基于語言大模型的農(nóng)業(yè)專家系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

摘要：針對(duì)農(nóng)業(yè)生產(chǎn)者對(duì)農(nóng)業(yè)知識(shí)的了解和學(xué)習(xí)的渠道少，新農(nóng)業(yè)技術(shù)和新農(nóng)業(yè)成果的推廣困難等問題，以農(nóng)業(yè)知識(shí)庫為基礎(chǔ)，結(jié)合語言大模型、卷積神經(jīng)網(wǎng)絡(luò)提出了一種農(nóng)業(yè)專家系統(tǒng)。系統(tǒng)根據(jù)用戶提出文字的問題，通過語言大模型提取問題的詞向量，并在農(nóng)業(yè)知識(shí)庫中進(jìn)行相似性查詢，最后將查詢結(jié)果返回給語言大模型，由語言大模型生成問題的答案；對(duì)于用戶提出的病蟲害問題，系統(tǒng)根據(jù)用戶提供的圖像，通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)病蟲害進(jìn)行分類，幫助用戶快速準(zhǔn)確地判斷病蟲害類型，同時(shí)提供知識(shí)庫中相關(guān)的防治方案。系統(tǒng)的實(shí)現(xiàn)為農(nóng)業(yè)生產(chǎn)者提供了一個(gè)快速準(zhǔn)確的輔助決策工具和一條便捷的知識(shí)獲取渠道。

關(guān)鍵詞：專家系統(tǒng)；農(nóng)業(yè)知識(shí)庫；語言大模型；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）05-0015-04 開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

0 引言

數(shù)字技術(shù)是發(fā)展現(xiàn)代農(nóng)業(yè)和實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的關(guān)鍵技術(shù)，20世紀(jì)70年代末，美國伊利諾斯大學(xué)開發(fā)了世界上應(yīng)用最早的農(nóng)業(yè)專家系統(tǒng)，主要用于農(nóng)作物病蟲害的診斷[1]，我國專家系統(tǒng)的研究起始于20 世紀(jì)80年代初期[2]，在各領(lǐng)域相繼出現(xiàn)了大量專家服務(wù)系統(tǒng)。近年來，隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的進(jìn)步，基于人工智能的專家服務(wù)系統(tǒng)成為了各領(lǐng)域的研究熱點(diǎn)，即利用各領(lǐng)域?qū)＜曳e累的知識(shí)和經(jīng)驗(yàn)構(gòu)建知識(shí)庫，基于人工智能算法構(gòu)建專家模型，最后結(jié)合知識(shí)庫與專家模型，實(shí)現(xiàn)模擬人類專家的推理和決策過程。例如在交通領(lǐng)域，曹楠等人針對(duì)地面軌道交通開發(fā)了地面專家診斷系統(tǒng)，提高了車輛運(yùn)行的數(shù)字化水平和列車風(fēng)險(xiǎn)預(yù)知能力，從而保障了車輛安全[3]。在醫(yī)療領(lǐng)域，童江波等人通過構(gòu)建了基于規(guī)則的中醫(yī)藥專家系統(tǒng)，系統(tǒng)利用數(shù)據(jù)挖掘技術(shù)，為患者提供有效的新鮮止咳中藥治療方案[4]。黃承寧等人提出了一種面向患者就醫(yī)前自診的基于醫(yī)療知識(shí)圖譜的自動(dòng)問診系統(tǒng)，有效解決了相關(guān)病癥咨詢專業(yè)缺乏問題，實(shí)現(xiàn)了患者自助[5]。賈李蓉等人以中醫(yī)藥學(xué)語言系統(tǒng)為基礎(chǔ)，引入自然語言處理、知識(shí)庫、自動(dòng)問答、信息檢索等技術(shù)，結(jié)合中醫(yī)藥信息領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)，構(gòu)建一套智能知識(shí)問答系統(tǒng)，有效地幫助用戶在互聯(lián)網(wǎng)上獲取所需的中醫(yī)藥知識(shí)、獲得更便捷更準(zhǔn)確的網(wǎng)絡(luò)診療體驗(yàn)[6]。在水利領(lǐng)域，鄒遐邇等人通過對(duì)水質(zhì)檢測(cè)流程合理分析以及各監(jiān)控點(diǎn)反饋信號(hào)診斷，結(jié)合LabVIEW可視化編程技術(shù)、信號(hào)分析技術(shù)和測(cè)控技術(shù)設(shè)計(jì)了一種基于微試劑原位水質(zhì)檢測(cè)儀的多參數(shù)水質(zhì)微型站監(jiān)控系統(tǒng)，現(xiàn)場(chǎng)應(yīng)用結(jié)果表明，采用診斷專家系統(tǒng)的水質(zhì)微型站監(jiān)控系統(tǒng)滿足水質(zhì)測(cè)控的需求， 極大提升系統(tǒng)的穩(wěn)定性、安全性[7]。王喆等人提出了融合GPT和知識(shí)圖譜的應(yīng)急決策智能問答系統(tǒng)，實(shí)現(xiàn)洪澇災(zāi)害應(yīng)急處置過程中的在線輔助決策，提升了洪澇災(zāi)害應(yīng)急信息分析和決策效率[8]。

