新时代背景下大学生职业规划和就业指导中爱国主义教育研究

大学生职业规划和就业指导是高等教育的重要组成部分,在当前社会背景下,大学生的职业规划和就业指导应紧密结合爱国主义教育,以培养具有国际视野和本土情怀的人才。文章主要探讨了大学生职业规划和就业指导中融入爱国主义教育的价值、要素和具体实施策略,旨在为高等教育工作者提供理论支持和实践指导,促进大学生形成正确的世界观、价值观和人生观,为国家的繁荣富强和民族复兴贡献力量。

优化大学生就业指导思想政治教育的对策

思想政治教育能够帮助大学生树立正确的世界观、人生观、价值观、就业观等,在大学生择业就业的道路上发挥着重要的作用。如今,大学生就业指导中的思想政治教育环节日益受到重视。这不仅关系到学生的职业选择,更影响其人生观、价值观的塑造。为了满足社会的需求,培养具有正确职业观念和良好道德品质的大学生,必须深入研究当前存在的不足,分析大学生就业指导中开展思想政治教育的现状、问题,并提出相应的对策。

基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进:将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

基于改进YOLOv8-Seg的苹果单枝条花序疏除方法

针对苹果疏花作业中无法自动识别枝干以及缺乏花序疏除方法,该研究提出了一种适用于现代果园的苹果树单枝条花序疏除方法。首先,对YOLOv8-Seg模型进行改进:在Backbone部分添加GCT(Gaussian context transformer)模块,通过引入全局上下文信息和调整通道的重要性,提高模型对遮挡目标的分割性能;在对应3个检测头的Neck部分的C2f模块内部增加EMA(efficient multi-scale attention)机制,通过并行子网结构和跨空间信息聚合更好地关注多尺度特征。其次,使用改进YOLOv8-Seg模型对单枝条中的花苞、花序、开放花朵和花枝四类目标进行实例分割。最后,基于分割结果应用多项式拟合曲线表征花枝,并计算花序间距离实现花序疏除。结果表明,改进的YOLOv8s-Seg模型在自建数据集mask水平的精确率、召回率和mAP分别达到了89.9%、89.5%和91%,比原模型分别提升了6.5、4.1和5.8个百分点。与主流分割模型Mask R-CNN,YOLACT,SOLOv2进行对比,mask水平的mAP分别高出10.8、12.3和9.1个百分点。花序疏除决策结果与人工决策结果对比误差不超过10%。该方法可应用于单枝条水平上的花序疏除任务,为苹果智能疏花提供技术支持。

基于3D CNN-BiLSTM-ATFA网络和步态特征的奶牛个体识别方法

针对基于花纹的奶牛个体识别中纯色或花纹较少的奶牛识别准确率较低的问题,本文提出一种基于步态特征的奶牛个体识别方法。首先,将DeepLabv3+语义分割算法的主干网络替换为MobileNetv2网络,并引入基于通道和空间的CBAM注意力机制,利用改进后模型分割出奶牛的剪影图。然后,将三维卷积神经网络(3D CNN)和双向长短期记忆网络(BiLSTM)构建为3D CNN-BiLSTM网络,并进一步集成自适应时间特征聚合模块(ATFA)生成3D CNN-BiLSTM-ATFA奶牛个体识别模型。最后,在30头奶牛的共1242条视频数据集上进行了奶牛个体识别实验。结果表明,改进后DeepLabv3+算法的平均像素准确率、平均交并比、准确率分别为99.02%、97.18%和99.71%。采用r3d_18作为3D CNN-BiLSTM-ATFA的主干网络效果最优。基于步态的奶牛个体识别平均准确率、灵敏度和精确度分别为94.58%、93.47%和95.94%。奶牛躯干和腿部不同部位进行加权特征融合的个体识别实验表明识别准确率还可进一步提高。奶牛跛足对步态识别效果影响较为明显,实验期间由健康变为跛足和一直跛足的奶牛个体识别准确率分别为89.39%和92.61%。本文研究结果可为奶牛的智能化个体识别提供技术参考。

