目的:探讨产妇产后不同阶段母乳喂养现状及影响因素。方法:选取2021年9月—2022年9月在我院妇产科就诊的102例产妇为研究对象,采用一般资料调查表、母乳喂养自我效能感量表(BSES)对各阶段母乳喂养效能水平进行现状调查,并对各阶段母乳...目的:探讨产妇产后不同阶段母乳喂养现状及影响因素。方法:选取2021年9月—2022年9月在我院妇产科就诊的102例产妇为研究对象,采用一般资料调查表、母乳喂养自我效能感量表(BSES)对各阶段母乳喂养效能水平进行现状调查,并对各阶段母乳喂养效能的影响因素进行多重线性回归分析。结果:产后7 d BSES得分(31.86±6.72)分,产后1个月BSES得分(36.63±6.48)分,产后3个月BSES得分(36.99±6.75)分,产后不同阶段BSES总分呈上升趋势,但仍处于中等水平,且各阶段总分及各维度得分差异均具有统计学意义(P<0.005)。多因素分析结果显示,产妇是否参加育儿培训、分娩方式、是否母婴分离、胎次、有无产后抑郁、母乳喂养知识水平、社会支持度均为不同阶段母乳喂养效能的影响因素(P<0.05)。结论:产妇产后母乳喂养效能处于中等水平,其中是否参加育儿培训、分娩方式、是否母婴分离、胎次、有无产后抑郁、母乳喂养知识水平、社会支持度均可影响产妇母乳喂养效能。展开更多
针对大棚内除草环境复杂,且杂草种类繁多导致识别困难的特点,设计了一种机械式智能除草机器人。对试验田数据进行采集后,使用Yolov5模型进行150次迭代训练,最终训练出模型平均精度(map50)为82%,为了提高识别准确率,迭代次数增加到300次...针对大棚内除草环境复杂,且杂草种类繁多导致识别困难的特点,设计了一种机械式智能除草机器人。对试验田数据进行采集后,使用Yolov5模型进行150次迭代训练,最终训练出模型平均精度(map50)为82%,为了提高识别准确率,迭代次数增加到300次,最终模型平均精度(map50)为91%,机器人使用了Jetson Orin nano开发板为处理器,Intel D435深度摄像头进行数据采集,图像处理时间为1.2 ms,满足实时处理要求。采用机械式除草,减少了农药使用,该研究可为以后智能除草设备设计提供参考。展开更多
文摘目的:探讨产妇产后不同阶段母乳喂养现状及影响因素。方法:选取2021年9月—2022年9月在我院妇产科就诊的102例产妇为研究对象,采用一般资料调查表、母乳喂养自我效能感量表(BSES)对各阶段母乳喂养效能水平进行现状调查,并对各阶段母乳喂养效能的影响因素进行多重线性回归分析。结果:产后7 d BSES得分(31.86±6.72)分,产后1个月BSES得分(36.63±6.48)分,产后3个月BSES得分(36.99±6.75)分,产后不同阶段BSES总分呈上升趋势,但仍处于中等水平,且各阶段总分及各维度得分差异均具有统计学意义(P<0.005)。多因素分析结果显示,产妇是否参加育儿培训、分娩方式、是否母婴分离、胎次、有无产后抑郁、母乳喂养知识水平、社会支持度均为不同阶段母乳喂养效能的影响因素(P<0.05)。结论:产妇产后母乳喂养效能处于中等水平,其中是否参加育儿培训、分娩方式、是否母婴分离、胎次、有无产后抑郁、母乳喂养知识水平、社会支持度均可影响产妇母乳喂养效能。
文摘针对大棚内除草环境复杂,且杂草种类繁多导致识别困难的特点,设计了一种机械式智能除草机器人。对试验田数据进行采集后,使用Yolov5模型进行150次迭代训练,最终训练出模型平均精度(map50)为82%,为了提高识别准确率,迭代次数增加到300次,最终模型平均精度(map50)为91%,机器人使用了Jetson Orin nano开发板为处理器,Intel D435深度摄像头进行数据采集,图像处理时间为1.2 ms,满足实时处理要求。采用机械式除草,减少了农药使用,该研究可为以后智能除草设备设计提供参考。