CN114881047A - 一种蔬菜病虫害图片问答方法及装置 - Google Patents
一种蔬菜病虫害图片问答方法及装置 Download PDFInfo
- Publication number
- CN114881047A CN114881047A CN202210815432.2A CN202210815432A CN114881047A CN 114881047 A CN114881047 A CN 114881047A CN 202210815432 A CN202210815432 A CN 202210815432A CN 114881047 A CN114881047 A CN 114881047A
- Authority
- CN
- China
- Prior art keywords
- vegetable
- pest
- agricultural
- disease
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及一种蔬菜病虫害图片问答方法及装置,其方法包括:获取与蔬菜病虫害相关的数据集;使用数据集对蔬菜病虫害图片问答模型进行训练,以得到训练好的蔬菜病虫害图片问答模型,蔬菜病虫害图片问答模型的输出向量为混合了病虫害症状描述文本的文本特征和涉及的农业蔬菜知识信息以及蔬菜症状图片的通道维度特征和空间维度特征之后所得到的,蔬菜症状图片的通道维度特征和空间维度特征分别采用注意力机制所得到;通过训练好的蔬菜病虫害图片问答模型对输入的待识别数据进行处理,以得到蔬菜病虫害类型。本发明能够提升蔬菜病虫害图片问答结果的准确性。
Description
技术领域
本发明属于机器学习技术领域,具体涉及一种蔬菜病虫害图片问答方法及装置。
背景技术
随着计算机视觉与自然语言处理领域的不断进步,人们也希望计算机能够像人一样思考、对话和行动等。像人一样完成人的一些基本行为。在智能问答领域,人们对获取问题答案的形式越来越多样化,图像问答也是其中的一种形式。在蔬菜种植过程种,最难的就是“各种病害的识别”,如果不能辨别病虫害就没办法对蔬菜对症下药,那么会严重的影响作物的生长,蔬菜病虫害的图片问答就是利用用户的病虫害症状描述文本和蔬菜症状图片信息,将分析出的病虫害类型返回给用户作为答案。在现有技术中,由于用户描述文本信息所能提供的信息有限,图像问答的准确度有待提高。
发明内容
本发明的目的是提供一种蔬菜病虫害图片问答方法及装置,能够提升蔬菜病虫害图片问答结果的准确性。
为了解决上述技术问题,本发明公开了一种蔬菜病虫害图片问答方法,包括:
获取与蔬菜病虫害相关的数据集;
使用所述数据集对蔬菜病虫害图片问答模型进行训练,以得到训练好的蔬菜病虫害图片问答模型,所述蔬菜病虫害图片问答模型的输出向量为混合了病虫害症状描述文本的文本特征和涉及的农业蔬菜知识信息以及蔬菜症状图片的通道维度特征和空间维度特征之后所得到的,所述蔬菜症状图片的通道维度特征和空间维度特征分别采用注意力机制所得到;
通过训练好的蔬菜病虫害图片问答模型对输入的待识别数据进行处理,以得到蔬菜病虫害类型。
进一步地,得到所述蔬菜病虫害图片问答模型的输出向量包括:
对所述数据集中的病虫害症状描述文本进行分词和编码,得到词语级向量的文本特征a;
对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码,得到词语级向量的农业蔬菜知识信息b;
对所述数据集中的蔬菜症状图片在通道维度和空间维度上分别使用注意力机制进行表示,得到通道维度特征d和空间维度特征g;
混合所述文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量。
进一步地,所述混合所述文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量包括:
对文本特征a基于通道维度特征d的注意力机制表示t1为:
其中,W1和W2为所述数据集对蔬菜病虫害图片问答模型的待训练参数,病虫害症状描述文本S=(ω1,ω2,……,ωM),M为病虫害症状描述文本的特征数量;
对农业蔬菜知识信息b基于通道维度特征d的注意力机制表示t2为:
其中,病虫害症状描述文本所包含的农业蔬菜知识图谱实体为(e1,e2,……,eT),T为病虫害症状描述文本所包含的农业蔬菜知识图谱的实体数量;
对文本特征a基于空间维度特征g的注意力机制表示t3为:
对农业蔬菜知识信息b基于空间维度特征g的注意力机制表示t4为:
混合所述注意力机制t1、t2、t3、t4以得到输出向量。
进一步地,在使用所述数据集对蔬菜病虫害图片问答模型进行训练之前还包括:
获取农业领域文本语料,对所述农业领域文本语料进行清洗并分词,之后使用Bert模型对分词后的所述农业领域文本语料进行词向量的预训练,得到基于农业领域的词语级向量;
根据构建的农业蔬菜知识图谱,训练以得到所述农业蔬菜知识图谱的TransE向量,所述TransE向量将所述农业蔬菜知识图谱中的实体和关系映射到向量空间;
所述对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码包括:对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体用训练好TransE向量进行编码。
