天津市基础设施投资绩效改善策略研究

指出了城市公共基础设施是加速城市化和实现现代化的重要物质基础,也是城市发展水平和城市竞争力的重要体现。近年来,天津市不断加大对基础设施的投入力度,但是仍不能满足经济社会发展的需要,投资体制不健全、结构不科学等问题比较突出。针对天津市基础设施投资的现状进行了深入分析,找出了存在的问题及原因,提出了要从明确政府定位、创新投资方式、加强外部监督等方面进行改善的策略。     

基于DEA方法的京津冀城市基础设施投资效率评价

在京津冀地区协同发展大背景下,该区域城市基础设施投资效率的高低直接影响到区域经济发展和社会进步,同时也对城市生态环境和生活质量起到至关重要的保障作用。文中使用非参数估计的数据包络分析方法(DEA)对京津冀地区2003年-2012年城市五大基础设施投资效率进行分析,同时对DEA结果分别进行投影分析,找出影响区域整体发展的影响因素。研究结果表明:从京津冀地区十年整体情况来看,该区域城市基础设施投资效率虽然没有达到最优,但总体水平为良好。天津市基础设施投资效率最优而河北省基础设施投资效率较低;从投影分析结果来看,京津地区投资效率低下主要表现在公共交通方面,河北省主要调整集中在道路建设方面。     

基于深度学习的森林虫害无人机实时监测方法

无人机遥感是监测森林虫害的先进技术,但航片识别的实时性尚不能快速定位虫害爆发中心、追踪灾情发生发展。该文针对受红脂大小蠹危害的油松林,使用基于深度学习的目标检测技术,提出一种无人机实时监测方法。该方法训练精简的SSD300目标检测框架,无需校正拼接,直接识别无人机航片。改进的框架使用深度可分离卷积网络作为基础特征提取器,针对航片中目标尺寸删减预测模块,优化默认框的宽高比,降低模型的参数量和运算量,加快检测速度。试验选出的最优模型,测试平均查准率可达97.22%,在移动图形工作站图形处理器加速下,单张航片检测时间即可缩短至0.46 s。该方法简化了无人机航片的检测流程,可实现受害油松的实时检测和计数,提升森林虫害早期预警能力。     

基于深度学习的大棚及地膜农田无人机航拍监测方法

随着精准农业技术的发展,快速获取大棚和地膜农田面积及地理分布的需求越来越大,但沿用面向卫星遥感影像的解译方法处理无人机航拍影像,存在特征选择复杂、识别精度较低、处理时间长等问题。基于此,本文提出一种基于深度学习的大棚及地膜农田无人机航拍监测方法,即采用六旋翼无人机搭载索尼NEX-5k相机进行航拍作业,对采集到的558幅赤峰市王爷府镇地区的无人机航片进行正射校正与拼接,构建全卷积神经网络(Fully convolutional network,FCN),通过多尺度融合的方法实现了FCN的5个变种模型:FCN-32s、FCN-16s、FCN-8s、FCN-4s、FCN-2s,使用带动量的随机梯度下降算法端到端训练模型,自动提取并分类影像特征。FCN模型与ENVI商用遥感软件的基于像素的分类方法、e Cognition软件的面向对象的分类方法对比后表明:FCN-4s模型为识别大棚和地膜农田的最佳模型,对于测试区域的平均整体正确率为97%,而基于像素的分类方法平均整体正确率为74.1%,面向对象的分类方法平均整体正确率为81.78%。FCN-4s模型平均运行时间为16.85 s,是基于像素的分类方法运行时间的0.06%,是面向对象的分类方法运行时间的5.62%。本方法可快速准确获取大棚和地膜农田的地理分布及面积,满足设施农业对无人机航拍监测的需求。     

基于深度学习的诱捕器内红脂大小蠹检测模型

红脂大小蠹是危害我国北方地区松杉类针叶树种的重大林业入侵害虫,其虫情监测是森林虫害防治的重要环节。传统的人工计数方法已经无法满足现代化红脂大小蠹监测的需求。为自动化识别并统计信息素诱捕器捕获的红脂大小蠹,在传统信息素诱捕器中集成摄像头,自动采集收集杯内图像,建立蠹虫数据集。使用K-means聚类算法优化Faster R-CNN深度学习目标检测模型的默认框,并使用GPU服务器端到端地训练该模型,实现了诱捕器内任意姿态红脂大小蠹的目标检测。采用面向个体的定量评价和面向诱捕器的定性评价两种评价方式。实验结果表明：较原始Faster R-CNN模型,该模型在困难测试集上面向个体和诱捕器的精确率-召回率曲线下面积（Area under the curve,AUC）提升了4.33%和3.28%。在整体测试集上个体和诱捕器AUC分别达0.9350、0.9722。该模型的检测速率为1.6s/幅,准确度优于SSD、Faster R-CNN等目标检测模型,对姿态变化、杂物干扰、酒精蒸发等有较好的鲁棒性。改进后的模型可从被诱芯吸引的6种小蠹科昆虫中区分出危害最大的红脂大小蠹,自动化地统计诱捕器内红脂大小蠹数量。     

