基于多尺度注意力机制网络的玉米害虫识别方法

玉米是我国主要的农业粮食作物,害虫严重影响其产量和质量。为快速、准确地识别玉米害虫,针对现有卷积神经网络识别方法需要大量数据集和关键特征易丢失等问题,提出一种基于多尺度注意力机制网络(MCANet)的玉米害虫识别方法。首先,该方法采用空间金字塔循环(SPR)模块提取不同害虫图像的类型和位置信息;其次,在特征融合模块中引入多级通道注意力机制模块,以保障高维语义信息与低维特征的有效融合;同时将多尺度空洞卷积模块引入多级通道注意力网络模型,构建多尺度多通道注意力网络模型,来提取多尺度判别特征,提高模型的识别效率;最后,在1个较小的玉米害虫图像数据集上进行试验,实现对玉米红缘灯蛾、叶夜蛾、玉米黏虫、玉米螟害虫的识别,当训练样本与测试样本之比为90∶10时,玉米害虫识别准确率高达91.60%,与多尺度残差神经网络(MSRNN)、改进卷积神经网络(ICNN)、VGG-ICNN、轻量级CNN(LWCNN)相比,识别率分别提高24.40、18.77、8.00、4.40百分比。结果表明,该方法在小训练样本集中具有较强的鲁棒性和较高的识别率,为农作物病虫害智能化防治提供技术支持。

基于Spring Boot框架的实验室资产管理系统的设计与实现

高校实验室设备作为国有固定资产的重要组成部分,在资产管理中占据十分核心的地位。而当下,受经济、科技等因素影响,实验室资产在数量与种类上都空前增多。为便于管理,各高校先后引入线上系统。而高校资产管理系统多从学校管理角度出发,在功能与权限上不利于一线实验室教师参与管理。因此,本文提出了一种基于Spring Boot的实验室资产管理系统,设计并实现了录入资产免审核、负责人绑定、批量导入、支持多种查询、设备报修等功能,充分考虑了现实工作中的情况,使实验室资产管理进一步简化与高效。

基于主题相关性和深度学习的文本情感分析

将相关主题模型和神经网络相结合开展文本情感分析研究。首先,为了度量文本的主题相关程度,采用CTM模型对文本进行特征分割,得到主题与词之间的相关矩阵和文本句子的主题特征向量;其次,基于相关性理论,构造蕴含主题相关信息的词向量,采用word2vec模型进行文本词表示;最后,使用BiLSTM模型对文本句子进行表示,实现文本情感特征提取。

基于卷积神经网络的英文篇章情感量化方法

提出利用卷积神经网络(CNN)预测英文单词情感极性,并利用英文单词情感极性设计量化篇章情感倾向的方法.首先,利用fastText技术训练词嵌入模型,将英文单词转化为定长、稠密的词向量;接着,以词向量作为输入,构造一维CNN模型,并设计出多种具有不同深度的架构;最后,利用CNN预测模型计算篇章中所含英文单词的平均情感极性作为篇章情感倾向的量化分值.实验结果表明:相比于传统的机器学习模型,提出的CNN预测模型能够提升英文单词情感预测精度,所设计的篇章情感量化方法,也与主观判决情感色彩有较好的一致性.

基于CiteSpace的水稻病虫害防治研究现状分析

本文以中国知网的期刊文献为样本,运用可视化软件CiteSpace对发文量、作者、研究机构、关键词等进行统计分析。分析结果表明,2000年以后,关于水稻病虫害防治的年度发文量呈上升趋势,但在2019年之后有所回落;作者和研究机构分布比较分散,未发现有突出影响力的作者和机构;综合防治、稻瘟病是水稻病虫害防治研究的热点。

基于CiteSpace的水稻病虫害研究热点与发展趋势分析

对水稻病虫害的研究回顾是一个繁杂但重要的长期工作,目前已经有部分研究从不同角度对处在不同发展阶段的水稻病虫害知识进行综述回顾,但主要是利用定性分析及传统的文献计量法总结水稻病虫害阶段性技术的发展,难以清晰地呈现海量知识单元间的联系与发展。基于此,采用可视化文献计量分析研究工具CiteSpace,以近30年的中文核心论文为来源,分别对水稻病虫害的文献分布、合作情况、研究热点进行知识图谱构建与数据挖掘分析。结果显示:相关文献数量与质量逐年提升;发文作者间的合作常以“当地植保机构+其他科研机构”的形式出现,但跨地域间作者的合作较少;目前水稻病虫害的研究热点围绕“绿色”和“防治”开展。基于此,对未来水稻病虫害的研究进行了展望,即跨区域交流、绿色防治以及同防治主题相结合的新技术应用将会是未来对水稻病虫害研究的主要方向。