[go: up one dir, main page]

CN119359755B - 一种石斛原球茎干细胞无激素培养生长监测方法 - Google Patents

一种石斛原球茎干细胞无激素培养生长监测方法

Info

Publication number
CN119359755B
CN119359755B CN202411388366.0A CN202411388366A CN119359755B CN 119359755 B CN119359755 B CN 119359755B CN 202411388366 A CN202411388366 A CN 202411388366A CN 119359755 B CN119359755 B CN 119359755B
Authority
CN
China
Prior art keywords
culture
dendrobium
stem cells
growth
protocorm
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
Application number
CN202411388366.0A
Other languages
English (en)
Other versions
CN119359755A (zh
Inventor
赵宏伟
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.)
Hefei Shanzhixian Biotechnology Co ltd
Original Assignee
Hefei Shanzhixian Biotechnology 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 Hefei Shanzhixian Biotechnology Co ltd filed Critical Hefei Shanzhixian Biotechnology Co ltd
Priority to CN202411388366.0A priority Critical patent/CN119359755B/zh
Publication of CN119359755A publication Critical patent/CN119359755A/zh
Application granted granted Critical
Publication of CN119359755B publication Critical patent/CN119359755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5097—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving plant cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Hematology (AREA)
  • Pathology (AREA)
  • Urology & Nephrology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Botany (AREA)
  • Cell Biology (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Geometry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明涉及植物生长监测的技术领域，特别是涉及一种石斛原球茎干细胞无激素培养生长监测方法，其不仅提高了培养效率和效果，还能更好地控制生长条件，确保石斛原球茎干细胞的质量和产量；所述方法包括：收集石斛原球茎干细胞在历史培养过程中的石斛原球茎干细胞培养特征集合、植物生长调节剂含量，所述石斛原球茎干细胞培养特征集合和植物生长调节剂含量一一对应；对石斛原球茎干细胞培养特征集合和植物生长调节剂含量进行相关性分析，获得培养生长特征相关矩阵；在培养生长特征相关矩阵中，每个设定含量范围对应的植物生长调节剂含量与各个石斛原球茎干细胞培养特征之间均存在相关性特征值；在培养生长特征相关矩阵中进行遍历。

