农业搜索引擎中文分词工具对比

中文分词是中文语言处理技术中最关键的部分,被作为其中最重要的预处理手段广泛应用.本文主要分析和比较了ASPSeek、ICTCLAS、Paoding、MMseg、IK与JE六种分词工具对农业搜索引擎的影响.结果表明:在农业搜索引擎的应用效果中,分词准确性最优的是ICTCLAS分词工具,而F1测度最高的是JE分词工具.     

数据库系统原理UBase综合训练项目的设计与实施

本文针对目前数据库原理课程实践教学中存在诸多弊病,设计了数据库系统原理的UBase综合训练项目,该项目对于系统地锻炼学生的实践能力和动手能力具有一定的启发指导作用。     

提高碳酸铈稀土总量的工艺研究

为了提高经带式过滤机生产的碳酸铈产品稀土总量,研究了Ce Cl3溶液浓度、反应时间、反应温度、淋洗水温、带式过滤机布料厚度对产品稀土总量的影响,优选出适合生产的工艺条件,经过工业试验生产,得到稀土总量w(REO)≥45%的碳酸铈产品。     

基于生成对抗网络的维语场景文字修改网络

通过对维语的场景文字检测与识别研究发现,人工采集标注自然场景文字图像是耗时耗力的,因此人工合成的数据是作为训练数据的主要来源。为获得更加真实的数据,本文提出一种基于生成对抗网络的维语场景文字修改网络,利用高效的Transformer模块构建网络,充分提取图像全局与局部特征来完成维语场景文字图像修改,并添加微调模块,对最终结果进行微调。采用WGAN思想策略训练模型,可有效应对模型崩溃以及梯度爆炸等问题。通过在英文-英文,英文-维文的文字修改实验来验证模型的泛化能力和鲁棒性,无论在客观评价指标（SSIM、PSNR）还是视觉上均取得不错效果,并在真实场景数据集SVT以及ICDAR 2013上进行了验证。     

基于卷积神经网络的多模型交通场景识别研究

利用人工智能中的视觉分析技术,实现对高分辨率交通视频中出现的各个目标类别进行实时目标检测、语义分割和目标追踪。数据集结合BDD100K和Mapillary Vistas。训练中不仅对模型中的参数进行调整,还对多个模型进行改进与创新。目标检测模型使用EfficientNet-B1作为主干网络,使用ASPP与改进后的FPN作为脖颈网络,通过引入多种模型训练技巧,对模型进行优化,最终结果减少约2.3倍的参数量,在不同数据集上的准确率都有所提升。目标追踪使用DeepSort追踪算法对多个目标类别进行追踪计数。语义分割使用Encoder-Decoder结构,使用EfficientNet-B4作为主干网络,参照U-Net++网络使用卷积层作为特征提取模块,反卷积层作为上采样模块,通过联结不同大小的特征图,得到最终输出结果。将改进语义分割模型与MobileNetV2和DeeplabV3网络结合的模型进行对比,减少约1.35倍的参数量。实验证明,通过深度学习算法提取鲁棒性特征能够为自动驾驶和辅助驾驶场景中的检测识别提供便利。     

中文农业网页去重及相似度判断研究

随着信息技术的飞速发展,互联网中的网页急剧增长,在这海量、繁杂的网页中却呈现出一定比例的重复网页及近似网页。为了减少农业领域中近似及重复网页对农业垂直搜索引擎性能的影响,文中首先使用MD5算法去除网页集合中完全相同的网页,再利用向量空间模型(VSM)、基于知网的语义相似度模型及潜在语义分析(LSA)三种相似度判断方法对其余网页的相似度进行计算。实验结果显示,当相似度阈值r=60%、维数K=250时,潜在语义分析( LSA)的综合评价F1测度最高,且准确率达到了90.5%。     

Python程序代码相似度检测

代码剽窃是程序语言课程中经常出现的一种作弊行为,严重破坏正常的教学秩序。检测剽窃的程序代码、验证学生程序作业的原创性在程序语言教学中就尤为重要。结合程序代码相似度检测技术中的属性计数技术和结构度量技术,提出一种适用于Python程序的相似度检测方法,该方法能够有效地计算出学生Python程序作业之间的相似度。     

基于Mask R-CNN的马匹烙印号提取方法研究及应用

马匹烙印号提取是鉴定工作不可缺少的环节.针对传统的鉴定工作需人工进行标记,且存在工作量大、效率低、人工成本较高等问题,采用了Mask R-CNN算法对马匹烙印号进行分割提取.通过Labelme标注出马匹躯干及烙印号制作数据集标签,结合主干网络(ResNet-101-FPN)进行特征提取,区域建议网络(RPN)生成感兴趣...     

基于Web的Python3编程环境

为了简化编程环境,增强编程体验,提出了一种基于web的python3编程环境。该应用的web环境采用基于python 的 Django框架,通过将 python3代码转换成浏览器可执行的JavaScript 脚本,达到在浏览器中运行python3代码的目的。与传统的python3编程环境相比,该编程环境不用在本地安装部署任何开发环境,即可实现远程编程和代码共享。实验结果表明,该编程环境可行性强,具有良好的稳定性和并发性。