基于Attention_DenseCNN的水稻问答系统问句分类

为了解决中国农技推广APP问答社区中水稻提问数据快速自动分类的问题,提出一种基于Attention_DenseCNN的水稻文本分类方法.根据水稻文本具备的特征,采用Word2vec方法对文本数据进行处理与分析,并结合农业分词词典对文本数据进行向量化处理,采用Word2vec方法能够有效地解决文本的高维性和稀疏性问题...     

基于卷积模型的农业问答语性特征抽取分析

互联网农技推广社区每秒增衍问答数据近万组,这些海量数据具有隐性的词性、情感和冗余向量特征,实现数据聚合与数据块消减是该领域的难题。提出了一种基于卷积神经网络的农业问答情感极性特征抽取分析模型,结合农业分词字典,对数据集进行分词后使用Skip-gram模型转换为256维的词向量,利用批规范后的卷积神经网络对数据集进行训练,从而得到用于识别农技推广社区问答词性情感相似性的神经网络模型参数。试验结果表明,该方法能够准确识别测试样例集中的冗余队列,与其他5种文本分类方法进行比较,各项指标优势明显,针对测试集的语性特征抽取准确率达到82.7%。     

基于1D CNN-GRU的日光温室温度预测模型研究

准确预测日光温室温度是实现温室高效调控的关键,对作物生长发育具有重要意义,但因温度具有时序性、非线性及多耦合性等特征,难以实现连续、精准、长时化预测。提出了一种基于1D CNN-GRU(One dimensional convolutional neural networks-gated recurrent unit)的日光温室温度预测模型,通过温室内外监测平台获取内外环境因子,以斯皮尔曼相关系数获取相关性强特征,构造特征与时间步长的二维矩阵输入网络进行温度预测,模型在测试集上预测1～4 h后的决定系数为0.970～0.994,均方根误差为0.612～1.358℃,平均绝对误差为0.428～0.854℃,绝对值的最大绝对误差为0.856～1.959℃。并在不同清晰度指数K_T下进行验证,结果表明,模型在K_T≥0.5(晴)时预测效果最好,且在其他K_T下模型相对误差在10%以内,可以达到温室生产所需的预测精度要求,为日光温室精准高效控温提供了重要依据。     

基于BERT-Attention-DenseBiGRU的农业问答社区问句相似度匹配

为了解决问答社区中相同语义问句文本的快速自动检测,提出一种基于BERT的Attention-DenseBiGRU农业问句相似度匹配模型.针对农业文本具备的特征,采用12层的中文BERT文本预训练模型对文本数据进行向量化处理,并与Word2Vec、Glove、TF-IDF方法进行对比分析,得出BERT方法能够有效地解决农...     

基于BERT-BiLSTM模型的输水工程巡检文本智能分类

长距离输水工程线路长,沿线环境复杂,在输水工程日常运行过程中,工程安全巡检是维护生产安全的重要手段。在工程巡检中产生了大量的巡检文本数据。在传统生产管理过程中,巡检文本依赖于管理人员人工按照出现问题的严重程度进行分类,效率低下且容易出现主观性问题分类出错,不足以良好管理长线路,沿线环境复杂的输水工程。针对这一问题,提出一种结合双向长短期记忆神经网络（Bi-directional Long Short-Term Memory）和BERT神经网络的混合深度学习模型对巡检文本智能分类方法,模型使用BERT作为输入层将巡检文本转化为特征向量,再将结果输入到BiLSTM模型挖掘文本特征,实现巡检文本智能分类。以南水北调中线巡检文本为算例,实验结果表明：该模型与主流深度学习模型文本卷积神经网络（TextCNN）,BERT,BiLSTM模型相比,准确率、召回率和F1值分别达到92.30%、92.32%、92.30%,模型性能优于其他深度学习模型。     

基于层级多标签的农业病虫害问句分类方法

随着信息化技术的快速发展,农户通过线上智能农业问答系统解决线下农业病虫害问题已成为趋势。问句分类在问答系统中发挥着至关重要的作用,其准确性直接决定了最终返回答案的正确性。传统的单标签文本分类模型难以直接准确捕捉到农业病虫害问句的确切意图,而且由于缺乏大规模公开的农业病虫害问句语料,使得现有研究具有一定的难度。为此,本文基于树状结构构建了一个农业病虫害问句层级分类体系,由问句模糊性向精确性逐层细化分类,旨在克服农业问句的语义复杂性;此外,引入对抗训练方法,通过构建对抗样本并将其与原始样本一同用于大规模语言模型的训练,以提高模型泛化能力,同时缓解了因语料不足而产生的问题。通过对真实问答语料库的实验验证,本文提出的方法能够提升农业病虫害问句的分类性能,可为农业病虫害自动问答系统提供有效的问句意图识别。     