Description

一种石斛原球茎干细胞无激素培养生长监测方法
技术领域
本发明涉及植物生长监测的技术领域，特别是涉及一种石斛原球茎干细胞无激素培养生长监测方法。
背景技术
石斛原球茎是以石斛的种子或茎为外植体，经植物组织培养获得的一种胚性组织，石斛原球茎细胞既具有增殖的能力，又具有分化为完整植株的能力，具有干细胞的特点，石斛原球茎细胞是一种植物干细胞。石斛原球茎干细胞在培养过程中若不进行适当的调控，会同时向增殖和分化两个方向生长。分化过程不仅会降低石斛原球茎干细胞的增殖速度，减少产量，还会影响石斛原球茎干细胞的外观形态和质量。
因此，如何在不添加外源激素的情况下，实时监测石斛原球茎干细胞中植物生长调节剂的含量和细胞增殖速度，成为当前石斛原球茎组织培养技术面临的重要挑战。现有的监测方法大多依赖于繁琐的化学检测和人工观察，不仅耗时费力，而且难以实现对石斛原球茎干细胞生长过程的实时监测。
发明内容
为解决上述技术问题，本发明提供一种不仅提高了培养效率和效果，还能更好地控制生长条件，确保石斛原球茎干细胞的质量和产量的一种石斛原球茎干细胞无激素培养生长监测方法。
第一方面，本发明提供了一种石斛原球茎干细胞无激素培养生长监测方法，所述方法包括：
收集石斛原球茎干细胞在历史培养过程中的石斛原球茎干细胞培养特征集合、植物生长调节剂含量，所述石斛原球茎干细胞培养特征集合和植物生长调节剂含量一一对应；
对石斛原球茎干细胞培养特征集合和植物生长调节剂含量进行相关性分析，获得培养生长特征相关矩阵；在培养生长特征相关矩阵中，每个设定含量范围对应的植物生长调节剂含量与各个石斛原球茎干细胞培养特征之间均存在相关性特征值；
在培养生长特征相关矩阵中进行遍历，提取相关性特征值大于预设相关性阈值的石斛原球茎干细胞培养特征，并进行汇总，获得石斛原球茎干细胞的生长关键培养特征集合；
实时采集石斛原球茎干细胞的生长关键培养特征集合；
将所述生长关键培养特征集合输入至预先构建的植物生长激素预测模型中，获得石斛原球茎干细胞的植物生长调节剂实时含量；
采集预设时间段落两端点的石斛原球茎组织微观图像；
对采集到的两组石斛原球茎组织微观图像进行增殖趋势分析，获得石斛原球茎干细胞的细胞增殖速度；
对石斛原球茎干细胞的细胞增殖速度和植物生长调节剂实时含量进行权重计算，获得石斛原球茎干细胞的培养生长指数；
将培养生长指数与预设标准指数进行比较，判断石斛原球茎干细胞的无激素培养生长是否正常。
进一步地，所述石斛原球茎干细胞培养特征集合包括培养基成分特征、培养环境特征以及培养时间特征；培养基成分特征包括基础培养基类型，糖类种类和浓度，维生素种类和浓度，微量元素种类和浓度，植物生长调节剂的初始添加量；培养环境特征包括温度、光照强度、光照周期、湿度、CO2浓度、pH值以及氧气供应情况；培养时间特征包括不同生长阶段的时间点、总体培养时长以及不同批次之间的差异。
进一步地，培养生长特征相关矩阵为：
其中，m表示培养特征的数量，n表示样本的数量，rmn表示第m个培养特征与第n个植物生长调节剂含量之间的相关性系数。
进一步地，计算石斛原球茎干细胞的培养生长指数的公式为：
I＝wV·V+wC·C
其中，I表示石斛原球茎干细胞的培养生长指数，V表示细胞增殖速度，C表示植物生长调节剂的实时含量，wV表示细胞增殖速度的权重，wC表示植物生长调节剂实时含量的权重。
进一步地，预设相关性阈值的设定影响因素包括应用背景、数据质量、样本量、计算复杂度、经济成本和环境因素。
进一步地，所述植物生长激素预测模型的构建方法，包括：
收集历史数据，历史数据包括石斛原球茎干细胞在不同培养条件下的培养特征集合以及对应的植物生长调节剂含量；
对收集到的数据进行预处理，包括数据清洗和数据变换；
将数据集划分为训练集和验证集；
选择深度学习模型作为植物生长激素预测模型的基础架构；所述深度学习模型包括线性回归、决策树、随机森林、支持向量机和神经网络；
将训练集输入到选定的模型中，进行模型训练；
训练完成后，使用验证集对模型进行验证和评估；
经过训练和验证后，将模型部署到实时监测系统中。
进一步地，采集预设时间段落两端点的石斛原球茎组织微观图像的方法，包括：
选择高分辨率、高放大倍数的显微镜进行图像采集；
配置照明系统，提供稳定、均匀的光照条件；
根据石斛原球茎干细胞的尺寸和形态，设定放大倍数进行图像采集；
调整曝光时间，能够清晰地显示细胞的细节；
设置显微镜正确对焦，以获得清晰的图像；
在预设时间段落的两端点，从石斛原球茎培养物中取出样本；
将处理好的样本放置在显微镜的载物台上，并调整样本的位置和角度，启动显微镜，按照预设的参数设置捕捉石斛原球茎组织的微观图像；
将采集到的图像保存到计算机中。
进一步地，石斛原球茎干细胞的细胞增殖速度的获取方法，包括：
对采集到的微观图像进行增强处理，提高图像的对比度和清晰度；
去除图像中的噪声，减少对细胞识别的干扰；
对图像进行色彩校正；
利用边缘检测算法，识别出石斛原球茎干细胞的轮廓；
基于细胞轮廓，将细胞从图像中分割出来；
提取细胞的形态学特征，包括面积、周长、圆形度和长宽比；
提取细胞的纹理特征，区分不同增殖状态的细胞；
对分割出来的细胞进行计数，得到每个时间点的细胞数量；
根据预设时间段落两端点的细胞数量，计算细胞的增殖速度；
将两个时间点的细胞数量和增殖速度绘制成趋势图，直观展示细胞的增殖趋势；
对细胞数量和增殖速度进行统计分析，获得石斛原球茎干细胞的细胞增殖速度。
进一步地，所述预设标准指数的设定影响因素包括历史培养数据分析、培养条件、细胞类型、细胞生长阶段、监测技术的局限性和技术更新。
与现有技术相比本发明的有益效果为：该方法通过实时采集石斛原球茎干细胞的生长关键培养特征，并利用预先构建的植物生长激素预测模型，能够实时预测和监测石斛原球茎干细胞中植物生长调节剂的含量；避免了传统方法中繁琐的化学检测和人工观察的耗时费力问题，提高了监测的效率和准确性；