融合特征权重与改进粒子群优化的特征选择算法

随着教育信息化的发展,教育数据呈现特征数量高、冗余度高等特点,这使目前的分类算法在教育数据上分类准确率不理想。提出一种将特征权重算法与改进粒子群优化算法融合的混合式特征选择算法(RF-ATPSO)。该算法首先使用RELIEF-F算法计算各个特征的权重,筛除冗余特征,然后在筛选后的特征集合中利用改进粒子群算法搜索最优特征子集。实验结果表明,在6个UCI公共数据集上,经RF-ATPSO算法进行特征选择后,平均准确率提升了10.04%,且平均特征子集规模最小、收敛速度最快;在学生学业成绩画像特征数据集上,该算法以较小的特征子集规模达到较高的分类准确率,平均准确率为94.77%,明显优于其它特征选择算法,实验充分证明了该算法具有实际应用意义。

基于改进ConvNeXt的奶牛行为识别方法

奶牛的动作行为(进食、躺卧、站立、行走和甩尾)直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet(ConvNeXt-ACM-FAM)奶牛行为识别模型,该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块(ACM)和特征注意力模块(FAM)。首先,利用ACM划分通道分支提取特征并保留一部分原始特征,防止信息过度丢失。其次,FAM对不同通道的特征进行融合并引入SimAM注意力机制,不增加网络参数的同时增强重要特征的有效提取。实验结果表明,该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%,平均准确率为91.06%,参数量相较于原模型减少了1.5×10^(6),浮点运算量减少了3×10^(8),相较于其他模型,本文模型识别平均准确率平均提升8.63个百分点。本文研究成果可为奶牛疾病监测及预防提供技术支持。

基于Si-VISSA特征波长选择的羊肉掺假检测方法

为提高羊肉掺假的检测效率、获得更好的预测精度,对区间变量迭代空间收缩法(Interval variable iterative space shrinkage approach,IVISSA)进行改进,以获得更优的建模性能。在IVISSA算法中引入了联合区间偏最小二乘(Synergy interval partial least squares,Si-PLS)的思想,设计了联合区间变量迭代空间收缩法(Synergy interval variable iterative space shrinkage approach,Si-VISSA),首先将全光谱波长划分为若干区间并组合成不同的联合区间,分别建立偏最小二乘模型,通过比较建模结果选出最优区间组合。该算法还改变了局部搜索条件,最优区间组合确定后再进行区间宽度的优化,通过增减区间相邻的波长并判别增减后的建模结果,最终确定区间边界。这些优化有效降低了算法复杂性,提高了运算精度。将IVISSA和Si-VISSA选取的波长分别建立偏最小二乘模型,结果显示,IVISSA波长选择预测集的决定系数和均方根误差分别为0.943和5.918,Si-VISSA波长选择预测集的决定系数和均方根误差分别为0.980和4.996。对比运行时长发现Si-VISSA所用时间仅为原算法的20%。以上表明Si-VISSA有更好的预测性能以及更高的运行效率。

基于三维模型体积的奶牛体重预估

针对奶牛的体重预估精度和自动化程度较低的问题,本文以荷斯坦奶牛为研究对象,提出1种基于奶牛点云构建三维模型进行体重预估的方法。首先,利用Kinect相机提取奶牛的俯视与侧视点云。其次,通过计算头颈部与背部脊线的点云拟合直线夹角,自动筛选出适宜三维重建的标准姿态点云。再次,利用缺失点云的相邻点云补全缺失区域后,提取配准特征点,利用特征点进行点云的配准。最后,基于背部脊线构建对称面实现点云镜像,完成奶牛点云三维重建,最终根据三维模型体积预估奶牛体重。通过对91头奶牛进行的体重预估实验分析,结果表明:体重预估绝对误差在-19.23~+20.04 kg之间,相对误差在-2.96%~+2.90%之间。本文方法实现了较精准的奶牛体重自动预估,可为奶牛精准养殖提供技术支持。

