面向养殖水体分布差异的COD光谱法检测研究

面向养殖水体，传统光谱法对化学需氧量（Chemical Oxygen Demand，COD）检测模型构建的基础：源域（现有样本库）与目标域（检测地水体）间光谱数据独立同分布。但是当源域与目标域分布间存在差异时，由源域得到的低误差模型常在目标域上表现下滑。针对该问题，提出面向UV Vis光谱的域对抗训练网络（DAUVwpNet），将分布不同的源域和目标域数据映射至相同分布的特征空间中，使其在该空间的分布距离尽可能接近，从而在特征空间中对源域训练的目标函数也可以迁移至目标域上，以降低模型在目标域的误差。试验表明：面向同一批测试数据，DAUVwpNet的预测误差为0.78，要低于传统模型的预测误差（0.85）；DAUVwpNet预测值与实测值间相关系数为0.95，要高于传统模型的相关系数（0.89）。表明了该网络能够较好对齐两域特征空间数据分布，降低因分布差异带来的COD检测误差。     

社会工作视野下高校和谐教育的构建

基于对我国当前高校不和谐现状的分析,秉持社会工作的理念和视角,探索了我国高校和谐教育的含义,并就社会工作作为一种专业方法在建设高校和谐教育中的策略进行了探讨与创新.     

基于实例分割的白羽肉鸡体质量估测方法

针对白羽肉鸡体质量测量自动化水平低、易造成肉鸡应激的问题,提出一种结合深度学习的非接触式白羽肉鸡体质量估测方法.利用Mask R-CNN和YOLACT(You only look at coefficients)两种实例分割算法获取白羽肉鸡位置与覆盖掩膜,并进行效果对比;采用自适应掩膜随机提取白羽肉鸡身体部分边缘点,并...     

基于经验模式滤波与循环神经网络的水锤压力信号预测

为准确预测水锤信号变化规律,实现对水锤冲击强度和能量等特性的提前预判,针对水锤冲击信号提出了一种基于经验模式分解(empirical mode decomposition, EMD)和循环神经网络(recurrent neural network, RNN)的模型预测方法.首先,通过EMD获取具有不同频率的IMF分量,根据水锤信号的频域特性剔除高频噪声分量并重构信号以实现滤波,滤波后信号能量损失不足0.1%;进而,建立了基于RNN模型的时间序列预测模型,搭建试验平台获取水锤冲击信号,完成了RNN模型的训练和参数调节;随后,对不同流速下水锤冲击信号进行序列预测,在测试集与训练集流速不同条件下,得到了准确的预测结果,表现出一定泛化能力.对比分析预测水锤信号与实际信号,得到R²系数大于0.990 0,幅值和能量损失不足1%,验证了所提出方法的正确性,主要结论和建模方法可为各类输水系统的风险评估、管路监测和健康管理提供理论指导和技术手段.     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明：STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.     

基于Jetson Nano处理器的大蒜鳞芽朝向调整装置设计与试验

为满足大蒜定向播种的农艺要求,针对现有大蒜鳞芽调整方法对杂交蒜适应性差的问题,该研究设计了一种基于Jetson Nano处理器的大蒜鳞芽朝向自动调整装置.采用双卷积神经网络模型结构,其中一个神经网络模型对大蒜是否被喂入进行实时监测,检测到大蒜喂入调整装置后,一个ResNet-18网络模型对蒜种鳞芽朝向进行判断,当鳞芽朝...     

农科大学生英语听力教学现状分析及其改革对策探讨

采用问卷调查法,以103名农科大学生和25名大学英语教师为对象,调查了河北农业大学农科大学生大学英语听力教学现状及其影响因素,发现制约其听力水平提高的障碍因素主要为语音、文化背景知识和听力学习策略和技巧等,在此基础上提出了“课中、课外两条线,强化语音训练,补充英语文化背景知识,注重学习策略学习及应用”的农科大学生英语听力教学改革方略及“听前背景知识热身＋听时反复训练至听懂＋听后总结、巩固和提高”的具体改革方法。     

基于迁移学习和双线性CNN的细粒度菌菇表型识别

为了对细粒度菌菇进行表型识别,在双线性卷积神经网络细粒度图像识别框架基础上,提出了一种基于迁移学习和双线性Inception-ResNet-v2网络的菌菇识别方法。利用Inception-ResNet-v2网络的特征提取能力,结合双线性汇合操作,提取菌菇图像数据的细粒度特征,采用迁移学习将ImageNet数据集上预训练的模型参数迁移到细粒度菌类表型数据集上。试验表明,在开源数据集和个人数据集上,识别精度分别达到87.15%和93.94%。开发了基于Flask框架的在线菌类表型识别系统,实现了细粒度菌菇表型的在线识别与分析。     

融合坐标注意力机制的轻量级玉米花丝检测

玉米花丝性状是玉米生长状态的重要表征,也是决定玉米果穗生长进而影响玉米产量的重要因素。为了提升无人巡检机器人视觉系统对玉米花丝的检测精度和速度,该研究提出一种融合坐标注意力机制的轻量级目标检测网络YOLOX-CA。将坐标注意力机制（coordinate attention, CA）模块嵌入到YOLOX-s主干特征网络（Backbone）部分,以加强对关键特征的提取,提升检测精度;在颈部特征加强网络（Neck）部分,将特征金字塔结构中的普通卷积,更改为深度可分离卷积,在降低网络参数量的同时保证精度不丢失;在预测头（Head）部分引入GIoU（generalized intersection over union）改进定位损失函数计算,得到更为精准的预测结果。基于自建玉米花丝数据集训练和测试网络,试验结果表明,YOLOX-CA网络平均检测精确度达到97.69%,参数量低至8.35 M。在同一试验平台下,相较于YOLOX-s、YOLOv3、YOLOv4等目前主流的目标检测网络,平均检测精确度分别提升了2.21、3.22和0.64个百分点;相较于YOLOv3、YOLOv4,每帧推理时间分别缩短4和8 ms。该网络针对玉米花丝的检测效果较好,其轻量结构适于部署在无人巡检机器人的视觉系统上,可为玉米生长状态监测提供参考。     

基于DH-YoloX的群养马岗鹅关键行为监测

马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法（Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX）,该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。