一种腰果无菌苗培养设备的智能管理方法及系统

本发明涉及农业设施，特别是一种腰果无菌苗培养设备的智能管理方法及系统。

背景技术：

1、传统腰果无菌苗培养常受到环境微生物的污染，为提高生产效率，无菌培养技术成为关键。腰果苗无菌培养技术是一种农业实践，旨在通过在无菌条件下处理和培养腰果种子或胚珠，以获取健康、无病虫害的无菌苗。这一技术包括无菌材料的准备、种子表面的消毒、在无菌培养基上的培养、环境条件的控制以促进生长和分化，以及最终将无菌苗移栽到适宜的环境中继续生长的步骤，通过确保无菌状态和优化生长条件，这种技术有助于提高腰果无菌苗的产量和质量。现有技术中，无菌环境下腰果无菌苗培养设备的智能控制尚存在一些挑战，其参数需要依靠人为经验制定得到，可靠性较低，智能化程度低，不便于智能化管理。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种腰果无菌苗培养设备的智能管理方法及系统。

2、为达到上述目的本发明采用的技术方案为：

3、本发明第一方面公开了一种腰果无菌苗培养设备的智能管理方法，包括以下步骤：

4、获取培养基中腰果无菌苗的实时生长图像信息，根据所述实时生长图像信息构建腰果无菌苗的实时生长模型图；根据腰果无菌苗的实时生长模型图确定出腰果无菌苗的预设培养方案；

5、根据所述预设培养方案确定出培养设备中各子设备在预设时间段内基于时间序列的预设动态参数；以及获取培养设备中各子设备在预设时间段内基于时间序列的实际动态参数；

6、将所述基于时间序列的预设动态参数与基于时间序列的实际动态参数进行比较分析，以分析出各子设备在运行过程中的实际动态参数是否正常；

7、若某一子设备的实际动态参数异常，则将该子设备的实际动态参数导入马尔科夫模型中进行故障推演，根据故障推演结果生成故障报告，并将所述故障报告输出。

8、进一步的，本发明的一个较佳实施例中，获取培养基中腰果无菌苗的实时生长图像信息，根据所述实时生长图像信息构建腰果无菌苗的实时生长模型图，具体为：

9、在预设时间节点通过培养设备中的监测设备获取腰果无菌苗的实时生长图像信息，并对所述实时生长图像信息进行预处理，得到预处理后的实时生长图像信息；

10、通过特征匹配算法对所述预处理后的实时生长图像信息进行特征提取处理，得到图像中腰果无菌苗预设部位的特征点；构建坐标系，并将腰果无菌苗预设部位的特征点导入所述坐标系中；

11、在所述坐标系中将腰果无菌苗预设部位的特征点分为若干个子区域，并在各个子区域的特征点中检索出中心特征点；并获取各个子区域中各特征点与中心特征点的坐标值，根据所述坐标值计算出各个子区域中各特征点与中心特征点之间的欧氏距离；

12、将各子区域中欧氏距离大于预设欧氏距离的特征点筛除，得到筛选后的特征点；获取各筛选后的特征点的点云数据，并对所述点云数据进行刚体变换，以各点云数据以统一的坐标系表示，得到配准后的点云数据；

13、对所述配准后的点云数据进行网格化处理，直至生成模型曲面；并将各预设部位中的纹理映射到对应的模型曲面中，得到腰果无菌苗的实时生长模型图。

14、进一步的，本发明的一个较佳实施例中，根据腰果无菌苗的实时生长模型图确定出腰果无菌苗的预设培养方案，具体为：

15、通过大数据网络获取腰果无菌苗在不同生长状况时的标准培养方案，并获取腰果无菌苗在不同生长状况时所对应的生长特征模型图；

16、将腰果无菌苗在不同生长状况所对应的生长特征模型图与标准培养方案进行捆绑，捆绑完毕后，得到若干个特征数据包；构建数据存储库，将若干个特征数据包导入所述数据存储库中；

17、获取培养设备中腰果无菌苗的实时生长模型图，将所述实时生长模型图导入所述数据存储库中，并通过icp算法计算所述实时生长模型图与各生长特征模型图之间的重合度，得到多个重合度；

18、在多个所述重合度中排序出最大重合度，并获取与最大重合度相应的生长特征模型图，根据与最大重合度相应的生长特征模型图构建检索标签，基于所述检索标签在所述数据存储库中检索出相应的特征数据包；

