基于微生物菌肥的燕麦培育方法、装置、设备及存储介质与流程
1.本发明涉及人工智能技术领域，尤其涉及一种基于微生物菌肥的燕麦培育方法、装置、电子设备及计算机可读存储介质。
背景技术：
2.随着现代农业技术的不断发展，各种农业增产的肥料层出不穷，微生物菌肥就是在这个时候横空出世，但为了摸索出不同作物最合适的施肥方式，需要不断摸索，以出最高产的培育方法。
3.现有的一般肥料大多成分单一，无法进一步增加农作物的产量。例如某种肥料只能为农作物提供氮肥，其余生物生长所需的物质必须由其他肥料提供。实际应用中，一般肥料对提高土壤长期肥力没什么作用，甚至使用不当还可能破坏原有植被和土壤结构从而降低农作物产量。
技术实现要素：
4.本发明提供一种基于微生物菌肥的燕麦培育方法、装置及计算机可读存储介质，其主要目的在于解决如何使用微生物菌肥提高燕麦产量的问题。
5.为实现上述目的，本发明提供的一种基于微生物菌肥的燕麦培育方法，包括：
6.将燕麦在组培培养基中培育成燕麦幼苗，将所述燕麦幼苗分别移植到具有相同土壤条件的n块实验田中，并对通过唯一编号的方式生成每块所述实验田的唯一编号；
7.统计每块所述实验田内燕麦幼苗的幼苗数量，根据所述幼苗数量计算每块实验田内的幼苗密度与种植间距，并根据所述幼苗密度与种植间距生成每块所述实验田的种植标签；
8.利用决策树模型根据所述种植标签对所述实验田进行分类，利用预先训练的特征提取模型提取不同类别的实验田的田地特征；
9.根据所述田地特征确定不同类别的实验田的微生物菌肥施肥方式，并将所述微生物菌肥施肥方式与所述唯一编号进行关联存储，得到每块所述实验田的培育表；
10.在燕麦成熟期将所有实验田内的燕麦分别脱粒回收，并根据脱粒回收的结果计算每块所述实验田的籽粒产量；
11.根据所述唯一编号从所述培育表内查询得到所述籽粒产量大于预设产量阈值的实验田为高产田地，并确定所述高产田地对应的微生物菌肥施肥方式为目标培育方法。
12.可选地，所述统计每块所述实验田内燕麦幼苗的幼苗数量，根据所述幼苗数量计算每块实验田内的幼苗密度与种植间距，包括：
13.用五点取样法在每块实验田的四个角落以及中间部分内统计预设面积内的燕麦幼苗数量；
14.取五点面积内燕麦幼苗数量的均值除以预设面积得到所述实验田内的燕麦幼苗密度；
15.测量五点内燕麦幼苗的种植间距，取均值为所述实验田内燕麦幼苗的种植间距。
16.可选地，所述利用决策树模型根据所述种植标签对所述实验田进行分类，包括：
17.构建决策树模型；
18.从所有实验田中逐一选取一个实验田作为目标实验田；
19.将所述目标实验田的种植标签输入所述决策树模型，得到所述目标实验田的实验田类别。
20.可选地，所述构建决策树模型，包括：
21.从预设的种植标签库中提取多个特征标签，并将特征标签进行文本分词，得到特征分词；
22.逐个从所述特征分词中提取一个特征分词为目标分词；
23.利用所述目标分词对预设的决策树函数进行赋值，并利用赋值后的决策函数作为决策条件生成决策树；
24.汇集所有的特征标签对应的决策树作为决策树模型。
25.可选地，所述利用预先训练的特征提取模型提取不同类别的实验田的田地特征，包括：
26.逐个从所述实验田的不同类别中提取一个类别作为目标类别；
27.逐一获取所述目标类别中每块实验田的土地图像，将所述土地图像转化成像素矩阵；
28.将所述像素矩阵进行卷积操作，得到中间矩阵；
29.将所述中间矩阵进行池化操作，得到结果矩阵；
30.将结果矩阵与预设的田地标签进行匹配度计算，取匹配度大于预设匹配度的田地标签为所述结果矩阵对应的实验田的单独特征；
31.统计所述目标类别下所有田地的单独特征，选取超过预设数量的单独特征作为所述目标类别的田地特征。
32.可选地，所述将所述像素矩阵进行卷积操作，得到中间矩阵，包括：
33.利用如下卷积计算公式将所述像素矩阵进行卷积操作，得到中间矩阵：
[0034][0035]
其中，b(i，j)为经过卷积计算得到的中间矩阵，k(m，n)为预设的卷积核矩阵，a(i-m+1，j-n+1)为实验田的土地图像转化的像素矩阵，i为中间矩阵的行数，j为中间矩阵的列数，m为卷积核矩阵的行数，n为卷积核矩阵的列数。
[0036]
可选地，所述根据所述田地特征确定不同类别的实验田的微生物菌肥施肥方式，包括；
[0037]
获取预设的不同田地特征适合的微生物菌肥施肥方式；
[0038]
在不同类别的实验田中按照预设的微生物菌肥施肥方式进行施肥。
[0039]
为了解决上述问题，本发明还提供一种基于微生物菌肥的燕麦培育装置，所述装置包括：
[0040]
移植模块：将燕麦在组培培养基中培育成燕麦幼苗，将所述燕麦幼苗分别移植到
具有相同土壤条件的n块实验田中，并对通过唯一编号的方式生成每块所述实验田的唯一编号；
[0041]
标签模块：统计每块所述实验田内燕麦幼苗的幼苗数量，根据所述幼苗数量计算每块实验田内的幼苗密度与种植间距，并根据所述幼苗密度与种植间距生成每块所述实验田的种植标签；
[0042]
