职业教育数字化转型的内涵表现、逻辑解析与实践进路

职业教育作为一种类型教育,肩负着培养多样化、技能型人才的重大职责,为稳就业促创业、提供了坚实保障。数字经济蓬勃发展的大背景下,职业教育数字化转型是大势所趋,存在一定逻辑必然性。从技术角度看,数字技术是职业教育数字化转型的强大驱动力;从需求角度看,新一轮技术革命和产业变革进一步牵引人才需求,加速了职业教育人才培养的数字化导向;从行业角度看,职业教育数字化转型提升了教育质量和水平、拓展了教育边界和服务范围、提高了教育管理和服务效率、促进了教育创新与变革,整体上有助于加快实现职业教育现代化。为推动职业教育数字化高质量转型,应重点在强化政策规范与标准建设、树立数字化转型思维、夯实数字化转型技术底座等方面发力,努力提升职业教育发展新能级,重塑职业教育发展新生态。

活性炭纤维负载Ag_3PO_4光催化剂的可见光催化性能

用湿化学沉淀法将Ag3PO4沉积在活性炭纤维(ACF)上制备复合光催化剂Ag3PO4/ACF,采用BET比表面积法和扫描电子显微镜分析对样品进行表征,通过在可见光下降解橙II检测样品的光催化活性。结果表明,Ag3PO4/ACF的光催化活性比纯Ag3PO4提高了32%,主要是Ag3PO4/ACF具有更为精细的Ag3PO4晶体束,且分布更均匀,对污染物的吸附能力增强以及Ag3PO4与ACF有紧密的接触界面。Ag3PO4/ACF对橙II的降解率随着投加量的增大而提高,最佳投加量为1 000mg/L。随着染料初始pH的增大,Ag3PO4/ACF对橙II的降解率逐渐下降,强酸环境较有利于降解染料废水。在Ag3PO4/ACF循环使用4次后,其对橙II的降解率由99%下降到59%。

基于多级特征混叠融合的水下小目标检测算法

针对水下探测机器人在动态巡检过程中其检测的目标尺度存在多样化变化,而传统的SSD算法在尺度特征提取能力方面有限,对远目标、小目标存在信息感知偏弱问题,提出一种基于多级特征混合融合的深度学习目标检测算法。该算法以SSD算法的骨干网络为基础,引入卷积注意力机制增强浅层网络的特征提取能力,同时,提出融合多层高语义特征信息与低语义特征信息的级联式混合融合结构,通过混合训练解决低语义层级对小目标信息特征提取困难的问题。利用水下机器人目标抓取大赛的数据集对算法的有效性进行验证,实验结果表明该算法较传统SSD算法检测精度提升了5.86%。

基于改进生成对抗网络的低剂量CT去噪算法

针对低剂量计算机断层扫描(computerized tomography,CT)在图像采集过程中引入较多噪声,造成图像质量严重下降的问题,提出一种基于残差注意力机制与复合感知损失的低剂量CT去噪算法。在该算法中,利用生成对抗网络完成对低剂量CT图像的去噪,在网络框架中引入多尺度特征提取及残差注意力模块,以融合图像中不同尺度的信息,提高网络对噪声特征的区分能力,避免在去噪过程中丢失图像细节信息。同时采用复合感知损失函数,以加快网络收敛速度,促使去噪图像在感知上与原图像更接近。实验结果表明:与现有的算法相比,所提算法能够有效抑制低剂量CT图像中的噪声,并恢复更多的纹理细节;对比低剂量CT图像,所提算法处理后的CT图像峰值信噪比(peak signal-to-noise ratio,PSNR)值提高了31.72%,结构相似性(structural similarity,SSIM)值提高了13.15%,可以满足更高的医学影像诊断要求。

基于自适应空间特征融合的轻量化目标检测算法

针对目前深度学习中单阶段目标检测网络结构复杂、训练困难与在移动与嵌入式设备难以部署的问题,提出了一种基于自适应空间特征融合的轻量化目标检测算法。所提算法以YOLOv4为网络基础框架,采用轻量级MobileNet作为特征提取网络,降低网络深度与训练难度,提高检测速度;采用一种自适应空间特征融合(ASFF)方式改进PANet对多尺度特征融合效果差的不足;通过增加网络的输出维度,利用Gaussian算法对新增维度建模并输出预测框位置的不确定性;最后对位置损失函数进行重新定义,提高位置回归的准确性。所提算法以疫情期间口罩佩戴检测机器人为部署载体,对人脸口罩佩戴情况进行了测试,实验结果表明,所提算法的检测精度达到了95.92%,检测速度达到了19 frame/s,相比于原始算法和其他主流检测算法,更适合部署于移动与嵌入设备实现实时检测。