19、根据检索得到的特征数据包确定出培养设备中腰果无菌苗的预设培养方案。

20、进一步的，本发明的一个较佳实施例中，将所述基于时间序列的预设动态参数与基于时间序列的实际动态参数进行比较分析，以分析出各子设备在运行过程中的实际动态参数是否正常，具体为：

21、以时间刻度作为x轴，并以动态参数作为y轴，根据所述x轴、y轴构建直角坐标系；

22、将所述基于时间序列的预设动态参数映射到所述直角坐标系中，得到若干个第一参数点；以及将所述基于时间序列的实际动态参数映射到所述直角坐标系中，得到若干个第二参数点；

23、在所述直角坐标系中计算在各个相同时刻节点上第一参数与第二参数点之间的切比雪夫距离值，得到多个切比雪夫距离值；并对多个所述切比雪夫距离值进行均值处理，得到平均切比雪夫距离值；

24、将所述平均切比雪夫距离值与预设阈值进行比较；若所述平均切比雪夫距离值不大于预设阈值，则说明对应子设备在预设时间段内的实际动态参数正常；若所述平均切比雪夫距离值大于预设阈值，则说明对应子设备在预设时间段内的实际动态参数异常。

25、进一步的，本发明的一个较佳实施例中，若某一子设备的实际动态参数异常，则将该子设备的实际动态参数导入马尔科夫模型中进行故障推演，根据故障推演结果生成故障报告，并将所述故障报告输出，具体为：

26、若某一子设备在运行过程中的实际动态参数异常，则获取该子设备在正常时间段工作时的历史动态参数，根据所述历史动态参数构建状态转移矩阵；

27、基于卷积神经构建马尔科夫模型，并将所述状态转移矩阵引入至所述马尔科夫模型中；获取马尔科夫模型的初始状态分布，将所述初始状态分布导入卷积层内进行卷积运算，运算完毕后，提取出运算后的状态转移矩阵的局部特征值；

28、通过pca算法对所述局部特征值进行降维处理，得到降维后的局部特征值；判断所述局部特征值是否小于预设特征值；

29、若小于，则直接将所述马尔科夫模型输出；若不小于，则重置所述初始状态分布，并对重置后的初始状态分布重新进行卷积运算，直至所述局部特征值小于预设特征值后，再将所述马尔科夫模型输出；

30、将该子设备的实际运行参数导入输出后的马尔科夫模型中进行故障预测，得到故障概率；将所述故障概率与预设故障概率进行比较；

31、若所述故障概率大于预设故障概率，则说明该子设备在预设时间段内发生故障概率高，将该子设备标记为故障子设备，则生成故障报告，并将所述故障报告输出。

32、进一步的，本发明的一个较佳实施例中，还包括以下步骤：

33、获取培养设备的工程图纸信息，根据所述工程图纸信息获取得到培养设备中各子设备的潜在关系；其中，所述潜在关系包括装配关系与电气关系；

34、根据所述潜在关系得到各子设备之间的关联性度，将关联性度大于预设关联性度之间的子设备标记为关联子设备；

35、获取与故障子设备相对应的关联子设备，并获取关联子设备的实际运行参数；将关联子设备的实际运行参数导入输出后的马尔科夫模型中进行故障预测，得到第二故障概率；并将所述第二故障概率与预设故障概率进行比较；

36、若所述第二故障概率大于预设故障概率，则将相应的关联子设备标记为故障子设备，并生成故障报告，并将所述故障报告输出。

37、本发明第二方面公开了一种腰果无菌苗培养设备的智能管理系统，所述智能管理系统包括存储器与处理器，所述存储器中存储有智能管理方法程序，当所述智能管理方法程序被所述处理器执行时，实现如下步骤：

38、获取培养基中腰果无菌苗的实时生长图像信息，根据所述实时生长图像信息构建腰果无菌苗的实时生长模型图；根据腰果无菌苗的实时生长模型图确定出腰果无菌苗的预设培养方案；

39、根据所述预设培养方案确定出培养设备中各子设备在预设时间段内基于时间序列的预设动态参数；以及获取培养设备中各子设备在预设时间段内基于时间序列的实际动态参数；

40、将所述基于时间序列的预设动态参数与基于时间序列的实际动态参数进行比较分析，以分析出各子设备在运行过程中的实际动态参数是否正常；

41、若某一子设备的实际动态参数异常，则将该子设备的实际动态参数导入马尔科夫模型中进行故障推演，根据故障推演结果生成故障报告，并将所述故障报告输出。

42、进一步的，本发明的一个较佳实施例中，获取培养基中腰果无菌苗的实时生长图像信息，根据所述实时生长图像信息构建腰果无菌苗的实时生长模型图，具体为：

43、在预设时间节点通过培养设备中的监测设备获取腰果无菌苗的实时生长图像信息，并对所述实时生长图像信息进行预处理，得到预处理后的实时生长图像信息；

44、通过特征匹配算法对所述预处理后的实时生长图像信息进行特征提取处理，得到图像中腰果无菌苗预设部位的特征点；构建坐标系，并将腰果无菌苗预设部位的特征点导入所述坐标系中；

