柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

面向高职教学质量保障体系的程序设计自主学习平台的研究与实现

无线网络和移动终端的普及,突破了课堂时空限制,使得随时随地获取资源进行学习成为可能。该自主学习平台以高职教学质量保障体系为指引,以程序自动编译评测子系统为核心,参照高职教育实际教学过程,构建融入高职教育教学质量保障体系的网络教学环境,形成“教、学、练、测、赛、督”六位一体的综合性自主学习平台,为高职院校的网络课程建设和信息化教学建设提供基础支撑平台,使网络教学真正地服务于高职院校的课程教学。     

基于BlackBoard的医学信息检索课虚拟学习社区的构建与应用

探讨了如何利用BlackBoard网络教学平台的优势创建医学信息检索课虚拟学习社区及其应用,为其他学科教学模式改革提供依据。     

高校多媒体教学现状及发展趋势探讨

高校多媒体教学在近年来得到了迅速发展,成为提升教学质量的重要手段。但高校多媒体教学中仍存在很多不足,主要体现在忽视教师的主导作用、传达方式设计不当、实现手段有限等方面,需要通过多媒体教学改革与建设加以解决。多媒体教学改革趋势主要体现在于四个方面,一是与网络技术结合,提供高水平的互动性和协作化学习能力;二是采用积件方法,通过积件库和积件组合平台提高教学课件制作水平;三是向智能化多媒体教学转变,按照学生意愿对学习材料进行组织,实现个性化教学;四是向移动学习转变,突破学习时间和地点的限制。     

大一年度创新项目及其管理

大一年度创新项目是一种新的基于项目学习的模式,具有探索性、综合性、实践性、合作性、开放性的特点。要保证大一年度创新项目达到预期的目标,关键在于运用“项目管理”的知识体系,加强项目过程管理,包括项目启动过程、规划过程、执行过程、监控过程和收尾过程的管理。并将具有共性的项目管理实践经验进行总结,形成规范化的标准,不断提高项目学习的质量。     

树立正确的教学观和学习观,做好草业科学专业的本科教学

从任课教师和学生两方面入手,对如何促进我国草业科学高等教育的发展进行了探讨.提出任课教师要树立正确的教学科研观,紧密联系科研工作实际,加强自身业务知识的学习,从而不断提高自己的教学水平.对学生而言,通过激发学生的主观能动性,培养学生的参与意识,从而提高学生的动手能力,使学生学得更快、更好、更精.此外,针对教材的选择、教育辅助方案和生产实习、毕业论文等提出了相关的改进措施,并就教学过程中常见的部分实际问题进行了探讨.＃     

Appraising and selecting conservation measures to mitigate desertification and land degradation based on stakeholder participation and global best practices

Most desertification research focuses on degradation assessments without putting sufficient emphasis on prevention and mitigation strategies, although the concept of sustainable land management (SLM) is increasingly being acknowledged. A variety of already applied conservation measures exist at the local level, but they are not adequately recognised, evaluated and shared, either by land users, technicians, researchers, or policy makers. Likewise, collaboration between research and implementation is often insufficient. The aim of this paper is to present a new methodology for a participatory process of appraising and selecting desertification mitigation strategies, and to present first experiences from its application in the EU‐funded DESIRE project. The methodology combines a collective learning and decision approach with the use of evaluated global best practices. In three parts, it moves through a concise process, starting with identifying land degradation and locally applied solutions in a stakeholder workshop, leading to assessing local solutions with a standardised evaluation tool, and ending with jointly selecting promising strategies for implementation with the help of a decision support tool. The methodology is currently being applied in 16 study sites. Preliminary analysis from the application of the first part of the methodology shows that the initial stakeholder workshop results in a good basis for stakeholder cooperation, and in promising land conservation practices for further assessment. Study site research teams appreciated the valuable results, as burning issues and promising options emerged from joint reflection. The methodology is suitable to initiate mutual learning among different stakeholder groups and to integrate local and scientific knowledge. Copyright © 2009 John Wiley & Sons, Ltd.     

自然环境下多类水果采摘目标识别的通用改进SSD模型

为解决当前自然环境下水果识别率不高、泛化性不强等问题,该文以苹果、荔枝、脐橙、皇帝柑4种水果为研究对象,提出了一种改进的SSD(single shot multi-boxdetector)深度学习水果检测模型:将经典SSD深度学习模型中的VGG16输入模型替换为Res Net-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型。该文基于Caffe深度学习框架,对自然环境下采集的水果图像进行不同网络模型、不同数据集大小和不同遮挡比例等多组水果识别检测效果对比试验。试验表明:改进的SSD深度学习水果检测模型对4种水果在各种环境下的平均检测精度达到88.4%,高于经典SSD深度学习模型中的86.38%,经过数据增强后平均检测精度可提升至89.53%,在遮挡面积低于50%的情况下F1值能达到96.12%,有较好的泛化性和鲁棒性,可以很好地实现自然环境下多类水果的精准检测,可为农业自动化采摘中的水果识别检测问题提供新的方案。     

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。     

环境敏感变量优选及机器学习算法预测绿洲土壤盐分

基于机器学习预测干旱区(如新疆)土壤盐分的研究目前较少涉及且敏感变量的筛选还需深入探讨。该研究比较5种机器学习算法(套索算法,The Least Absolute Shrinkage and Selection Operator-LASSO;多元自适应回归样条函数,Multiple Adaptive Regression Splines-MARS;分类与回归树,Classification and Regression Trees-CART;随机森林,Random Forest-RF;随机梯度增进算法,Stochastic Gradient Treeboost-SGT)在3个不同地理区域(奇台绿洲,渭-库绿洲和于田绿洲)的性能表现;参与的变量被分为6组:波段,植被相关变量集,土壤相关变量集,数字高程模型(digital elevation model,DEM)衍生变量集,全变量组,优选变量组(全变量组经过算法筛选后的变量集合)。通过算法筛选,以示不同研究区的盐度敏感变量。同时借助以上述6组结果评判算法的性能。结果表明:综合分析6个变量组的R2和RMSE,预测精度排名如下:优选变量组植被指数变量组土壤相关变量组波段DEM衍生变量组。由于结果不稳定,全变量组未参与排名。在所有变量中,植被指数(EEVI,ENDVI,EVI2,CSRI,GDVI)和土壤盐度指数(SIT,SI2和SAIO)与土壤盐度相关性高于其他变量。综合评价以上5种算法,Lasso和MARS的预测结果出现极端异常值,但其预测结果能基本呈现土壤盐分空间分布格局。CART的结果能清晰分辨灌区和非灌区土壤盐分的分布态势,但二者内部并无太多变化且稳定性较差。RF和SGT的结果显示,二者在3个绿洲的土壤盐分值域范围和土壤盐分空间分布格局相似,纹理信息相对其他3个算法更为丰富。更为重要的是,算法在各个地区的结果都较为稳定。二者相比,SGT验证精度相对最高,其次为RF。