移动互联网环境下农机企业危机沟通的思考*

从危机沟通的渠道、危机沟通的具体策略、危机沟通的后续行动三个方面,为中国农机企业的危机沟通提供可行建议。以形象修护理论为基础,结合移动互联网环境传播特点以及中国农业机械化发展的实际情况,分析新浪新闻手机客户端、今日头条手机客户端上的两条农机质量纠纷视频。推荐农机企业使用的8条具体策略包括:否认事件不实部分;表明事件的意外属性;阐明自身出发点;阐明自己的贡献及所做出的努力;提出物质补偿;提出改进措施;承担有错部分;主动向用户征询意见。提出危机沟通应在线上、线下两种渠道进行,危机沟通应与具体行动相结合。     

智能采摘机器人自动化系统研究 —基于交互式视音频技术

为了提高采摘机器人的作业质量,模仿英语移动教学交互式视音频技术,在采摘采摘机器人控制系统中引入了视音频交互技术,通过远程视频监测机器人的作业状态,然后利用声控技术对采摘机器人的作业姿态进行调整,实现了管理员和采摘机器人的视音频交互,可以有效地提高采摘机器人的作业质量,降低采摘机器人的故障率。为了验证方案的可行性,对采摘机器人自动化控制系统进行了测试,并引入了MIMO通信原理,以提高视音频信号传输的质量。测试结果表明:采摘机器人可以准确地识别远程端的声控信号,且根据指令信号动作的准确率较高,可以满足高精度采摘机器人的设计需求。     

乡村振兴战略下“互联网+农产品”服务创新研究——以江苏省句容市为例

以习近平新时代中国特色社会主义思想为指导,深入贯彻党的十九大精神,落实江苏《关于贯彻落实乡村振兴战略的实施意见》有关部署,坚持系统化思维和问题导向,在政校企三方联动的机制下,以江苏省句容市为调查样本开展电商运营情况调研,注重实地走访、案例剖析、统计分析等方法运用,通过电商孵化载体建设和运作,开展"三农"创新服务、开展新型农业经营主体特别是贫困主体的精准培育和典型示范,切实提高小农户电商运营的技能,提升农业经济发展的质量和效益,总结并形成有利于一二三产业融合发展的"互联网+农产品"服务的新模式,为推进地方乡村产业振兴提供新的思路。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

黑大蜜蜂的学习与记忆研究

黑大蜜蜂是蜜蜂属的一个重要种,营露天生活,具有一定的迁徙特性。东、西方蜜蜂的学习与记忆研究一直被广泛地应用,而黑大蜜蜂的学习与记忆至今未见报道。用壬醛、正已醛2种气味运用PER模型来探究黑大蜜蜂的学习与记忆能力。结果显示,黑大蜜蜂能够很好地适应PER学习模型,它们的学习与记忆能力要高于东、西方蜜蜂的学习与记忆能力。     

当阳市“互联网+农业”发展现状及对策

当前,“互联网+农业”的发展已经如火如荼,并且实践证明,将互联网技术运用到农业生产中能通过互联网快速而高效地集成和配置生产要素,从而促进农村生产效率的提高。但目前仍有相当一部分乡村并未搭上互联网的快车,且互联网与农业融合情况不容乐观。本文以湖北省当阳市为例,通过搜集信息,了解当阳市目前互联网对农业的促进情况,分析目前“互联网+农业”发展中存在的问题,并提出了可行性建议,以期能促进当阳市乃至更多农村经济的发展。     

互联网金融及信用评价研究

随着信息网络技术的快速发展,互联网与传统金融的结合使得互联网金融应运而生。随着行业的快速发展,其中蕴含的信用风险逐渐暴露,而金融风险主要源自信用风险。加强对互联网金融公司的信用评价,不仅有利于保护广大投资者的切身利益,对金融体系的安全稳定也具有重大意义。     

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。