入所述茯苓栽培菌袋内,并采用阶梯升温法培养至菌袋内长满菌丝以得到长满菌丝的茯苓栽培菌袋。特别地,在本申请的一个具体示例中,如图3所示,所述步骤S4,包括:S41,通过摄像头采集所述茯苓菌丝生长状态监控视频;S42,对所述茯苓菌丝生长状态监控视频进行分析以得到茯苓菌丝生长状态特征向量;S43,基于所述茯苓菌丝生长状态特征向量,确定是否升温。
相应地,所述步骤S41,通过摄像头采集所述茯苓菌丝生长状态监控视频。在一个示例中,茯苓菌丝生长状态通常是白色或乳白色的细丝状物质,形成了一个密集的菌丝网络。菌丝体在培养基上逐渐扩展,并且可以观察到菌丝的延伸和分支。在适宜的条件下,茯苓菌丝会快速生长并覆盖整个培养基表面。应可以理解,通过摄像头能够通过对其拍摄的监控视频来反映所述茯苓菌丝的生长状态。值得注意的是,在摄像头的选型上,应选择清晰度高、能够多角度拍摄的摄像头为佳,
相应地,所述步骤S42,对所述茯苓菌丝生长状态监控视频进行分析以得到茯苓菌丝生长状态特征向量。特别地,在本申请的一个具体示例中,如图4所述,所述S42,包括:S421,对所述茯苓菌丝生长状态监控视频进行视频切分以得到多个茯苓菌丝生长状态监控切分视频片段;S422,分别对所述多个茯苓菌丝生长状态监控切分视频片段进行稀疏采样以得到多组茯苓菌丝生长状态监控图像帧的序列;S423,从所述多组茯苓菌丝生长状态监控图像帧的序列提取所述茯苓菌丝生长状态特征向量。
所述S421,对所述茯苓菌丝生长状态监控视频进行视频切分以得到多个茯苓菌丝生长状态监控切分视频片段。应可以理解,茯苓菌丝的生长过程是一个连续可观察的过程,通过对视频监控,可以观察到茯苓菌丝在不同时间点上的生长情况。而视频切分则可以将长时间的所述茯苓菌丝生长状态监控视频按照不同的时间段进行划分,使之变成多个片段或短时间的视频。这样,通过对原始视频进行分割,可以更加方便快捷地对茯苓菌丝的生长状态和过程进行实时监控,从而对于茯苓菌丝的不同生长状态和阶段采取不同的温度调控。
相应地,在一种可能的实现方式中,可通过以下步骤对所述茯苓菌丝生长状态监控视频进行视频切分以得到多个茯苓菌丝生长状态监控切分视频片段,例如:获得茯苓菌丝生长状态的监控视频;选择一个适合的视频切分工具,例如视频编辑软件或在线视频编辑器;打开选择的视频编辑工具,并导入茯苓菌丝生长状态监控视频;观察监控视频,找到需要切分的位置。你可以根据时间点或特定事件来确定切分点;使用视频编辑工具,在切分点处将视频切分为多个片段;将切分后的视频片段保存到你的计算机或云存储中,以备后续使用。
所述S422,分别对所述多个茯苓菌丝生长状态监控切分视频片段进行稀疏采样以得到多组茯苓菌丝生长状态监控图像帧的序列。考虑到由于所述多个茯苓菌丝生长状态监控切分视频片段具有着很多帧的图像,每个图像都包含有大量的数据信息量,包括有菌丝生长速度、菌丝分支情况、颜色以及形态等。因此,需要分别对所述多个茯苓菌丝生长状态监控切分视频片段进行稀疏采样以得到多组茯苓菌丝生长状态监控图像帧的序列,以此来选择相对较少的图像帧来代表茯苓菌丝整个生长过程的状态,达到快速、高效、准确地目标识别和分析的目的,从而在一定程度上降低数据处理的时间和成本。
相应地,在一种可能的实现方式中,可通过以下步骤分别对所述多个茯苓菌丝生长状态监控切分视频片段进行稀疏采样以得到多组茯苓菌丝生长状态监控图像帧的序列,例如:收集茯苓菌丝生长状态监控的视频片段,并将其切分成多个较小的片段,以便进行后续的稀疏采样;从每个视频片段中选择稀疏的关键帧进行采样。关键帧是视频中具有代表性的帧,可以有效地代表整个视频片段的内容。稀疏采样可以减少数据量,同时保留重要的信息;根据稀疏采样得到的关键帧,将其组合成茯苓菌丝生长状态监控的图像帧序列。每个图像帧代表一个特定时间点的茯苓菌丝生长状态;对得到的图像帧序列进行特征提取和分析。可以使用计算机视觉技术,如图像处理和机器学习算法,来提取茯苓菌丝生长状态的特征向量,并进行进一步的分析和研究。
所述S423,从所述多组茯苓菌丝生长状态监控图像帧的序列提取所述茯苓菌丝生长状态特征向量。 特别地,在本申请的一个具体示例中,如图5所示,所述S423,包括:S4231,通过基于深度神经网络模型的生长状态特征提取器分别对所述各组茯苓菌丝生长状态监控图像帧的序列进行特征提取以得到多个生长状态时序特征图;S4232,对所述多个生长状态时序特征图进行时序特征增强以得到所述茯苓菌丝生长状态特征向量。
所述S4231,通过基于深度神经网络模型的生长状态特征提取器分别对所述各组茯苓菌丝生长状态监控图像帧的序列进行特征提取以得到多个生长状态时序特征图。由于所述各组茯苓菌丝生长状态监控图像帧中关于茯苓菌丝的生长状态在时间维度上是不断变化的,也就是说,所述茯苓菌丝的生长状态特征在时间维度上具有着时序的关联关系。因此,将所述各组茯苓菌丝生长状态监控图像帧的序列分别通过基于三维卷积神经网络模型的生长状态特征提取器中进行特征提取,以提取出所述各组茯苓菌丝生长状态监控图像帧中关于茯苓菌丝的生长状态的时序动态关联特征信息,从而得到多个生长状态时序特征图。更具体地,使用所述基于深度神经网络模型的生长状态特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于深度神经网络模型的生长状态特征提取器的最后一层的输出为所述多个生长状态时序特征图,所述基于深度神经网络模型的生长状态特征提取器的第一层的输入为所述各组茯苓菌丝生长状态监控图像帧的序列。
深度神经网络模型是一种机器学习模型,它由多个神经网络层组成,每个层都包含多个神经元。这些神经元通过学习权重和偏置来对输入数据进行非线性变换和特征提取,从而实现对复杂模式的建模能力。深度神经网络模型在计算机视觉、自然语言处理、语音识别等领域取得了显著的成果。例如,在图像分类任务中,深度卷积神经网络(CNN)模型可以学习到图像的局部特征和全局结构,从而实现高准确率的分类。在自然语言处理任务中,循环神经网络(RNN)模型可以处理序列数据,并捕捉上下文信息。
所述S4232,对所述多个生长状态时序特征图进行时序特征增强以得到所述茯苓菌丝生长状态特征向量。特别地,在本申请的一个具体示例中,如图6所示,所述S4232,包括:S42321,对所述多个生长状态时序特征图进行特征分布优化以得到多个优化生长状态时序特征图;S42322,将所述多个优化生长状态时序特征图分别展开为生长状态时序特征向量以得到多个生长状态时序特征向量;S42323,将所述多个生长状态时序特征向量输入时间注意力模块以得到所述茯苓菌丝生长状态特征向量。