进一步地,所述对所述数据集中的病虫害症状描述文本和其所包含的农业蔬菜知识图谱实体的编码均为通过BiGRU进行编码。
为了解决上述技术问题,本发明还公开了一种蔬菜病虫害图片问答装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取与蔬菜病虫害相关的数据集;
使用所述数据集对蔬菜病虫害图片问答模型进行训练,以得到训练好的蔬菜病虫害图片问答模型,所述蔬菜病虫害图片问答模型的输出向量为混合了病虫害症状描述文本的文本特征和涉及的农业蔬菜知识信息以及蔬菜症状图片的通道维度特征和空间维度特征之后所得到的,所述蔬菜症状图片的通道维度特征和空间维度特征分别采用注意力机制所得到;
通过训练好的蔬菜病虫害图片问答模型对输入的待识别数据进行处理,以得到蔬菜病虫害类型。
进一步地,得到所述蔬菜病虫害图片问答模型的输出向量包括:
对所述数据集中的病虫害症状描述文本进行分词和编码,得到词语级向量的文本特征a;
对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码,得到词语级向量的农业蔬菜知识信息b;
对所述数据集中的蔬菜症状图片在通道维度和空间维度上分别使用注意力机制进行表示,得到通道维度特征d和空间维度特征g;
混合所述文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量。
进一步地,所述混合所述文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量包括:
对文本特征a基于通道维度特征d的注意力机制表示t1为:
其中,W1和W2为所述数据集对蔬菜病虫害图片问答模型的待训练参数,病虫害症状描述文本S=(ω1,ω2,……,ωM),M为病虫害症状描述文本的特征数量;
对农业蔬菜知识信息b基于通道维度特征d的注意力机制表示t2为:
其中,病虫害症状描述文本所包含的农业蔬菜知识图谱实体为(e1,e2,……,eT),T为病虫害症状描述文本所包含的农业蔬菜知识图谱的实体数量;
对文本特征a基于空间维度特征g的注意力机制表示t3为:
对农业蔬菜知识信息b基于空间维度特征g的注意力机制表示t4为:
混合所述注意力机制t1、t2、t3、t4以得到输出向量。
进一步地,在使用所述数据集对蔬菜病虫害图片问答模型进行训练之前还包括:
获取农业领域文本语料,对所述农业领域文本语料进行清洗并分词,之后使用Bert模型对分词后的所述农业领域文本语料进行词向量的预训练,得到基于农业领域的词语级向量;
根据构建的农业蔬菜知识图谱,训练以得到所述农业蔬菜知识图谱的TransE向量,所述TransE向量将所述农业蔬菜知识图谱中的实体和关系映射到向量空间;
所述对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码包括:对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体用训练好TransE向量进行编码。
进一步地,所述对所述数据集中的病虫害症状描述文本和其所包含的农业蔬菜知识图谱实体的编码均为通过BiGRU进行编码。
本项发明提供了一种蔬菜病虫害图片问答方法及装置,通过混合了病虫害症状描述文本的文本特征和涉及的农业蔬菜知识信息以及蔬菜症状图片的通道维度特征和空间维度特征之后所得到的蔬菜病虫害图片问答模型,由训练好的蔬菜病虫害图片问答模型来对蔬菜病虫害类型进行识别。由此,本发明将病虫害症状描述文本关联的农业知识图谱中相关的信息结合起来,以回答广泛的病虫害问题,此外还使用注意力机制从图片的空间维度和通道维度两个方向来进行丰富语义信息的捕获,有效利用图片和文本及外部知识之间具有的语义关联,进而减少整体语义理解上的偏差,进一步提升蔬菜病虫害图片问答结果的准确度,给与用户更好的用户体验。
附图说明
图1为本实施例的一种的蔬菜病虫害图片问答方法的流程示意图。
图2为本实施例涉及的蔬菜病虫害图片问答模型的结构示意图。
图3为本实施例的一种的蔬菜病虫害图片问答装置的结构示意图。
标号说明:
1、一种蔬菜病虫害图片问答装置;2、处理器;3、存储器。
具体实施方式
下面通过实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”,“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例一
现有的蔬菜病虫害问答系统都是基于文本信息,大都没有依据蔬菜症状的图片信息,或者仅仅使用了部分特征而忽略了图片通道维度信息,且没有使用如农业知识图谱等外部知识特征,导致蔬菜病虫害图片问答结果的准确度较低。
由此,本实施例融合多种特征的模型能够结合用户提供的病虫害图片信息,相关联的知识图谱信息等多个维度的信息,进行丰富的语义信息的捕获,提升答案的准确度,给与用户更好的用户体验。即本实施例提供的一种融合知识图谱的双注意力机制蔬菜病虫害图片问答方法具有重要的理论价值和广阔的应用前景。