基于CNN-GRU的菇房多点温湿度预测方法研究

有效获取温室出菇房的温湿度空间分布对于优化食用菌环境胁迫、病害预警、出菇房预调控至关重要,但传统的单点预测不能很好地满足菇房整体环境性能评估的需求。针对出菇房内温湿度时序性、非线性、空间分布差异性的特点,提出一种基于卷积神经网络(CNN)与门控循环单元神经网络(GRU)相结合的菇房多点温湿度预测方法。将温室室外历史气象数据、温室室内历史小气候环境数据、多点环境分布特征、通风信息和加湿信息多特征数据按照时间序列构造二维矩阵作为输入,采用CNN挖掘数据中蕴含的有效信息,提取反映温室环境数据相互联系的高维特征,将提取的特征向量构造为时间序列输入GRU网络进行多点温湿度预测。将该预测方法应用于北京市农林科学院的日光温室出菇房内多点温湿度预测,实验结果表明,该预测方法对于出菇房内各点温度RMSE平均值为0.211℃,MAE平均值为0.140℃,误差控制在±0.5℃范围内的平均比例为97.57%;对于出菇房内各点相对湿度RMSE平均值为2.731%,MAE平均值为1.713%,误差控制在±5%范围内的平均比例为92.62%;相比传统的BP神经网络、长短期记忆神经网络(LSTM)和门控循环单元神经网络(GRU),该预测方法具有更高的预测精度。     

基于BiLSTM-CNN的水稻问句相似度匹配方法研究

中国农技推广信息平台(NJTG)问答社区可以帮助用户与农业专家进行交互,从而获得精准的问题答案以解决农业场景问题。在平台问答社区中,每天会新增关于水稻的提问语句上千百条,检测相同语义问句是农业智能问答的关键技术环节,针对此问题采用字符级别的Word2Vec表示初始化问句表征,使用Siamese神经网络作为基础模型框架,学习句子的语义特征,获取上下文信息,然后使用BiLSTM长短期神经网络提取语义时序特征,最后在语义层次上使用一种包含语义信息的余弦函数计算问句相似度,并与其他语义匹配模型进行对比试验。通过构建7 820对水稻问句的相似对数据集,用来优化和训练模型的重要参数。试验结果表明：本文提出的BiLSTM-CNN模型可高效提取文本不同粒度的特征,提高水稻问句相似度匹配效果,在所构建的数据集上BiLSTM-CNN模型准确率和F1值均高于其他文本匹配模型,达到98.2%和88.75%。与此同时,所提出的模型在6种不同类别的水稻问句对的准确率也优于其他对比模型,在数据量较小的情况下,仍然可以取得较高的准确率,证明提出的模型具有良好的鲁棒性。     

基于BIGRU的番茄病虫害问答系统问句分类研究

问句分类作为问答系统的关键模块,对系统检索效率具有决定性作用。为了对番茄病虫害智能问答系统用户问句进行高效分类,构建了基于word2vec和双向门控循环单元神经网络(Bi-directional gated recurrent unit,BIGRU)的番茄病虫害问句分类模型。针对问答系统对用户问句的语义信息有较高要求的特点,首先利用word2vec将句子中的词转换为具有语法、语义信息的词向量,利用训练得到的词向量和BIGRU神经网络进行问句分类模型的训练。实验选取了2 000个番茄病虫害相关的用户问句,主要分为番茄病害和番茄虫害两类。结果表明,采用BIGRU的番茄病虫害问句分类模型,其分类准确率、召回率和准确率与召回率的调和平均值F1分别高于卷积神经网络(CNN)、K最近邻等分类算法2~5个百分点。BIGRU模型结构简单,模型训练参数较少,模型训练速度快,符合问答系统对响应时间的要求。     

基于支持向量机的中文农业文本分类技术研究

高效地组织、分类信息,是提供个性化农业信息推荐服务的基础。根据农业文本信息特点,提出了一种基于线性支持向量机(Support vector machine,SVM)的中文农业文本分类模型,首先构建农业行业分类关键词库,通过特征词选择和权重计算,构建分类器模型,实现信息的自动分类。实验选取了1 071个测试文档,并按照种植业、林业、畜牧业、渔业进行分类。结果表明,分类准确率为96.5%,召回率为96.4%。实验结果高于贝叶斯、决策树、KNN、SMO等分类算法,将该模型应用于农业物联网行业信息综合服务平台,运行结果表明,该方法能够实现中文农业文本信息的自动分类,响应时间满足系统要求。     