所述S42321,对所述多个生长状态时序特征图进行特征分布优化以得到多个优化生长状态时序特征图。特别地,在本申请的一个具体示例中,所述S42321,包括:通过基于场景约束定向偏导的自调谐结构化计算加权特征向量;以及,以所述加权特征向量对所述多个生长状态时序特征图的各个特征矩阵进行加权以得到所述多个优化生长状态时序特征图。
更具体地,通过基于场景约束定向偏导的自调谐结构化计算加权特征向量,应可以理解,在本申请的技术方案中,所述多个生长状态时序特征图是所述各组茯苓菌丝生长状态监控图像帧的序列分别通过基于三维卷积神经网络模型的生长状态特征提取器得到的,因此所述多个生长状态时序特征图中的每个在其通道维度上表达由所述三维卷积神经网络模型的三维卷积核提取的局部图像语义关联特征的时序方向关联。但是,考虑到所述多个生长状态时序特征图中的每个生长状态时序特征图都是一组茯苓菌丝生长状态监控图像帧的序列单独通过所述生长状态特征提取器提取的,因此期望使得所述多个生长状态时序特征图的特征图内的时序分布关联与特征图间的时序分布关联尽可能一致,从而提升所述多个生长状态时序特征图的全局时序分布关联表达效果,这样,也可以提升将所述多个生长状态时序特征图展开得到的所述多个生长状态时序特征向量在时间注意力机制下的局部时序强化效果。基于此,本申请的申请人考虑通过沿通道对所述多个生长状态时序特征图的各个特征矩阵进行加权的方式来提升所述多个生长状态时序特征图的全局时序特征分布关联效果,其中加权特征向量通过基于场景约束定向偏导的自调谐结构化来计算,具体计算过程如下:
首先将所述多个生长状态时序特征图的每个特征矩阵通道线性变换转换为的正方矩阵,其中/>是所述多个生长状态时序特征图中的每个特征图的通道数之和,这里,是所述转换后的特征图沿通道维度的第/>个特征矩阵,/>是所述转换后的特征图的每个特征矩阵全局池化得到的向量,/>是所述转换后的特征图的第/>个特征矩阵的第/>位置的特征值。
更具体地,以所述加权特征向量对所述多个生长状态时序特征图的各个特征矩阵进行加权以得到所述多个优化生长状态时序特征图,在本申请的技术方案中,以所述加权特征向量对于所述多个生长状态时序特征图的各个特征矩阵进行加权时,可以通过所述多个生长状态时序特征图的沿通道维度的每个静态场景矩阵相对于通道控制向量/>的自结构化约束,来使用用于表达通道维度关联的定向偏导向量对静态特征场景进行支持性自调谐,从而基于所述多个生长状态时序特征图的高维特征流形的与各个特征矩阵所表达的特征场景对应的特定凸多面体族(convex polytopes family)来进行高维特征流形的结构化,以提升各个特征矩阵的场景化的图像语义表达与通道维度的模型特征提取表达之间的显式关联,从而提升所述多个生长状态时序特征图的全局时序分布关联表达效果。这样,能够基于实际茯苓菌丝生长状态的变化情况来对阶梯升温进行智能化控制,从而使得温度适于茯苓菌丝的生长,以达到更加准确、高效的菌袋培养目的,提高茯苓栽培的产量和品质。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个生长状态时序特征图进行特征分布优化以得到多个优化生长状态时序特征图,例如:使用摄像头或其他视频录制设备,记录茯苓菌丝的生长过程。确保视频质量清晰,能够准确捕捉到茯苓菌丝的生长状态;由于茯苓菌丝的生长是一个连续的过程,为了方便处理和分析,需要对视频进行稀疏采样。选择一定的时间间隔,从视频中提取一系列图像帧,形成茯苓菌丝生长状态的图像帧序列;对于每个图像帧,使用图像处理和计算机视觉算法进行特征提取。常见的特征包括颜色特征、纹理特征、形状特征等。可以使用各种特征提取方法,如局部二值模式(LBP)、方向梯度直方图(HOG)等;将每个图像帧的特征组合成一个特征向量。可以使用简单的拼接方式,将所有特征按顺序连接成一个长向量,也可以使用更复杂的特征组合方法,如主成分分析(PCA)或线性判别分析(LDA);对于得到的特征向量,进行特征分布优化。可以使用聚类算法(如K-means)或分类算法(如支持向量机)来优化特征分布,使得不同生长状态的特征向量能够更好地区分开来;根据优化后的特征分布,对每个特征向量进行分类,将其归类到相应的生长状态中。可以使用不同的颜色或符号来表示不同的生长状态,形成优化后的生长状态时序特征图。
所述S42322,将所述多个优化生长状态时序特征图分别展开为生长状态时序特征向量以得到多个生长状态时序特征向量。应可以理解,为了精准实现对升温的自适应控制,需要关注到茯苓菌丝在预定时间段内的生长状态变化情况。并且,考虑到由于所述茯苓菌丝的生长状态特征在时间维度上具有着时序关联性关系,同时,每个时间点下关于所述茯苓菌丝的生长状态特征的重要性并不相同。因此,在本申请的技术方案中,进一步将所述多个生长状态时序特征图分别展开为生长状态时序特征向量以实现降维来得到多个生长状态时序特征向量。
相应地,在一种可能的实现方式中,可通过以下步骤将所述多个优化生长状态时序特征图分别展开为生长状态时序特征向量以得到多个生长状态时序特征向量,例如:步骤1,准备茯苓菌丝体的生长状态时序特征图序列。这些特征图可以是通过摄像头监控得到的茯苓菌丝体生长状态的图像帧序列;步骤2,对于每个特征图,进行特征提取和分析,得到对应的生长状态时序特征向量。特征提取可以使用各种计算机视觉和图像处理技术,例如边缘检测、纹理分析、颜色特征提取等;步骤3,将每个生长状态时序特征图展开为生长状态时序特征向量。展开可以采用多种方法,例如将特征图的像素值按行或按列排列成一维向量,或者使用更高级的方法,如主成分分析(PCA)或小波变换;重复步骤2和步骤3,直到将所有的生长状态时序特征图都展开为对应的生长状态时序特征向量。
所述S42323,将所述多个生长状态时序特征向量输入时间注意力模块以得到所述茯苓菌丝生长状态特征向量。也就是,将所述多个生长状态时序特征向量输入时间注意力模块中进行时间注意力增强以得到茯苓菌丝生长状态特征向量。应可以理解,时间注意力机制(Temporal Attention Mechanism)是指在模型中引入一定权重分配和平衡机制,依据所到达的时间点来分别加重或降低前面的参与度,并最终形成针对于不同时间点的茯苓菌丝的生长状态特征信息。也就是说,通过采用所述时间注意力机制能够针对于不同时间点的茯苓菌丝的生长状态特征赋予其对应的权重,从而能够更准确的反映茯苓菌丝的生长状态在各个时间点的特征表现,最终得到所述茯苓菌丝生长状态特征向量,有利于提高后续对于阶梯升温的控制精度。
