基于多元智能理论的测量学实验教学改革

传统测量学实验中存在着实验时间有限、实验内容局限、实验模式单一以及实验指导力量薄弱等问题。文中结合多元智能理论,探讨测量学实验教学改革方法,构建多元化测量学实验模块,搭建"三位一体"的实验平台,完善实验模块的知识结构体系,以及加强学生多元化实验的评价体系,从而满足学生自主学习需求,提高学生学习兴趣。     

城市轨道交通规划验收测量的工艺体系研究

以广州市轨道交通5号线竣工规划验收测量为例,简要介绍了城市轨道交通在验收测量中的主要原则和完整工艺体系,以及在各个工艺环节中的关键性技术手段,为此类工程的规划验收测量提供了一定的借鉴意义。     

三维激光扫描测量精度评定的讨论

三维激光扫描点转换到工程测量坐标系时,误差来源多、类型多,目前尚没有一套完整的精度评定方法体系。本文对误差源进行分析,将其误差归纳为标准控制点测量误差、扫描误差和坐标转换模型误差三大类;探讨了扫描点在工程测量坐标系中的位置误差指标体系,给出了体系中各项精度指标的计算方法,为三维激光扫描测量在不同的应用中提供一套系统的精度评定参考。     

地面固定式激光扫描点云中建筑物墙面信息的识别提取

地面固定式激光扫描系统能够获取大面积高分辨率的被测对象表面三维数据,本研究通过对固定式LiDAR激光数据做初分类,从地面点中粗提取具有少量噪声的建筑墙面数据,然后利用平面区域分割算法和立面约束条件提取建筑物墙面数据。在对两份固定式三维激光扫描点云的实验中,通过对不同分辨率的数据利用本文所提算法都取得了较好的墙面提取效果,实验证明了该方法的有效性。     

军民测绘标准融合方法研究

为了统筹军地资源,加强国防建设和经济建设,国家对军民融合的发展战略进行了统一部署。军民测绘标准融合是推动军民测绘事业发展的一项重要内容。通过梳理和对比分析现有军民测绘标准体系及其标准之间的相互关系,提出军民测绘标准融合的工作建议,从而为军民测绘标准融合工作的开展与实施提供参考。     

交通类应用型测绘工程专业实践教学体系构建

在调查研究交通施工企业和测绘生产单位的基础上,以构建山东交通学院应用型测绘工程本科专业实践教学体系为例,阐述了交通类应用型测绘工程专业实践教学的目标体系、内容体系和考评体系,并对实践教学体系改革提出建议。     

通识教育背景下“摄影测量学基础”教学的思考

在简要分析高校开展通识教育对专业课程教学影响的基础上,研究了摄影测量学基础课程的教学应如何适应这一趋势。结合同济大学测绘工程专业教学的具体特点,确立了通识背景下摄影测量学课程教学的指导思想,构建了教学的目标体系,并进一步对教学内容作了优化,加强了教学与实践及创新项目的结合;对通识教育背景下测绘工程专业摄影测量学基础教学的改进进行了探讨。     

安徽省含山县土地整理耕地质量评价及其变化研究

土地整理是改善土地利用条件,提高土地质量的有效措施,对土地整理后的耕地质量进行评价是土地整理重要工作之一。从耕地质量的内涵和土地整理项目的基本要求出发,选取耕地自然条件和耕地利用条件2个基本因素和12个影响因子,将特尔斐法与层次分析法相结合,确定各因子权重,构建基于土地整理的耕地质量评价指标体系。以安徽省含山县铜闸镇土地整理项目为例,采用传统的土壤调查与3S技术相结合的方法,分析土地整理复垦过程中耕地质量时空格局变化,得出整理前、后耕地质量的级别变化。研究结果表明,通过土地整理,研究区的耕地质量空间分布和级别发生了很大变化,整理后一级、二级、三级质量的土地比整理前分别增加了7.20%,11.95%和0.65%,四级、五级则分别减少了15.65%和4.16%,整理后的耕地质量总体水平是整理前的1.291倍。     

天文学英语新词自动提取系统

科技名词中文译名标准化和规范化工作是推动我国科技进步和科学知识传播的重要基础。新的科学概念和技术名词层出不穷,如何及时发现并确定新生术语的中文译名是一项普遍的社会需求。介绍了一套全新的天文学英语新词自动提取系统。该系统综合使用脚本过滤、术语识别、正则表达匹配等多种方法,能够自动追踪Ar Xiv论文数据库的更新,分析天文学论文的内容,生成推荐术语列表,从而将学科专家从繁重的科技新词收集整理工作中解放出来,把有限的精力集中到更能体现专业素养的新词审定工作当中。这个系统将为推动天文学等基础学科的新词收集,乃至学科标准化等工作发挥积极作用。     

基于Faster R-CNN的野外环境中蝗虫快速识别

蝗虫是常见的害虫之一,对农作物和生态系统具有很大的危害,采用常规的方法对蝗虫进行监测存在一定局限性,为了有效应用海量野外影像数据实现对蝗虫实时监测,本文建立了一种基于深度学习网络的蝗虫自动识别模型。利用手机模拟摄像头获取的内蒙古锡林浩特附近草原的280张蝗虫的RGB图像,采用深度学习算法中的Faster R-CNN（Faster Region-based Convolutional Neural Network）网络结构建立了蝗虫识别模型。经验证该模型的精确度为0.756,可以较准确地将蝗虫从野外复杂环境中识别出来,与以往同类研究相比,在识别结果和实用性方面均有较大的进步。该模型是建立蝗虫实时监测系统的基础,可以为蝗虫的防治提供辅助信息,同时该网络结构还可以应用于其他害虫的识别,具有较强的推广性,拓宽了深度学习算法的应用领域。