面向边缘计算的轻量级植物病害识别模型

  目的  传统深度学习模型因参数和计算量过大不适用于边缘部署,在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。  方法  联合使用多种模型压缩方法,得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络,在边缘节点实现植物病害智能识别。模型压缩分2个阶段:第1阶段利用基于L₁范数的通道剪枝方法,压缩MobileNet模型;第2阶段将模拟学习与量化相结合,在模型量化的同时恢复识别精度,得到高精度轻量级的端模型。  结果  在PlantVillage数据集58类植物病害的实验结果表明:通道剪枝将MobileNet压缩了3.6~14.3倍,量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4~57.2倍,识别准确率仅降低0.24%~1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比,具有更高的模型压缩率和识别准确率。  结论  联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型,可为农林业提供面向边缘计算的植物病害识别模型。图3表2参23     

差巴嘎蒿生物网方格在辽西北流动沙丘生态修复中的应用研究

利用辽宁西北部沙漠化地区雨季湿度大、蒸发量小的特点，采用一年生差巴嘎蒿枝条生物网方格进行了3年的固沙试验研究。试验研究表明：人工移栽的差巴嘎蒿的成活率明显高于机械移栽的成活率。两种处理所在的沙丘上的流沙第二年得到了有效的控制，植被恢复的速度明显高于对照。深入研究了差巴嘎蒿生物网方格固沙的方法，分析了生物网方格固沙的原理，为辽西北沙漠化地区流动沙丘的治理与生态修复提供了新的理论依据与技术支持。     

狂犬病病毒G蛋白昆虫细胞表达及其生物信息学分析

利用RT-PCR方法从SRV9株细胞毒基因组RNA扩增G蛋白基因,然后将其克隆到p MD18-T载体上,将得到的重组克隆质粒SRV9G-p MD18T进行PCR和测序鉴定。结果表明:克隆的基因全长为1 609 bp,阅读框正确;将此SRV9株G基因亚克隆到供体质粒p Fast Bac Dual后获得了重组供体质粒SRV9G-p Fast Bac Dual;进而将重组供体质粒转化DH10Bac感受态细胞,经2次抗性、蓝白斑筛选及PCR分析后,获得重组穿梭质粒SRV9G-Bacmid;将其转染Sf9细胞48 h后,通过细胞形态学和重组杆状病毒负染电镜观察显示,杆状病毒转染成功;通过Western blot检测显示,Sf9细胞成功表达了SRV9 G蛋白。随后,利用Ex PASy服务器上的在线分析工具和生物信息学分析软件DNAStar对G蛋白的基本性质进行了分析。试验采用昆虫细胞Bac-toBac杆状病毒表达系统,成功表达出G蛋白,并对其进行了生物信息学分析,为蛋白纯化及狂犬病诊断试剂盒的进一步研制奠定了基础。     

面向钻蛀振动实时侦听的深度学习模型压缩

  目的   基于深度学习的钻蛀振动识别模型结合边缘计算可实现林业蛀干害虫钻蛀振动长期监测和实时预警,但要求大幅压缩智能识别模型的参数量和运算量。本研究采用深度学习模型压缩算法,在不损失精度的前提下,对已有的钻蛀振动识别模型进行压缩,减小模型的体积并提升模型在嵌入式平台的识别速度。   方法   首先采集双条杉天牛钻蛀振动和背景噪声两类信号训练人工设计的5层卷积神经网络BoringNet,得到钻蛀振动识别模型;然后分别使用不同裁剪率的滤波器裁剪、模型量化、多目标知识蒸馏对钻蛀振动识别模型进行压缩;最后设计上述压缩算法的组合策略,联合使用3种算法对蛀振动识别模型进行压缩,探究多种组合的模型压缩效果。   结果   3种模型压缩算法组合,裁剪率为60%时模型达到最优,此时模型计算量和参数量分别从原模型的18.06 ×106次和0.54 ×106个降低为3.01 ×106次和0.09 × 106个,模型体积从2 200 kB压缩至134.9 kB,树莓派3B+上的识别时间由原模型的9.04 ms降低至1.65 ms,而模型精度仍能达到99.29%,提升了0.5%。   结论   本研究的深度学习模型压缩方法,可以针对钻蛀振动侦听场景大幅压缩模型参数量和运算量,在保证准确率的前提下实现嵌入式平台的实时识别,促进钻蛀振动识别模型从工作站试验到野外实地部署的转变,为钻蛀振动识别的边缘计算奠定基础。      

PMSG诱导犬发情的初步试验

据统计,母犬1年只发情1次的占26.1%,发情2次的占65.2%,发情3次的占8.7%.如果错过1个发情期,相隔半年左右下一个发情期才能到来.母犬的这种特殊繁殖特性,影响了养犬业的经济效益.