新型农民移动教育学习体系的探讨

移动通信技术的飞速发展，网络环境的大力改善，特别是第三代移动通信技术3G的兴起，新型农民教育有了新的培育途径。本文分析了移动教育对新型农民培育的优势，提出移动教育学习体系结构、教学资源及学习环境的构建，以及对体系建设过程中应注意的问题进行了进一步的分析，包括与农民信箱、农网等的协作，基层人才、信息资源建设、培训过程的交互性等问题。     

甘肃省农业信息资源网络服务平台研究

开发了一个实用的、符合用户需求的农业技术信息资源服务平台。该平台以农业技术信息资源共享为出发点、以网络信息资源服务平台为核心、以服务＂三农＂为目的,大大拓宽了农民获取信息资源的渠道,共享农业信息服务,为解决农业信息＂最后一公里＂问题提供了理论和实践的依据。     

基于Web的水稻精确定量栽培决策支持系统研究与开发

通过注册域名,进行域名许可备案,申请虚拟主机,应用＂Web浏览器/Web服务器/数据库系统＂三层分布计算体系结构,开发出水稻精确定量栽培推广网与在线决策支持系统,可以实现零距离服务农业、农村和农民,具有较高的应用价值。     

衢州市农民远程培训的实践和探索

现代农业和农村经济的发展,迫切需要提高农民科技文化素质。而传统培训方式资源利用低、覆盖面小、选择性差、实施成本高,并且受时间和地域等因素影响大。传统培训方式与远程培训方式的有机融合,能较好地解决上述问题。衢州市通过引用先进的流媒体技术,建立以“网络技术为主,融合广播电视、语音为一体”的现代农民科技培训平台,通过对现有农技培训资源进行整合,构建系统的培训工作体系、辅导体系、师资体系、课件体系和科技信息服务体系,大力开展农民培训,全面促进农民素质提高和农村信息化建设。     

计算机技术在大学统计教学实训中的应用研究

大学统计教学具有基础技能的特点,而当前的教学中往往注重＂基础＂教育,而忽略了＂技能＂的培养。针对大学统计学教学的特点,指出了统计实训过程中存在的问题,提出了利用计算机技术解决实训难题的思路,并分别探讨了网络技术、软件技术和数据库技术在统计实训过程中的应用。     

吉林省农民远程教育技术及发展研究

吉林省农民远程教育事业经过近10年的发展,已形成三大平台、三大网络、一条线的服务格局。集卫星网传输技术、互联网技术、电话网技术、电视网技术与计算机技术为一体的农民远程教育平台不断发展、完善,现已培训农民达1 000多万人次,取得了较好的社会效益。重点介绍了吉林省农民远程教育的现状、主要技术应用现状、取得的成果、存在的问题及下一步工作的设想等方面的初探性研究。     

三网融合是历史的必然趋势

我国＂十一五＂信息化专项规划明确提出,三网融合将成为不可避免的历史趋势。要实现信息化的历史跨越,便捷之路便是推进三网融合。三网融合是通信技术的又一次飞跃,它将对社会乃至历史都产生深远的影响。     

基于3S技术联合的农田墒情远程监测系统开发

农田墒情信息是现代农业实施精准施肥、精确灌溉的重要科学依据。为了实现快速准确地采集墒情信息,研究开发了基于3S（GPS/GIS/GPRS）技术联合的农田墒情远程监测系统。该系统主要由农田信息监测网络节点和远程服务器组成,在小范围内由传感器节点基于ZigBee通讯协议组成无线传感器网络,在大尺度上通过网关节点集成GPS网络,利用GSM/GPRS网络实现与Internet的信息交互,完成了墒情数据的自动采集、无线传输和准确定位。设计了太阳能自供电的长寿命无线传感器节点和网关节点,开发了服务器端农田墒情信息管理系统软件,实现了Web方式下的参数远程设置和信息实时监测。该系统的设计开发为农田墒情信息监测和分析决策提供了有效的工具。     

RSS技术在网络课程中的应用

对RSS技术的特点进行了分析,结合＂数据库原理＂网络课程建设的具体实践,将RSS技术应用于该网络课程,改进了现有教学内容的发布模式,提高了教学信息、教学资源以及讨论主题等教学内容的获取效率,满足了学生个性化选择网络教学内容进行学习的需要。提出了RSS应用关键技术的实现方法,同时分析与总结了具有RSS技术应用的网络课程的优势。     

“新疆金牧网”信息服务平台构建与应用

针对新疆畜牧业信息服务现状和发展要素,提出建立和完善信息服务网络平台已成为现代信息服务的必要手段。简要介绍了＂新疆金牧网＂畜牧信息平台建设的意义和目的,对平台结构设计、数据库设计、信息资源共享机制和平台运营情况进行了综合论述。重点介绍了＂新疆金牧网＂信息平台的主体框架和建设思路、平台的服务内容、会员机制,平台运营体系等,并提出在建立和完善信息服务平台过程遇到的问题、对策、措施和未来发展定位。     

