摘要：2019年是中央美术学院为国家形象建设做出重要贡献的一年。在建国70周年国庆庆典等系列活动中,中央美术学院完成了多项重要的创作和设计项目,群众游行彩车设计就是其中一项。马浚诚教授连续在建国60周年、70周年担任了中央美术学院彩车设计团队主创设计师。他希冀通过回顾这段特殊的创作历程,从设计定位、创作、提案、比稿过程的角度进行思考、记录和总结,为更多的设计者们今后进行大型创作与设计活动提供经验和参考。

摘要：为准确、快速获取冬小麦田间长势信息,该研究设计并实现了一种基于深度学习的冬小麦田间长势参数估算系统。该系统主要包含长势参数估算模块和麦穗计数模块。长势参数估算模块基于残差网络ResNet18构建长势参数估算模型,实现了冬小麦苗期叶面积指数(Leaf Area Index,LAI)和地上生物量(Above Ground Biomass,AGB)的估算,并基于迁移学习进行泛化能力测试;麦穗计数模块基于Faster R-CNN并结合非极大值抑制(Non Maximum Suppression,NMS)构建麦穗计数模型,实现了开花期麦穗准确计数。结果表明,针对2017—2018和2018—2019两个生长季数据,基于ResNet18的长势参数估算模型对LAI估算的决定系数分别为0.83和0.80,对AGB估算的决定系数均为0.84,优于基于传统卷积神经网络(Convolutional Neural Networks,CNN)、VGG16和GoogLeNet构建的估算模型,并且泛化能力测试表明该模型对数据的季节性差异具有鲁棒性。基于Faster R-CNN的麦穗计数模型,在利用NMS优化后决定系数从0.66增至0.83,提升了25.8%,NRMSE从0.19降至0.05,下降了73.7%。相较于基于CNN构建的分类计数模型,基于Faster R-CNN+NMS的麦穗计数模型表现更优,决定系数为0.83,提升了33.9%,单个麦穗识别时间为1.009 s,效率提升了20.7%。综上所述,该系统能够满足冬小麦田间长势参数估算需求,可为冬小麦田间精细化管理提供支撑。

摘要：为满足温室叶类蔬菜病害准确识别的视频数据需求,结合温室叶类蔬菜病害发生的特点,采用物联网技术,基于传感器感知的环境信息与摄像机监控视频信息,构建了一种面向叶类蔬菜病害识别的温室监控视频采集系统。该系统将案例检索与模糊推理方法相结合,设计温室监控视频获取方法,将传感器实时采集的数据与知识库中的病害产生环境条件相匹配,以匹配结果作为视频采集的依据,实现了监控视频的智能采集;并利用模糊推理方法,弥补案例检索结果不够全面的问题,确保了数据的准确获取。同时,该系统还提供了实时数据显示、实时视频监控等功能。系统应用结果表明,该系统能够满足温室叶类蔬菜病害识别的视频数据需求。

摘要：为进一步提高大田环境下麦穗识别与检测计数的准确性,基于图像处理和深度学习技术,设计并实现了基于卷积神经网络的冬小麦麦穗检测计数系统。根据大田环境下采集的开花期冬小麦图像特点,提取麦穗、叶片、阴影3类标签图像构建数据集,研究适用于冬小麦麦穗识别的卷积神经网络结构,构建了冬小麦麦穗识别模型,并采用梯度下降法对模型进行训练;将构建的冬小麦麦穗识别模型与非极大值抑制结合,进行冬小麦麦穗计数。试验结果表明,该系统构建的冬小麦麦穗识别模型能够有效地克服大田环境下的噪声,实现麦穗的快速、准确识别,总体识别正确率达到99. 6%,其中麦穗识别正确率为99. 9%,阴影识别正确率为99. 7%,叶片识别正确率为99. 3%。对100幅冬小麦图像进行麦穗计数测试,采用决定系数和归一化均方根误差(NRMSE)进行正确率定量评价,结果表明,该系统计数结果与人工计数结果线性拟合的R^2为0. 62,NRMSE为11. 73%,能够满足冬小麦麦穗检测计数的实际要求。

摘要：做这个交互系统的契机是什么？契机主要来自我的家乡，在对家乡的调研中发现，我家里有很多来到大城市的打工者，他们中的一部分虽然已经通过打拼有了很可观的收入，但是在城市里生存的压力使他们不能像我们一样去享受城市带来的美好，对他们来讲青山碧瓦，炊烟袅袅的乡间才是他们心灵归属的地方，我童年的很大一部分时光也是在乡间度过的。因此我希望能够通过我的设计找找到儿时那种没有烦恼和压力，不被人世干扰的状态能够使得来到大城市打拼的人们能够通过这款交互系统唤起对家乡美好事物的回忆从而能够排解城市生活的压力。