采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

基于迁移学习的GoogLeNet果园病虫害识别与分级

为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治，采用迁移学习技术与GoogLeNet模型相结合的方法，对6种果园作物的25类病虫害样本进行识别与危害程度分级研究；同时，探究不同数据集大小以及不同优化算法对模型性能的影响；基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型，对病虫害识别精度可达99.35%，危害程度分级精度可达92.78%；2)在相同训练参数下，本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%，并且收敛速度最快；3)本研究模型识别精度随着数据集的增大而提高；在3种优化算法中SGDM算法耗时最短且精度最高，更适合本研究模型。通过拍摄果树叶片病害区域图像，本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。     

新学期帮孩子养成几个好习惯

刚过完美好的假期,习惯了多日的悠闲,很多孩子一时难以适应新学期紧张的节奏,出现懒散、拖延、晚上不睡早上不起、无精打采、学习积极性不高等情况。如何改变呢?专家建议可通过以下几种方式帮孩子养成生活学习好习惯。改变拖延习惯有些孩子做事喜欢磨蹭拖延,常常让父母很着急。为什么孩子会有"拖延症"呢?奥地利心理学家阿尔弗雷德·阿德勒在《儿童人格教育》里写道:"一个有拖延习惯的儿童背后,总有一个事无巨细为其整理收拾的妈妈"。     

基于云班课平台《动物生物化学》线上线下混合式教学模式探讨

为了研究基于云班课平台的线上线下混合式教学模式,进行了《动物生物化学》线上线下混合教学实践,对获得的云班课数据和教学效果进行了分析,结果表明:64.71%的学生云班课资源学习低于60%;云班课测试分数46.16%学生在60分以下,作业/小组任务分数33.33%学生测试成绩在60分以下,教师需进一步研究增加学生自主学习积极性的方法,达到更优的教学效果。     

基于超星学习通的混合式教学模式应用研究——以发酵工程课程为例

为了提高发酵工程课程的教学质量和教学效果,针对发酵工程课程的内容和特点,将互联网+技术与教学相结合,进行了基于超星学习通平台的混合式线上线下教学方式的改革,结果表明:在增强了学生自主学习能力的同时,也促进了教师的自我提升。     

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。     

拖拉机动量飞轮主动防侧翻控制与模型试验研究

针对拖拉机侧翻致死致伤事故仍时有发生的问题，基于旋转刚体加速时的反向施矩原理，以反作用动量飞轮为执行元件，提出了从主动安全角度解决拖拉机侧翻问题的研究方法。通过构建拖拉机动力学系统数学模型，解析了整机侧翻行为的动态演变机理。为保证拖拉机主体结构的完整性，将动量飞轮置于拖拉机前部，取代传统静态配重的同时可主动提供防侧翻力矩。应用Matlab/Simulink软件，对反作用飞轮的回稳过程进行了基于PID控制的有效性仿真分析，同时设计并搭建了比例模型试验平台，对主动施矩飞轮的回稳控制效果进行了试验验证。结果表明，装备飞轮的拖拉机与无控制组对比，在一次试验中可多次实现整机的防侧翻控制，使整机防侧翻性能得到明显改善，且不同行驶工况下的试验数据与仿真结果的相关性较强，充分验证了本文拖拉机侧翻动力学模型的有效性。     

智能采摘机器人自动化系统研究 —基于交互式视音频技术

为了提高采摘机器人的作业质量,模仿英语移动教学交互式视音频技术,在采摘采摘机器人控制系统中引入了视音频交互技术,通过远程视频监测机器人的作业状态,然后利用声控技术对采摘机器人的作业姿态进行调整,实现了管理员和采摘机器人的视音频交互,可以有效地提高采摘机器人的作业质量,降低采摘机器人的故障率。为了验证方案的可行性,对采摘机器人自动化控制系统进行了测试,并引入了MIMO通信原理,以提高视音频信号传输的质量。测试结果表明:采摘机器人可以准确地识别远程端的声控信号,且根据指令信号动作的准确率较高,可以满足高精度采摘机器人的设计需求。     

基于极化分解和集成学习的PolSAR影像分类

为实现Pol SAR数据极化信息的充分利用,以进一步改善分类效果,该研究提出了一种基于极化分解和集成学习的Pol SAR影像分类方法。该方法首先利用多种极化分解方法从Pol SAR影像中提取极化参数;将提取的极化参数组合成一幅多通道影像;然后对多通道影像进行分割和特征提取,分别提取出各目标极化分解方法所对应的特征;并进行特征选择和分类,得到各目标极化分解方法的分类结果;最后利用集成学习技术对各分类结果进行集成。该研究以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地覆被分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了92.49%和0.90。此外,该研究还将提出方法与其他基于多种极化分解的分类方法进行比较,对比方法的总体精度和Kappa系数分别为90.74%和0.88,比提出方法分别低1.75%和0.02,对比结果进一步证明了提出方法的优越性。     

网络学习在生物信息学教学改革中的重要性探析

网络学习是指利用互联网技术进行学习的一种模式。这种方式可以充分发挥学生的自主学习能力,提高知识水平和实践技能。在生物信息学教学过程中,将网络学习与传统课堂教学相结合的学习方式,可大大调动学生的学习积极性,从而提高生物信息学的教学效果。本文从生物信息学网络教学的内容选择、与课堂教学的结合以及教学效果的评估等方面,对网络学习在生物信息学教学改革中的重要性进行了探究,旨在为生物信息学的教学改革提供参考。