相应地,在一种可能的实现方式中,可通过以下步骤将所述多个生长状态时序特征向量输入时间注意力模块以得到所述茯苓菌丝生长状态特征向量,例如:将多个生长状态时序特征向量作为输入传递给时间注意力模块。时间注意力模块是一种用于处理序列数据的模型,它可以对不同时间步的特征进行加权,以提取关键的时间信息;在时间注意力模块中,首先对每个生长状态时序特征向量进行一次线性变换,将其映射到一个新的特征空间。这可以通过矩阵乘法实现,其中权重矩阵是可学习的参数;对映射后的特征向量应用激活函数,以引入非线性变换。常用的激活函数包括ReLU、sigmoid和tanh等;计算每个映射后的特征向量的注意力权重。注意力权重可以根据特征向量的重要性进行自适应调整,以捕捉关键的时间信息。常用的注意力机制包括softmax注意力和门控注意力;将注意力权重与映射后的特征向量相乘,得到加权后的特征向量;将加权后的特征向量进行求和或平均,得到茯苓菌丝生长状态特征向量。这个特征向量包含了多个生长状态时序特征向量的综合信息,可以用于进一步的分析和应用。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个生长状态时序特征图进行时序特征增强以得到所述茯苓菌丝生长状态特征向量,例如:将茯苓菌丝生长状态的图像帧序列转换为时序特征图。可以使用不同的方法,如光流法、差分法等,将连续的图像帧之间的差异提取出来,生成表示时序变化的图像;对生成的时序特征图进行增强处理,以凸显茯苓菌丝生长状态的特征。可以使用滤波器、增强算法等对图像进行处理,以增强图像的对比度、边缘等特征;对增强后的时序特征图进行特征提取,可以使用计算机视觉的方法,如形状特征、纹理特征、颜色特征等。同样,可以使用SIFT、HOG、LBP等算法进行特征提取;将每个时序特征图提取到的特征组合成一个特征向量。可以使用简单的拼接方式,将所有特征按顺序连接在一起,也可以使用降维算法如PCA或LDA进行特征降维;对构建的特征向量进行分析和处理,可以使用机器学习算法或统计方法,如聚类、分类、回归等,以获得有关茯苓菌丝生长状态的更深入的信息。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式从所述多组茯苓菌丝生长状态监控图像帧的序列提取所述茯苓菌丝生长状态特征向量,例如:使用摄像头或其他图像采集设备,连续拍摄茯苓菌丝生长状态的图像帧序列;对采集到的图像帧进行预处理,包括去噪、图像增强、图像校正等操作,以提高后续特征提取的准确性;对预处理后的图像帧进行特征提取,可以使用计算机视觉的方法,如形状特征、纹理特征、颜色特征等。常用的特征提取算法包括SIFT、HOG、LBP等;将每个图像帧提取到的特征组合成一个特征向量。可以使用简单的拼接方式,将所有特征按顺序连接在一起,也可以使用更复杂的方法,如主成分分析(PCA)或线性判别分析(LDA)等降维算法;对构建的特征向量进行分析和处理,可以使用机器学习算法或统计方法,如聚类、分类、回归等,以获得有关茯苓菌丝生长状态的更深入的信息。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述茯苓菌丝生长状态监控视频进行分析以得到茯苓菌丝生长状态特征向量,例如:对茯苓菌丝生长状态监控视频进行预处理,包括去除噪声、调整亮度和对比度等,以提高后续分析的准确性和效果;从预处理后的视频中提取关键帧。关键帧是具有代表性的帧,可以有效地代表整个视频的内容。可以使用图像处理算法,如帧差法或基于光流的方法,来提取关键帧;对提取的关键帧进行特征提取。可以使用计算机视觉技术,如颜色特征、纹理特征和形状特征等,来描述茯苓菌丝的生长状态。常用的特征提取方法包括灰度共生矩阵、方向梯度直方图和形态学等将从关键帧提取的特征组合成特征向量。特征向量是对茯苓菌丝生长状态的数值化表示,可以用于后续的分析和比较。可以使用特征降维方法,如主成分分析(PCA)或线性判别分析(LDA),来减少特征向量的维度;对生成的特征向量进行进一步的分析。可以使用机器学习算法,如聚类算法、分类算法或回归算法,来对茯苓菌丝的生长状态进行分类、预测或比较。
相应地,所述步骤S43,基于所述茯苓菌丝生长状态特征向量,确定是否升温。特别地,在本申请的一个具体示例中,所述S43,包括:将所述茯苓菌丝生长状态特征向量通过分类器以得到分类结果,所述分类结果用于表示是否升温。分类器是一种机器学习算法,用于将输入数据分成不同的类别。分类器的目标是学习一个从输入到输出的映射函数,使得输入数据可以被正确分类到已知的类别中。常见的分类器包括决策树、朴素贝叶斯、支持向量机、逻辑回归等。这些分类器都有自己的优点和适用范围,可以根据具体的问题选择合适的分类器。
根据本申请的实施例,将所述茯苓菌丝生长状态特征向量通过分类器以得到分类结果,所述分类结果用于表示是否升温。更具体地,使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。在本申请的技术方案中,所述分类器的标签包括继续升温(第一标签),以及,不继续升温(第二标签),其中,所述分类器通过软最大值函数来确定所述茯苓菌丝生长状态特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否升温”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2 之和为一。因此,是否升温的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否升温”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否升温的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地进行升温控制,从而使得温度适于茯苓菌丝的生长,以达到更加准确、高效的菌袋培养目的。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述茯苓菌丝生长状态特征向量,确定是否升温,例如:使用适当的特征选择方法从茯苓菌丝生长状态特征向量中选择与温度相关的特征。