机械实验教学混合教学模式的研究与探讨

针对机械实验教学中心传统的教与学现状,基于互联网+教育的新模式,对以学生为中心、线上线下混合式实验教学模式进行了研究。通过建设线上云平台中心,按需部署机械实验教学各类应用软件与仿真软件,构建基于互联网的线上线下混合式机械实验教学新模式,实现教师与学生共享实验教学资源,学生可随时随地自主学习,教师可持续优化教学资源以及改进教学方法。     

基于YOLOv5的疫情防控口罩佩戴检测系统设计与实现

面对当前疫情防控的实际需求,自动化检测可以减少管理人员与他人接触感染的风险且能使疫情防控管理更加高效。针对人脸佩戴口罩识别问题,利用深度学习的神经网络自动提取目标特征的优点,将获取的数据集通过LabelImg标注软件进行标注,使用YOLOv5目标检测算法训练网络模型,实现对佩戴口罩和未佩戴口罩的检测;通过PyQt5设计并实现了疫情防控口罩佩戴检测系统,提高了疫情防控效率。     

基于Java Web的高校干部学习图谱信息系统的设计与实现

高校干部培训是增强高校干部职业素养和提升专业能力的重要途径。在新时代下,为加强高校干部培训和信息技术的融合,进一步完善高校培训体系,切实提升高校干部学习效率,分析高校干部学习的特点和组织形式,从高校培训现状和培训业务流程进行调研,针对存在的主要问题,进行高校干部学习图谱研究,并设计开发一套适应高校培训场景的高校干部学习图谱信息系统,以期为高校干部学习培训带来切实有效的成果。     

基于深度学习的城市快速路交通运行状态判别与预测

为了实时判断城市交通及快速路交通状况,并充分考虑到快速路及交通系统的模糊性、差异性、波动性,文章首先给出了一套基于模糊C均值聚类法（Fuzzy C-Means）的快速路交通状况判断算法,将道路的交通状况区分为通畅、基本顺畅、缓行、堵塞4类。其次,利用了长短期记忆网络（LSTM）的长短时预测技术,给出了一个基于深度学习的模式,对交通运行三参数进行预测,并利用路侧检测设备不断获取新的真实数据,对预测模型进行迭代训练。然后利用已形成的模糊聚类模型,得到快速路交通运行状态的预测结果。最后以天津市黑牛城道的真实交通数据进行实验验证,结果表明,文章提出的交通流状态预测模型准确性达到93.22%,能为快速路交通控制提供有效的状态预测。     

基于LDA-LSTM模型在线课程评论情感分析研究

终身化学习背景下,MOOC作为普及性在线学习形式已受到学术界的日益关注。同时,MOOC课程质量与学习者满意度问题亟待解决。研究基于理性选择理论与联通主义理论构建LDA-LSTM深度主题情感分析模型,进而挖掘学习者理性因素与情感极性。实验结果表明,学习者考虑的因素主要具备全面性与多样性的特点;学习者对教师与学习效果普遍给予肯定评价,较少负面评价则针对教师授课风格、课程资源与平台服务质量。研究据此给出了建议策略。     

基于融合特征及聚类分析的多尺度电力设备识别及定位

为解决数字图像中复杂多目标电力设备的分类识别与精确定位,提出了一种基于多特征融合与聚类分析的深度神经网络检测模型。该模型通过跳跃连接的信息通道快连边缘、角度及语义等多重特征,并通过阶段上采样融合不同尺度信息,以此构建出待检特征金字塔;然后对数据集进行聚类分析,利用金字塔中各尺度网络对原图像的映射比例计算出与目标最佳适配的区域生成框,最终得到适用于多尺度电力设备的检测模型。通过对比实验结果表明,本改进方法在检测时能够保持高精度并具有时效性,具备一定的工程实用价值。     

基于深度学习的配电网图形节点数据校核技术研究

抽象化的配电网图像模型能够有效监控配电网各个节点的状态,根据监控数据即可对整个电网进行调度。当前的电网图模校准系统工作数据量大且整体性较差,而各地维护工作人员水平又参差不齐,故系统准确性难以保证。针对上述问题,文中使用长短时神经网络对GIS图形节点数据加以训练,并对各个节点的电气特征进行特征量分析,从而得到电网故障节点的特征数据。同时在模型构建部分,采用长短时神经网络对电网节点时序数据进行训练,利用逻辑门对故障状态加以判断,进而快速协调节点送电量并保证电网的有序运行。实验结果表明,文中设计的仿真系统可对节点的故障状态实现准确判断,且算法准确性及计算效率均优于对比算法,证明所提方法能够对配电网系统中的故障进行准确定位,进而完成对配电网图形节点数据的校核。     

基于特征累积的语义分割网络设计

语义分割是一种像素到像素的图像分类任务。而现有方法在处理此类问题时,往往忽略了不同图像之间类别分布的相似性。因此,该文提出了一种基于特征累积的语义分割网络,能够在训练的过程中,使用动量累积的方式,根据每张图像上不同的类别特征,拟合整个数据集的特征分布。除此之外,为了适应通用数据集中复杂的自然环境,该网络尝试对同一类别的特征聚类进行更深层次的划分,并且取得了较好的效果。与同样使用特征通道信息的OCRNet相比,使用ResNet作为骨干网络的情况下,该模型在Pascal Context数据集上平均交并比（mIoU）和平均准确度（mAcc）分别可以提升0.34%和0.64%;实验证明了这一优势在不同数据集、不同骨干网络中同样存在。     

基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域中一项十分重要的任务,指的是对图像或视频中的目标进行分类和定位,因其被广泛应用于视频检测、目标跟踪等任务中而受到关注。本文首先介绍了目标检测中经常使用的基准数据集和评估指标,同时列举说明了重要的主干网络架构和流行的目标检测算法。最后,我们比较了这些体系结构在多个指标上的性能,对所述算法进行了总结,并对未来前景进行了展望。     

基于VGG的高准确率翻拍广告图片检索系统

随着信息技术的发展,图像检索技术应用越来越广泛,对图像检索技术的适用性要求也越来越高,不但要对主体明确的图像进行检索,同时对以翻拍广告图像为例的受环境等多种外界因素影响的图像也可以进行准确检索。实际中,如何摒弃这些外界干扰并迅速的从海量的数据中准确地匹配到所需的图像,成为图像检索的一大热点问题。本文采用VGG网络模型提取图像特征,利用迁移学习的思想将在ImageNet数据集上训练好的网络模型根据目标数据集的特点进行微调,使得在已有的大数据集上训练好的网络模型进一步适用于新的数据集。采用余弦相似度度量进行相似度比较。结果表明,卷积神经网络可以提取更丰富的特征,相对传统分类方法可以提升速度和准确率。