分类模块：利用决策树模型根据所述种植标签对所述实验田进行分类，利用预先训练的特征提取模型提取不同类别的实验田的田地特征；
[0043]
培育表模块：根据所述田地特征确定不同类别的实验田的微生物菌肥施肥方式，并将所述微生物菌肥施肥方式与所述唯一编号进行关联存储，得到每块所述实验田的培育表；
[0044]
计算模块：在燕麦成熟期将所有实验田内的燕麦分别脱粒回收，并根据脱粒回收的结果计算每块所述实验田的籽粒产量；
[0045]
确定模块：根据所述唯一编号从所述培育表内查询得到所述籽粒产量大于预设产量阈值的实验田为高产田地，并确定所述高产田地对应的微生物菌肥施肥方式为目标培育方法。
[0046]
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
[0047]
至少一个处理器；
[0048]
以及，与所述至少一个处理器通信连接的存储器；
[0049]
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于微生物菌肥的燕麦培育方法。
[0050]
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于微生物菌肥的燕麦培育方法。
[0051]
本发明实施例通过控制变量法，将燕麦幼苗种植到具有不同土地特征的实验田中，并将这些实验田通过唯一编号的方式进行命名；根据预设好的施肥方式在不同田地特征的实验田上进行施肥，记录这些不同实验田对应的施肥方式，联合唯一编号进行联合存储，写入预设的空白表格内，生成不同实验田的培育表；在燕麦成熟期将不同实验田中的燕麦颗粒脱离回收并称重记录，对比出产量最高的实验田，根据实验田的唯一编码出所述实验田对应的施肥方式确定为目标培育方法。可以实现通过微生物菌肥的施肥方式，提高燕麦农作物的产量。因此本发明提出的基于微生物菌肥的燕麦培育方法、装置、电子设备及计算机可读存储介质，可以解决如何利用微生物菌肥提高燕麦产量的问题。
附图说明
[0052]
图1为本发明一实施例提供的基于微生物菌肥的燕麦培育方法的流程示意图；
[0053]
图2为本发明一实施例提供的实验田分类的流程示意图；
[0054]
图3为本发明一实施例提供的构建决策树模型的流程示意图；
[0055]
图4为本发明一实施例提供的基于微生物菌肥的燕麦培育装置的功能模块图；
[0056]
图5为本发明一实施例提供的实现所述基于微生物菌肥的燕麦培育方法的电子设
备的结构示意图。
[0057]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0058]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0059]
本技术实施例提供一种基于微生物菌肥的燕麦培育方法。所述基于微生物菌肥的燕麦培育方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于微生物菌肥的燕麦培育方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集、云端服务器或云端服务器集等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0060]
参照图1所示，为本发明一实施例提供的基于微生物菌肥的燕麦培育方法的流程示意图。在本实施例中，所述基于微生物菌肥的燕麦培育方法包括：
[0061]
s1、将燕麦在组培培养基中培育成燕麦幼苗，将所述燕麦幼苗分别移植到具有相同土壤条件的n块实验田中，并对通过唯一编号的方式生成每块所述实验田的唯一编号；
[0062]
本发明实施例中，培养基是组织培养中离体材料赖以生存发展的基地，大多数培养基的成分是由无机营养物、碳源、维生素、生长调节物质和有机附加物等五类物质组成的。
[0063]
由于农作物的生长受土壤条件的影响，所以要将燕麦幼苗移植到相同土壤条件的实验田中，保证其他实验变量保持一致，最大程度的保证实验变量的单一性。
[0064]
本发明实施例中所述将所述燕麦幼苗分别移植到具有相同土壤条件的n块实验田中，例如将所有实验田土壤取样送到检测中心，检测土壤土质以及酸碱度，通过人工干预的方式保证每块实验田的土壤成分以及酸碱度等达到一致。
[0065]
详细地，所述并对通过唯一编号的方式生成每块所述实验田的唯一编号，例如，一共有四块实验田，那么实验田编号分别为：一号实验田、二号实验田、三号实验田、四号实验田。
[0066]
具体地，给实验田进行唯一编号有利于区分相同土壤状态下不同的实验田，后续在这些有唯一编号的实验田中进行实验时，便于对不同编号的实验田添加不同的实验变量，也便于记录实验过程。
[0067]
s2、统计每块所述实验田内燕麦幼苗的幼苗数量，根据所述幼苗数量计算每块实验田内的幼苗密度与种植间距，并根据所述幼苗密度与种植间距生成每块所述实验田的种植标签；
[0068]