45、在所述坐标系中将腰果无菌苗预设部位的特征点分为若干个子区域，并在各个子区域的特征点中检索出中心特征点；并获取各个子区域中各特征点与中心特征点的坐标值，根据所述坐标值计算出各个子区域中各特征点与中心特征点之间的欧氏距离；

46、将各子区域中欧氏距离大于预设欧氏距离的特征点筛除，得到筛选后的特征点；获取各筛选后的特征点的点云数据，并对所述点云数据进行刚体变换，以各点云数据以统一的坐标系表示，得到配准后的点云数据；

47、对所述配准后的点云数据进行网格化处理，直至生成模型曲面；并将各预设部位中的纹理映射到对应的模型曲面中，得到腰果无菌苗的实时生长模型图。

48、进一步的，本发明的一个较佳实施例中，若某一子设备的实际动态参数异常，则将该子设备的实际动态参数导入马尔科夫模型中进行故障推演，根据故障推演结果生成故障报告，并将所述故障报告输出，具体为：

49、若某一子设备在运行过程中的实际动态参数异常，则获取该子设备在正常时间段工作时的历史动态参数，根据所述历史动态参数构建状态转移矩阵；

50、基于卷积神经构建马尔科夫模型，并将所述状态转移矩阵引入至所述马尔科夫模型中；获取马尔科夫模型的初始状态分布，将所述初始状态分布导入卷积层内进行卷积运算，运算完毕后，提取出运算后的状态转移矩阵的局部特征值；

51、通过pca算法对所述局部特征值进行降维处理，得到降维后的局部特征值；判断所述局部特征值是否小于预设特征值；

52、若小于，则直接将所述马尔科夫模型输出；若不小于，则重置所述初始状态分布，并对重置后的初始状态分布重新进行卷积运算，直至所述局部特征值小于预设特征值后，再将所述马尔科夫模型输出；

53、将该子设备的实际运行参数导入输出后的马尔科夫模型中进行故障预测，得到故障概率；将所述故障概率与预设故障概率进行比较；

54、若所述故障概率大于预设故障概率，则说明该子设备在预设时间段内发生故障概率高，将该子设备标记为故障子设备，则生成故障报告，并将所述故障报告输出。

55、进一步的，本发明的一个较佳实施例中，还包括以下步骤：

56、获取培养设备的工程图纸信息，根据所述工程图纸信息获取得到培养设备中各子设备的潜在关系；其中，所述潜在关系包括装配关系与电气关系；

57、根据所述潜在关系得到各子设备之间的关联性度，将关联性度大于预设关联性度之间的子设备标记为关联子设备；

58、获取与故障子设备相对应的关联子设备，并获取关联子设备的实际运行参数；将关联子设备的实际运行参数导入输出后的马尔科夫模型中进行故障预测，得到第二故障概率；并将所述第二故障概率与预设故障概率进行比较；

59、若所述第二故障概率大于预设故障概率，则将相应的关联子设备标记为故障子设备，并生成故障报告，并将所述故障报告输出。

60、本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：获取培养基中腰果无菌苗的实时生长图像信息，根据所述实时生长图像信息构建腰果无菌苗的实时生长模型图；根据腰果无菌苗的实时生长模型图确定出腰果无菌苗的预设培养方案；根据所述预设培养方案确定出培养设备中各子设备在预设时间段内基于时间序列的预设动态参数；以及获取培养设备中各子设备在预设时间段内基于时间序列的实际动态参数；将所述基于时间序列的预设动态参数与基于时间序列的实际动态参数进行比较分析，以分析出各子设备在运行过程中的实际动态参数是否正常；若某一子设备的实际动态参数异常，则将该子设备的实际动态参数导入马尔科夫模型中进行故障推演，生成故障报告。通过本方法不仅能够自动规划出腰果无菌苗的培养方案，实现了智能化培养，还能够对培养设备在运行对其进行监控，从而预测培养设备发生故障的可能性，使得检修人员及时检修，确保设备能够有效运行。