基于改进SSD卷积神经网络的苹果定位与分级方法

为实现苹果果径与果形快速准确自动化分级,提出了基于改进型SSD卷积神经网络的苹果定位与分级算法。深度图像与两通道图像融合提高苹果分级效率,即对从顶部获取的苹果RGB图像进行通道分离,并提取分离通道中影响苹果识别精度最大的两个通道与基于ZED双目立体相机从苹果顶部获取的苹果部分深度图像进行融合,在融合图像中计算苹果的纵径相关信息,实现了基于顶部融合图像的多个苹果果形分级和信息输出;使用深度可分离卷积模块替换原SSD网络主干特征提取网络中部分标准卷积,实现了网络的轻量化。经过训练的算法在验证集下的识别召回率、精确率、mAP和F1值分别为93.68%、94.89%、98.37%和94.25%。通过对比分析了4种输入层识别精确率的差异,实验结果表明输入层的图像通道组合为DGB时对苹果的识别与分级mAP最高。在使用相同输入层的情况下,比较原SSD、Faster R-CNN与YOLO v5算法在不同果实数目下对苹果的实际识别定位与分级效果,并以mAP为评估值,实验结果表明改进型SSD在密集苹果的mAP与原SSD相当,比Faster R-CNN高1.33个百分点,比YOLO v5高14.23个百分点...     

基于卷积神经网络的蓖麻种子损伤分类研究

不同形式的机械损伤对蓖麻种子发芽生长和榨油后的蓖麻油质量影响不同,因此对产生机械损伤的蓖麻种子进行识别分类非常重要。提出了基于卷积神经网络的蓖麻种子损伤分类算法。以种壳缺失、裂纹和完整蓖麻种子（无损伤）的分类为例,构建了蓖麻种子训练集和测试集,搭建2个卷积层（每个卷积层8个卷积核）、2个池化层和1个全连接层（128个节点）,实现分类。为提高分类的准确性和实时性,调整网络结构以及优化批量尺寸参数,得到较优的网络结构和批量尺寸;利用上下左右翻转扩充样本,改变优化器、学习率以及正则化系数对该网络进行组合试验,获得准确率及效率较优的组合。通过Dropout优化减小卷积神经网络模型的过拟合。试验结果表明：卷积层为5层、池化层为5层、批量尺寸为32时,该网络模型平均测试准确率为92.52%。在组合试验中,Sgdm优化器更新网络可以提高网络的分类性能;数据扩增可以增加样本的多样性,减小过拟合现象;通过Dropout优化卷积神经网络模型的过拟合;选择学习率为0.01,正则化系数为0.0005时,模型分类准确率达到94.82%,其中种壳缺失蓖麻种子准确率为95.60%,裂纹蓖麻种子准确率为93.33%,完整蓖麻种子准确率为95.51%,平均检测单粒蓖麻种子的时间为0.1435s。最后,开发蓖麻种子损伤分类系统,验证结果为：种壳缺失蓖麻种子的准确率为96.67%,裂纹蓖麻种子的准确率为80.00%,完整蓖麻种子的准确率为86.67%。该卷积神经网络模型在损伤蓖麻种子分类时具有较高的识别准确率,可在蓖麻种子在线实时分类的检测系统中应用。     

基于改进VGG16的大米加工精度分级方法研究

为了准确识别大米精度等级,结合超列技术(Hyper column technology,HCT)、最大相关-最小冗余(Max-relevance and min-redundancy,MRMR)特征选择算法和极限学习机(Extreme learning machine,ELM),提出了基于改进VGG16卷积神经网络的大...     

基于多语义特征的农业短文本匹配技术

“中国农技推广APP”农业问答社区存在提问数据量大、规范性差、涉及面广、噪声多、特征稀疏等影响文本语义匹配的问题,为了改善农业提问数据相似性判断的性能,提出了融合多语义特征的文本匹配模型Co＿BiLSTM＿CNN,从深度语义、词语共现、最大匹配度3个层面提取短文本特征,并利用共享参数的孪生网络结构,分别运用双向长短期记忆网络、卷积神经网络和密集连接网络构建文本匹配模型。试验结果表明,该模型可以更全面提取文本特征,文本相似性判断的正确率达94.15%,与其他6种模型相比,文本匹配效果优势明显。     

多类农田障碍物卷积神经网络分类识别方法

针对农田作业场景中可能会遭遇更大生命财产损失的人和其他农业车辆等动态障碍物, 提出了一种基于卷积神经网络的农业自主车辆多种类障碍物分类识别方法。搭建了包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层的卷积神经网络识别模型;建立了人和农业车辆的障碍物数据库,其中包括训练集和检测集;利用5×5卷积核对训练样本进行卷积操作,将所获取的特征图以2×2邻域进行池化操作,再次经过3×3卷积核的卷积操作和2×2池化操作后,通过自动学习获取并确定网络模型参数,得到最佳网络模型。试验结果表明,障碍物的检测准确率可达94.2％,实现了较好的识别效果。