关于大学毕业生农村种养殖自主创业的思考

我国农村大学毕业生到农村进行种养殖自主创业,这是一种有效推动大学毕业生就业的重要方式。当前我国大学毕业生到农村从事种养殖自主创业面临着各类问题。要切实解决难题,大学毕业生、社会以及政府部门均应合力加以应对,从而切实帮助广大大学毕业生到农村开展种养殖自主创业,进而推动农村地区经济的进一步发展,实现农村地区的现代化,最终实现我国新农村的新发展。本文分析了大学生到农村自主创业的必要性,阐述了大学毕业生农村种养殖自主创业的现状及其原因,并提出了大学毕业生农村种养殖自主创业的几点措施。     

面向深度增强学习的网络数据流优化研究

探讨面向分布式深度增强学习框架的网络数据流优化,设计使深度学习训练能容忍无损网络的数据流优化策略。对于参数服务器同步架构,假设计算节点和服务器之间的网络通信会产生丢包,该优化策略需要保证分布式训练在无损网络中的性能。采用理论分析与实验评估相结合的方式来验证所提出策略的性能。     

基于微课的翻转课堂在生物防治技术课程中的应用——以河北北方学院为例

生物防治技术是高等农业院校植物保护专业一门实践性很强的专业选修课。本研究将微课与翻转课堂结合运用于课程实践之中,针对前期调研结果对课程教学设计、教学资料、互动平台、评价方式等方面进行详细分析,最终能够增加学生学习兴趣,提高学生参与度,使学生专业基础扎实,实践能力强,对课程的掌握程度高。     

“一带一路”背景下农业类本科生外语素养的培养研究——基于项目式学习理论

随着“一带一路”倡议的不断推进,农学人才在逐渐加深的中国与沿线国家农业合作中的重要性日渐凸显。在此背景下,国家对农业类人才的要求也越来越高,仅掌握农业类专业技术的人才已不能很好地适应新时代的农业发展要求,英语素养成为农学人才的必备的语言能力。本文从提升农学本科生英语素养的重要性出发,分析目前农学本科生外语教学现状,并结合项目式学习理论探索提升农学本科生外语素养的途径,旨在为培养具有较高外语素养的应用型农学人才提供可行建议。     

基于非接触式的牛只身份识别研究进展与展望

快速精准确定牛个体身份对疾病防控、品种遗传改良、奶制品和肉制品质量溯源以及改善农业假保险索赔等方面具有重要意义。传统的牛个体识别使用诸如烙印、耳纹、耳标和无线射频识别等方法，易遭受设备损失/工作重复、标记欺诈、动物福利安全以及监测成本和距离等方面的挑战；而基于生物特征的非接触识别由于其独特性、不变性、低成本易操作以及动物福利高，成为牛身份识别的新趋势。主要介绍了几种基于非接触式的牛身份识别的研究进展，重点关注牛脸识别的最新成果，讨论当前牛脸识别在实际应用中面临的挑战，在此基础上对深度学习在牛脸身份识别研究中的应用进行了设计构思与展望。     

基于深度学习的高鲁棒性恶意软件识别研究

提出了一种基于深度学习的高鲁棒性恶意软件识别算法,该算法利用软件的操作码序列来检测恶意软件。首先采用类信息增益进行特征选择,然后提出了基于启发式规则的图生成算法,并将图转换为矢量空间,最后应用基于堆叠自编码器的深度学习框架对恶意和正常软件进行分类。实验评估结果说明了与现有的算法相比,恶意软件识别算法具有较高的鲁棒性。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

农用无人机移动补给平台自主降落算法与试验

为实现根据无人机作业位置改变中途补充能源或喷洒物的起降地点,增加无人机有效作业时间,提高无人机作业效率,设计了无人机移动补给平台。通过研究农用无人机自主降落过程,提出一种基于模糊逻辑和比例积分微分(Proportional-integral and derivative,PID)分段控制的农用无人机跟踪降落算法,该算法既拥有PID算法的高精度,又兼顾模糊控制算法响应速度快、超调量小、鲁棒性强的优点。目标轨迹跟踪预测由粒子滤波器跟踪算法和轨迹拟合算法相结合进行求解。仿真和现场试验表明,与单一的PID算法和模糊逻辑算法相比,分段控制算法能够把农用无人机对移动补给平台的跟踪误差缩小到6. 7 cm以内,在移动补给平台上的降落精度控制在7. 2 cm以内。