但由于農(nóng)業(yè)知識(shí)結(jié)構(gòu)復(fù)雜，且農(nóng)業(yè)具有鮮明的地域性，一個(gè)區(qū)域的品種、技術(shù)到另一個(gè)區(qū)域并不一定適用同一品種在不同區(qū)域，所以當(dāng)前的通用大模型無法直接用于農(nóng)業(yè)領(lǐng)域的問答，因此需要構(gòu)建一個(gè)適用于農(nóng)業(yè)的專家系統(tǒng)，對(duì)農(nóng)業(yè)領(lǐng)域的專家模型進(jìn)行針對(duì)性優(yōu)化，從而較好地滿足農(nóng)業(yè)生產(chǎn)者的本地化、專業(yè)化、個(gè)性化的需求。

1 系統(tǒng)設(shè)計(jì)

依托農(nóng)業(yè)專家的知識(shí)、技術(shù)和服務(wù)體系，搭建農(nóng)業(yè)專家系統(tǒng)，按數(shù)據(jù)層、支持層、應(yīng)用層來分層構(gòu)建，具體如圖1所示。

1）數(shù)據(jù)層是專家云系統(tǒng)全量業(yè)務(wù)數(shù)據(jù)的存儲(chǔ)、管理和服務(wù)中樞，以農(nóng)業(yè)科技服務(wù)為核心，提供數(shù)據(jù)匯聚治理的流程和工具，提供一站式數(shù)據(jù)資源管理服務(wù)。圍繞專家云服務(wù)業(yè)務(wù)，構(gòu)建從數(shù)據(jù)匯聚到數(shù)據(jù)監(jiān)控的完整數(shù)據(jù)治理流程，匯聚服務(wù)數(shù)據(jù)，建立農(nóng)業(yè)專家、農(nóng)業(yè)知識(shí)、產(chǎn)業(yè)主體、服務(wù)資源、政策法規(guī)、農(nóng)情監(jiān)測(cè)、生產(chǎn)管理、服務(wù)對(duì)接、供需匹配、運(yùn)營管理等專題數(shù)據(jù)，支撐業(yè)務(wù)場(chǎng)景的數(shù)據(jù)需求。

2）支持層圍繞專家系統(tǒng)的業(yè)務(wù)需求和應(yīng)用特點(diǎn)，融合了統(tǒng)一門戶、身份管理、信息推送、API接口、智能算法、語言模型多種能力，構(gòu)建統(tǒng)一的能力支撐，對(duì)外提供API接口，滿足系統(tǒng)用戶管理、信息服務(wù)、應(yīng)用管理、數(shù)據(jù)建模、數(shù)據(jù)可視化分析等場(chǎng)景應(yīng)用需求。

3）應(yīng)用層面向農(nóng)業(yè)專家、農(nóng)業(yè)企業(yè)、農(nóng)戶等提供專家咨詢、知識(shí)服務(wù)、農(nóng)事指導(dǎo)、服務(wù)對(duì)接等綜合應(yīng)用，促進(jìn)農(nóng)業(yè)科技成果轉(zhuǎn)化應(yīng)用。

2 系統(tǒng)關(guān)鍵技術(shù)

2.1 農(nóng)業(yè)知識(shí)庫技術(shù)

農(nóng)業(yè)知識(shí)庫是本系統(tǒng)的核心，既包括農(nóng)業(yè)知識(shí)庫本身，也包括對(duì)知識(shí)進(jìn)行管理和分析的系統(tǒng)工具。它匯集了來自關(guān)聯(lián)業(yè)務(wù)系統(tǒng)、內(nèi)部其他系統(tǒng)、互聯(lián)網(wǎng)開源數(shù)據(jù)等多類知識(shí)素材，進(jìn)行素材采集、數(shù)據(jù)匯聚、數(shù)據(jù)治理、模型構(gòu)建等處理，最終形成覆蓋各行業(yè)、各業(yè)務(wù)類型的農(nóng)業(yè)知識(shí)庫，發(fā)現(xiàn)蘊(yùn)含于大數(shù)據(jù)中的知識(shí)價(jià)值，實(shí)現(xiàn)知識(shí)的增值。

1）農(nóng)業(yè)知識(shí)分類。

匯聚各類農(nóng)業(yè)專業(yè)知識(shí)，按知識(shí)類型、內(nèi)容建立知識(shí)分類樹，將對(duì)應(yīng)的圖片、文字、視頻等知識(shí)歸納其中，在云系統(tǒng)上展示知識(shí)樹，方便用戶按分類樹進(jìn)行檢索查詢。

2）智能檢索查詢。

提供智能檢索查詢功能，系統(tǒng)可以通過農(nóng)戶輸入的關(guān)鍵字、關(guān)鍵詞快速匹配相關(guān)知識(shí)，協(xié)助農(nóng)戶快速篩選出所要查詢的農(nóng)業(yè)知識(shí)。

農(nóng)業(yè)知識(shí)庫部署后界面如圖2所示。

2.2 語言大模型技術(shù)

