简介:为了解决当前工业仪表示数在采图环境恶劣和样本数据量大的情况下所导致的算法识别不准确的问题,分别从特征学习与机器学习识别的角度出发,提出了基于特征学习与支持向量机的工业仪表状态识别算法。首先,提取仪表图像区域字符的几何特征和颜色特征,对这些提取出的特征进行归一化处理,设计出特征提取分析算子,达到精准提取有用特征数据的目的。然后,基于支持向量机,计算出分类器的最优平面和约束条件,从而建立仪表识别算子,进一步精确识别仪表示数。最后,基于软件开发环境QT实现算法,并系统集成。实验测试结果显示:与当前仪表识别技术相比,此算法拥有更高的准确性与稳定性,能够准确地根据仪表数字识别出电压,从而确定仪表工作状态是否正常。
简介:【目的】探寻高职院校辅导员职业倦怠与社会支持、心理弹性之间的关系,为帮助辅导员缓解职业倦怠提供依据。【方法】采用教师职业倦怠量表(MBI-ES)、社会支持评定量表(SSRS)、心理弹性量表(CD-RISC)对121名辅导员进行调查研究。【结果】高职业倦怠组辅导员在社会支持(37.65±9.24)、心理弹性(52.61±11.16)上得分均显著低于低职业倦怠组(P<0.01);辅导员职业倦怠与社会支持与心理弹性各维度均呈显著负相关;心理弹性量表中的坚韧性、自强性维度进入回归方程,对辅导员职业倦怠情况具有较好的预测性;【结论】心理弹性较差,社会支持欠缺是影响高职辅导员职业倦怠的重要因素。