结合了数据分析、模型预测和图像处理等先进技术，实现了对石斛原球茎干细胞生长过程的智能化和自动化监测；不仅减轻了人工操作的负担，还提高了监测的精确度和可靠性；
通过采集石斛原球茎组织的微观图像进行增殖趋势分析，该方法实现了对细胞增殖速度的非破坏性监测；有助于保护样本的完整性，同时提供准确的增殖速度数据；
该方法不仅考虑了植物生长调节剂的含量，还结合了细胞增殖速度等多个因素，通过权重计算获得石斛原球茎干细胞的培养生长指数；这种综合性评估方式能够更全面、准确地反映石斛原球茎干细胞的生长状态；
该方法基于数据分析和技术手段，不依赖于特定的硬件设备或复杂的实验条件，因此具有较高的可操作性和可推广性；它适用于不同规模和条件的石斛原球茎组织培养实验室，有助于推动石斛原球茎组织培养技术的进一步发展；
综上所述，该方法在提高石斛原球茎干细胞无激素培养生长监测的精确度、效率和可操作性方面具有明显的优势，不仅提高了培养效率和效果，还能更好地控制生长条件，确保石斛原球茎干细胞的质量和产量。
附图说明
图1是本发明的流程图；
图2是植物生长激素预测模型的构建方法的流程图。
具体实施方式
下面结合本申请中的附图对本申请进行描述。
实施例一：如图1至图2所示，本发明的一种石斛原球茎干细胞无激素培养生长监测方法，具体包括以下步骤：
S1、收集石斛原球茎干细胞在历史培养过程中的石斛原球茎干细胞培养特征集合、植物生长调节剂含量，所述石斛原球茎干细胞培养特征集合和植物生长调节剂含量一一对应；所述石斛原球茎干细胞培养特征集合包括培养基成分特征、培养环境特征以及培养时间特征；
石斛原球茎干细胞培养特征集合和植物生长调节剂含量的收集方法，包括：
从过去的石斛原球茎干细胞培养实验中，整理出每次培养过程中记录的培养特征数据和植物生长调节剂含量数据；
选择具有代表性的样本进行数据分析，确保样本能够覆盖不同的培养条件、生长阶段和植物生长调节剂含量范围；
对收集到的数据进行预处理，包括去除异常值、填补缺失值和数据归一化，以确保数据的一致性和可比性；
使用数据库软件或电子表格软件建立数据存储系统，用于存储石斛原球茎干细胞培养特征集合和植物生长调节剂含量的数据；
为每个数据点添加标签，包括培养批次、时间戳、培养条件等，以便于后续的数据分析和查询；
定期备份数据库或电子表格，以防止数据丢失或损坏；
对收集到的数据进行验证，确保数据的准确性和可靠性；
培养基成分特征包括基础培养基类型，糖类种类和浓度，维生素种类和浓度，微量元素种类和浓度，植物生长调节剂的初始添加量；
培养环境特征包括温度、光照强度、光照周期、湿度、CO2浓度、pH值以及氧气供应情况；
培养时间特征包括不同生长阶段的时间点、总体培养时长以及不同批次之间的差异。
在本步骤中，通过从过去的石斛原球茎干细胞培养实验中整理数据，并选择具有代表性的样本进行数据分析，确保了所收集的数据能够全面覆盖不同的培养条件、生长阶段和植物生长调节剂含量范围；对收集到的数据进行预处理，包括去除异常值、填补缺失值和数据归一化，有效提高了数据的质量和一致性；这有助于减少数据噪声，提高数据分析的准确性和效率；使用数据库软件或电子表格软件建立数据存储系统，并为每个数据点添加标签，使得数据的存储和查询变得更加便捷；这有助于后续研究人员快速访问和分析数据，提高工作效率；定期备份数据库或电子表格，以防止数据丢失或损坏，确保了数据的安全性和可靠性；同时，对收集到的数据进行验证，确保了数据的准确性和可靠性，为后续的数据分析和模型建立提供了坚实的基础；将石斛原球茎干细胞培养特征集合细化为培养基成分特征、培养环境特征以及培养时间特征，并明确了每个特征的具体内容；这有助于更加深入地理解石斛原球茎干细胞的生长规律和影响因素，为后续的相关性分析和模型建立提供了更加详细和准确的依据；本步骤通过全面、系统地收集石斛原球茎干细胞培养特征集合和植物生长调节剂含量的数据，并对其进行预处理、存储和验证，有助于实现对石斛原球茎干细胞生长过程的实时监测和精准调控。
S2、对石斛原球茎干细胞培养特征集合和植物生长调节剂含量进行相关性分析，获得培养生长特征相关矩阵；在培养生长特征相关矩阵中，每个设定含量范围对应的植物生长调节剂含量与各个石斛原球茎干细胞培养特征之间均存在相关性特征值；
培养生长特征相关矩阵的获取方法，包括：
使用皮尔逊相关系数进行相关性分析，它衡量了两个变量之间的线性相关程度，取值范围在-1到1之间；当相关系数为1时，表示两个变量完全正相关；当相关系数为-1时，表示两个变量完全负相关；当相关系数为0时，表示两个变量之间不存在线性相关关系；
根据选择的相关性分析方法，计算石斛原球茎干细胞培养特征集合中每个特征与植物生长调节剂含量之间的相关系数；
将计算得到的相关系数整理成一个矩阵，即培养生长特征相关矩阵；在这个矩阵中，每一行代表一个石斛原球茎干细胞培养特征，每一列代表一个植物生长调节剂含量的设定含量范围，矩阵中的元素即为对应特征和含量范围之间的相关系数；
培养生长特征相关矩阵为：
其中，m表示培养特征的数量，n表示样本的数量，rmn表示第m个培养特征与第n个的植物生长调节剂含量之间的相关性系数。
在本步骤中，通过对石斛原球茎干细胞培养特征集合和植物生长调节剂含量进行相关性分析，成功获得了培养生长特征相关矩阵；这一步骤不仅揭示了各个培养特征与植物生长调节剂含量之间的潜在关系，还为后续的石斛原球茎干细胞生长监测提供了重要的数据基础；使用皮尔逊相关系数进行相关性分析，能够量化地衡量两个变量之间的线性相关程度；这种分析方法具有明确的取值范围，使得相关性的强弱可以直观地通过数值大小来判断；当相关系数为1或-1时，表示两个变量之间存在完全的正相关或负相关关系，这为研究人员提供了明确的指导，帮助他们识别出哪些培养特征对植物生长调节剂含量的影响最为显著；将计算得到的相关系数整理成一个矩阵，即培养生长特征相关矩阵，使得数据更加结构化、易于分析；在这个矩阵中，每一行代表一个石斛原球茎干细胞培养特征，每一列代表一个植物生长调节剂含量的设定含量范围，矩阵中的元素即为对应特征和含量范围之间的相关系数；这样的表示方式不仅便于数据的存储和检索，还便于后续的数据挖掘和机器学习算法的应用；S2步骤通过相关性分析，成功构建了培养生长特征相关矩阵，为石斛原球茎干细胞的无激素培养生长监测提供了有力的数据支持；有助于揭示培养特征与植物生长调节剂含量之间的内在联系。