这可以通过统计分析、相关性分析、特征重要性评估等方法来确定;对所选的与温度相关的特征进行预处理,例如归一化或标准化,以确保它们具有相似的尺度和范围;根据所选的特征,建立一个分类或回归模型来预测是否需要升温。如果问题是二分类问题(需要升温或不需要升温),可以使用二分类模型,如逻辑回归、支持向量机(SVM)或决策树。如果问题是回归问题(需要升温的具体温度),可以使用回归模型,如线性回归、岭回归或神经网络;将茯苓菌丝生长状态特征向量作为输入,根据模型的要求进行预测。对于分类模型,可以得到一个二进制的预测结果(需要升温或不需要升温)。对于回归模型,可以得到一个数值型的预测结果(需要升温的具体温度);根据预测结果,确定是否需要升温。如果是分类模型,可以根据预测结果的阈值进行判断。如果是回归模型,可以根据预测结果与设定的升温阈值进行比较。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式将所述茯苓菌丝引接入所述茯苓栽培菌袋内,并采用阶梯升温法培养至菌袋内长满菌丝以得到长满菌丝的茯苓栽培菌袋,例如:准备茯苓菌丝和茯苓栽培菌袋。引接茯苓菌丝。阶梯升温法培养:将装有茯苓菌丝的菌袋放入孵箱内;设置温度控制器,按照阶梯升温法进行温度调控;首先,将温度设定为较低的温度(例如20摄氏度)并保持一段时间,促进茯苓菌丝的生长;逐渐提高温度,每隔一段时间(例如1-2周)增加一次,直到达到适宜茯苓菌丝生长的温度(例如28摄氏度);在每次升温之后,保持温度稳定一段时间,以便茯苓菌丝充分生长和发育。菌袋内长满菌丝:在适宜温度下继续培养茯苓栽培菌袋,直到菌袋内茯苓菌丝长满整个袋子。
具体地,在步骤S5中,将松树蔸锄深使树桩和根部暴露在土外,并在地面下树桩上环挖掘凹槽,在所述凹槽上部的树桩圆周上间隔剥皮,再用无水乙醇对所述凹槽消毒。无水乙醇是一种常用的消毒剂,它具有很强的杀菌作用。无水乙醇能够破坏细菌的细胞膜和蛋白质,从而有效地杀死细菌和病毒。
相应地,在一种可能的实现方式中,可通过以下步骤将松树蔸锄深使树桩和根部暴露在土外,并在地面下树桩上环挖掘凹槽,在所述凹槽上部的树桩圆周上间隔剥皮,再用无水乙醇对所述凹槽消毒,例如:
准备工具:蔸锄、铲子、锯子、刮刀、无水乙醇等;
定位树桩:确定要处理的松树树桩位置;
蔸锄深挖:使用蔸锄将土壤深挖,使树桩和根部暴露在土外。注意要小心操作,以免损坏根部;
环挖凹槽:在地面下树桩的上部环形挖掘一个凹槽。凹槽的深度可以根据需要调整,通常建议挖掘到树皮下面;
间隔剥皮:在凹槽上部的树桩圆周上间隔剥皮。使用刮刀或类似工具小心地将树皮剥离,确保剥皮的间隔均匀;
消毒处理:使用无水乙醇对凹槽进行消毒。可以使用喷雾瓶或棉球蘸取无水乙醇,均匀地涂抹在凹槽内。
具体地,在步骤S6中,将所述长满菌丝的茯苓栽培菌袋撕开一个开口后摆放于所述凹槽上,并用海带缠绕所述长满菌丝的茯苓栽培菌袋的外表面,以将所述长满菌丝的茯苓栽培菌袋绑在所述凹槽上,覆盖新鲜松针叶并加土培养。值得注意的是,海带缠绕是一种常见的茯苓栽培方法,通过将茯苓菌丝体培养在海带上,使其在海带表面形成茯苓菌丝体的菌丝网。茯苓菌丝体会在菌丝网上生长,并吸收海带的养分来进行营养。将长满菌丝的茯苓栽培菌袋绑在凹槽上,并覆盖新鲜松针叶并加土培养,可以起到提供营养、保持湿润、提供支撑以及保护作用。
相应地,在一种可能的实现方式中,可通过以下步骤将所述长满菌丝的茯苓栽培菌袋撕开一个开口后摆放于所述凹槽上,并用海带缠绕所述长满菌丝的茯苓栽培菌袋的外表面,以将所述长满菌丝的茯苓栽培菌袋绑在所述凹槽上,覆盖新鲜松针叶并加土培养,例如:准备材料,茯苓菌丝体、茯苓栽培菌袋、海带、新鲜松针叶、土壤;将茯苓栽培菌袋撕开一个开口,使其成为一个开口袋状;将撕开的茯苓栽培菌袋摆放在凹槽上,确保菌袋与凹槽紧密贴合;使用海带将茯苓栽培菌袋的外表面进行缠绕,以固定菌袋在凹槽上;覆盖茯苓栽培菌袋的外表面和凹槽周围的区域,使用新鲜的松针叶;在覆盖的松针叶上加入适量的土壤,以提供营养和保持湿润;确保茯苓栽培菌袋周围的环境湿度适宜,并保持适当的通风;定期检查茯苓的生长状态,观察菌丝体的生长情况;在茯苓生长过程中,定期补充水分和必要的养分。
具体地,在步骤S7中,在采收前预定时间段内拨开所述树桩剥皮处的覆土,在剥皮处沿纵向喷洒维生素、葡萄糖和水的混合液,然后再重新覆土培养至采收。值得注意的是,在采收前预定时间段内拨开树桩剥皮处的覆土,并喷洒维生素、葡萄糖和水的混合液,然后重新覆土培养茯苓菌丝体,可以起到以下几个作用:保护茯苓菌丝体、提供营养、保持湿润,喷洒水的混合液可以增加培养环境的湿度,保持菌丝体所需的适宜湿度,有利于其正常生长、提供支撑。
相应地,在一种可能的实现方式中,可通过以下步骤在采收前预定时间段内拨开所述树桩剥皮处的覆土,在剥皮处沿纵向喷洒维生素、葡萄糖和水的混合液,然后再重新覆土培养至采收,例如:
确定采收前的时间段:根据茯苓的生长周期和采收要求,确定采收前的时间段。通常在茯苓成熟但未完全硬化之前进行处理;
拨开树桩剥皮处的覆土:使用工具(如小铲子或手套)轻轻地将覆土从树桩剥皮处拨开,露出茯苓的部分。注意不要损伤茯苓的菌丝体;
准备混合液:准备维生素、葡萄糖和水的混合液。可以按照一定比例混合,以提供营养和保持湿润。具体比例可以根据茯苓的需求和推荐的配方来确定;
喷洒混合液:使用喷雾器或喷壶,沿着茯苓的纵向均匀喷洒混合液。确保混合液能够充分覆盖茯苓的表面;
重新覆土培养:在喷洒混合液后,将覆土重新覆盖在茯苓上方,保持适当的湿度和温度。覆土的厚度应该足够保护茯苓并提供支撑;
维持适宜的环境条件:在采收前的时间段内,继续维持适宜的环境条件,包括适当的温度和湿度等。这有助于茯苓的正常生长和发育;
采收:在预定的采收时间到达时,根据采收的标准和方法进行茯苓的采收。
图7为根据本申请实施例的茯苓菌种的高效培育方法的场景示意图。如图7所示,在该应用场景中,通过摄像头例如,如图7中所示意的C)获取茯苓菌丝生长状态监控视频。接着,将上述监控视频输入至部署有用于茯苓菌种的高效培育算法的服务器(例如,图7中的S)中,其中,所述服务器能够以所述茯苓菌种的高效培育算法对上述输入的视频进行处理,以生成用于表示是否升温的分类结果。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种茯苓菌种的高效培育方法,其特征在于,包括:
