传统学习行为与网络学习行为比较研究

网络媒体的发展使得网络学习行为的研究成为热点。把传统学习行为与网络学习行为进行对比,比较两者的优缺点,找出网络学习的规律和特点,更好地服务于网络教学,提升教学水平。     

论马克思恩格斯的生态要素观

生态要素观是马克思、恩格斯生态思想的重要组成部分。马克思、恩格斯的生态要素观丰富而深刻,其主要内容包括：人与自然之间是有机一体、和谐共存的生态关系;实践是连接人与自然、人与社会、自然与社会三者之间关系的基础;人与自然的关系跟人与人、人与社会的关系相互影响并相互制约。梳理并阐释马克思、恩格斯的生态要素观,对于构建中国化马克思主义的生态文明理论,推进中国特色社会主义生态文明建设和美丽中国建设具有重要的指导意义。     

高等教育大众化背景下的哲学思考——读布鲁贝克《高等教育哲学》的几点启示

约翰.S.布鲁贝克的《高等教育哲学》是西方研究高等教育哲学的一部经典著作。作者从高等教育的合法存在的逻辑基点———高深学问出发,分析了在“认识论”教育哲学和“政治论”教育哲学两种主要的哲学观下对高等教育的学术自治、学术自由、高等教育为谁服务、普通教育和专业教育、高等教育学、治学的道德和作为教会的大学等实际问题,提出了一个相当完整的高等教育哲学体系。其中关于大学的功能、学术自由和教育公平等方面给我们很多的启示和思索。     

基于群体图像识别的生菜鲜重估算方法研究

为提高温室环境最优控制中生菜信息在线反馈精度,通过群体图像识别研究生菜鲜重估算方法;通过生菜群体图像和单株图像,研究群体估算时误差正负相消对整体误差的改善作用,评估生菜遮挡问题对估算精度的影响,并研究能否通过改进深度学习的损失函数以实现对估算精度的进一步提高。结果表明：1)与不存在遮挡问题的单株图像生菜鲜重估算结果相比,基于群体图像裁剪的生菜鲜重估算决定系数(R²)低0.010 8,归一化均方根误差(NRMSE)高2.69%,平均绝对百分误差(MAPE)低2.36%,虽然估算精度略低,但是生菜群体的遮挡问题更能反映生产实际。2)群体估算虽然存在遮挡问题导致裁剪不完整,但根据误差正负相消原理,相比没有遮挡的单株估算结果MAPE仍然低3.49%,因此更适用于生菜产量信息反馈。3)基于更优化MAPE的损失函数平均平方百分误差(MSPE),可以进一步降低群体估算的MAPE至8.46%,满足“软测量”对估算精度的需求。考虑到温室生菜的实际生产情况,群体估算更适合用于温室环境最优控制中生菜产量信息的在线反馈,通过深度学习等方法的优化,可以将生菜产量的估算误差降低至10%以内。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。     

把握构建社会主义和谐社会的着力点

党的十六届六中全会以来,构建社会主义和谐社会已成为我们党的一项重要的战略任务。准确把握构建社会主义和谐社会的重大意义和科学内涵,正确认识构建社会主义和谐社会所面临的挑战,是把握构建社会主义和谐社会着力点的关键。     

全面提高农林院校硕士生计算机应用水平

随着我国改革开放步伐的加快、加入世贸组织日期的临近,高等农林院校硕士研究生的计算机教育将面临更大的挑战和机遇。如何抓住机遇,迎接挑战,全面提高农林院校硕士研究生计算机应用水平,是目前农林院校硕士生教育急需解决的问题之一。本在调查研究的基础上分析探讨了目前国内农林院校硕士研究生计算机教育存在的问题,并给出了几点改革建议。     

基于卷积神经网络与迁移学习的油茶病害图像识别

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。     

大学生研究性学习的研究与实践

新时期,学生获取知识的途径已经不仅仅局限于书本,无线的互联网空间是学生不断获得新知的重要来源。文章研究了新时期大学生研究性学习的理论基础、实践方法,以及实践效果。     

教育思想大讨论下“食品营养学”课程的思考

就如何提高学生高效率地自主学习专业课是高效教育改革创新的重要环节,其成果对于推动学生对于专业知识的掌握具有积极作用。通过对教育思想大讨论中提出的学生自主学习“食品营养学”的重要性进行论述,并对教学中出现的问题进行剖析,提出采用教学制度的改革创新同移动慕课的混合教学的方式,同时结合食品营养学就业导向这种三位一体的方式来提升学生自主学习能力,旨在培养更多的食品营养学方向的人才。