具体而言,如图1所示,本实施例公开了一种蔬菜病虫害图片问答方法,包括:
步骤S1、获取农业领域文本语料,对农业领域文本语料进行清洗并分词,之后使用Bert模型对分词后的农业领域文本语料进行词向量的预训练,得到基于农业领域的词语级向量;
即在模型训练之前,基于现有海量的农业领域文本语料,先进行词向量的预训练,以得到基于农业领域的词语级向量,便于后续模型的使用。
步骤S2、根据构建的农业蔬菜知识图谱,训练以得到农业蔬菜知识图谱的TransE向量,TransE向量将农业蔬菜知识图谱中的实体和关系映射到向量空间;
如图2所示,训练以得到农业蔬菜知识图谱的TransE向量作为后续建模特征之一。其中,TransE将知识图谱中的实体和关系映射到向量空间,实体和关系的表示变成了向量之间的表示。
步骤S3、获取与蔬菜病虫害相关的数据集;
其中,获取到的数据集的一部分作为训练集,一部分作为测试集,可以按照训练集:测试集=8:2的比例去划分。同时,数据集包括问题描述、症状图片以及对应的问题答案。
步骤S4、使用数据集对蔬菜病虫害图片问答模型进行训练,以得到训练好的蔬菜病虫害图片问答模型,蔬菜病虫害图片问答模型的输出向量为混合了病虫害症状描述文本的文本特征和涉及的农业蔬菜知识信息以及蔬菜症状图片的通道维度特征和空间维度特征之后所得到的,蔬菜症状图片的通道维度特征和空间维度特征分别采用注意力机制所得到;
其中,如图2所示,步骤S4中得到蔬菜病虫害图片问答模型的输出向量包括:
步骤S41、对数据集中的病虫害症状描述文本进行分词和编码,得到词语级向量的文本特征a;
其中,如图2中的褐色水溃状、淡褐色、椭圆形等等描述内容。
在本实施例中,病虫害症状描述文本S=(ω1,ω2,……,ωM),M为病虫害症状描述文本的特征数量。
其中,对数据集中的病虫害症状描述文本编码为通过BiGRU进行编码,公式为:
其中,GRU是gated recurrent unit的简称,意为门控循环单元,它是一种常用的门控循环神经网络,上述公式中的ai即为第i个文本特征a。
步骤S42、对数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码,得到词语级向量的农业蔬菜知识信息b;
在本实施例中,病虫害症状描述文本所包含的农业蔬菜知识图谱实体为(e1,e2,……,eT),T为病虫害症状描述文本所包含的农业蔬菜知识图谱的实体数量。
其中,对病虫害症状描述文本进行分词,命名实体识别,查询知识图谱获取实体图谱关系,之后对数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体用训练好TransE向量进行编码,且通过BiGRU进行编码,如公式所示:
得到的bi即为第i个文本特征b。
步骤S43、对数据集中的蔬菜症状图片在通道维度和空间维度上分别使用注意力机制进行表示,得到通道维度特征d和空间维度特征g;
具体而言,通道维度特征d为:
空间维度特征g为:
其中,MLP(Multilayer Perceptron,多层感知器)是一种前馈人工神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上;MixPool是基于最大池化和平均池化的混合池化,表达式为MixPool=λMeanPool+(1−λMaxPool),MaxPool是区域最大值,MeanPool是局部接受域中的所有值求均值,λ范围为[0,1],f为卷积操作。
步骤S44、混合文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量。
其中,如图2所示,步骤S44包括:
步骤S441、对文本特征a基于通道维度特征d的注意力机制表示t1为:
其中,W1和W2为数据集对蔬菜病虫害图片问答模型的待训练参数,tanh为双曲正切激活函数,softmax为归一化指数函数。
步骤S442、对农业蔬菜知识信息b基于通道维度特征d的注意力机制表示t2为:
应当说明的是,农业蔬菜知识图谱实体中的e和上述公式的ebd并不是同个含义,应当以其上下标关系进行区分。
步骤S443、对文本特征a基于空间维度特征g的注意力机制表示t3为:
步骤S444、对农业蔬菜知识信息b基于空间维度特征g的注意力机制表示t4为:
其中,图2中的ead、eag、ebd、ebg分别对应上述的ead、eag、ebd、ebg。
步骤S445、混合所述注意力机制t1、t2、t3、t4以得到输出向量。
如图2所示,具体输出向量表示为:
其中,w1、w2、w3、w4分别为注意力机制t1、t2、t3、t4对应的权重。
由此,蔬菜病虫害图片问答模型参照图2所示,本实施例使用数据集对蔬菜病虫害图片问答模型进行训练,以寻找最优参数,将最优参数对应的最优模型作为训练好的蔬菜病虫害图片问答模型。
步骤S5、通过训练好的蔬菜病虫害图片问答模型对输入的待识别数据进行处理,以得到蔬菜病虫害类型。
实施例二
如图3所示,一种蔬菜病虫害图片问答装置1,包括存储器2、处理器3及存储在存储器2上并可在处理器3上运行的计算机程序,处理器3执行计算机程序时实现实施例一中的一种蔬菜病虫害图片问答方法的步骤。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (10)