将茯苓肉接入PDA的培养基后放入培养箱内进行培养以长出茯苓菌丝体,并将所述茯苓菌丝体接入添加有松木屑、小麦粒、麦麸、白糖、石灰和过磷酸钙的原种培养基中培养以得到茯苓菌丝引;
将松树剩余物粉碎后与玉米粒、米糠、红糖和豆渣混合,并加水调配以得到固体培养料后,将所述固体培养料装入聚乙烯袋制成茯苓栽培菌袋;
将所述茯苓栽培菌袋送入摇床内进行紫外照射并振荡后,放入孵箱内保温,再经冷却后得到灭菌后的茯苓栽培菌袋;
将所述茯苓菌丝引接入所述茯苓栽培菌袋内,并采用阶梯升温法培养至菌袋内长满菌丝以得到长满菌丝的茯苓栽培菌袋;
将松树蔸锄深使树桩和根部暴露在土外,并在地面下树桩上环挖掘凹槽,在所述凹槽上部的树桩圆周上间隔剥皮,再用无水乙醇对所述凹槽消毒;
将所述长满菌丝的茯苓栽培菌袋撕开一个开口后摆放于所述凹槽上,并用海带缠绕所述长满菌丝的茯苓栽培菌袋的外表面,以将所述长满菌丝的茯苓栽培菌袋绑在所述凹槽上,覆盖新鲜松针叶并加土培养;
在采收前预定时间段内拨开所述树桩剥皮处的覆土,在剥皮处沿纵向喷洒维生素、葡萄糖和水的混合液,然后再重新覆土培养至采收;
将所述茯苓菌丝引接入所述茯苓栽培菌袋内,并采用阶梯升温法培养至菌袋内长满菌丝以得到长满菌丝的茯苓栽培菌袋,包括:
通过摄像头采集所述茯苓菌丝生长状态监控视频;
对所述茯苓菌丝生长状态监控视频进行分析以得到茯苓菌丝生长状态特征向量;
基于所述茯苓菌丝生长状态特征向量,确定是否升温;
对所述茯苓菌丝生长状态监控视频进行分析以得到茯苓菌丝生长状态特征向量,包括:
对所述茯苓菌丝生长状态监控视频进行视频切分以得到多个茯苓菌丝生长状态监控切分视频片段;
分别对所述多个茯苓菌丝生长状态监控切分视频片段进行稀疏采样以得到多组茯苓菌丝生长状态监控图像帧的序列;
从所述多组茯苓菌丝生长状态监控图像帧的序列提取所述茯苓菌丝生长状态特征向量;
从所述多组茯苓菌丝生长状态监控图像帧的序列提取所述茯苓菌丝生长状态特征向量,包括:
通过基于深度神经网络模型的生长状态特征提取器分别对所述各组茯苓菌丝生长状态监控图像帧的序列进行特征提取以得到多个生长状态时序特征图;
对所述多个生长状态时序特征图进行时序特征增强以得到所述茯苓菌丝生长状态特征向量;
对所述多个生长状态时序特征图进行时序特征增强以得到茯苓菌丝生长状态特征向量,包括:
对所述多个生长状态时序特征图进行特征分布优化以得到多个优化生长状态时序特征图;
将所述多个优化生长状态时序特征图分别展开为生长状态时序特征向量以得到多个生长状态时序特征向量;
将所述多个生长状态时序特征向量输入时间注意力模块以得到所述茯苓菌丝生长状态特征向量;
对所述多个生长状态时序特征图进行特征分布优化以得到多个优化生长状态时序特征图,包括:
通过基于场景约束定向偏导的自调谐结构化计算加权特征向量;以及
以所述加权特征向量对所述多个生长状态时序特征图的各个特征矩阵进行加权以得到所述多个优化生长状态时序特征图。
2.根据权利要求1所述的茯苓菌种的高效培育方法,其特征在于,所述深度神经网络模型为三维卷积神经网络模型。
3. 根据权利要求2所述的茯苓菌种的高效培育方法,其特征在于,通过基于场景约束定向偏导的自调谐结构化计算加权特征向量,包括:
将所述多个生长状态时序特征图的每个特征矩阵进行通道线性变换转换为正方矩阵以得到多个转换后特征图;以及
基于所述多个转换后全局浅层特征图,通过基于场景约束定向偏导的自调谐结构化以如下优化公式计算所述加权特征向量;
其中,所述优化公式为:
;
其中,是所述各个转换后特征图沿通道维度的第/>个特征矩阵,是所述各个转换后特征图沿通道维度的每个特征矩阵全局池化得到的向量,/>是所述各个转换后特征图沿通道维度的第/>个特征矩阵的第/>位置的特征值,/>、/>和/>分别表示按位置加法、减法和乘法,/>是所述权特征向量。
4.根据权利要求3所述的茯苓菌种的高效培育方法,其特征在于,基于所述茯苓菌丝生长状态特征向量,确定是否升温,包括:将所述茯苓菌丝生长状态特征向量通过分类器以得到分类结果,所述分类结果用于表示是否升温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924917.XA CN116636423B (zh) | 2023-07-26 | 2023-07-26 | 一种茯苓菌种的高效培育方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310924917.XA CN116636423B (zh) | 2023-07-26 | 2023-07-26 | 一种茯苓菌种的高效培育方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116636423A CN116636423A (zh) | 2023-08-25 |
CN116636423B true CN116636423B (zh) | 2023-09-26 |
Family
ID=87625093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310924917.XA Active CN116636423B (zh) | 2023-07-26 | 2023-07-26 | 一种茯苓菌种的高效培育方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116636423B (zh) |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4316245A (en) * | 1973-11-30 | 1982-02-16 | Compagnie Honeywell Bull | Apparatus and method for semaphore initialization in a multiprocessing computer system for process synchronization |
CN101491194A (zh) * | 2009-02-27 | 2009-07-29 | 云南农业大学 | 一种高效环保茯苓的栽培方法 |
CN102934586A (zh) * | 2012-11-22 | 2013-02-20 | 福建省农业科学院食用菌研究所 | 一种低碳高产栽培茯苓的方法 |