S3、在培养生长特征相关矩阵中进行遍历，提取相关性特征值大于预设相关性阈值的石斛原球茎干细胞培养特征，并进行汇总，获得石斛原球茎干细胞的生长关键培养特征集合；
石斛原球茎干细胞的生长关键培养特征集合的获取方法，包括：
设定一个预设相关性阈值；预设相关性阈值用于判断哪些培养特征与植物生长调节剂含量之间的相关性是显著的；阈值的选择通常基于统计学的显著性检验和实际应用的需求；一个较高的阈值意味着我们只选择那些与植物生长调节剂含量高度相关的培养特征，而一个较低的阈值则可能包含更多与植物生长调节剂含量有一定关联但不够显著的特征；
在遍历矩阵的过程中，逐个检查每个培养特征与植物生长调节剂含量之间的相关性特征值；若某个特征值大于预设的相关性阈值，则认为该培养特征与植物生长调节剂含量之间存在显著的相关性，因此将其视为石斛原球茎干细胞生长的关键培养特征；将关键培养特征提取出来，并进行汇总，形成一个石斛原球茎干细胞的生长关键培养特征集合；
在提取关键培养特征后，进行进一步的验证和调整；包括检查提取的特征是否确实与石斛原球茎干细胞的生长密切相关，以及是否有可能遗漏了其他重要的特征；
将得到的石斛原球茎干细胞的生长关键培养特征集合输出，并应用于后续的生长监测和调控过程中；
预设相关性阈值的设定影响因素包括：
应用背景：不同的应用场景需要不同的精确度；在生产环境中，更倾向于使用较高阈值以确保所选特征具有更强的相关性，从而提高预测模型的可靠性和稳定性；
数据质量：高质量的数据会提供更清晰的相关性信号，因此在这种情况下采用较高的阈值；如果数据存在较多噪声或缺失值，那么较低的阈值可能更为合适，以便捕捉到尽可能多的潜在关联；
样本量：较大的样本量可以增加统计检验的效力，使得即使较弱的相关性也能被检测出来；在小样本的情况下，需要降低阈值来避免遗漏重要的特征；
计算复杂度：选择较高的阈值会减少需要处理的特征数量，从而降低计算成本；但如果阈值过高，会导致丢失重要信息；
经济成本：考虑到实验和分析的成本，需要权衡数据收集和处理的经济可行性；
环境因素：环境变化、季节性差异等外部因素也可能影响相关性分析的结果，都需要在设定阈值时加以考虑。
在本步骤中，通过设定预设相关性阈值，并在培养生长特征相关矩阵中进行遍历，能够精准地提取出与植物生长调节剂含量显著相关的石斛原球茎干细胞培养特征；提取出的关键培养特征集合可以作为预测模型的输入参数，用于预测石斛原球茎干细胞的植物生长调节剂实时含量和细胞增殖速度；由于这些特征都是基于历史数据和相关性分析得出的，因此能够更准确地反映石斛原球茎干细胞的生长状态，从而提高预测模型的准确性和可靠性；通过设定合理的预设相关性阈值，本步骤能够平衡特征数量和预测性能之间的关系；较高的阈值可以减少需要处理的特征数量，降低计算成本和时间成本；而较低的阈值则能够捕捉到更多的潜在关联，但可能会增加计算复杂度和数据处理的难度；因此，在设定阈值时需要考虑应用背景、数据质量、样本量等多个因素，以优化资源利用；提取出的关键培养特征集合为石斛原球茎干细胞的无激素培养生长监测提供了科学依据；通过对这些特征进行实时监测和分析，可以及时发现和解决生长过程中的问题，优化培养条件，提高产量和质量；同时，这些特征还可以作为评估不同培养策略效果的重要指标，为决策提供科学依据；本步骤在设定预设相关性阈值时考虑了多种影响因素，包括应用背景、数据质量、样本量、计算复杂度和经济成本等；这使得本步骤在不同的应用场景下都具有较好的适应性和灵活性；通过调整阈值和相关参数，可以适应不同的数据特点和实验需求，实现更加精准和高效的特征提取和监测。
S4、实时采集石斛原球茎干细胞的生长关键培养特征集合；
采集石斛原球茎干细胞的生长关键培养特征集合的方法，包括：
根据实验需求和石斛原球茎干细胞生长的动态特性，确定合理的采样频率；
对于快速变化的参数，使用传感器进行连续监测，以获取更精细的数据；
选择传感器和图像采集设备，所述传感器包括温度传感器、湿度传感器、光照强度传感器、CO2传感器、pH传感器、溶解氧传感器和电导率传感器；
通过高清摄像头和显微镜，实时捕捉石斛原球茎干细胞的图像信息；获取的图像用于后续的图像分析，以监测细胞的生长状态和形态变化；
定期从培养容器中提取石斛原球茎干细胞的样本；用于后续的化学分析，以测定植物生长调节剂的含量；
将传感器和图像采集设备获取的数据实时传输到中央数据处理系统；
对采集到的原始数据进行预处理，包括数据清洗、去噪和校准等步骤；提高数据的可靠性和准确性，为后续的分析和预测提供有力支持；
将处理后的数据存储在专用的数据库中，以便后续的数据分析和挖掘；同时，建立有效的数据管理机制，确保数据的安全性和完整性。
在本步骤中，通过设定合理的采样频率和使用传感器进行连续监测，能够实时获取石斛原球茎干细胞培养过程中的关键数据；同时，高清摄像头和显微镜的使用，使得细胞图像信息的获取更加精细，有助于监测细胞的生长状态和形态变化；本步骤选择了多种传感器和图像采集设备，包括温度传感器、湿度传感器、光照强度传感器、CO2传感器、pH传感器、溶解氧传感器和电导率传感器等，以及高清摄像头和显微镜；能够全面覆盖石斛原球茎干细胞培养过程中的各种环境参数和细胞特征，为后续的分析和预测提供了丰富的数据支持；原始数据经过预处理步骤，提高了数据的可靠性和准确性；有助于消除数据中的异常值和噪声，为后续的分析和预测提供更加可靠的基础；处理后的数据被存储在专用的数据库中，并建立了有效的数据管理机制；这确保了数据的安全性和完整性，便于后续的数据分析和挖掘；同时，数据库的使用也提高了数据的可访问性和可重用性；本步骤通过实时采集石斛原球茎干细胞的生长关键培养特征集合，提高了数据的实时性、精确性、全面性和可靠性，为后续的分析和预测提供了有力支持，有助于实现对石斛原球茎干细胞无激素培养生长的精准监测和调控。
