理工科大学生学习心理压力及影响研究

通过对503名在校大学生心理压力的问卷调查，比较了文理科学生不同的学习心理压力，重点分析了理工科学生的学习心理压力、影响、应对方式。笔者认为，由于学科特点，理工科学生在大学生活中面临的学习压力较大。必须把握理工科学生学习心理压力的特点及规律，适时有效地进行引导和教育。     

中华鼢鼠生物学特性的研究

通过研究中华鼢鼠生物学特性,其食性食量125g/d,每个洞内食物存放平均750g;解剖观察,怀孕胚胎2～4个,平均3.38个,雌雄比为53.164∶6.84。     

林业院校实践教学课程教师评学体系的探索研究

从构建合理的指标体系、健全组织体系、建立运行和反馈机制3个方面探索了如何构建实践教学的教师对学生评价体系。     

野生观赏植物湖北羊蹄甲在园林中的应用

通过对湖北羊蹄甲进行长期观察,初步探索了其生态习性和观赏价值,阐述了湖北羊蹄甲在园林绿化中的观赏应用价值,认为其在园林观赏方面有很大的开发应用前景。     

竹柏育苗与栽培技术

竹柏是近年来发展起来的广泛应用于庭园，住宅小区 街道等地段绿化的优良风景树，为了充分开发利用树种资源，根据竹柏的生态习性特点，探索竹柏的采种，育苗与栽培管理技术，实践证明，通过合理管理，竹柏能形成树干通直圆满，树态优美，抗病虫害强的理想庭园风景树种。     

辽东楤木苗期生物学特性的研究

连续3年对辽东木的形态特征、物候期、生长习性、抗性及适应性等生物学、生态学特性进行了一系列观察。辽东木物候期受海拔影响较大,表现为海拔高度增加,展叶、开花、结果期推迟,落叶期提早。     

促进高校发展的科技政策及科研管理办法

高等院校是国家科学研究的一个重要方面军。怎样才能发挥高校的人才、学科、实验测试设备、图书资料等优势,是当今"科技创新"、"科教兴国"中需要研究的热点问题。从我国目前有关高校的科技政策入手,就其政策执行过程中所出现的问题提出了我们的看法,高校在用好、用活、用足这些优惠政策的同时,制定出高校内部的有关管理办法,使高校的科研为国家经济建设作出应有的贡献。     

基于改进DeepLabv3+的水稻田间杂草识别方法

针对实际稻田环境中水稻与杂草相互遮挡、难以准确区分的问题,提出一种基于改进DeepLabv3+的水稻杂草识别方法。以无人机航拍的复杂背景下稻田杂草图像为研究对象,在DeepLabv3+模型的基础上,选择轻量级网络MobileNetv2作为主干特征提取网络,以减少模型参数量和降低计算复杂度;融合通道和空间双域注意力机制模块,加强模型对重要特征的关注;提出一种基于密集采样的多分支感受野级联融合结构对空洞空间金字塔池化模块(ASPP)进行改进,扩大对全局和局部元素特征的采样范围;对模型解码器部分进行改进。设置消融试验验证改进方法的有效性,并与改进前DeepLabv3+、UNet、PSPNet、HrNet模型进行对比试验。试验结果表明,改进后模型对水稻田间杂草的识别效果最佳,其平均交并比(MIoU)、平均像素准确率(mPA)、F1值分别为90.72%、95.67%、94.29%,较改进前模型分别提高3.22、1.25、2.65个百分点;改进后模型内存占用量为11.15 MB,约为原模型的1/19,网络推算速度为103.91 f/s。结果表明改进后模型能够实现复杂背景下水稻与杂草分割,研究结果可...     

基于无人机多光谱影像和关键点检测的雪茄烟株数提取

为从无人机遥感影像中准确识别烟草,实现植株定位与计数,以雪茄烟草植株为研究对象,提出一种新的深度学习模型。区别于传统的利用检测框识别目标,本文模型利用少量的关键点学习烟草中心形态学特征,并采用轻量级的编、解码器从无人机遥感影像快速识别烟草并定位计数。首先,提出的模型针对烟草植物形态学特点,通过中心关键点标注的方法,使用高斯函数生成概率密度图,引入更多监督信息。其次,对比不同主干网络在模型中的效果,ResNet18作为主干网络时平均精度大于99.5%,精度和置信度都高于测试的其他主干网络。而MobileNetV2在CPU环境下达到运行效率最优,但平均置信度相对较低。使用损失函数Focal Loss与MSE Loss结合的Union Loss时,平均精度大于99.5%。最后,利用不同波段组合作为训练数据,对比结果发现使用红边波段更有助于模型快速收敛且能够很好地区分烟草和杂草。由于红边波段与植株冠层结构相关,使用红边、红、绿波段时平均精度达到99.6%。本文提出的深度学习模型能够准确地检测无人机遥感影像中的烟草,可为烟草的农情监测提供数据支持。     

基于DiMP的类特定养殖奶山羊跟踪方法

为准确实时跟踪羊只目标,进行疾病异常预警,实现奶山羊精细化养殖,本文基于DiMP跟踪模型,利用奶山羊跟踪对象单一且图像样本丰富的特点,结合迁移学习和类特定融合方法,设计了一种类特定的奶山羊目标跟踪模型,能够有效克服DiMP算法在跟踪类特定目标时定位精度不足的缺点。利用构建的奶山羊视频跟踪数据训练集对跟踪算法进行迁移训练,加快模型收敛速度,使评估网络预测出的边界框更贴合奶山羊真实框的位置和尺寸。在线跟踪阶段,针对目标模板仅采用第1帧特征制作整个序列的调制向量,导致该调制向量相对整个跟踪阶段特征不具代表性,与后续帧差异大的缺点,使用训练集制作包含奶山羊各种姿态的类调制向量,以指数消融方式更新奶山羊类调制向量与第1帧调制向量间的比重,增强边界框回归任务中的奶山羊特征与背景的判别性。提出的算法在测试集上的AUC(Area under curve)和精准度(Precision)分别为76.20%和60.19%,比DiMP方法分别提升6.17、14.18个百分点,跟踪速度为30 f/s,满足实时跟踪的要求。实验结果表明,提出的类特定奶山羊目标跟踪方法可用于监测复杂场景下奶山羊的运动,为奶山羊精细化...