CN102960197A (zh) * | 2012-12-17 | 2013-03-13 | 东北农业大学 | 一种适用于植物工厂化生产的立体式智能育秧机器人平台 |
CN104838889A (zh) * | 2015-05-24 | 2015-08-19 | 黄胜 | 一种茯苓的栽种方法 |
KR20170098509A (ko) * | 2016-02-22 | 2017-08-30 | 강원도 | 그루터기 접종법을 이용한 복령의 대량 생산방법 |
CN108152855A (zh) * | 2017-12-14 | 2018-06-12 | 西南石油大学 | 一种基于eemd-svd的地震流体识别方法 |
CN110458165A (zh) * | 2019-08-14 | 2019-11-15 | 贵州大学 | 一种引入注意力机制的自然场景文本检测方法 |
CN111476149A (zh) * | 2020-04-03 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 一种植物培育控制方法和系统 |
CN111676365A (zh) * | 2020-06-09 | 2020-09-18 | 邯郸钢铁集团有限责任公司 | 一种基于lstm的过渡钢卷退火温度设定值的预测方法 |
WO2021035807A1 (zh) * | 2019-08-23 | 2021-03-04 | 深圳大学 | 一种融合光流信息和Siamese框架的目标跟踪方法及装置 |
CN112839196A (zh) * | 2020-12-30 | 2021-05-25 | 北京橙色云科技有限公司 | 一种实现在线会议的方法、装置以及存储介质 |
CN113310514A (zh) * | 2021-05-24 | 2021-08-27 | 广州大气候农业科技有限公司 | 一种农作物生长状况检测方法、系统、装置及存储介质 |
CN113383673A (zh) * | 2021-07-07 | 2021-09-14 | 云茯苓普洱有限公司 | 一种茯苓种植营养包的配置方法 |
CN113627266A (zh) * | 2021-07-15 | 2021-11-09 | 武汉大学 | 基于Transformer时空建模的视频行人重识别方法 |
CN216982681U (zh) * | 2021-09-26 | 2022-07-19 | 中国科学院合肥物质科学研究院 | 一种条状基质槽乔木扦插机器人 |
WO2022175970A1 (en) * | 2021-02-17 | 2022-08-25 | Waycool Foods And Products Private Limited | System and method for determining one or more agri-measures |
CN115049944A (zh) * | 2022-06-02 | 2022-09-13 | 北京航空航天大学 | 一种基于多任务优化的小样本遥感图像目标检测方法 |
CN115294518A (zh) * | 2022-07-18 | 2022-11-04 | 广东省农业科学院环境园艺研究所 | 一种园艺植物温室精准栽培的智能监控方法及系统 |
CN115422970A (zh) * | 2022-08-29 | 2022-12-02 | 华能国际电力开发公司吉林通榆风电分公司 | 陆上风机运行状态监控系统及其方法 |
WO2022261247A1 (en) * | 2021-06-08 | 2022-12-15 | Optios, Inc. | Measuring, strengthening, and adaptively responding to physiological/neurophysiological states |
CN115529987A (zh) * | 2022-11-30 | 2022-12-30 | 中化现代农业有限公司 | 作物设施的风口调控方法、装置、设备及存储介质 |
CN115690635A (zh) * | 2021-07-21 | 2023-02-03 | 广州视源电子科技股份有限公司 | 视频的处理方法、装置、计算机存储介质及智能交互平板 |
CN115872791A (zh) * | 2022-12-07 | 2023-03-31 | 长兴兴德生物科技有限公司 | 绿色环保有机肥生产工艺及其控制系统 |
CN116100171A (zh) * | 2022-12-15 | 2023-05-12 | 东莞市新法拉数控设备有限公司 | 非金属激光切割机及其控制方法 |
CN116228657A (zh) * | 2022-12-27 | 2023-06-06 | 云南农业大学 | 一种基于OpenCV和模糊数学的茶叶病害程度分析方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102919057A (zh) * | 2012-11-23 | 2013-02-13 | 贵溪克勤百合茯苓种植专业合作社 | 一种用松树蔸种植茯苓的方法 |
US11880770B2 (en) * | 2018-08-31 | 2024-01-23 | Intel Corporation | 3D object recognition using 3D convolutional neural network with depth based multi-scale filters |
US10824949B2 (en) * | 2018-09-27 | 2020-11-03 | Babylon Partners Limited | Method and system for extracting information from graphs |
CA3188650A1 (en) * | 2020-07-16 | 2022-01-20 | Climate Llc | Computer vision-based yield-to-picking area mapping for horticultural product |
-
2023
