基于改进Bi-LSTM-CRF的农业问答系统研究#br# #br#

针对农业领域问答系统面临的实体识别困难的问题,提出一种基于改进Bi-LSTM-CRF的实体识别方法。首先通过BERT预训练模型的预处理,生成基于上下文信息的词向量,然后将训练出的词向量输入Bi-LSTM-CRF做进一步的训练处理,最后,利用Python的Django框架设计农业领域的实体识别、实体查询、农知问答等子系统。经过试验对比,所提出的改进的Bi-LSTM-CRF在农业信息领域具有更好的实体识别能力,在农业信息语料库上的精确率、召回率和F1值分别为93.23%、91.08%和92.16%。实现农业领域实体识别和农业信息问答的知识图谱网站演示,对农业信息化的发展具有重要意义。     

基于GoogLeNet改进模型的苹果叶病诊断系统设计

针对苹果病害自动识别精度低、高延迟问题,以苹果锈病和斑点落叶病作为研究对象,基于卷积神经网络建立苹果病害诊断系统。采用旋转、锐化、模糊等数据增强方法扩展数据集,使用数据标准化方法优化模型的数据输入,在算法模型上,在GooLeNet模型的基础上减少inception模块上的数量,并优化模型前段的网络结构以捕获更多的特征信息,最后系统依据建立的算法模型和Tornado框架构建病害识别网络视图。试验结果表明:GoogLeNet改进模型的精准率提高2.1%,达到98.4%,模型参数仅为原模型的17.5%,实现苹果病害实时、便利的图像自动识别,为苹果病害防治防控提供可靠的参考依据。