S5、将所述生长关键培养特征集合输入至预先构建的植物生长激素预测模型中，获得石斛原球茎干细胞的植物生长调节剂实时含量；
所述植物生长激素预测模型的构建方法，包括：
收集大量的历史数据，历史数据包括石斛原球茎干细胞在不同培养条件下的培养特征集合以及对应的植物生长调节剂含量；
对收集到的数据进行预处理，包括数据清洗和数据变换；预处理后的数据将用于模型的训练和验证；
将数据集划分为训练集和验证集；
选择深度学习模型作为植物生长激素预测模型的基础架构；所述深度学习模型包括线性回归、决策树、随机森林、支持向量机和神经网络；
将训练集输入到选定的模型中，进行模型训练；训练过程中，需要不断调整模型的参数和结构，以最小化预测误差并提高模型的泛化能力；同时，可以使用交叉验证等方法来评估模型的性能并防止过拟合；
训练完成后，使用验证集对模型进行验证和评估；通过计算预测值与真实值之间的误差、准确率、召回率等指标来实现；
经过训练和验证后，将模型部署到实时监测系统中。
在本步骤中，通过构建的植物生长激素预测模型，能够实时接收石斛原球茎干细胞的生长关键培养特征集合，并快速预测出植物生长调节剂的实时含量；模型构建过程中，通过收集大量的历史数据并进行预处理，确保了数据的准确性和完整性；同时，通过选择深度学习模型作为预测模型的基础架构，并利用训练集进行模型训练，不断调整参数和结构以最小化预测误差，提高了模型的预测准确性；在模型训练过程中，采用了交叉验证等方法来评估模型的性能并防止过拟合，增强了模型的泛化能力；模型不仅能够准确预测历史数据中的植物生长调节剂含量，还能对新数据进行有效预测；将模型部署到实时监测系统中，实现了石斛原球茎干细胞培养过程的自动化监测和智能化预测；这减少了人工干预和误差，提高了监测效率和准确性；通过实时监测植物生长调节剂的含量和细胞增殖速度，可以及时发现培养过程中的异常情况，并据此调整培养条件，以优化石斛原球茎干细胞的培养过程；该方法的实施有助于科研人员更快地获取实验数据，减少实验次数和时间成本，从而提升研究效率；本步骤及其所述的植物生长激素预测模型构建方法，为石斛原球茎干细胞的无激素培养生长监测提供了有力的技术支持，实现了实时监测、准确预测、自动化与智能化以及优化培养条件等多重有益效果。
S6、采集预设时间段落两端点的石斛原球茎组织微观图像；
采集预设时间段落两端点的石斛原球茎组织微观图像的方法，包括：
选择具有高分辨率、高放大倍数的显微镜，以能够清晰地观察到石斛原球茎干细胞的微观结构和形态；
确保显微镜配备有高灵敏度的图像传感器，以捕捉高质量的图像数据；
配置合适的照明系统，以提供稳定、均匀的光照条件，确保图像采集的一致性和准确性；
根据石斛原球茎干细胞的尺寸和形态，选择合适的放大倍数进行图像采集；
调整曝光时间以确保图像既不过曝也不过暗，能够清晰地显示细胞的细节；
设置高分辨率以捕捉更多的细节信息，但也要考虑图像处理的效率和存储空间的限制；
确保显微镜系统正确对焦，以获得清晰的图像；
在预设时间段落的两端点，从石斛原球茎培养物中取出适量的样本，进行必要的处理以突出细胞结构；
将处理好的样本放置在显微镜的载物台上，并调整样本的位置和角度以确保最佳的图像采集效果；
启动显微镜系统的图像采集功能，按照预设的参数设置捕捉石斛原球茎组织的微观图像；
将采集到的图像保存到计算机中，以便后续进行增殖趋势分析；
在图像采集完成后，对图像进行质量检查，确保图像清晰、无模糊、无噪点等缺陷。
在本步骤中，通过选择高分辨率、高放大倍数的显微镜，以及高灵敏度的图像传感器，能够清晰地捕捉到石斛原球茎干细胞的微观结构和形态，为后续的增殖趋势分析提供了高质量的图像数据；配置合适的照明系统，提供稳定、均匀的光照条件，确保了图像采集的一致性和准确性，避免了因光照不均导致的图像质量差异；根据石斛原球茎干细胞的尺寸和形态，选择合适的放大倍数、曝光时间和分辨率，既捕捉到了足够的细节信息，又考虑了图像处理的效率和存储空间的限制，实现了图像采集的最优化；在图像采集完成后，进行质量检查，确保图像清晰、无模糊、无噪点等缺陷，为后续的图像分析提供了可靠的基础；通过采集预设时间段落两端点的石斛原球茎组织微观图像，为后续进行增殖趋势分析提供了重要的数据支持，有助于了解石斛原球茎干细胞的生长情况和增殖速度；该方法能够实现对石斛原球茎干细胞生长过程的实时监测，有助于及时发现生长异常或问题，并进行相应的调控和优化，提高培养效率和细胞质量。
S7、对采集到的两组石斛原球茎组织微观图像进行增殖趋势分析，获得石斛原球茎干细胞的细胞增殖速度；
石斛原球茎干细胞的细胞增殖速度的获取方法，包括：
对采集到的微观图像进行增强处理，以提高图像的对比度和清晰度，便于后续的细胞识别和分割；
采用滤波算法去除图像中的噪声，以减少对细胞识别的干扰；
对图像进行色彩校正，确保图像的色彩信息准确，有助于后续的细胞特征提取；
利用边缘检测算法，识别出石斛原球茎干细胞的轮廓；
基于细胞轮廓，采用图像分割算法，将细胞从图像中分割出来；
提取细胞的形态学特征，包括面积、周长、圆形度和长宽比，能够反映细胞的增殖状态；
提取细胞的纹理特征，有助于区分不同增殖状态的细胞；
对分割出来的细胞进行计数，得到每个时间点的细胞数量；
根据预设时间段落两端点的细胞数量，计算细胞的增殖速度；
将两个时间点的细胞数量和增殖速度绘制成趋势图，以直观展示细胞的增殖趋势；
对细胞数量和增殖速度进行统计分析，获得石斛原球茎干细胞的细胞增殖速度，以评估细胞的增殖稳定性和一致性。