基于人工神经网络的联合收割机变速箱计算机辅助设计

针对自走式联合收割机变速箱优化设计中存在计算量大、图表多等问题,提出了一种新的神经网络学习算法,相对于其他学习算法,该算法侧重于网络参数的调整,通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习。通过BP网络的学习和训练,采用单输入双输出的1-8-2结构、1-6-2结构、1-4-2结构进行训练,从实际的应用效果来看,选择1-6-2的ＢＰ网络结构作为最终的神经网络形式,网络的识别精度是非常高的。结果表明,该算法能运用神经网络对联合收割机变速箱进行了设计研究,建立数学描述形式,分析了通过神经网络来实现变速箱设计模型构建的方法。研究表明,应用神经网络构建的模型能够减少系统的分析次数,并能够很大程度的提高模型的精度,满足计算要求,最终在设计空间内寻找出较好的设计方案。     

集成随机配置网络在养殖水质监测中的应用

为解决集约化水产养殖过程水体氨氮浓度无法实时检测的问题,提出基于Bagging集成随机配置网络(stochastic configuration network,SCN)的建模方法,利用养殖过程采集的相关水质参数对养殖水体氨氮浓度进行软测量。该方法首先采用Bootstrap方式生成多个不同的训练子集,然后并行训练多个SCN模型,最后将各个SCN模型的输出结果取均值作为Bagging-SCN模型的输出。为验证方法的有效性,分别通过UCI标准数据库中的机翼自噪声数据集和集约化海水养殖过程数据集进行了仿真试验,将该研究提出的Bagging-SCN模型与单一SCN模型、以及目前应用最广泛的随机权向量函数连接网络(random vector functional-link net,RVFL)模型、Bagging-RVFL模型的测量效果进行了比较。试验结果表明:该文所提模型对机翼自噪声数据集中缩放声压级测量的均方根误差、平均绝对百分比误差和最大绝对误差分别为4.225 dB、2.599%和17.500 dB;在对集约化海水养殖过程中水体氨氮浓度测量的均方根误差、平均绝对百分比误差和最大绝对误差分别为0.0628 mg/L、27.851 mg/L和0.189 mg/L均优于其他测量模型;进一步说明该模型具有较高的测量精度和稳定性,更适合应用于集约化水产养殖水质监测过程。     

基于轻量和积网络及无人机遥感图像的大豆田杂草识别

为提高机器视觉在无人机等小型嵌入式设备中杂草识别的准确率,该文以大豆苗中常见禾本科杂草和阔叶型杂草为研究对象,针对传统和积网络在图像分类任务中模型参数多、训练时间长、含有较多冗余节点和子树的问题,该文改进传统和积网络的学习过程,提出一种以小批量数据作为输入的轻量和积网络。在结构学习中,当积节点作用域内的变量个数小于一定阈值时,合并积节点为多元叶节点,否则将积节点重组为和积混合结构,并对边缘节点进行裁剪,有效降低了模型的参数量和复杂度。在参数学习中,提出贝叶斯矩匹配更新网络参数,使得模型对小样本的学习效率更高。最后结合K均值聚类算法应用于无人机图像中的杂草识别。试验结果表明,利用该方法对无人机图像中大豆苗、禾本科杂草、阔叶型杂草以及土壤的平均识别准确率达99.5%,高于传统和积网络和传统AlexNet。并且模型平均参数量仅为传统和积网络的33%,内存需求最大时减少了549 M,训练时间最多减少了688.79 s。该研究可为轻量和积网络模型在无人机喷洒农药中的杂草识别提供参考。     

基于改进残差网络的橡胶林卫星影像语义分割方法

为进一步提升现有基于残差的分割模型在测试集上的信息提取能力和验证改进残差优化策略普适性及实现橡胶卫星影像的更优分割,该研究提出了一种通用改进残差策略,以哨兵-2多光谱卫星影像为数据源构建数据集,并使用改进后残差网络ResNet50_ve作为OCRNet模型的骨干网络,实现基于变种残差网络的OCRNet模型（ResNet-ve-OCRNet）,使用在ImageNet1k分类数据集上蒸馏好的学生模型作为预训练模型参与ResNet-ve-OCRNet模型的训练。研究结果表明使用层数中等的基于50层残差网络在小尺度卫星影像训练集上各指标收敛效果优于较深层数的101层残差网络,与DeeplabV3、DeeplabV3+、PSPNet模型相比,以ResNet50_ve为骨干网络的OCRNet在验证集上的平均交并比达到0.85,像素准确率达到97.87%,卡帕系数达到0.90。该研究提出的改进残差策略具有一定的普适性可应用到众多主流分割模型上且有评价指标性能增益,从预测图来看,基于改进残差网络（ResNet-ve）的模型抑制了在测试集预测图上的上下文信息缺失问题,能够实现橡胶林卫星影像的更优精确分割。     