1.一种蔬菜病虫害图片问答方法,其特征在于,包括:
获取与蔬菜病虫害相关的数据集;
使用所述数据集对蔬菜病虫害图片问答模型进行训练,以得到训练好的蔬菜病虫害图片问答模型,所述蔬菜病虫害图片问答模型的输出向量为混合了病虫害症状描述文本的文本特征和涉及的农业蔬菜知识信息以及蔬菜症状图片的通道维度特征和空间维度特征之后所得到的,所述蔬菜症状图片的通道维度特征和空间维度特征分别采用注意力机制所得到;
通过训练好的蔬菜病虫害图片问答模型对输入的待识别数据进行处理,以得到蔬菜病虫害类型。
2.如权利要求1所述的一种蔬菜病虫害图片问答方法,其特征在于,得到所述蔬菜病虫害图片问答模型的输出向量包括:
对所述数据集中的病虫害症状描述文本进行分词和编码,得到词语级向量的文本特征a;
对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码,得到词语级向量的农业蔬菜知识信息b;
对所述数据集中的蔬菜症状图片在通道维度和空间维度上分别使用注意力机制进行表示,得到通道维度特征d和空间维度特征g;
混合所述文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量。
3.如权利要求2所述的一种蔬菜病虫害图片问答方法,其特征在于,所述混合所述文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量包括:
对文本特征a基于通道维度特征d的注意力机制表示t1为:
其中,W1和W2为所述数据集对蔬菜病虫害图片问答模型的待训练参数,病虫害症状描述文本S=(ω1,ω2,……,ωM),M为病虫害症状描述文本的特征数量;
对农业蔬菜知识信息b基于通道维度特征d的注意力机制表示t2为:
其中,病虫害症状描述文本所包含的农业蔬菜知识图谱实体为(e1,e2,……,eT),T为病虫害症状描述文本所包含的农业蔬菜知识图谱的实体数量;
对文本特征a基于空间维度特征g的注意力机制表示t3为:
对农业蔬菜知识信息b基于空间维度特征g的注意力机制表示t4为:
混合所述注意力机制t1、t2、t3、t4以得到输出向量。
4.如权利要求2所述的一种蔬菜病虫害图片问答方法,其特征在于,在使用所述数据集对蔬菜病虫害图片问答模型进行训练之前还包括:
获取农业领域文本语料,对所述农业领域文本语料进行清洗并分词,之后使用Bert模型对分词后的所述农业领域文本语料进行词向量的预训练,得到基于农业领域的词语级向量;
根据构建的农业蔬菜知识图谱,训练以得到所述农业蔬菜知识图谱的TransE向量,所述TransE向量将所述农业蔬菜知识图谱中的实体和关系映射到向量空间;
所述对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码包括:对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体用训练好TransE向量进行编码。
5.如权利要求2所述的一种蔬菜病虫害图片问答方法,其特征在于,所述对所述数据集中的病虫害症状描述文本和其所包含的农业蔬菜知识图谱实体的编码均为通过BiGRU进行编码。
6.一种蔬菜病虫害图片问答装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取与蔬菜病虫害相关的数据集;
使用所述数据集对蔬菜病虫害图片问答模型进行训练,以得到训练好的蔬菜病虫害图片问答模型,所述蔬菜病虫害图片问答模型的输出向量为混合了病虫害症状描述文本的文本特征和涉及的农业蔬菜知识信息以及蔬菜症状图片的通道维度特征和空间维度特征之后所得到的,所述蔬菜症状图片的通道维度特征和空间维度特征分别采用注意力机制所得到;
通过训练好的蔬菜病虫害图片问答模型对输入的待识别数据进行处理,以得到蔬菜病虫害类型。
7.如权利要求6所述的一种蔬菜病虫害图片问答装置,其特征在于,得到所述蔬菜病虫害图片问答模型的输出向量包括:
对所述数据集中的病虫害症状描述文本进行分词和编码,得到词语级向量的文本特征a;
对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码,得到词语级向量的农业蔬菜知识信息b;
对所述数据集中的蔬菜症状图片在通道维度和空间维度上分别使用注意力机制进行表示,得到通道维度特征d和空间维度特征g;
混合所述文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量。
8.如权利要求7所述的一种蔬菜病虫害图片问答装置,其特征在于,所述混合所述文本特征a、农业蔬菜知识信息b、通道维度特征d和空间维度特征g以得到输出向量包括:
对文本特征a基于通道维度特征d的注意力机制表示t1为:
其中,W1和W2为所述数据集对蔬菜病虫害图片问答模型的待训练参数,病虫害症状描述文本S=(ω1,ω2,……,ωM),M为病虫害症状描述文本的特征数量;
对农业蔬菜知识信息b基于通道维度特征d的注意力机制表示t2为:
其中,病虫害症状描述文本所包含的农业蔬菜知识图谱实体为(e1,e2,……,eT),T为病虫害症状描述文本所包含的农业蔬菜知识图谱的实体数量;
对文本特征a基于空间维度特征g的注意力机制表示t3为:
对农业蔬菜知识信息b基于空间维度特征g的注意力机制表示t4为:
混合所述注意力机制t1、t2、t3、t4以得到输出向量。
9.如权利要求7所述的一种蔬菜病虫害图片问答装置,其特征在于,在使用所述数据集对蔬菜病虫害图片问答模型进行训练之前还包括:
获取农业领域文本语料,对所述农业领域文本语料进行清洗并分词,之后使用Bert模型对分词后的所述农业领域文本语料进行词向量的预训练,得到基于农业领域的词语级向量;
根据构建的农业蔬菜知识图谱,训练以得到所述农业蔬菜知识图谱的TransE向量,所述TransE向量将所述农业蔬菜知识图谱中的实体和关系映射到向量空间;
所述对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体进行编码包括:对所述数据集中的病虫害症状描述文本所包含的农业蔬菜知识图谱实体用训练好TransE向量进行编码。
10.如权利要求7所述的一种蔬菜病虫害图片问答装置,其特征在于,所述对所述数据集中的病虫害症状描述文本和其所包含的农业蔬菜知识图谱实体的编码均为通过BiGRU进行编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210815432.2A CN114881047B (zh) | 2022-07-12 | 2022-07-12 | 一种蔬菜病虫害图片问答方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210815432.2A CN114881047B (zh) | 2022-07-12 | 2022-07-12 | 一种蔬菜病虫害图片问答方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881047A true CN114881047A (zh) | 2022-08-09 |
CN114881047B CN114881047B (zh) | 2022-10-25 |
Family
ID=82682934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210815432.2A Active CN114881047B (zh) | 2022-07-12 | 2022-07-12 | 一种蔬菜病虫害图片问答方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881047B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937689A (zh) * | 2022-12-30 | 2023-04-07 | 安徽农业大学 | 一种农业害虫智能识别与监测技术 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001142888A (ja) * | 1999-11-10 | 2001-05-25 | Nippon Software Prod:Kk | 病害虫防除支援データベースシステム |
US20150169758A1 (en) * | 2013-12-17 | 2015-06-18 | Luigi ASSOM | Multi-partite graph database |
CN108182262A (zh) * | 2018-01-04 | 2018-06-19 | 华侨大学 | 基于深度学习和知识图谱的智能问答系统构建方法和系统 |
CN110851620A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 一种基于文本嵌入和结构嵌入联合的知识表示方法 |
CN112348191A (zh) * | 2020-10-26 | 2021-02-09 | 福州大学 | 一种基于多模态表示学习的知识库补全方法 |
CN112800203A (zh) * | 2021-02-05 | 2021-05-14 | 江苏实达迪美数据处理有限公司 | 一种融合文本和知识表征的问答匹配方法及系统 |
US20210312230A1 (en) * | 2020-11-30 | 2021-10-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Information Extraction Method, Extraction Model Training Method, Apparatus and Electronic Device |
CN113516164A (zh) * | 2021-04-30 | 2021-10-19 | 辽宁工程技术大学 | 一种融合知识图谱与深度学习的果树病虫害诊断方法 |
CN113538390A (zh) * | 2021-07-23 | 2021-10-22 | 仲恺农业工程学院 | 一种柚子病虫害的快速识别方法 |
CN113673246A (zh) * | 2021-07-29 | 2021-11-19 | 中国科学院自动化研究所 | 语义融合和知识蒸馏的农业实体识别方法和装置 |
CN113779220A (zh) * | 2021-09-13 | 2021-12-10 | 内蒙古工业大学 | 一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法 |
CN114565826A (zh) * | 2022-04-28 | 2022-05-31 | 南京绿色科技研究院有限公司 | 一种农业病虫害识别诊断方法、系统及装置 |
US20220198154A1 (en) * | 2020-04-03 | 2022-06-23 | Tencent Technology (Shenzhen) Company Limited | Intelligent question answering method, apparatus, and device, and computer-readable storage medium |
-
2022
- 2022-07-12 CN CN202210815432.2A patent/CN114881047B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001142888A (ja) * | 1999-11-10 | 2001-05-25 | Nippon Software Prod:Kk | 病害虫防除支援データベースシステム |
US20150169758A1 (en) * | 2013-12-17 | 2015-06-18 | Luigi ASSOM | Multi-partite graph database |
CN108182262A (zh) * | 2018-01-04 | 2018-06-19 | 华侨大学 | 基于深度学习和知识图谱的智能问答系统构建方法和系统 |
CN110851620A (zh) * | 2019-10-29 | 2020-02-28 | 天津大学 | 一种基于文本嵌入和结构嵌入联合的知识表示方法 |
US20220198154A1 (en) * | 2020-04-03 | 2022-06-23 | Tencent Technology (Shenzhen) Company Limited | Intelligent question answering method, apparatus, and device, and computer-readable storage medium |
CN112348191A (zh) * | 2020-10-26 | 2021-02-09 | 福州大学 | 一种基于多模态表示学习的知识库补全方法 |
US20210312230A1 (en) * | 2020-11-30 | 2021-10-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Information Extraction Method, Extraction Model Training Method, Apparatus and Electronic Device |
CN112800203A (zh) * | 2021-02-05 | 2021-05-14 | 江苏实达迪美数据处理有限公司 | 一种融合文本和知识表征的问答匹配方法及系统 |
CN113516164A (zh) * | 2021-04-30 | 2021-10-19 | 辽宁工程技术大学 | 一种融合知识图谱与深度学习的果树病虫害诊断方法 |
CN113538390A (zh) * | 2021-07-23 | 2021-10-22 | 仲恺农业工程学院 | 一种柚子病虫害的快速识别方法 |
CN113673246A (zh) * | 2021-07-29 | 2021-11-19 | 中国科学院自动化研究所 | 语义融合和知识蒸馏的农业实体识别方法和装置 |
CN113779220A (zh) * | 2021-09-13 | 2021-12-10 | 内蒙古工业大学 | 一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法 |
CN114565826A (zh) * | 2022-04-28 | 2022-05-31 | 南京绿色科技研究院有限公司 | 一种农业病虫害识别诊断方法、系统及装置 |
Non-Patent Citations (4)
Title |
---|
张雪等: "自动术语抽取研究综述", 《软件学报》 * |
杜文倩等: "融合实体描述及类型的知识图谱表示学习方法", 《中文信息学报》 * |
来纯晓: "基于深度学习的小麦抗寒性识别研究及应用", 《中国优秀硕士学位论文全文数据库农业科技辑(月刊)》 * |
赵明等: "基于BIGRU的番茄病虫害问答系统问句分类研究", 《农业机械学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937689A (zh) * | 2022-12-30 | 2023-04-07 | 安徽农业大学 | 一种农业害虫智能识别与监测技术 |
CN115937689B (zh) * | 2022-12-30 | 2023-08-11 | 安徽农业大学 | 一种农业害虫智能识别与监测技术 |
Also Published As
Publication number | Publication date |
---|---|
CN114881047B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rumelhart et al. | The representation of knowledge in memory 1 | |
Baars | A cognitive theory of consciousness | |
Hampton | Similarity-based categorization and fuzziness of natural categories | |
Margolis | Patterns, thinking, and cognition: A theory of judgment | |
Mani | Dialectics of counting and the mathematics of vagueness | |
US20230030419A1 (en) | Machine Learning Model Training Method and Device and Electronic Equipment | |
CN116563707B (zh) | 一种基于图文多模态特征融合的枸杞虫害识别方法 | |
CN110580516B (zh) | 一种基于智能机器人的交互方法及装置 | |
CN114881047B (zh) | 一种蔬菜病虫害图片问答方法及装置 | |
Thornton et al. | Six dimensions describe action understanding: The ACT-FASTaxonomy. | |
Steinhart | Survival as a digital ghost | |
Zhang et al. | Multi-modal interactive fusion method for detecting teenagers’ psychological stress | |
Tian et al. | Applied affective computing | |
US20210326634A1 (en) | Image analysis method and system | |
West | Queer perspectives in communication studies | |
Wellmon | Becoming human: Romantic anthropology and the embodiment of freedom | |
Osipov et al. | Relationships and operations in a sign-based world model of the actor | |
CN117437317A (zh) | 图像生成方法、装置、电子设备、存储介质和程序产品 | |
CN116469534A (zh) | 医院叫号管理系统及其方法 | |
CN111949773A (zh) | 一种阅读设备、服务器以及数据处理的方法 | |
CN113821615A (zh) | 自助对话方法、装置、设备及存储介质 | |
CN112037876A (zh) | 慢性病病程阶段分析系统、装置和存储介质 | |
CN111598126A (zh) | 一种轻量级中药材识别方法 | |
Kochiev | Neural state machine for 2D and 3D visual question answering | |
Sommerhoff et al. | An account of consciousness in physical and functional terms: A target for research in the neurosciences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A question and answer method and device for vegetable pests and diseases pictures Effective date of registration: 20230405 Granted publication date: 20221025 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: Hangzhou Yuanchuan Xinye Technology Co.,Ltd. Registration number: Y2023330000681 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |