在线学习预警系统设计与实现

教育信息化促进教育理念的变革,传统的课堂教育正向多元的泛在化教育转变,在线学习与课堂学习相结合的混合式教学正在逐渐成为主要的教学方式。高校越来越强调线上学习的重要性,很多院校也开始了部分课程线上学习的尝试。在线学习预警系统,实现了对学习者在线学习过程的可视化展示,学习者自己可以随时查看个人学习情况;教师可以随时对学习者的学习过程进行管理,可以提前发现学习者在线学习的风险,还可以根据系统分析情况对学习者提供合理有效的建议。该系统对现阶段在线学习中的问题解决和帮助构建个性化学习以及促进学习者的深度学习和提高学习者在线持续和学习效果具有指导意义。     

兽医微生物学实验课教学改革探索

兽医微生物学实验课是一门操作技能较强的课程,通过系统学习,应使学生掌握兽医微生物学规范化、科学化的操作技能;牢固树立无菌观念和熟练掌握无菌操作技术,培养严谨求实的科学态度及提高分析问题和解决问题的能力。但在传统的兽医微生物学教学中,仅仅把实验教学看成对理论教学的补充,实验课教学时间一般占课程总学时的1/3左右,由于学时较少,实验课项目只能限于单项,且以验证性和演示性实验为主,缺乏综合性、设计性试验项目,严重限制了兽医微生物学实验课教学效果和质量的提高。为此,对兽医微生物学实验课教学做了一些有益的尝试与探索,并取…     

学好用好《农民专业合作社法》促进养蜂业的发展

《中华人民共和国农民专业合作社法》(以下简称《农民合作社法》)及与之配套的《中华人民共和国农民专业合作社登记条例》已于2007年7月1日施行.笔者于此前作为养蜂界的代表参加了崇左市政府举办的贯彻实施《农民专业合作社法》培训会,有幸直接聆听了自治区、市有关专家对该法的讲授,进一步加深了对该法条文以及该法对养蜂业积极意义的理解.另读了《蜜蜂杂志》2007年第6期李易谷老师《对加强养蜂管理工作的浅见》一文后,有所启发.现将学习该法的肤浅体会及对养蜂的积极作用作些探讨,以期能对大家有所帮助.     

台湾蜜蜂良种的繁育及利用

2006年10月,中国养蜂学会代表团赴台湾参加第五届海峡两岸蜜蜂与蜂产品研讨会,我有机会与台湾蜂业界的学者、专家、养蜂生产者、企业家进行了交流,并访问了台湾大学、宜兰大学等高校的昆虫、蜜蜂教学科研机构,参观了一些养蜂场,初步了解到台湾养蜂业的发展状况,有许多独到之处,值得学习借鉴.现就台湾蜜蜂良种繁育及利用方面的情况作以下介绍.     

跨越海峡的再次欢聚(二)——出席第五届海峡两岸蜜蜂与蜂产品研讨会片断

(接上期) 2 意识超前的"金佳锋"公司 10月21日上午,我们结束了在台中市的会议研讨,出行参访第一站是台中县雾峰乡南柳村的"金佳蜂生物科技股份有限公司". 在公司会客室,董事长李金容先生向大陆同行作自我介绍:他出生于1948年,并非养蜂世家.自1971年开始学习养蜂,创立"佳蜂养蜂园".这个养蜂场至今还保留着.     

基于BERT-BiLSTM-CRF的农产品信息文本命名实体识别研究及应用展望

命名实体识别是从农产品信息文本数据中有效抽取信息的关键一步,旨在从非结构化文本中确定与农产品特性相关的命名实体。农业领域的命名实体识别研究大多集中在农业病虫害领域,关于农产品信息文本的实体识别研究较少,通过采用BMES标注的方式对爬虫获取的农产品信息文本数据进行标注,提出融合BERT的BiLSTM-CRF深度学习模型对该文本数据进行实体抽取。将该模型与多种神经网络模型的实验结果比较发现,融合BERT的BiLSTM-CRF模型对农作物、地区、富含营养成分等3种命名实体识别的准确率和召回率分别为82.25%和84.54%,明显优于IDCNN-CRF等神经网络模型,说明该方法能有效识别抽取农产品信息文本数据命名实体。基于此,命名实体识别作为中文文本信息抽取的关键技术,在农产品信息推荐系统、智能问答等方面将会有广泛的应用前景。     

基于迁移学习的花类图像分类方法研究

传统的花类识别方法和普通卷积神经网络模型无法对花类图像进行准确的特征提取,花类之间较高的相似性使得分类识别较难。针对以上问题,为提高图像识别率,提出一种基于VGG16网络的迁移学习方法,对花卉图像进行分类。首先对花卉图像进行数据加强,然后对数据集预训练模型进行迁移学习,修改全连接分类层,最后对优化器与激活函数进行微调,得出分类结果。实验表明：该模型在花类分类识别中比传统方法和普通卷积神经网络模型得出的准确率高,迁移后准确率达到89.10%。     

基于树莓派平台的道路雾气和积雪检测系统设计

在大雾天或冬季路面积雪的环境,会影响车辆驾驶的安全性,甚至发生安全事故。使用树莓派平台,提出了一种基于卷积神经网络（CNN）的图像检测算法,用于实时检测雾气和道路表面积雪。使用树莓派开发板和一个摄像头实时获取雾气和路面积雪的信息,通过Mobile Net深度学习算法检测道路情况。实验表明,其对雾气和路面积雪的检测准确率为97%以上。并且证实Mobile Net的深度学习算法的在树莓派上的工作速度优于Res Net50等算法。     

基于Faster R-CNN复杂背景的茶芽检测

茶芽检测是判断茶树农艺性状的基础,也是研发基于计算机视觉采茶机器人的基础。针对复杂背景中传统茶芽检测方法准确率低、稳定性差等问题,提出一种基于深度学习的茶芽检测方法。以Faster R-CNN(region-convolutional neural network)算法为框架,比较AlexNet、ResNet50、VGG19 3种网络模型茶芽检测性能,寻找最佳网络模型。结果表明,使用VGG19的茶芽检测准确率为86.3%,召回率为96.1%,F1分数为0.909,综合检测效果最优。该方法可很好地应用于复杂背景茶芽检测。