由于植物密度影响植物生长状况，相同面积区域内种植不同数量的燕麦幼苗，那么这些幼苗接收到的光照时间面积、土壤营养成分都不相同。因此需要计算每块实验田的幼苗密度与种植间距，利用这些差别将实验田分类再次细化。
[0069]
本发明实施例中，所述统计每块所述实验田内燕麦幼苗的幼苗数量，根据所述幼苗数量计算每块实验田内的幼苗密度与种植间距，包括：用五点取样法在每块实验田的四
个角落以及中间部分内统计预设面积内的燕麦幼苗数量；取五点面积内燕麦幼苗数量的均值除以预设面积得到所述实验田内的燕麦幼苗密度；测量五点内燕麦幼苗的种植间距，取均值为所述实验田内燕麦幼苗的种植间距。本发明实施例中，所述根据所述幼苗密度与种植间距生成每块所述实验田的种植标签，例如计算出的幼苗密度为80％，种植间距为0.2m，则所述实验田的标签为密度80％，间距0.2m。
[0070]
具体地，计算出实验田内幼苗的密度以及种植间距可以在相同土壤的实验田内做出不同的对照组，通过实验对照出最适培育燕麦幼苗的种植密度以及种植间距，保证实验准确性，排除实验其他因素的干扰。
[0071]
s3、利用决策树模型根据所述种植标签对所述实验田进行分类，利用预先训练的特征提取模型提取不同类别的实验田的田地特征；
[0072]
由于实验田数量很多，不同的实验田对应的种植标签也不相同，为了更好的对这些实验田进行区分，便于后续继续进行对照组实验，因此需要再次对实验田进行分类，还要根据已有实验田的特征对这些实验田进行特征提取，便于更好的利用这些特征进行对照组实验。
[0073]
本发明实施例中，参照图2所示，所述利用决策树模型根据所述种植标签对所述实验田进行分类，包括：
[0074]
s21、构建决策树模型；
[0075]
s22、从所有实验田中逐一选取一个实验田作为目标实验田；
[0076]
s23、将所述目标实验田的种植标签输入所述决策树模型，得到所述目标实验田的实验田类别。
[0077]
具体地，参照图3所示，所述构建决策树模型，包括：
[0078]
s31、从预设的种植标签库中提取多个特征标签，并将特征标签进行文本分词，得到特征分词；
[0079]
s32、逐个从所述特征分词中提取一个特征分词为目标分词；
[0080]
s33、利用所述目标分词对预设的决策树函数进行赋值，并利用赋值后的决策函数作为决策条件生成决策树；
[0081]
s34、汇集所有的特征标签对应的决策树作为决策树模型。
[0082]
本发明实施例中，所述利用预先训练的特征提取模型提取不同类别的实验田的田地特征，包括：逐个从所述实验田的不同类别中提取一个类别作为目标类别；逐一获取所述目标类别中每块实验田的土地图像，将所述土地图像转化成像素矩阵；将所述像素矩阵进行卷积操作，得到中间矩阵；将所述中间矩阵进行池化操作，得到结果矩阵；将结果矩阵与预设的田地标签进行匹配度计算，取匹配度大于预设匹配度的田地标签为所述结果矩阵对应的实验田的单独特征；统计所述目标类别下所有田地的单独特征，选取超过预设数量的单独特征作为所述目标类别的田地特征。
[0083]
详细地，所述将所述像素矩阵进行卷积操作，得到中间矩阵，包括：
[0084]
利用如下卷积计算公式将所述像素矩阵进行卷积操作，得到中间矩阵：
[0085]
[0086]
其中，b(i，j)为经过卷积计算得到的中间矩阵，k(m，n)为预设的卷积核矩阵，a(i-m+1，j-n+1)为实验田的土地图像转化的像素矩阵，i为中间矩阵的行数，j为中间矩阵的列数，m为卷积核矩阵的行数，n为卷积核矩阵的列数。
[0087]
具体地，所述将所述中间矩阵进行池化操作，得到结果矩阵，例如可以通过均值池化或者最大值池化，选取预设矩阵区域的均值或者是最大值，作为矩阵元素填充到新的空白矩阵中。在最大程度保留中间矩阵的特征的同时，快速降维，简化后续的计算过程。
[0088]
s4、根据所述田地特征确定不同类别的实验田的微生物菌肥施肥方式，并将所述微生物菌肥施肥方式与所述唯一编号进行关联存储，得到每块所述实验田的培育表；
[0089]
本发明实施例中，所述微生物菌肥是农业生产中使用肥料的一种，含有大量的微生物，在土壤中通过微生物的生命活动改善作物的营养条件，制造协助农作物吸收营养。
[0090]
本发明实施例中，所述根据所述田地特征确定不同类别的实验田的微生物菌肥施肥方式，包括；获取预设的不同田地特征适合的微生物菌肥施肥方式；在不同类别的实验田中按照预设的微生物菌肥施肥方式进行施肥。
[0091]
详细地，不同田地特征一般都对应着不同的施肥方式，例如对种植间距大的实验田可以降低水肥条件，对于种植间距小，种植密度大的实验田就要提高水肥条件。按照不同田地特征选择最合适的施肥方式能够最大程度提高燕麦产量，寻到最佳的培育方法。
[0092]
本发明实施例中，所述并将所述微生物菌肥施肥方式与所述唯一编号进行关联存储，得到每块所述实验田的培育表，例如某块实验田编号为3，对这块实验田施加30％的微生物菌肥，70％的普通化肥，将这种施肥方式与所述实验田的编号联系起来存储，填入预设的空白表格内，后期任何对3号实验田的育培操作都可以填入所述空白表格内，作为这块3号实验田的培育表。
