信息技术的飞速发展深刻影响着教育领域,传统教学模式难以满足“计算机应用基础”课程对学生实践与创新能力培养的要求。文章聚焦于基于成果导向型教育(Outcome Based Education,OBE)理念的混合式教学模式在“计算机应用基础”课程的应...信息技术的飞速发展深刻影响着教育领域,传统教学模式难以满足“计算机应用基础”课程对学生实践与创新能力培养的要求。文章聚焦于基于成果导向型教育(Outcome Based Education,OBE)理念的混合式教学模式在“计算机应用基础”课程的应用,阐述了OBE理念的核心概念与特征,分析了“计算机应用基础”课程当前的教学现状。基于OBE理念的混合式教学模式设计思路,文章提出了教学模式构建、教学内容重组及整合教学资源等环节的改进措施,从而实现提升教学质量和学生综合能力的目标,为“计算机应用基础”课程教学模式改革提供了新思路,对其他课程教学改革具有借鉴作用。展开更多
目的:本研究旨在开发无人机影像与深度学习结合技术,实现对野外大范围两种秦艽组植物的快速识别与资源量评估。方法:本研究选用具有较高精度的You Only Look Once(YOLO)系列模型用于识别麻花艽和粗茎秦艽,并分别探究输入图像尺寸、模型...目的:本研究旨在开发无人机影像与深度学习结合技术,实现对野外大范围两种秦艽组植物的快速识别与资源量评估。方法:本研究选用具有较高精度的You Only Look Once(YOLO)系列模型用于识别麻花艽和粗茎秦艽,并分别探究输入图像尺寸、模型结构及数据增强方法对训练过程及模型性能的影响。结果:640×640图像尺寸下YOLOv5s模型综合性能最优,平均mAP_(0.5)达93.2%(粗茎秦艽0.919,麻花艽0.944),较160×160图像尺寸提升22.1%。混合数据增强显著提升模型鲁棒性,使粗茎秦艽与麻花艽的跨尺度检测指标(mAP_(0.5)∶0.95)分别提升20.3%和28.5%,其中云雾模糊增强对麻花艽识别效果突出(mAP_(0.5)∶0.95+9.6%)。在样本量占比29.7%的麻花艽识别中,模型仍保持91.2%的mAP_(0.5),F1-score达0.906。结论:本研究提出的“无人机影像+图像增强+深度学习”技术方案,实现了自然生长区域中药用植物的高效识别(训练耗时0.629小时,综合精度>93%),不同的图像增强技术在对不同生长区域和不同特征植物的识别中能产生明显影响,利用图像增强可以有效提高光照不足或者云雾遮挡下获取图像的识别精度。该成果为野外大范围粗茎秦艽和麻花艽资源蕴藏量的动态监测提供了可推广的技术,对实现资源可持续利用具有重要实践价值。展开更多
采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares supp...采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。展开更多
文摘信息技术的飞速发展深刻影响着教育领域,传统教学模式难以满足“计算机应用基础”课程对学生实践与创新能力培养的要求。文章聚焦于基于成果导向型教育(Outcome Based Education,OBE)理念的混合式教学模式在“计算机应用基础”课程的应用,阐述了OBE理念的核心概念与特征,分析了“计算机应用基础”课程当前的教学现状。基于OBE理念的混合式教学模式设计思路,文章提出了教学模式构建、教学内容重组及整合教学资源等环节的改进措施,从而实现提升教学质量和学生综合能力的目标,为“计算机应用基础”课程教学模式改革提供了新思路,对其他课程教学改革具有借鉴作用。
文摘目的:本研究旨在开发无人机影像与深度学习结合技术,实现对野外大范围两种秦艽组植物的快速识别与资源量评估。方法:本研究选用具有较高精度的You Only Look Once(YOLO)系列模型用于识别麻花艽和粗茎秦艽,并分别探究输入图像尺寸、模型结构及数据增强方法对训练过程及模型性能的影响。结果:640×640图像尺寸下YOLOv5s模型综合性能最优,平均mAP_(0.5)达93.2%(粗茎秦艽0.919,麻花艽0.944),较160×160图像尺寸提升22.1%。混合数据增强显著提升模型鲁棒性,使粗茎秦艽与麻花艽的跨尺度检测指标(mAP_(0.5)∶0.95)分别提升20.3%和28.5%,其中云雾模糊增强对麻花艽识别效果突出(mAP_(0.5)∶0.95+9.6%)。在样本量占比29.7%的麻花艽识别中,模型仍保持91.2%的mAP_(0.5),F1-score达0.906。结论:本研究提出的“无人机影像+图像增强+深度学习”技术方案,实现了自然生长区域中药用植物的高效识别(训练耗时0.629小时,综合精度>93%),不同的图像增强技术在对不同生长区域和不同特征植物的识别中能产生明显影响,利用图像增强可以有效提高光照不足或者云雾遮挡下获取图像的识别精度。该成果为野外大范围粗茎秦艽和麻花艽资源蕴藏量的动态监测提供了可推广的技术,对实现资源可持续利用具有重要实践价值。
文摘采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。
