工业遗存景观改造设计初探——以江苏淮安蒋坝镇自来水厂景观改造为例

工业遗存因承载了很多社会信息而成为社会发展的物证,越来越受到重视。研究了工业遗存保护思想的发展、保护现状及工业遗存景观改造存在的问题,并以淮安市蒋坝镇自来水厂景观改造项目为例,通过实践探讨工业遗存的价值和改造方式,以期将这些场地以新的形式展现在群众面前,让人们在新的环境中回望过去,增强对城市的记忆。     

基于信息抽取的食品安全事件自动问答系统方法研究

针对从海量食品安全事件新闻报道中很难抽取出所需答案的问题，以食品安全事件语料库为研究对象，提出了一种基于信息抽取技术的自动问答系统。首先，利用深度学习模型TextCNN对用户输入的问题进行分类，得到其所属类型。其次，对于输入问题，借助Lucene搜索引擎找到其最佳匹配文档。再次，根据输入问题的类型，从食品安全事件数据库（采用信息抽取技术自动提取的一个结构化数据库）中筛选出该文档所包含的答案候选句集合。最后，利用深度学习模型Bi LSTM及基于答案候选句上下文的特征提取方法构建一个答案抽取模型，该模型能从给定的答案候选句集合中提取出最终答案。为检查基于食品安全事件数据库的答案候选句筛选方式及基于答案候选句上下文的特征提取方式对整个自动问答系统性能的影响，进行了多种比较实验，结果表明含有基于食品安全事件数据库的答案候选句筛选方式和基于答案候选句上下文的特征提取方式的问答系统表现最佳，其回答准确率达到44%。这相比于传统的问答系统，具有明显的优势。     

基于Citespace的大学生学习投入研究可视化分析

以中国知网(CNKI)中2009—2018年间"大学生学习投入"或"本科生学习投入"为主题的520篇文献为研究对象,运用CiteSpace工具对相关文献数据的发表年份、研究机构、关键词等进行可视化分析,探讨当前大学生学习投入研究现状及热点,以期为未来大学生学习投入方面的研究提供借鉴。研究得出结论:国内学者对大学生学习投入领域的关注度不断增加,关于大学生学习投入研究的文献数量总体呈上升趋势;国内该领域相关学者较多,但高产出作者相对较少;高等院校教育科学研究院是大学生学习投入研究的重要科研平台,各机构间合作较少;学者对大学生学习投入的研究主要集中于对学习投入、专业承诺、学习收获、专业认同等的研究。     

网络与课堂混合模式下大学英语听力合作学习模式探讨

随着我国信息技术的迅猛发展,基于互联网开展学习已成为人们重要学习方式之一。网络技术的出现为大学英语教学带来了新的机遇与挑战,构建网络与课堂混合听力教学模式是为了进一步提升大学英语教学效率与质量,达到最佳学习效果。本文以大学英语听力课堂教学为基础,探析基于网络环境下大学英语听力合作学习模式的构建及学生学习能力的培养,将网络与课堂相结合的教学模式,以优化学生学习环境,提升教学质量与效果。     

基于记忆模拟退火和A*算法的农业机器人 遍历路径规划

【目的】解决农业机器人大田作业时遍历路径规划的问题。【方法】提出一种记忆模拟退火与A*算法相结合的遍历算法。首先通过记忆模拟退火算法搜索出任务最优目标点行走顺序,然后使用A*算法进行跨区域衔接路径规划。【结果】仿真试验结果表明,该算法规划的遍历路径曼哈顿距离比传统模拟退火算法减少了9.4%,遍历路径覆盖率能达到100%,重复率控制为4.2%。【结论】记忆模拟退火通过为传统模拟退火算法增加记忆器,增强了跳出局部最优陷阱的能力,提高了算法所得解的质量。该研究结果可为农业机器人遍历路径规划提供理论基础。     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。     

基于部分亲和场的行走奶牛骨架提取模型

在奶牛关键点预测的基础上,通过点、线重构奶牛骨架结构,可为奶牛跛行检测、发情行为分析、运动量估测等提供重要参考。本研究基于部分亲和场,以养殖场监控摄像头拍摄的视频为原始数据,使用1 600幅图像训练了奶牛骨架提取模型,实现了奶牛站立、行走状态下关键点信息和部分亲和场信息的预测,并通过最优匹配连接对奶牛骨架结构进行准确提取。为了验证该模型的性能,采用包含干扰因素的100幅单目标奶牛和100幅双目标奶牛图像进行了测试。结果表明,该模型对单目标行走奶牛骨架提取的置信度为78.90%,双目标行走奶牛骨架提取的置信度较单目标下降了10.96个百分点。计算了不同关键点相似性(Object keypoint similarity,OKS)下的模型准确率,当OKS为0.75时,骨架提取准确率为93.40%,召回率为94.20%,说明该模型具有较高的准确率。该方法可以提取视频中奶牛骨架,在无遮挡时具有高置信度和低漏检率,当遮挡严重时置信度有所下降。该模型的单目标和双目标图像帧处理速度分别为3.30、3.20 f/s,基本相同。本研究可为多目标奶牛骨架提取提供参考。