浇注PBX替代材料的准静态压缩力学行为及本构模型标定

为研究高聚物粘结炸药(PBX)的准静态压缩行为,对两种典型配方(含铝粉与否)的浇注PBX替代材料在不同应变率下进行单轴准静态压缩试验,并对其力学性能进行了对比分析。同时基于朱‑王‑唐(ZWT)模型提出一种新模型来描述材料的准静态压缩行为,通过遗传算法获取本构模型参数,并使用Fortran语言在Abaqus有限元软件的用户材料子程序(UMAT)接口中进行本构模型的建立。结果表明:浇注PBX替代材料的准静态压缩过程可分为弹性压缩、应力衰减以及失稳破坏3个阶段;准静态压缩力学行为与应变率有明显的相关性,随着应变率的提高,材料的有效压缩应变基本不变,而压缩模量、屈服强度和压缩强度的对数与应变率对数近似呈现出线性关系;铝粉的加入使浇注PBX替代材料压缩模量、屈服强度和压缩强度均有所提升。新构建的本构模型能较好描述浇注PBX替代材料的准静态压缩行为,使用有限元软件对本构模型普适性进行验证,得到仿真计算结果与试验结果间可决系数R^(2)均大于0.98,吻合程度较高。

碳纳米管填充改性聚醚醚酮的热力学特性

聚醚醚酮(PEEK)综合性能较好而得到广泛使用,经常受热力耦合作用,研究其热力学特性非常必要。热失重分析(TGA)测试表明,空气中520℃以上发生快速分解,先炭化再氧化燃烧。不同应变变形下的松弛曲线,初始应变越大,应力水平越高,松弛时应力下降越明显;温度越高,应力水平降低,但松弛应力幅度越大;在5%加载应变下,松弛行为随加载速度的增大而显著加快。在较低的加载速率下,应力水平较低,材料快速响应而应力松弛幅度大。在中高速加载时,响应应力却随加载速度提高却下降,且松弛应力幅度下降。非线性方程拟合发现,加载下松弛分为弹性受迫松弛、短时和长时的分子链塑化松弛。一定应力下,载荷越大,蠕变中应变水平越高,应变增长也越明显;温度越高,蠕变幅度增大。非线性拟合分析表明,加载下蠕变分为弹性受迫蠕变、短时和长时的塑化蠕变。

β成核剂对PPH拉伸双屈服行为的影响

均聚聚丙烯(PPH)广泛应用于制备餐盒和编织袋,加入β成核剂后,改善了PPH的韧性,但是,关于β成核剂对其拉伸双屈服行为影响的研究仍较少。因此,将β成核剂加入PPH熔体中,制备β⁃PPH粒料,再进行注射成型,得到样条测试其性能。将β成核剂加入PPH后,熔融曲线中出现了明显的β晶型熔融峰,随着其结晶峰值温度的升高,PPH的结晶能力得到提高,当β成核剂的含量为0.2%时,PPH中β晶型的相对含量达到最大值,其值为49.8%,断裂伸长率达到最佳;当β成核剂的添加量大于0.2%时,PPH中β晶型的相对含量逐渐降低,断裂伸长率下降。采用50 mm/min的速率进行拉伸,PPH发生高应力的双屈服行为,其第二次屈服应力值为35.53 MPa。而β⁃PPH的2次屈服应力值均较低,与β⁃PPH的第一次屈服应力值相比,其第二次屈服应力值更低,第一个屈服阶段,β⁃PPH产生应力发白现象且温度无明显变化;第二个屈服阶段,β⁃PPH产生局部颈缩且有明显温升现象。随着β成核剂含量的增大,β⁃PPH的第一次屈服应变值、第一次屈服应力值及第二次屈服应力值均减小,第二次屈服应变值增大。