- 2023-07-26 CN CN202310924917.XA patent/CN116636423B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4316245A (en) * | 1973-11-30 | 1982-02-16 | Compagnie Honeywell Bull | Apparatus and method for semaphore initialization in a multiprocessing computer system for process synchronization |
CN101491194A (zh) * | 2009-02-27 | 2009-07-29 | 云南农业大学 | 一种高效环保茯苓的栽培方法 |
CN102934586A (zh) * | 2012-11-22 | 2013-02-20 | 福建省农业科学院食用菌研究所 | 一种低碳高产栽培茯苓的方法 |
CN102960197A (zh) * | 2012-12-17 | 2013-03-13 | 东北农业大学 | 一种适用于植物工厂化生产的立体式智能育秧机器人平台 |
CN104838889A (zh) * | 2015-05-24 | 2015-08-19 | 黄胜 | 一种茯苓的栽种方法 |
KR20170098509A (ko) * | 2016-02-22 | 2017-08-30 | 강원도 | 그루터기 접종법을 이용한 복령의 대량 생산방법 |
CN108152855A (zh) * | 2017-12-14 | 2018-06-12 | 西南石油大学 | 一种基于eemd-svd的地震流体识别方法 |
CN110458165A (zh) * | 2019-08-14 | 2019-11-15 | 贵州大学 | 一种引入注意力机制的自然场景文本检测方法 |
WO2021035807A1 (zh) * | 2019-08-23 | 2021-03-04 | 深圳大学 | 一种融合光流信息和Siamese框架的目标跟踪方法及装置 |
CN111476149A (zh) * | 2020-04-03 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 一种植物培育控制方法和系统 |
CN111676365A (zh) * | 2020-06-09 | 2020-09-18 | 邯郸钢铁集团有限责任公司 | 一种基于lstm的过渡钢卷退火温度设定值的预测方法 |
CN112839196A (zh) * | 2020-12-30 | 2021-05-25 | 北京橙色云科技有限公司 | 一种实现在线会议的方法、装置以及存储介质 |
WO2022175970A1 (en) * | 2021-02-17 | 2022-08-25 | Waycool Foods And Products Private Limited | System and method for determining one or more agri-measures |
CN113310514A (zh) * | 2021-05-24 | 2021-08-27 | 广州大气候农业科技有限公司 | 一种农作物生长状况检测方法、系统、装置及存储介质 |
WO2022261247A1 (en) * | 2021-06-08 | 2022-12-15 | Optios, Inc. | Measuring, strengthening, and adaptively responding to physiological/neurophysiological states |
CN113383673A (zh) * | 2021-07-07 | 2021-09-14 | 云茯苓普洱有限公司 | 一种茯苓种植营养包的配置方法 |
CN113627266A (zh) * | 2021-07-15 | 2021-11-09 | 武汉大学 | 基于Transformer时空建模的视频行人重识别方法 |
CN115690635A (zh) * | 2021-07-21 | 2023-02-03 | 广州视源电子科技股份有限公司 | 视频的处理方法、装置、计算机存储介质及智能交互平板 |
CN216982681U (zh) * | 2021-09-26 | 2022-07-19 | 中国科学院合肥物质科学研究院 | 一种条状基质槽乔木扦插机器人 |
CN115049944A (zh) * | 2022-06-02 | 2022-09-13 | 北京航空航天大学 | 一种基于多任务优化的小样本遥感图像目标检测方法 |
CN115294518A (zh) * | 2022-07-18 | 2022-11-04 | 广东省农业科学院环境园艺研究所 | 一种园艺植物温室精准栽培的智能监控方法及系统 |
CN115422970A (zh) * | 2022-08-29 | 2022-12-02 | 华能国际电力开发公司吉林通榆风电分公司 | 陆上风机运行状态监控系统及其方法 |
CN115529987A (zh) * | 2022-11-30 | 2022-12-30 | 中化现代农业有限公司 | 作物设施的风口调控方法、装置、设备及存储介质 |
CN115872791A (zh) * | 2022-12-07 | 2023-03-31 | 长兴兴德生物科技有限公司 | 绿色环保有机肥生产工艺及其控制系统 |
CN116100171A (zh) * | 2022-12-15 | 2023-05-12 | 东莞市新法拉数控设备有限公司 | 非金属激光切割机及其控制方法 |
CN116228657A (zh) * | 2022-12-27 | 2023-06-06 | 云南农业大学 | 一种基于OpenCV和模糊数学的茶叶病害程度分析方法 |
Non-Patent Citations (5)
Title |
---|
Morphological development of Aspergillus niger in submerged citric acid fermentation as a function of the spore inoculum level. Application of neural network and cluster analysis for characterization of mycelial morphology;Papagianni;MICROBIAL;第5卷(第1期);1475-2859 * |