[0093]
具体地，将所述微生物菌肥施肥方式与所述唯一编号进行关联存储，得到每块所述实验田的培育表，能够直观看出每块编号的实验田不同的田地特征以及对应的施肥方式，还能便于对比出不同田地特征的实验田最优的施肥方式，从而出培育燕麦最佳田地特征以及最佳培育方法。
[0094]
s5、在燕麦成熟期将所有实验田内的燕麦分别脱粒回收，并根据脱粒回收的结果计算每块所述实验田的籽粒产量；
[0095]
本发明实施例中，所述在燕麦成熟期将所有实验田内的燕麦分别脱粒回收，市面上大部分燕麦成熟季在九月，可以利用大型收割机对所有实验田的燕麦进行脱粒回收，并按实验田的唯一编号区分开，分别进行称重。
[0096]
详细地，所述并根据脱粒回收的结果计算每块所述实验田的籽粒产量，例如某块实验田面积为40平方米，脱粒称重的结果为40斤，则所述实验田的产量为0.5kg/m2。
[0097]
具体地，按照要求算出每个实验田的籽粒产量，并将数据填入所述实验田的培育表中，能够直观对比出不同田地特点、不同施肥方式培育出的燕麦得到的不同产量，用培育表记录培育过程，直观简洁，查询数据方便快速，能够提升计算对比效率。
[0098]
s6、根据所述唯一编号从所述培育表内查询得到所述籽粒产量大于预设产量阈值的实验田为高产田地，并确定所述高产田地对应的微生物菌肥施肥方式为目标培育方法。
[0099]
本发明实施例中，所述根据所述唯一编号从所述培育表内查询得到所述籽粒产量大于预设产量阈值的实验田为高产田地，并确定所述高产田地对应的微生物菌肥施肥方式
为目标培育方法，包括：查出产量最大的实验田对应的唯一编号；根据所述唯一编号在培育表中查出产量最大的实验田对应的微生物菌肥施肥方式；将查到的微生物菌肥施肥方式确定为目标培育方法。
[0100]
详细地，根据控制变量法对不同的类别的实验田施加不同的微生物菌肥施肥方式，出产量最大长势最好的燕麦微生物菌肥的培育方式，实验过程简单，得出的结论准确度高，实际可操作性强，
[0101]
如图4所示，是本发明一实施例提供的基于微生物菌肥的燕麦培育装置的功能模块图。
[0102]
本发明所述基于微生物菌肥的燕麦培育装置100可以安装于电子设备中。根据实现的功能，所述基于微生物菌肥的燕麦培育装置100可以包括移植模块101、标签模块102、分类模块103、培育表模块104、计算模块105及确定模块107。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0103]
在本实施例中，关于各模块/单元的功能如下：
[0104]
所述移植模块101：将燕麦在组培培养基中培育成燕麦幼苗，将所述燕麦幼苗分别移植到具有相同土壤条件的n块实验田中，并对通过唯一编号的方式生成每块所述实验田的唯一编号；
[0105]
所述标签模块102：统计每块所述实验田内燕麦幼苗的幼苗数量，根据所述幼苗数量计算每块实验田内的幼苗密度与种植间距，并根据所述幼苗密度与种植间距生成每块所述实验田的种植标签；
[0106]
所述分类模块103：利用决策树模型根据所述种植标签对所述实验田进行分类，利用预先训练的特征提取模型提取不同类别的实验田的田地特征；
[0107]
所述培育表模块104：根据所述田地特征确定不同类别的实验田的微生物菌肥施肥方式，并将所述微生物菌肥施肥方式与所述唯一编号进行关联存储，得到每块所述实验田的培育表；
[0108]
所述计算模块105：在燕麦成熟期将所有实验田内的燕麦分别脱粒回收，并根据脱粒回收的结果计算每块所述实验田的籽粒产量；
[0109]
所述确定模块106：根据所述唯一编号从所述培育表内查询得到所述籽粒产量大于预设产量阈值的实验田为高产田地，并确定所述高产田地对应的微生物菌肥施肥方式为目标培育方法。
[0110]
详细地，本发明实施例中所述基于微生物菌肥的燕麦培育装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于微生物菌肥的燕麦培育方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0111]
如图5所示，是本发明一实施例提供的实现基于微生物菌肥的燕麦培育方法的电子设备的结构示意图。
[0112]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于微生物菌肥的燕麦培育程序。
[0113]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装
