在线开放课“课程思政”建设与实施研究——以高职“建筑装饰材料识别与选购”课程为例

随着新时代职业教育信息化的发展,以及全面落实“立德树人”根本任务的要求,研究如何把“课程思政”的思想引领贯穿线上线下全过程的教学管理中,实现课程思政育人目标,提高学生思想道德素质和职业素养尤为重要。以高职“建筑装饰材料识别与选购”课程为例,调研行业人才素质需求,利用典型工作岗位的任务教学法,收集、分析线上课程平台信息化教学管理数据,实施阶梯式模块项目教学模式,构建一个闭环的课程思政与专业课融合的教学环境。通过实践得出一套适用于高职同类课程的“以德载能三段式协同育人”混合式课程思政教学模式,并在建设与实施中取得了显著的育人成效。

MateFi:基于WiFi设备的材料识别系统

由于目前的材料识别方法X射线技术依赖专用设备传输高频信号且放射性强,超声波技术设备笨重且携带不便,基于射频技术主要依赖成本较高的RFID(Radio Frequency Identification Devices)设备。因此,为满足日常家居和办公场景使用,提出基于WiFi(Wireless Fidelity)实现材料识别的MateFi系统,同时建立一个新的理论模型,能更具体地描述电磁波在穿透不同材料时的衰减状态。进而,利用该理论模型结合材料本身特征与机器学习技术,搭建了鲁棒性更强、精确性更高的材料识别系统。针对MateFi系统在真实场景下的性能,进行了测试和验证。实验结果表明,MateFi可以识别出木板、纸板、镍、薄木片、铁、钛6种不同的材料,平均识别准确率可到达96.70%,说明该系统具有精准的材料识别性能。

基于卷积神经网络的μ子散射成像材料识别方法研究

本文采用卷积神经网络的机器学习方法进行了μ子成像的材料识别,通过迭代训练数据获得最优模型并测试样品在不同测量时间下的识别准确度。在中国原子能科学研究院的μ子散射成像装置上开展了不同材料的测试实验,根据实验测量数据进行径迹重建并计算μ子的入射和散射角,构建基于卷积神经网络结构的材料识别模型进行特征提取,实现对材料的分类识别,并进一步引入残差和特征矩阵提高了材料的识别准确度。实验结果表明,对于10 cm×10 cm×10 cm的钨块,材料识别准确度在测量5 min时达到99.1%,在测量10 min时达到100.0%。这种基于卷积神经网络的方法为μ子散射成像材料识别提供了一种新途径。

双能X射线材料识别技术在大型集装箱检测系统中的应用

在类似大型集装箱检测系统的实验平台上完成了一系列有关材料识别的实验。实验结果表明,在5-10MeV的能量范围内,大型集装箱检测系统利用双能X射线技术根据有效原子序数识别材料组是可行的。

建筑装饰材料识别及应用课程教学改革初探

建筑装饰材料识别及应用课程是高职院校中装饰工程类专业的一门重要专业基础课,传统教学中存在着一些问题。本文主要从课程标准建设、教学方法和考核评价方式等三个方面进行了一系列教学改革,实践证明,教学效果良好。

基于《纺织材料识别与应用》省级精品在线开放课程的混合式教学模式

《纺织材料识别与应用》省级精品在线开放课程是在省级精品课程和省级精品资源共享课程的建设基础上,加强在线开放课程教学资源应用于传统课堂教学实践,探索以学生为中心的线上线下混合式教学模式,全面提高高职教育人才培养的质量。将该课程的混合式教学和大学生创新创业教育相结合,以全面提高大学生的就业竞争力。

相对转换系数法在核材料识别与分析中的应用

针对核武器和核保障核查中大体积多层结构的复杂源项的测量特点,建立了一套相对转换系数法,通过γ能谱分析,可得到核材料的丰度、相对质量及储存时间等信息,并完成了初步的实验验证。

基于上下联动式高职“建筑装饰材料识别与选购”五维三拓两展课堂革命实践研究

随着我国建筑行业的飞速发展,特别是建筑装饰行业的转型升级,企业对人才的要求越来越高。文章立足新时代背景下,以提升教学育人效果为目标,以高职专业课程掀起的“课堂革命”为切入点,以黑龙江省教育科学重点规划课题“基于上下联动式高职‘建筑装饰材料识别与选购’五维三拓两展课堂革命实践研究”为依托;通过调研当下专业课程课堂革命存在的问题,根据当前行业及产业需求、人才培养方向,开展企业调研实践、教学创新实践,并借助新一代信息技术进一步对新时代高职课堂教学革命在教学主体维度、学生能力拓展、教学效果展示方面进行实践探索,总结得出基于线上线下联动式“建筑装饰材料识别与选购”五维三拓两展课堂革命的实施方法。

基于串联反向三线圈电涡流传感器的材料识别方法研究

为了进一步提高涡流传感器的信号灵敏度,应用于不同材料的识别,提出了采用串联反向三线圈电涡流传感器的研究方法;详细分析了采用PCB制造工艺设计的串联反向三线圈电涡流传感器并给出了相应的电路设计;通过与普通电涡流传感器的对比试验,论证了采用这种三线圈电涡流传感器具有更高的灵敏度,不仅能有效识别具有高电导率的金属材料,并且对于电导率与金属相差3个数量级的石墨也能获取微弱的检测信号。

包装材料识别(回收)标志的研究

随着可持续和循环经济的发展,消费品导致的社会环境问题越来越严重,全球都在关注包装材料回收和循环再利用这一发展趋势。为此,对不同国家和地区在包装材料识别(回收)标志的应用情况进行了比较与分析,提出了包装与环境—材料识别标志标准化发展的必要性,同时也为识别标志标准化提供技术支持。