基于时空特征的奶牛视频行为识别

准确、高效的奶牛行为识别有助于疾病检测、发现异常,是感知奶牛健康的关键。通过分析奶牛在牛场中各时段的行为,提出一种基于时空特征的奶牛行为识别模型,该模型在时域段网络(TSN)的基础上融合了时态移位模块(TSM)、特征注意单元(FAU)和长短期记忆(LSTM)网络。首先,利用TSM融合时间信息以提高时序建模能力,并将时序建模后的视频帧输入TSN。其次,利用FAU融合高分辨率空间信息和低分辨率语义信息,增强模型空间特征的学习能力。最后,由LSTM聚合过去和当前信息进行奶牛行为分类。实验表明,该方法对进食、行走、躺卧、站立行为识别准确率分别为76.7%、90.0%、68.0%、96.0%,平均行为识别准确率为82.6%,和C3D、I3D、CNN-LSTM网络相比,本文模型平均行为识别准确率分别提升7.9、9.2、9.6个百分点。光照变化会对奶牛行为识别准确率产生一定影响,但本文模型受光照影响相对较小。研究成果可为感知奶牛健康和疾病预防提供技术支持。

蠕变试验方法的研究概述

现役设备上的一些功能结构件在高温环境中长时间工作易发生高温蠕变变形,从而导致构件失效,进而会对设备的使用安全性和使用寿命产生一定负面影响。因此,了解各结构材料的蠕变性能十分必要。现在已经发展出多种蠕变测试方法,这些方法对研究由蠕变驱动的变形有重要意义。文章概述了单轴拉伸、压缩及梁弯曲等几种蠕变测试方法和蠕变理论。通过与单轴拉伸蠕变试验进行比较发现,固支三点弯曲蠕变试验可以得到完整的蠕变曲线。同时,根据金属材料弯曲蠕变试验经验可对玻璃、陶瓷等脆性材料的高温蠕变性能进行测试,所研究内容对相关领域的蠕变性能研究有重要的指导意义。

基于深度与传统特征融合的非限制条件下奶牛个体识别

针对非限制条件下奶牛的个体识别,提出了一种基于深度特征与传统特征融合的奶牛识别方法。首先利用Mask R-CNN识别站立和躺卧姿态下的奶牛。其次,用两种方法提取奶牛的特征概率向量:用卷积神经网络(Convolutional neural network, CNN)提取Softmax层概率向量形式的深度特征;人工提取并利用近邻成分分析(Neighbourhood component analysis, NCA)选择传统特征,并将其输入支持向量机(Support vector machine, SVM)模型,输出概率向量。最后对两种特征进行融合,并基于融合后的特征采用SVM对奶牛进行分类。对58头奶牛站立和躺卧姿态的数据集进行了个体识别实验,结果表明,对于站立和躺卧姿态下的奶牛,与单独使用深度特征相比,特征融合方法准确率分别提高约3个百分点和2个百分点;与单独使用传统特征相比,特征融合方法准确率分别提高约5个百分点和10个百分点。站立和躺卧姿态下的奶牛个体识别率分别达到98.66%和94.06%。本文研究结果可为智能奶牛行为分析、疾病检测等提供有效的技术支持。

基于MSRCP与改进YOLO v4的躺卧奶牛个体识别方法

奶牛的躺卧率可以反映奶牛的舒适度和健康情况,躺卧奶牛的个体识别是自动监测奶牛躺卧率的基础。本文提出了一种基于改进YOLO v4模型识别非限制环境下躺卧奶牛个体的方法。为实现对躺卧奶牛全天的准确个体识别,首先对18:00—07:00的图像采用MSRCP(Multi-scale retinex with chromaticity preservation)算法进行图像增强,改善低光照环境下的图像质量。其次,在YOLO v4模型的主干网络中融入RFB-s结构,改善模型对奶牛身体花纹变化的鲁棒性。最后,为提高模型对身体花纹相似奶牛的识别准确率,改进了原模型的非极大抑制(Non-maximum suppression,NMS)算法。利用72头奶牛的图像数据集进行了奶牛个体识别实验。结果表明,相对于YOLO v4模型,在未降低处理速度的前提下,本文改进YOLO v4模型的精准率、召回率、mAP、F1值分别提高4.66、3.07、4.20、3.83个百分点。本文研究结果为奶牛精细化养殖中奶牛健康监测提供了一种有效的技术支持。