在本步骤中，通过对微观图像进行增强处理、滤波去噪和色彩校正，显著提高了图像的对比度和清晰度，减少了噪声干扰，确保了图像色彩信息的准确性，为后续细胞识别和分割提供了高质量的图像基础；利用边缘检测算法和图像分割算法，能够准确识别出石斛原球茎干细胞的轮廓，并将其从图像中分割出来；通过提取细胞的形态学特征和纹理特征，能够全面反映细胞的增殖状态，有助于区分不同增殖状态的细胞；为后续的细胞增殖速度计算和增殖趋势分析提供了可靠的数据支持；根据预设时间段落两端点的细胞数量，精确计算细胞的增殖速度，能够直观展示细胞的增殖趋势；将两个时间点的细胞数量和增殖速度绘制成趋势图，能够直观地展示细胞的增殖趋势，有助于科研人员更好地了解石斛原球茎干细胞的生长状况；对细胞数量和增殖速度进行统计分析，能够获得更深入的细胞增殖信息，为评估细胞的增殖性能和优化培养条件提供了有力支持。
S8、对石斛原球茎干细胞的细胞增殖速度和植物生长调节剂实时含量进行权重计算，获得石斛原球茎干细胞的培养生长指数；
获得石斛原球茎干细胞的培养生长指数的方法，包括：
根据细胞增殖速度和植物生长调节剂含量在石斛原球茎干细胞生长过程中的重要性，分配相应的权重；细胞增殖速度反映了细胞的生长活力和增殖能力，而植物生长调节剂含量直接影响了细胞的生长方向和速度；
利用历史数据，分析细胞增殖速度和植物生长调节剂含量之间的相关性，以及它们与石斛原球茎干细胞生长状态的关系，从而确定更合理的权重分配；
将细胞增殖速度和植物生长调节剂含量分别乘以它们对应的权重，然后将结果相加，得到石斛原球茎干细胞的培养生长指数；
在计算之前，对细胞增殖速度和植物生长调节剂含量进行标准化处理，以消除量纲差异和数值范围差异对结果的影响；
根据计算得到的培养生长指数，可以判断石斛原球茎干细胞的无激素培养生长状态；指数越高，表示细胞生长状态越好，增殖能力和生长方向调控越理想；
计算石斛原球茎干细胞的培养生长指数的公式为：
I＝wV·V+wC·C
其中，I表示石斛原球茎干细胞的培养生长指数，V表示细胞增殖速度，C表示植物生长调节剂的实时含量，wV表示细胞增殖速度的权重，wC表示植物生长调节剂实时含量的权重。
在本步骤中，培养生长指数综合考虑了细胞增殖速度和植物生长调节剂含量两个关键指标，能够全面、客观地反映石斛原球茎干细胞的生长状态；不仅考虑了细胞的生长活力和增殖能力，还考虑了生长方向的调控情况，为科研人员提供了更为准确的生长状态评估工具；通过利用历史数据和分析相关性，确定了更合理的权重分配；这种基于数据的权重分配方法能够减少主观因素的影响，提高评估结果的准确性和可靠性；同时，权重分配的可调整性也使得该方法能够适应不同培养条件和生长阶段的需求；在计算培养生长指数之前，对细胞增殖速度和植物生长调节剂含量进行了标准化处理，消除了量纲差异和数值范围差异对结果的影响；提高了计算结果的精度和可比性，使得不同批次、不同时间点的数据能够更准确地反映细胞的生长状态；根据计算得到的培养生长指数，能够判断石斛原球茎干细胞的无激素培养生长状态，并据此制定生长调控策略；当指数较低时，表明细胞生长状态不佳或增殖能力受限，需要调整培养条件以改善生长状态；当指数较高时，表明细胞生长状态良好，可以继续保持或进一步优化培养条件；通过实时监测和评估石斛原球茎干细胞的生长状态，可以及时发现并解决生长过程中的问题，推动石斛原球茎干细胞培养技术的不断发展和完善；有助于提高石斛原球茎干细胞的产量和质量，为石斛药材的可持续利用提供有力支持；S8步骤通过综合考虑细胞增殖速度和植物生长调节剂含量两个关键指标，并基于数据分析和标准化处理，获得了能够全面、客观地反映石斛原球茎干细胞生长状态的培养生长指数。
S9、将培养生长指数与预设标准指数进行比较，判断石斛原球茎干细胞的无激素培养生长是否正常；
所述预设标准指数的设定影响因素包括：
历史培养数据分析：对历史数据进行统计分析，确定正常生长条件下石斛原球茎干细胞的培养生长指数范围；这有助于设定一个合理的标准指数，以反映正常生长状态；
培养条件：培养基的成分对石斛原球茎干细胞的生长有显著影响；因此，在设定标准指数时，需要考虑培养基中各种营养成分的比例和浓度；培养环境的温度、光照、湿度等条件也会影响细胞的生长；这些环境因素应作为设定标准指数的参考依据；
细胞类型：不同类型的石斛原球茎干细胞可能具有不同的生长特性和需求；因此，在设定标准指数时，需要考虑细胞类型的差异；
细胞生长阶段：细胞在不同生长阶段的生长速度和调节剂需求也会有所不同；因此，标准指数的设定应考虑到细胞所处的生长阶段；
监测技术的局限性：不同的监测技术具有不同的精度和局限性；在设定标准指数时，需要考虑所用监测技术的精度和可靠性，以确保标准指数的准确性和实用性；
技术更新：随着监测技术的不断发展，新的方法和技术可能会提高监测的准确性和效率；因此，在设定标准指数时，需要关注技术的更新和发展趋势。
在本步骤中，通过将实时计算的培养生长指数与预设标准指数进行比较，可以准确判断石斛原球茎干细胞在无激素培养条件下的生长状态是否正常；这有助于及时发现生长异常，并采取相应的干预措施，确保细胞的健康生长；本步骤利用预先构建的植物生长激素预测模型和增殖趋势分析技术，实现了对石斛原球茎干细胞生长过程的实时监测；相比传统的化学检测和人工观察方法，能够大大缩短监测周期，提高监测效率；通过设定合理的预设标准指数，并结合实时监测数据，可以对石斛原球茎干细胞的培养条件进行精细化调控；有助于优化培养基成分、培养环境等条件，提高细胞的生长速度和产量，同时保证细胞的质量和外观形态；在设定预设标准指数时，充分考虑了细胞类型、生长阶段等因素，使得标准指数更加符合石斛原球茎干细胞的生长特性；有助于确保监测结果的准确性和可靠性，为后续的细胞培养和研究提供有力支持；随着监测技术的不断发展，本步骤也关注技术的更新和发展趋势；通过不断引入新技术和方法，可以进一步提高监测的准确性和效率，推动石斛原球茎干细胞培养技术的持续创新和发展；本步骤S9通过设定合理的预设标准指数，并结合实时监测技术，实现了对石斛原球茎干细胞无激素培养生长状态的准确判断和优化调控，为细胞培养和研究提供了有力支持，同时也促进了相关技术的创新和发展。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种石斛原球茎干细胞无激素培养生长监测方法，其特征在于，所述方法包括：
