摘要：为了提高网络问卷的调查质量,需要控制网络问卷的各个阶段。文章探讨了网络问卷调查各个阶段数据质量控制的措施。在问卷设计阶段,优化网络问卷以适应移动智能终端,并充分利用网络问卷系统的样本监测、自动跳转、数据检测等技术优势;在抽样阶段,针对网络问卷多用于非概率抽样研究这一事实,采用被访者驱动等可实现统计推论的方法,提升抽样的科学性;在数据收集阶段,增强对于社交平台用户邀请方式、电子红包等激励方式的控制,实现对于网络问卷扩散及填答方式的掌控;在资料处理阶段,需要根据网络问卷的内部和外部特征进行在线即时审核,并利用特定统计技术实现数据清洗。

摘要：为解决传统方法在识别番茄叶片病害方面准确率低且难以应对复杂环境的问题,本文提出了基于注意力机制的多任务番茄叶片病害识别方法(Attention-based multi-task tomato leaf disease recognition method,AMTDR)。首先,采用了ResNet18作为骨干网络,并在每个残差块后引入了卷积注意力模块(Convolutional block attention,CBA)。其次,设计了1个多任务结构,该结构包括病害识别和病害程度2个分支。病害识别分支用于准确识别番茄叶片的病害类型,而病害程度分支则用于精确评估病害的严重程度。在每个分支中,引入了卷积三元组注意力模块(Convolutional triplet attention,CTA),以增强对病害特征的表征能力。结果显示,所提出的AMTDR方法在复杂环境下的11种番茄病害数据集中的准确率和F1分数均达到了98.54%。相较于ResNet50网络,准确率和F1分数上分别提高了1.27%和1.25%,同时参数量和FLOPs仅为ResNet50的48.72%和44.30%。本文提出的AMTDR方法能够有效识别复杂环境下的番茄叶片病害,为农业病害的识别提供了重要的参考价值。