适用于小样本显微图像数据集的柑橘黄龙病快速诊断模型

为了探究柑橘黄龙病病原菌对宿主叶片主脉显微结构的影响并建立基于叶片主脉显微图像的快速诊断方法,该研究以健康、染病未显症、染病显症和缺镁4类柑橘叶片主叶脉的显微图像为研究对象,提出了一个适用于小样本显微图像数据集的增强特征的无监督训练柑橘黄龙病检测模型（Enhanced Huanglongbing Unsupervised Pre-training Detect Transformer,E-HLBUP-DETR）。该模型首先采用无监督训练结合迁移学习构成上游网络（unsupervised pre-training model）,再利用Yolact模型设计出增强特征网络（Enhanced Feature Network,EFN）与DETR(Detect Transformer)相结合构成下游网络,最终建立E-HLBUP-DETR诊断模型。研究结果表明,E-HLBUP-DETR模型检测的准确率可达96.2%,能够解决采用小规模数据集训练的模型存在过拟合和准确率低的问题。相较于未改进的DETR模型,E-HLBUP-DETR具有更高的检测准确率,识别准确率也优于CNN架构ResNext的92.1%与MobileNet的76.3%。研究结果可为显微尺度下柑橘黄龙病的早期快速诊断提供技术支持。     

杨陵渠灌类型区定点农户经济状况调查及对比分析

通过对陕西杨陵渠灌类型区帅家及上湾两村6家定点农户经济状况2年的实际调查及对比分析,其结果充分证明实施“渠灌类型区农业高效用水模式与产业化示范”工程项目2年多来,通过农业高效用水新技术的组装、集成及高科技信息技术与综合农业栽培技术的推广、应用,已使农村及农民家庭经济状况发生了根本的变化。     

泉州市农村科技信息网络构建与应用

应用现代信息技术构建了泉州市农村科技信息网及其网络信息服务系统,开发了专题数据库,为＂三农＂提供网上信息服务,促进科技信息进村入户到企,助推海西现代农业发展和新农村建设。     

基于集合经验模态分解与Elman神经网络的线椒株高预测

为提高温室环境控制系统的有效性,针对作物生长量的变化与环境因子的变化存在时间尺度不统一的问题,该文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)与Elman神经网络建模,提出一种线椒株高生长量预测方法。以8819线椒为试验对象,分别对线椒株高及其环境因子进行EEMD分解,对各尺度下的时间序列建立EEMD-Elman预测模型。结果表明:应用EEMD-Elman神经网络建立线椒株高生长量预测模型,模型预测值与实测值的平均绝对误差为1.69 cm,相关决定系数为0.996,标准误为1.104,模型预测结果与实测值呈极显著性相关。研究结果可以解决作物生长变化与环境变化时间尺度不统一的问题,为温室环境控制系统的控制目标的优化提供有效参数。     

补偿模糊神经网络水果形状分级器分级误差

针对神经网络对水果进行分级时精度有待提高的问题,分析了补偿模糊神经网络椪柑形状分级器的分级误差。将椪柑图像前4个傅里叶描述子按期望输出模糊变量值大小排列成单调递增、单调递减、钟形分布和锯齿形分布4种训练样本,分别训练同一补偿模糊神经网络水果形状分级器,用递减排序后的同一测试样本检验分级器性能,试验表明,单调递减顺序训练样本所训练的分级器分级误差最小为1.875%,钟形分布、单调递增顺序和锯齿形分布训练样本所训练的分级器分级误差依次增大,分别为15%、63.125%、75%。分析分级误差与样本间顺序的对应关系,建立分级误差模型,结果表明,同顺序的测试样本与训练样本间相关系数大,分级误差小;不同顺序的测试样本与训练样本间相关系数小,分级误差大。因此,测试样本与训练样本按水果同一品质特征同序排列,提高样本间的相关程度,将大幅度降低神经网络类分级器分级误差,提高正确识别率。     

改进YOLOv3网络提高甘蔗茎节实时动态识别效率

为推广甘蔗预切种良种、良法种植技术,结合甘蔗预切种智能横向切种机的开发,实现甘蔗切种装置对蔗种特征的连续、动态智能识别。该文通过甘蔗切种机黑箱部分内置的摄像机连续、动态采集整根甘蔗表面数据,采用改进的YOLOv3网络,建立智能识别卷积神经网络模型,通过拍摄装置内部的摄像头对输入识别系统的整根甘蔗的茎节图像特征进行实时定位与识别,并比对识别信息,及时更新茎节数据,识别、标记出茎节位置,再经过数据处理得到实时的茎节信息,输送到多刀数控切割台进行实时切割。经过训练及试验测试,结果表明:经过训练及试验测试,模型对茎节的识别的准确率为96.89%,召回率为90.64%,识别平均精度为90.38%,平均识别时间为28.7 ms,与原始网络相比平均精确度提升2.26个百分点,准确率降低0.61个百分点,召回率提高2.33个百分点,识别时间缩短22.8 ms,实现了甘蔗蔗种的连续、实时动态识别,为甘蔗预切种智能横向切种机的开发提供数据基础。