收集石斛原球茎干细胞在历史培养过程中的石斛原球茎干细胞培养特征集合、植物生长调节剂含量，所述石斛原球茎干细胞培养特征集合和植物生长调节剂含量一一对应；
对石斛原球茎干细胞培养特征集合和植物生长调节剂含量进行相关性分析，获得培养生长特征相关矩阵；在培养生长特征相关矩阵中，每个设定含量范围对应的植物生长调节剂含量与各个石斛原球茎干细胞培养特征之间均存在相关性特征值；
在培养生长特征相关矩阵中进行遍历，提取相关性特征值大于预设相关性阈值的石斛原球茎干细胞培养特征，并进行汇总，获得石斛原球茎干细胞的生长关键培养特征集合；
实时采集无激素培养的石斛原球茎干细胞的生长关键培养特征集合；
将所述生长关键培养特征集合输入至预先构建的植物生长激素预测模型中，获得石斛原球茎干细胞的植物生长调节剂实时含量；
采集预设时间段落两端点的石斛原球茎组织微观图像；
对采集到的两组石斛原球茎组织微观图像进行增殖趋势分析，获得石斛原球茎干细胞的细胞增殖速度；
对石斛原球茎干细胞的细胞增殖速度和植物生长调节剂实时含量进行权重计算，获得石斛原球茎干细胞的培养生长指数；
将培养生长指数与预设标准指数进行比较，判断石斛原球茎干细胞的无激素培养生长是否正常；
计算石斛原球茎干细胞的培养生长指数的公式为：
I＝wV·V+wC·C
其中，I表示石斛原球茎干细胞的培养生长指数，V表示细胞增殖速度，C表示植物生长调节剂的实时含量，wV表示细胞增殖速度的权重，wC表示植物生长调节剂实时含量的权重。
2.如权利要求1所述的一种石斛原球茎干细胞无激素培养生长监测方法，其特征在于，所述石斛原球茎干细胞培养特征集合包括培养基成分特征、培养环境特征以及培养时间特征；培养基成分特征包括基础培养基类型，糖类种类和浓度，维生素种类和浓度，微量元素种类和浓度，植物生长调节剂的初始添加量；培养环境特征包括温度、光照强度、光照周期、湿度、CO2浓度、pH值以及氧气供应情况；培养时间特征包括不同生长阶段的时间点、总体培养时长以及不同批次之间的差异。
3.如权利要求1所述的一种石斛原球茎干细胞无激素培养生长监测方法，其特征在于，培养生长特征相关矩阵为：
其中，m表示培养特征的数量，n表示样本的数量，rmn表示第m个培养特征与第n个植物生长调节剂含量之间的相关性系数。
4.如权利要求1所述的一种石斛原球茎干细胞无激素培养生长监测方法，其特征在于，预设相关性阈值的设定影响因素包括应用背景、数据质量、样本量、计算复杂度、经济成本和环境因素。
5.如权利要求1所述的一种石斛原球茎干细胞无激素培养生长监测方法，其特征在于，所述植物生长激素预测模型的构建方法，包括：
收集历史数据，历史数据包括石斛原球茎干细胞在不同培养条件下的培养特征集合以及对应的植物生长调节剂含量；
对收集到的数据进行预处理，包括数据清洗和数据变换；
将数据集划分为训练集和验证集；
选择深度学习模型作为植物生长激素预测模型的基础架构；所述深度学习模型包括线性回归、决策树、随机森林、支持向量机和神经网络；
将训练集输入到选定的模型中，进行模型训练；
训练完成后，使用验证集对模型进行验证和评估；
经过训练和验证后，将模型部署到实时监测系统中。
6.如权利要求1所述的一种石斛原球茎干细胞无激素培养生长监测方法，其特征在于，采集预设时间段落两端点的石斛原球茎组织微观图像的方法，包括：
选择高分辨率、高放大倍数的显微镜进行图像采集；
配置照明系统，提供稳定、均匀的光照条件；
根据石斛原球茎干细胞的尺寸和形态，设定放大倍数进行图像采集；
调整曝光时间，能够清晰地显示细胞的细节；
设置显微镜正确对焦，以获得清晰的图像；
在预设时间段落的两端点，从石斛原球茎培养物中取出样本；
将处理好的样本放置在显微镜的载物台上，并调整样本的位置和角度，启动显微镜，按照预设的参数设置捕捉石斛原球茎组织的微观图像；
将采集到的图像保存到计算机中。
7.如权利要求1所述的一种石斛原球茎干细胞无激素培养生长监测方法，其特征在于，石斛原球茎干细胞的细胞增殖速度的获取方法，包括：
对采集到的微观图像进行增强处理，提高图像的对比度和清晰度；
去除图像中的噪声，减少对细胞识别的干扰；
对图像进行色彩校正；
利用边缘检测算法，识别出石斛原球茎干细胞的轮廓；
基于细胞轮廓，将细胞从图像中分割出来；
提取细胞的形态学特征，包括面积、周长、圆形度和长宽比；
提取细胞的纹理特征，区分不同增殖状态的细胞；
对分割出来的细胞进行计数，得到每个时间点的细胞数量；
根据预设时间段落两端点的细胞数量，计算细胞的增殖速度；
将两个时间点的细胞数量和增殖速度绘制成趋势图，直观展示细胞的增殖趋势；
对细胞数量和增殖速度进行统计分析，获得石斛原球茎干细胞的细胞增殖速度。
8.如权利要求1所述的一种石斛原球茎干细胞无激素培养生长监测方法，其特征在于，所述预设标准指数的设定影响因素包括历史培养数据分析、培养条件、细胞类型和细胞生长阶段。
CN202411388366.0A 2024-10-08 2024-10-08 一种石斛原球茎干细胞无激素培养生长监测方法 Active CN119359755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411388366.0A CN119359755B (zh) 2024-10-08 2024-10-08 一种石斛原球茎干细胞无激素培养生长监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411388366.0A CN119359755B (zh) 2024-10-08 2024-10-08 一种石斛原球茎干细胞无激素培养生长监测方法

