排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
以北京林业大学林业电气化与自动化学科"物联网技术及应用"研究生课程教学为例,针对课程教学存在的教学内容更新不及时、课堂教学方式单一、缺乏具有行业特色的教学案例、实践教学环节薄弱、课程考核不尽合理等问题,结合学科的林业行业背景特色和物联网技术的发展趋势,引入CDIO工程教育理念,从教学内容的设计、教学方式的改革、实践教学的改进、多元化课程考核的实施等4个方面提出课程教学改革的方案;同时,从课程知识体系的构建、课程教学内容的安排以及基于"互联网+"优化教学模式、以CDIO理念为指导实施项目驱动式教学等方面着手进行了改革实践。"物联网技术及应用"研究生课程教学改革顺应"互联网+"时代的发展要求,取得了以下良好效果:一是引入教师团队的林业监测科研案例和物联网前沿技术专题,丰富了课堂教学内容;二是引入项目驱动式教学、翻转式课堂等,优化了课堂教学方式;三是增设综合设计型实验和企业实习等,完善了实践教学环节;四是建立全面的课程考核与评价体系,加强对学生学习的引导,既激发了学生的学习兴趣又有效提升了其综合能力。 相似文献
4.
基于Chirplet语图特征和深度学习的鸟类物种识别方法 总被引:2,自引:1,他引:1
5.
基于全卷积神经网络的林区航拍图像虫害区域识别方法 总被引:4,自引:0,他引:4
针对航拍林区虫害图像的虫害区域不规则和传统识别方法泛化能力差的问题,提出一种基于全卷积神经网络(Fully convolution networks,FCN)的虫害区域识别方法。采用八旋翼无人机航拍虫害林区、获取林区虫害图像,并对虫害区域进行像素级标注,用于模型训练;将VGG16模型的全连接层替换为卷积层,并通过上采样实现端到端的学习;使用预训练的卷积层参数,提升模型收敛速度;采用跳跃结构融合多种特征信息,有效提升识别精度,并通过该方法构造了5种全卷积神经网络。试验表明,针对林区航拍虫害图像,FCN-2s在5种全卷积神经网络中区域识别精度最高,其像素准确率为97. 86%,平均交并比为79. 49%,单幅分割时间为4. 31 s。该方法与K-means、脉冲耦合神经网络、复合梯度分水岭算法相比,像素准确率分别高出44. 93、20. 73、6. 04个百分点,平均交并比分别高出50. 19、35. 67、18. 86个百分点,单幅分割时间分别缩短47. 54、19. 70、11. 39 s,可以实现林区航拍图像的虫害区域快速准确识别,为林业虫害监测和防治提供参考。 相似文献
1