一种基于改进SSD的原木端面识别方法

自然环境下的原木楞堆摆放参差不齐,端面大小不一,且存在遮挡、重叠、被阴影覆盖等现象,识别效果不理想。为了提高原木端面识别率,笔者对原木端面识别方法进行了研究。采用深度学习的方法,针对混楞堆原木端面大小差距较大、较小原木难以检测以及遮挡情况下不容易提取有效特征等问题,以速度较快的SSD(single shot multibox detector)网络为基础网络,对conv_fc7使用上采样后与conv4_3融合替换原conv4_3,将conv4_3和conv_fc7两个有效特征层进行结合,增加了感受野,提高了该特征层对较小原木端面的特征提取能力;在整体结构上加入融合多尺度卷积核和空洞卷积的RFB(receptive field block)模块,又在网络中引入能够使网络学习特征权重加强对有效特征关注的CBAM (convolutional block attention module),增强了特征识别能力。实验使用从原木验收现场采集的图像,结果表明:改进SSD目标检测网络对清楞原木的检测精确率达96.37%,召回率96.81%,AP值99.06%;在含有较多小目标原木的混楞测试集检测中改进SSD检测精确率97.00%,召回率92.90%,AP达到95.33%,召回率比SSD提高了14.03%。改进SSD网络增强了SSD目标检测网络的抗干扰能力,扩大了感受野,提高了原木端面实时检测性能。

基于SE-R(2+1)D网络的自然环境下的奶牛行为识别

智能行为识别对于奶牛健康的自动诊断和精准养殖具有重要意义。由于接触式传感器会损害动物福利,对奶牛产生应激反应。因此,本文设计了R(2+1)D模型对奶牛进行行为识别。3D网络作为1种时空卷积网络,可以有效识别奶牛的基本时序行为,但该模型针对奶牛的进食行为与反刍行为不易区分,因此对残差网络中的残差映射部分进行改进,在残差网络中添加注意力机制,将SE模块加入到残差映射部分。首先,利用Kinect相机采集奶牛的行为视频;其次,将采集到的奶牛视频分解成连续帧输入到改进后的模型中,连续帧经过二维空间特征和一维时间特征提取,经过残差网络的注意力模块,忽略一些无关的特征;最后,经过模型的Softmax层进行行为分类。实验证明,和原模型比较,准确率提高了2.36%。本文方法实现了精准的奶牛行为识别,可为智慧畜牧业的发展提供技术支持。

UPTIS和TWEEL非充气轮胎的高速振动特性有限元分析对比

建立非充气轮胎高速振动的仿真分析方法,对非充气轮胎在一定负荷和转速下的高速滚动进行模拟,提取关键部件辐条和地面反作用力振动时域信号,通过结合汉明窗的快速傅里叶变换技术将振动时域信号转换成频域信号。基于建立的高速振动仿真分析方法对两种典型的非充气轮胎UPTIS和TWEEL轮胎的高速振动特性进行对比分析。结果表明,相比TWEEL轮胎,UPTIS轮胎在高速滚动过程中地面反作用力振动频域的特征振动频率少且振幅小,即相同承载能力下UPTIS轮胎的高速减振性优于TWEEL轮胎。本工作建立的高速振动仿真分析方法为非充气轮胎的结构优化提供支撑。

基于改进SimCSE的无监督句嵌入方法

针对无监督SimCSE相同语义正样本差异性不足、模型训练与预测阶段具有不一致性的问题,基于SimCSE提出一种改进的无监督句嵌入方法SimCSE-PSER。采用dropout和位置嵌入扰动联合进行数据增强,提升正样本质量;引入R-Drop正则化方法,降低无监督SimCSE使用dropout作为数据增强方法带来的训练与预测阶段不一致性。实验基于BERT模型在跨领域的4个中文语义文本相似度任务数据集上进行,结果表明该方法优于其它主流无监督句嵌入方法。