Publications (2)

Publication Number Publication Date
CN119359755A CN119359755A (zh) 2025-01-24
CN119359755B true CN119359755B (zh) 2025-08-29

Family

ID=94308783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411388366.0A Active CN119359755B (zh) 2024-10-08 2024-10-08 一种石斛原球茎干细胞无激素培养生长监测方法

Country Status (1)

Country Link
CN (1) CN119359755B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106234083A (zh) * 2016-07-30 2016-12-21 安徽斛生记生物科技有限公司 一种霍山石斛生长环境监控系统
CN108064314A (zh) * 2015-01-18 2018-05-22 加利福尼亚大学董事会 判定癌症状态之方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107484659B (zh) * 2017-09-08 2020-01-21 内江师范学院 一种铁皮石斛原球茎无激素培养方法
CN108133282B (zh) * 2017-12-07 2021-03-30 浙江大学城市学院 一种铁皮石斛生长环境预测方法
CN114223034A (zh) * 2019-08-14 2022-03-22 豪夫迈·罗氏有限公司 用于确定细胞培养过程中的过程变量的方法
WO2021127110A1 (en) * 2019-12-19 2021-06-24 Pioneer Hi-Bred International, Inc. Microspore culture predictive model generation and use
CN111862194B (zh) * 2020-08-04 2022-06-03 江苏云脑数据科技有限公司 基于计算机视觉的深度学习植物生长模型分析方法及系统
CN114877949A (zh) * 2022-06-14 2022-08-09 古田县恒春农业开发有限公司 一种铁皮石斛种植用智能实时监测装置及监测方法
CN118485961B (zh) * 2024-05-16 2024-11-12 莒县龙山镇农业综合服务中心 基于遥感技术的森林培育动态监测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108064314A (zh) * 2015-01-18 2018-05-22 加利福尼亚大学董事会 判定癌症状态之方法及系统
CN106234083A (zh) * 2016-07-30 2016-12-21 安徽斛生记生物科技有限公司 一种霍山石斛生长环境监控系统

Also Published As

Publication number Publication date
CN119359755A (zh) 2025-01-24

Similar Documents

Publication Publication Date Title
Betegón‐Putze et al. My ROOT: a method and software for the semiautomatic measurement of primary root length in Arabidopsis seedlings
CN112949517B (zh) 基于深度迁移学习的植物气孔密度和开度识别方法及系统
CN119377864B (zh) 一种空间变异的多尺度性土壤有机质遥感估测方法
CN119806262B (zh) 一种秸秆饲料发酵处理控制系统及方法
CN115019095A (zh) 基于卷积神经网络的活性污泥状态在线监测方法
CN118409447A (zh) 一种lcd显示屏显示故障判断方法及系统
US20190385707A1 (en) Phenotype measurement systems and methods
CN118761509A (zh) 基于畜牧饲养的饲草料元素含量趋势预测方法及系统
CN119375422A (zh) 一种农药制剂药效检测方法及系统
CN118397570A (zh) 一种食线虫真菌培养实验室环境远程监控系统
CN118886589A (zh) 一种基于土壤有机碳监测的土地利用规划系统
CN119359755B (zh) 一种石斛原球茎干细胞无激素培养生长监测方法
CN116092605A (zh) 一种基于数字孪生的材料腐蚀服役性能评价方法
CN119540231B (zh) 一种检测种子质量的方法、装置、设备及存储介质
CN118051808B (zh) 一种基于ai的细胞识别方法和系统
CN119296687A (zh) 一种水质在线分析方法及系统
CN119672427A (zh) 一种离子检测方法及装置
CN112184708B (zh) 精子存活率检测方法及装置
CN118685355B (zh) 一种肿瘤免疫细胞培养过程中的环境调控方法及系统
JP3775223B2 (ja) 線状構造を有する細胞体の評価方法
CN120318198B (zh) 基于样本库的胚胎智能化筛选系统及方法
CN112034912A (zh) 一种基于实时反馈的温室作物病害防治方法
CN118052814B (zh) 基于ai技术的全自动标本前处理系统及方法
CN119671398B (zh) 石英坩埚的熔融设备参数调整方法
US20250384956A1 (en) System for Automatic Analysis of Image-Informed Gene Expression Data

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