基于主成分分析及最近邻算法的纺织材料识别

探讨了利用主成分分析与最近邻分类器对8种纯纺织物的识别分类效果。首先采集8种纯纺织物在920nm～2 528nm波长范围内的720幅高光谱图像,经过图像标定、曲线滤波、波长预选等预处理之后得到可供分析使用的高光谱原始数据。而后将720个织物小样分为训练集和测试集,结合主成分分析提取出织物小样的4个特征波长,最后利用最近邻分类器完成训练并对测试集进行分类识别。结果表明:训练集识别率达到了100%,测试集分辨率也都达到了95%,整体识别效果较好。认为:高光谱成像技术可以用于棉、涤纶、聚乙烯、羊毛、聚氯乙烯、锦纶、亚麻、蚕丝的材料识别。

一种核材料识别系统的Monte Carlo方法仿真研究

因核材料敏感性及强放射性辐射危害性等因素使研究核材料识别较困难。为此本文从物理原理和试验统计数据出发,构造了核材料识别系统仿真模型,采用Monte Carlo方法获得了对粒子输运过程抽样,得到了三路时域脉冲信号,进而对三路信号进行自、互相关及功率谱密度等时-频分析,得到可供识别核材料所需的相关时-频域特征标签。仿真研究结果表明,本文构造的仿真模型、过程仿真及数据计算能较好地反映核裂变中粒子输运过程,可呈现核材料识别系统中若干特征标签的有效性,为后续实际条件下相关实验的开展及特征谱线的解读和分析奠定了基础,并对核军控核查技术的实验室仿真研究有积极意义。

任务导向的教学模式研究——以服装材料识别与再造课程为例

社会的发展趋势推动整个社会的人才培养方向,同时也推动了高校的人才培养模式的转变。通过课程实例,对服装材料识别与再造课程模式进行改革创新,提高对课程内容的预期设置,对服装与服饰设计专业的发展有一定的示范和借鉴的作用。

金属材料识别机

日本一家公司制成了一种应用温差电势原理的金属材料识别机。过去识别金属材料时主要根据火花试验时火花的颜色来判断,不仅需要熟练的技术工作者,而且使用的设备体积庞大、价格贵。因此许多部门常常不进行材料识别。

晶体塑性本构模型材料参数识别方法研究

为建立简单高效的晶体塑性本构模型材料参数识别方法,将传统Voronoi多晶/柱晶微结构模型进行了简化,探索了简化微结构模型的建模策略,验证了利用简化微结构模型进行材料参数识别的合理性,分别形成了针对多晶、柱晶与单晶合金的材料参数识别策略,获得了ZSGH4169,DZ125与DD6合金共15组材料参数。结果显示:简化模型的网格数量远远低于传统Voronoi微结构模型,极大地降低了计算代价;为保证简化模型的结果合理且计算代价适中,简化多晶模型需大致含有125个晶粒;相同材料参数条件下,简化模型与传统Voronoi模型的计算结果基本一致;3类合金仿真/实验结果间的最大误差均不超过5%。文中所开发材料参数识别方法计算成本小、操作难度低、运行效率高。

利用自相关函数与平稳小波变换的^(252)Cf源驱动核材料质量识别方法

以252Cf中子源驱动噪声分析测量法为依据,利用中子脉冲信号自相关函数与被测核材料(252 U)质量的关系,设计了一种基于神经网络的核材料质量识别方法,探索借助时域特征进行质量识别的有效性。利用平稳小波变换抑制中子统计涨落对自相关函数带来的影响,利用分布式Elman神经网络对不同质量核材料的自相关函数样本进行训练和识别,并研究了有限样本前提下不同子网个数对最终识别结果所造成的影响。对4种核材料质量共计120组样本进行的实验,结果表明:在理想实验条件下,平稳小波变换抑制了统计涨落对信号自相关函数的影响;分布式Elman神经网络能够较好地识别自相关函数的特征,分辨不同质量的核材料,平均识别误差小于0.1。

基于神经网络的核材料类型识别

针对核查前提,用人工神经网络技术对核材料类型识别进行了研究。实验结果表明,基于神经网络的分类器经过训练,能够有效识别不同类型的核材料,证明该方法用于现场核查中具有一定的可行性和实践意义。

建筑装饰材料识别与选购课程线上教学设计

随着信息化技术的发展,在人才培养与课程建设上,着力运用信息化技术与"互联网+"的形式开展线上线下教学,特别是2020年疫情防控期间,在线课程建设大规模展开,教学内容的设计成为课程效果优劣的决定因素。结合建筑装饰材料识别与选购课程线上线下课程建设的经验,从教学总体目标设计、课程内容选取、教学单元设计、考核方案设计等方面阐述建筑装饰材料识别与选购课程线上教学内容的设计与应用。

基于图像总变分和张量字典的多能谱CT材料识别研究

基于光子计数探测器的多能谱计算机断层成像技术(CT),能够获得多个能量段的能谱信息,在材料识别方面有着独特的优势。由于窄能谱探测及光子计数探测器存在一致性差的问题,多能谱CT图像中含有较多的噪声和伪影,这不利于材料的分解与识别。因此从重建的角度出发,改进了传统张量字典学习(TDL)方法,提出一种基于图像总变分(TV)和TDL的图像重建算法,简称TV+TDL。该算法不但继承了TDL算法在刻画各个能量通道图像之间相似性的优势,而且通过引进TV作为正则项,可进一步恢复图像微小结构和细节并有效地抑制噪声,提高材料分解精度。仿真实验结果表明,TV+TDL算法能够有效重建高质量的多能谱CT图像,并成功实现基材料模型下的材料分解与识别,从而验证了该方法的有效性和实用性。