从认知语义学的角度来看多义动词“あげる”

本论文立足于日语多义动词的先行研究成果,以日语动词"あげる"为研究对象,以原型要素为中心,通过意象图式等认知语义学的各相关理论分析多义动词"あげる"的意义用法。     

语言学视角下的英语习语属性之研究

英语中存在着大量的习语(Idiom),或称成语。我们常常会发现英语习语中的单词都比较简单,但组合在一起,有时却不知其意或产生歧义。究其原因,是因为不了解某些固定词语组合在一起后会产生词面以外的"新意"。在语言学研究领域,英语习语研究已经是一个独立的分支学科。本文将从习语研究的语言学背景入手,分析总结英语习语研究的意义,以及英语习语在构成、结构、语义上的语言属性,这些属性也是导致英语习语研究复杂化的根本所在。     

国内关联数据领域研究热点分析

文章以中国知网为数据来源,利用关键词共词分析法,将BICOMB2.0与SPSS20.0相结合得出相关的图表.通过研究发现关联数据领域主要围绕7大主题,这有利于关联数据领域研究热点的明确.图书情报领域研究人员可以通过关注和把握关联数据领域研究热点,推进图书馆信息服务的发展.     

基于GF-2卫星数据的日光温室智能识别应用实践

针对辽宁省设施农业产业存在的日光温室数量和面积数据不精准问题,采用高分二号(GF-2)卫星数据,应用卷积神经网络方法进行温室识别应用研究。选取不同的尺寸标准将图像数据分割成碎片,分析截断率进而确定最优切片尺寸;将不同区域图像数据进行数据增强处理和颜色校准,降低图像数据和温室特征的复杂度;采用Segnet、Deeplab v3+、Unet 3个语义分割模型进行日光温室识别模型构建和模型融合研究,最后将识别后的切片数据应用闭操作完成识别结果的拼接,同时统计出温室的数量、面积、位置等信息。经初步分析模型识别效果较好,能够科学量化日光温室情况,从而为相关工作提供数据支撑。     

基于改进UNet模型的油茶果振动采摘点定位方法

针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con（连果枝）、danger（危险区）和br_pro（优先采收区域）的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。     

基于语义分割的非结构化田间道路场景识别

环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变,快速准确地识别可通行区域,辨析障碍物类别,可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对象,根据环境对象动、静态属性进行类别划分,提出一种基于通道注意力结合多尺度特征融合的轻量化语义分割模型。首先采用Mobilenet V2轻量卷积神经网络提取图像特征,将混合扩张卷积融入特征提取网络最后2个阶段,在保证特征图分辨率的基础上增加感受野并保持信息的连续性与完整性;然后引入通道注意力模块对特征提取网络各阶段特征通道依据重要程度重新标定;最后通过空间金字塔池化模块将多尺度池化特征进行融合,获取更加有效的全局场景上下文信息,增强对复杂道路场景识别的准确性。语义分割试验表明,不同道路环境下本文模型可以对场景对象进行有效识别解析,像素准确率和平均像素准确率分别为94.85%、90.38%,具有准确率高、鲁棒性强的特点。基于相同测试集将本文模型与FCN-8S、SegNet、DeeplabV3+、BiseNet模型进行对比试验,本文模型的平均区域重合度为85.51%,检测速度达到8.19帧/s,参数数量为,相比于其他模型具有准确性高、推理速度快、参数量小等优点,能够较好地实现精度与速度的均衡。研究成果可为智能农业装备在非结构化道路环境下安全可靠运行提供技术参考。     

基于语义本体的柑橘肥水管理决策支持系统

利用信息技术实现柑橘精准生产管理是果树信息化管理的重点和难点。该文针对山地果园肥水信息化精准管理问题,研发了基于语义本体的柑橘肥水管理决策支持系统。柑橘肥水语义本体是决策支持系统的核心,它以资源描述框架三元组整合涉农信息。系统实现了施肥、生理病害防治和排灌监测3个功能。系统验证结果表明:1)施肥查询模块能够根据树龄、施肥时期、土壤质地、地形和产量5个因素计算氮、磷、钾施肥量,经216组数据验证其输出正确率100%;2)经100组涵盖12种营养素缺乏和过剩生理病害数据验证,病症查询模块能够根据输入病症正确判断生理病害;3)排灌检测模块能根据不同土壤质地对排灌实时监测,经小型气象站获取的土壤含水率数据验证,系统正确预警率达100%。经361组性能测试数据结果表明系统平均响应时间在0.23 s(浏览器端应用)和0.58 s(手机端应用)内,具备较优性能。该研究为农业领域知识建模和异构多源数据整合等问题提供了可行方案。     

基于语义驱动的日光温室图纸三维建模方法

为了从日光温室施工图纸中重建出温室结构三维模型,提出基于语义映射的施工图纸三维重建方法。首先解析和分类日光温室施工图纸DXF文件,从中识别和理解主要特征构件,建立日光温室构件语义模型并生成分层控制参数,进而基于参数化驱动日光温室三维建模,最后对日光温室三维模型进行真实感渲染。该方法整合CAD制图与三维建模技术,有利于提高日光温室施工图纸的读图效率,建立的三维温室模型具有保真性、交互性和真实感等特性,可用于工程量和造价计算、温室结构优化以及虚拟展示。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。     

基于区域语义和边缘信息融合的作物苗期植株分割模型

为在自然环境下准确分割作物苗期植株,实现苗期植株定位及其表型自动化测量,本文提出一种融合目标区域语义和边缘信息的作物苗期植株分割网络模型。以U-Net网络构建主干网络,基于侧边深度监督机制,引导主干网络在提取特征时能感知植株边缘信息;利用空间空洞特征金字塔构建特征融合模块,融合主干网络和边缘感知模块提取的特征,融合后的特征图具有足够的细节信息和更强的语义信息;联合边缘感知的损失与特征融合的损失,构建联合损失函数,用于整体网络优化。实验结果表明,本文模型对不同数据集的作物植株的语义分割像素准确率高达0.962,平均交并比达到0.932;与U-Net、SegNet、PSPNet、DeepLabV3模型相比,本文模型在不同数据集上平均交并比最高提升0.07,对自然环境下作物苗期植株具有良好的分割效果和泛化能力,可为植株定位、对靶喷药、长势识别等应用提供重要依据。