云南不同产地茯苓总三萜含量测定;刘鸿高;中国食用菌;第31卷(第01期);33-34 * |
杏鲍菇菌丝生长期关键环境因子的调控策略研究;张康;中国优秀硕士学位论文全文数据库电子期刊信息科技辑(第第1期期);I140-2380 * |
面向工厂化褐菇种植的智能蘑菇采摘机器人设计;张俊;中国优秀硕士论文电子期刊网信息科技辑(第第8期期);D044-33 * |
面向视频行人重识别的关键特征提取与增强方法研究;吴慧诗;中国优秀硕士论文电子期刊网信息科技辑(第2期);40-50 * |
Also Published As
Publication number | Publication date |
---|---|
CN116636423A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bates et al. | Biology and utilization of the Cucurbitaceae | |
Boniecki et al. | Neural identification of selected apple pests | |
Patil et al. | Grading and sorting technique of dragon fruits using machine learning algorithms | |
de Luna et al. | Tomato growth stage monitoring for smart farm using deep transfer learning with machine learning-based maturity grading. | |
Bhujel et al. | Detection of gray mold disease and its severity on strawberry using deep learning networks | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
Cao et al. | Recognition of common insect in field based on deep learning | |
De La Croix et al. | Fuzzy logic-based shiitake mushroom farm control for harvest enhancement | |
Kumar et al. | Analysis of apple plant leaf diseases detection and classification: A review | |
Rajeshram et al. | Leaf Diseases Prediction Pest Detection and Pesticides Recommendation using Deep Learning Techniques | |
Metre et al. | Reviewing important aspects of plant leaf disease detection and classification | |
CN116636423B (zh) | 一种茯苓菌种的高效培育方法 | |
Negrete | Artificial neural networks in mexican agriculture, A overview | |
KR102393265B1 (ko) | 버섯 병해충 검출 시스템 | |
Zualkernan et al. | Machine Learning for Precision Agriculture Using Imagery from Unmanned Aerial Vehicles (UAVs): A Survey. Drones 2023, 7, 382 | |
Kavithamani et al. | Investigation of Deep learning for whitefly identification in coconut tree leaves | |
Lakshmi et al. | Advanced Stevia Disease Detection Using Deep Learning | |
WO2021067847A1 (en) | Agricultural platforms | |
Tanwar et al. | Classification of multiple maize leaf diseases using a blended convolutional neural network | |
Priya et al. | IoT based agriculture robot using neural networks | |
Sonali et al. | Improved Deep Learning-Based Classifier for Detection and Classification of Aloe Barbadensis Miller Disease | |
Sun et al. | Machine Vision Based Phenotype Recognition of Plant and Animal | |
Fernando et al. | Machine Learning to Aid in the Process of Disease Detection and Management in Soilless Farming | |
Anusha et al. | Intelligent Recognition of Leaf Abnormalities Using Deep Learning Method | |
Tajudin et al. | Classification of Oyster mushroom diseases in Brunei |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |