新工科背景下“C语言程序设计”课程教学改革探索——以信阳农林学院为例

为了适应新工科背景下工程教育的理念和要求,文章就信阳农林学院“C语言程序设计”课程教学现状和存在的问题,初步从课堂教学、实验教学、考核方式等方面进行探索性改革,旨在提高学生学习的积极性,培养高级思维能力、一丝不苟的严谨精神和解决实际问题的实战能力。

同态加密下复杂网络信息数据防泄露方法

复杂网络中的数据普遍具有隐私性,黑客攻击和网络钓鱼等使得传输数据易出现泄露问题。由于复杂网络数据通常是大规模的、多源的、异构的,数据噪声较大,数据的防泄露处理难度也较大。因此,引入同态加密,设计一种新的复杂网络信息数据防泄露方法。通过窗口展开划分,分别对每个窗口进行降噪处理,引入小波阈值二次降噪,利用数据重构获取降噪后的复杂网络信息数据。基于此,输出密钥,获取公钥函数,构建复杂网络信息数据同态加密机制,完成复杂网络信息数据防泄露。实验测试证明,所提方法不仅可以有效降低加密时间,同时还可以去除复杂网络信息数据中的噪声。

文旅融合视阈下红色档案文创产品服务现状与优化路径——以信阳地区为例

经调查分析,信阳地区红色档案文创产品的设计开发具有协同发展不足,开发成果有限,缺乏品牌意识,文化体验薄弱等现状,如改变现状,可从以资源整合为中心的协同优化路径、以产品差异化为中心的开放式品牌路径、以消费者个性化需求为导向的交互式体验路径、以数字技术为核心的互动沉浸式场景路径四个方面为信阳红色档案文创产品的设计开发提供优化路径选择。

高等农林院校大学生创新创业能力提升策略探析

当前,高等农林院校的学生往往面临更加严峻的就业形势,提升高等农林院校大学生的创新创业能力,成为了解决就业难题、优化高校人才培养模式、转变高校教学观念的新的路径。但是,高等农林院校的大学生在创新创业方面往往面临着知识匮乏、技能水平低、创新创业行业和地区相对集中的情况。究其原因,主要是因为高等农林院校的大学生创新创业主动性不强,高校创新创业政策落实不到位,加上部分家庭不支持大学生创新创业,直接影响了大学生创新创业能力的培养和提升。因此,高等农林院校应该不断增强大学生创新创业的主动性,为大学生提供创新创业的政策保障,并引导家庭支持大学生创新创业,最终达到提升大学生创新创业能力的目的。

基于PCA-LDA-SVM算法的茶小绿叶蝉识别

为提高茶小绿叶蝉病虫害的识别效率和精度,提出一种基于PCA-LDA-SVM的茶小绿叶蝉病虫害识别方法。首先,对采集的茶叶图像进行预处理,得到缩放后的图像;然后,利用主成分分析(PCA)对预处理后的图像提取全局特征,降低特征数据的维度,从而减少后续的计算时间;再利用线性判别分析(LDA)寻找特征数据的最优投影空间,使类内散布距离最小,类间散布距离最大,进一步提高识别的准确率和精确度;最后,利用支持向量机(SVM)分类器进行分类识别。试验结果表明,PCA-LDA-SVM模型识别准确率达96%,精确度达100%,召回率达92%,整体识别性能优于SVM,BP,KNN,PCA-SVM模型,具备一定的理论价值和参考意义。

基于多尺度空洞胶囊孪生网络的水稻虫害识别方法

水稻是我国主要的农业粮食产物,害虫严重影响水稻的产量和质量。为了快速、准确地识别水稻害虫,针对现有传统识别算法中需要依赖大量训练样本、训练时间长等问题,提出一种基于孪生多尺度空洞胶囊网络(multi-scale dilated capsule siamese network, MSDCSNet)的水稻害虫识别方法。首先,该方法采用3个空洞Inception模块依次提取图像的多尺度卷积特征;其次,由胶囊网络进一步提取特征向量,构建图像的特征向量对;然后通过孪生网络计算每对向量图像的余弦相似度进行害虫识别,该方法集合多尺度空洞卷积、胶囊网络和孪生网络的优势,可有效克服深度卷积网络需要大样本、训练时间长等问题;最后在一个自建的水稻害虫小样本数据集上进行测试,实现对水稻5种常见害虫(稻蝗、稻纵卷叶螟、稻棘缘蝽、二化螟、稻飞虱)的识别,平均识别率达到95.6%,与VGG19算法、ACapsNet算法相比,识别率分别提高20.8、3.6百分点。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,可实现对水稻害虫的精确识别,为其他农作物的害虫识别提供参考。

基于改进FCOS的水稻叶片病害检测模型

针对传统水稻病害识别方法主要依赖人工,效率低下且存在人工主观误差的问题,提出一种基于改进FCOS模型的水稻叶片病害检测模型。首先收集950张3种不同病害的水稻叶片图像,构建Pascal Voc格式的水稻叶片病害数据集。为增强模型的泛化能力,对划分为训练集的图像进行数据增强,训练集图像由760张扩增到6080张。然后构建检测模型,改进FCOS模型在原模型的基础上,在特征融合网络引入CBAM注意力模块;损失函数中,回归损失函数采用CIoU损失函数,分类损失函数和中心度损失函数与原FCOS模型保持一致。改进的FCOS模型在水稻叶片病害数据上的平均精度均值达77.7%,相比原FCOS模型提升了2.3百分点,改进的模型在不明显提升检测时间的情况下,提升了模型的精度。通过试验与模型YOLOF、Faster R-CNN、VarifocalNet、NAS-FCOS、TOOD进行对比,结果表明本研究模型取得了最高的检测精度,且在检测精度和检测速度上取得了最高的权衡。结果表明,本研究提出的模型能够比较精准地识别水稻白叶枯病、胡麻叶斑病和叶瘟病,可以为水稻叶片病害的检测提供参考。

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BERT的农作物命名实体识别模型研究

随着数字农业的快速发展,农作物命名实体识别作为农业领域知识图谱构建的基础,成为一种高效率的农作物研究领域识别方法。由于农作物实体识别呈现结构复杂、实体指称不一致、干扰因素多等特征,严重制约了农作物领域实体识别的性能,提出一种基于预训练语言模型的实体识别模型,使用BERT为文本中词进行编码、采用双向LSTM(Long-Short Term Memory)获取句子中关键词的上下文,采用CRFs(Conditional Random Fields)捕获词之间的依赖关系,并结合所构建的农作物命名实体识别数据集进行验证。实验证明该模型能够有效对农作物实体进行识别,且性能优于当前已有的实体识别模型。

新媒体技术在信息管理中的应用研究——以高校就业工作为例

从新媒体的概念分析入手,本文论述了新媒体的主要特征、发展现状和趋势;结合高校就业管理工作的特征,阐述了微信平台、腾讯空间等新媒体在就业信息管理中的应用,论述了新媒体的优势和不足;最后对如何优化新媒体发展环境做了探讨。

一种基于YOLOX-s模型的苹果检测系统

中国是苹果生产大国,也是苹果消费大国。苹果分拣的主要方法是人工分拣,但其具有人工成本高、效率低、受主观影响大的缺点。苹果检测有助于促进苹果分拣的自动化实现,也能为苹果的智能采摘提供参考。YOLO系列算法属于单阶段检测算法,相对于Faster R-CNN等双阶段检测算法来说,其只需要一次特征提取即可进行物体分类和位置预测,不需要生成区域候选框,具有检测速度快的优点。YOLO系列算法已广泛应用于植物识别与检测领域。

网络工程专业Linux课程改革思考

Linux操作系统的优势在近年来逐渐凸显出来,它作为一个源代码开放,可以根据用户需要自我定制的操作系统,在行业中具有明显的优势,加之较高的安全性,可操作等优点,在企业中应用广泛。在本科教学中如何开展linux课程,如何进行课程设计是值得思考和研究的。

基于CNKI数据库的Faster R-CNN模型应用可视化分析

为了解Faster R-CNN模型在国内的研究现状和研究热点,基于在CNKI数据库中检索的248篇核心期刊文献,使用Excel和VOSviewer软件对年度发文量、作者、关键词进行分析并进行可视化。结果表明:国内关于Faster R-CNN模型的研究最早出现在2017年,且在2017-2021年度发文量逐年递增,2021年年度发文量达到73篇的峰值,并在2022年回落到43篇;超过95%的作者仅发表1篇文献,发表文献不少于3篇的作者仅9位,且作者之间的合作松散;Faster R-CNN模型的应用领域主要集中于交通标志检测、车辆检测、杂草识别、遥感图像等方面,模型的改进方法包括Soft NMS、注意力机制、K-means聚类等。

基于BP神经网络和HOG特征的茶小绿叶蝉识别

为解决茶小绿叶蝉在复杂环境中快速识别的问题,提出了一种基于BP神经网络和HOG特征提取算法的茶叶病虫害识别方法。首先对采集的茶叶病虫害图片进行数据增强,用来扩充样本数量,并将样本尺寸大小统一到256×256,以方便网络模型训练。然后使用HOG算法提取图片的局部边缘特征,以减少光照变化造成的影响和降低噪声。最后将提取的特征数据输入到BP神经网络进行训练,并使用随机梯度下降法(SGD)减少模型训练的时间。实验结果表明,基于BP和HOG的茶小绿叶蝉识别方法,准确率为0.94,所提出的模型具有较高的识别能力和鲁棒性,可以为茶叶病虫害智能诊断提供参考。