的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于微生物菌肥的燕麦培育程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0114]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于微生物菌肥的燕麦培育程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0115]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0116]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0117]
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0118]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0119]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0120]
所述电子设备1中的所述存储器11存储的基于微生物菌肥的燕麦培育程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0121]
将燕麦在组培培养基中培育成燕麦幼苗，将所述燕麦幼苗分别移植到具有相同土壤条件的n块实验田中，并对通过唯一编号的方式生成每块所述实验田的唯一编号；
[0122]
统计每块所述实验田内燕麦幼苗的幼苗数量，根据所述幼苗数量计算每块实验田内的幼苗密度与种植间距，并根据所述幼苗密度与种植间距生成每块所述实验田的种植标签；
[0123]
利用决策树模型根据所述种植标签对所述实验田进行分类，利用预先训练的特征提取模型提取不同类别的实验田的田地特征；
[0124]
根据所述田地特征确定不同类别的实验田的微生物菌肥施肥方式，并将所述微生物菌肥施肥方式与所述唯一编号进行关联存储，得到每块所述实验田的培育表；
[0125]
在燕麦成熟期将所有实验田内的燕麦分别脱粒回收，并根据脱粒回收的结果计算每块所述实验田的籽粒产量；
[0126]
根据所述唯一编号从所述培育表内查询得到所述籽粒产量大于预设产量阈值的实验田为高产田地，并确定所述高产田地对应的微生物菌肥施肥方式为目标培育方法。
[0127]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0128]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0129]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0130]
将燕麦在组培培养基中培育成燕麦幼苗，将所述燕麦幼苗分别移植到具有相同土壤条件的n块实验田中，并对通过唯一编号的方式生成每块所述实验田的唯一编号；
[0131]
统计每块所述实验田内燕麦幼苗的幼苗数量，根据所述幼苗数量计算每块实验田内的幼苗密度与种植间距，并根据所述幼苗密度与种植间距生成每块所述实验田的种植标签；
[0132]
利用决策树模型根据所述种植标签对所述实验田进行分类，利用预先训练的特征提取模型提取不同类别的实验田的田地特征；
[0133]
根据所述田地特征确定不同类别的实验田的微生物菌肥施肥方式，并将所述微生物菌肥施肥方式与所述唯一编号进行关联存储，得到每块所述实验田的培育表；
[0134]
在燕麦成熟期将所有实验田内的燕麦分别脱粒回收，并根据脱粒回收的结果计算每块所述实验田的籽粒产量；
[0135]
根据所述唯一编号从所述培育表内查询得到所述籽粒产量大于预设产量阈值的实验田为高产田地，并确定所述高产田地对应的微生物菌肥施肥方式为目标培育方法。
[0136]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0137]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显
示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0138]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0139]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0140]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0141]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0142]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0143]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0144]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
