基于多尺度卷积与通道域增强的草莓病害识别方法

为提高草莓病害图像的分类准确性，提出一种基于通道域增强的深度超参数化金字塔卷积残差网络(CEM-DOPConv-ResNet18)。首先，针对草莓病害的多尺度特点，基于金字塔卷积与深度超参数化卷积提出深度超参数化金字塔卷积(DOPConv),在提取多尺度病害特征的同时，缓解参数量增加导致的收敛干扰；其次，提出基于双重池化的通道增强模块，用以提高模型的特征选择能力，增强有用尺度下的特征；最后，将上述方法与ResNet18结合，将原本的3×3卷积替换为DOPConv,同时在残差块中加入通道增强模块，构建出草莓病害分类网络。为验证模型识别性能与模块有效性，在草莓病害图像数据集上进行对比试验和消融试验。对比试验结果表明，与原有ResNet18模型相比，CEM-DOPConv-ResNet18的准确率达97.867%,提高3.045百分点，同时内存占用量下降16.6%;消融试验结果表明，相较于原始金字塔卷积，DOPConv可以优化模型收敛，对通道增强模块具有更高的兼容度。该模型提高了草莓病害的分类准确率，降低了网络复杂度，为病害的精准识别提供了一种有效解决模型。     

基于GPS-OEM模块的农田基本信息采集系统的设计与实现

为降低成本并提高获取农田基本信息的效率,设计了一种基于GPS-OEM模块,由GPS-OEM模块、单片机、键盘、LCD显示、U盘读写模块及通讯接口等组成的采集系统。试验结果表明,该系统能够进行农田位置的定位和地块长度及面积的测量;长度测量的最大相对平均误差和相对均方差分别为0.79%和3.29%,面积测量的最大相对平均误差和相对均方差分别为2.03%和11.1%,并且面积越大,测量精度越高。理论分析表明,进一步减少测量的偶然误差,将会使测量精度有更大的提高。     

无线传感网技术在数字化林业建设中的应用与发展策略探讨

数字化林业建设是林业科技创新体系中的一部分，也是六大林业科学技术工程之一。随着无线传感网技术的快速发展，物联网传感器可以实现对森林生态环境、林业资源数据的快速感知和精准采集。该文对无线传感网技术在林业生产中的应用现状及发展前景进行研究，并结合一种森林土壤监测报警传感器系统在实际生产中的应用情况，对无线传感网技术在数字化林业建设中存在的问题进行了分析，为进一步优化数字化林业建设工作提出相应建议，为提升林业管理水平，实现林业现代化提供应用依据。     

农业院校大学英语分层+模块教学模式改革实践研究——以天津农学院大学英语教学改革为例

新农科建设背景下，教学模式创新的目的是提高学生在强农兴农过程中有效使用英语的能力。满足国家对于农业院校人才的培养要求成为农业院校大学英语教学改革面临的新挑战。本文主要以天津农学院为例，采用问卷调查法，系统地探讨在该背景下，农业院校大学英语分层+模块教学改革实践研究。     

基于改进型YOLOv5s的番茄实时识别方法

针对现有番茄检测精度低、没有品质检测和部署难度高等问题，提出基于YOLOv5s改进的番茄及品质实时检测方法，并与原始YOLOv5模型及其他经典模型进行对比研究。结果表明，针对番茄大小不同的问题，采用K-Means++算法重新计算先验锚框提高模型定位精度；在YOLOv5s主干网络末端添加GAM注意力模块，提升模型检测精度并改善鲁棒性；应用加权双向特征金字塔网络(BiFPN)修改原有结构，完成更深层次的加权特征融合；颈部添加转换器(transformer),增强网络对多尺度目标的检测能力。改进后的YOLOv5s番茄识别算法检测速度达到72帧/s。在测试集中对番茄检测均值平均精度(mAP)达到93.9%,分别比SSD、Faster-RCNN、YOLOv4-Tiny、原始YOLOv5s模型提高17.2、13.1、5.5、3.3百分点。本研究提出的番茄实时检测方法，在保持检测速度的同时，可降低背景因素干扰，实现复杂场景下对番茄的精准识别，具有非常好的应用前景，为实现番茄自动采摘提供相应技术支持。     

基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统

针对鸡只个体较小、个体间存在遮挡，对蛋鸡日常行为识别造成干扰的问题，提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野，提高了模型对小个体遮挡情况下的目标识别能力，提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法，并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包，设计了蛋鸡日常行为智能识别与统计系统。试验结果表明，SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点，对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型，平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持，为智慧养殖提供了借鉴。     

山江湖三维信息平台的设计与实现

山江湖工程是多学科、跨部门、跨行政区划的系统工程,二十多年来,随着山江湖工程不断推进和深入,积累了不少的研究成果和基础资料。这些资料种类繁多、格式多样,因此,建立一套所有信息数据标准化、系统化,实现共享的信息化平台显得尤为重要。采用B/S架构模式设计,以EV-Globe平台为基础,基于ActiveX插件技术、ASP.NET开发环境,采用C#、JavaScript设计,开发的山江湖三维信息平台,可为山江湖工程实施、鄱阳湖生态经济区建设、政府宏观决策提供服务和支持。     

基于深度学习的在线烟叶等级判定研究

对烟叶进行等级判定可以合理利用烟叶资源，提高卷烟产品质量，对实现经济利益最大化有重要意义。提出一种基于深度学习的在线烟叶等级判定方法，该方法采用ResNeXt为基础网络，在残差结构中嵌入SE模块以增强重要通道的信息，并引入FPN+PAN结构将网络浅层细节特征和高层语义特征进行融合，以实现多尺度特征表达。测试结果表明，该方法烟叶等级判定的准确率达到92.8%,因此该方法对烟叶等级具备良好识别的能力，可适用实际生产。     

模块化方法在新疆园林景观设计中的应用

基于我国园林行业的发展现状以及组成园林景观设计的复杂系统，引进模块化方法应用于园林景观设计中，对园林景观组成元素进行功能性模块组合。在新疆干旱区园林景观设计中，结合地域环境，按照园林组成要素进行模块化分析，分类出每一级模块的具体内容，在尊重模块分类原则的前提之下，进行模块间不同形式的组合，可大大缩减设计过程中不必要的重复工作，节约园林设计者的时间和材料成本。     

基于改进U-Net的不同容重小麦籽粒识别检测

小麦质量等级检测过程中，容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题，需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集，针对小麦籽粒目标小、边缘分割不清晰等特点对U-Net网络进行改进。在主干网络上，采用残差堆叠模块来减少特征损失，在网络桥接部分嵌入CBAM注意力机制模块来加强对特征的进一步提取，在解码器部分嵌入自注意力机制模块，还原细节信息。结果表明，改进网络模型CBSA＿U-Net的平均交并比（MIoU）为81.5%，比U-Net模型提升了1.8百分点，相较于PSPNet、DeepLabv3+模型分别提升了4.2、3.3百分点。