基于AutoAssign模型的水果检测

为提高水果检测精度,收集菠萝、蛇果、火龙果、香蕉四种水果的图像,构建水果检测数据集。将Auto-Assign模型应用到水果检测中,并在此基础上提出了改进。采用多尺度训练策略,并用RegNet网络替代原有的骨干特征提取网络ResNet50。改进模型的平均精度均值达到86.8%,比原AutoAssign模型提升了5.4个百分点。所提模型的平均帧率达到34.6 img·s-1。与Faster R-CNN、RetinaNet、FCOS模型相比,该模型的平均精度均值分别提升了6.0、5.7、5.0个百分点。所提模型明显提升了水果检测精度,检测速度可接受,对于水果检测具有一定的参考意义。

基于深度学习的智慧家居移动端人脸识别系统设计

为了进一步提升智慧家居移动端中人脸识别系统的检测精度,本文提出了一种基于卷积神经网络的多任务深度学习算法。通过卷积神经网络提取人脸图像中的多层次特征,捕捉并区分人脸的局部差异,完成人脸图像采集和预处理,构建MTCNN模型,获得人脸框及关键点坐标;并通过联合损失函数优化多个任务,实现任务间信息的互补与增强,通过任务间的相互制约提升单一任务的识别准确率;然后,结合多任务学习框架有效增强模型的泛化性能。实验结果表明:本算法对图像进行统一处理后,系统的人脸识别召回率超过98.3%,识别准确率高达95.6%,显著优于现有系统。

基于CiteSpace的国内命名实体识别技术的知识图谱分析

命名实体识别(NER)是自然语言处理(NLP)领域的重要任务。量化梳理NER的文献进程,有助于未来NER乃至NLP技术的突破发展。目前已有大量学者对NER任务进行了综述回顾。但是这些基于传统文献计量学的回顾方式,既过于依赖专家经验,又无法直观呈现知识变迁。因此,文章以知网中文核心文献为驱动,基于CiteSpace工具,对国内NER技术进行了知识图谱展示和数据挖掘分析。分析结果显示:以2016年为界,国内已形成基于数据驱动的两个快速发展期;“当地高校+省立实验室”的形式已成为国内机构合作的主流;“深度学习”“知识图谱”“实体识别”“信息抽取”“神经网络”和“词向量”是国内NER领域的研究热点;未来对NER的研究倾向于应用落地、数据增强和知识抽取。

基于视觉SLAM和光流法的无人施药船定位精度研究

随着农业自动化技术的不断发展,无人施药船作为先进的水生养殖设备,逐渐得到广泛应用。文章采用视觉同步定位与建图(Simultaneous Localization and Mapping,SLAM)和光流法相结合的方法,提出一种提高无人施药船定位精度的方法。该方法能够有效提高无人施药船的定位精度和自主导航能力,具有广阔的应用前景,有助于提升农业生产的效率。

基于改进YOLOv8的大气污染烟雾检测方法研究

大气污染烟雾检测在环境监测领域扮演着至关重要的角色,能够准确检测出烟雾排放源。本文提出了一种大气污染烟雾检测的模型YOLOv8n-SC。首先,采用Slim-Neck网络对YOLOv8n的颈部网络进行改进,可以极大减少冗余,降低模型复杂度,提高检测速度。其次,对原始模型中的上采样算子进行改进,用CARAFE取代最近算子,获得更精确的采样结果和更精细的定位信息。最后,建立烟雾数据集,并采用Copy-Pasting方法对建立的烟雾数据集进行增强,可以生成具有微小变化的新样本,从而扩展训练数据集,以提升模型的性能。研究结果表明,YOLOv8n-SC模型相比原始的YOLOv8n模型,参数量降低了6.38%,平均均值精度提升了2.7%。该模型不仅模型较小易于部署,且还保证了检测精度要求。

《操作系统原理》课程思政建设探索与实践

为了落实立德树人教育理念,本文对《操作系统原理》课程与思政教育的融合进行了探索与实践。分析了课程的特点,设计了课程思政建设路线,完成了思政版课程大纲修订、思政典型案例及融入点设计、教学方法和考核方式的调整,将思政教育内容有机融入操作系统原理专业知识教学中,实现了专业教育和思政教育的有效融合。