LangChain 是一個(gè)開源的大型語言模型（LLM）的編程框架，可將例如GPT-4、阿里通義千問等語言大模型與外部計(jì)算和數(shù)據(jù)來源結(jié)合起來，在農(nóng)業(yè)專家云系統(tǒng)中，首先將相關(guān)的農(nóng)業(yè)知識(shí)導(dǎo)入農(nóng)業(yè)知識(shí)庫中，然后將知識(shí)數(shù)據(jù)轉(zhuǎn)化為詞向量，最后將詞向量和通義大模型連接起來，以構(gòu)建一個(gè)適用于農(nóng)業(yè)領(lǐng)域的語言大模型，其主要流程如圖3所示。

首先將專家系統(tǒng)中農(nóng)業(yè)知識(shí)庫中的農(nóng)業(yè)知識(shí)數(shù)據(jù)劃分為詞向量，并存入LangChain框架中的向量數(shù)據(jù)庫中，然后根據(jù)用戶提問的內(nèi)容，對(duì)向量數(shù)據(jù)庫中的詞向量進(jìn)行相似性搜索，得到向量數(shù)據(jù)，最后將用戶提問的內(nèi)容和向量數(shù)據(jù)輸入至通義大模型中，由通義大模型給出最終的回答。

本系統(tǒng)的語言大模型主要包括知識(shí)庫的匹配與管理、通義大模型的選擇與應(yīng)用兩個(gè)功能模塊。

1）知識(shí)庫的匹配與管理。

鑒于農(nóng)業(yè)知識(shí)數(shù)據(jù)的結(jié)構(gòu)復(fù)雜，數(shù)據(jù)來源也各不相同，且不同地理位置，農(nóng)業(yè)品種、農(nóng)技手段也不盡相同，因此需要將農(nóng)業(yè)知識(shí)庫進(jìn)行細(xì)分，即分為通用農(nóng)業(yè)知識(shí)庫、廣西農(nóng)業(yè)知識(shí)庫等，在用戶登錄系統(tǒng)使用時(shí)，根據(jù)其定位信息自動(dòng)匹配對(duì)應(yīng)的農(nóng)業(yè)知識(shí)庫，在不影響模型問答的精度的同時(shí)，降低服務(wù)器緩存壓力。

2）通義大模型的選擇。

當(dāng)前主流的通義大模型有百度的文心一言、阿里云的通義千問、騰訊的混元生文、OpenAI的ChatGPT等，通過其開放的API接口接入本系統(tǒng)，從而確保通義模型的實(shí)時(shí)更新，用戶可根據(jù)其不同的需求和使用習(xí)慣，可從中選擇任意一款通義大模型作為系統(tǒng)的基礎(chǔ)問答模型。

使用ChatGPT通義模型和通用農(nóng)業(yè)知識(shí)庫部署后的語言大模型如圖4所示。

2.3 病蟲害自動(dòng)識(shí)別技術(shù)

卷積神經(jīng)網(wǎng)絡(luò)屬于一種人工智能算法，常被用于圖像處理，如圖像分類、目標(biāo)識(shí)別等場(chǎng)景，其主要原理是利用卷積核對(duì)圖像進(jìn)行特征提取，從而實(shí)現(xiàn)圖像的識(shí)別和分類。在農(nóng)業(yè)生產(chǎn)中，病蟲害是影響作物產(chǎn)量和品質(zhì)的關(guān)鍵因素，為了能夠準(zhǔn)確識(shí)別病蟲害，選擇ResNet-50卷積神經(jīng)網(wǎng)絡(luò)作為病蟲害自動(dòng)識(shí)別的算法模型，該網(wǎng)絡(luò)采用了殘差網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)通過將網(wǎng)絡(luò)輸入與輸出線性相加的方式，有效緩解了卷積神經(jīng)網(wǎng)絡(luò)中梯度消失和梯度爆炸的問題，其具體結(jié)構(gòu)如圖5所示。

系統(tǒng)采用Pytorch框架，以知識(shí)庫中的病蟲害圖像數(shù)據(jù)作為訓(xùn)練集，對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，主要流程如圖6所示。

首先篩選出知識(shí)庫中的病蟲害圖像數(shù)據(jù)，然后建立病蟲害類別和其索引關(guān)系表，具體如表1所示。

根據(jù)類別總數(shù)，對(duì)各個(gè)類別進(jìn)行One-hot編碼，其次進(jìn)行數(shù)據(jù)增強(qiáng)和圖像的歸一化，最后輸入ResNet網(wǎng)絡(luò)，根據(jù)隨機(jī)梯度下降算法更新網(wǎng)絡(luò)權(quán)重，訓(xùn)練網(wǎng)絡(luò)模型。

3 系統(tǒng)應(yīng)用場(chǎng)景

1）農(nóng)業(yè)知識(shí)的自動(dòng)問答。通過系統(tǒng)提供在線問答交互方式，用戶輸入想要的信息說明，系統(tǒng)基于知識(shí)庫中的知識(shí)數(shù)據(jù)以及最新科研成果等，結(jié)合LLM語言大模型，智能整合知識(shí)給出反饋和來源鏈接，并對(duì)用戶提出的農(nóng)業(yè)領(lǐng)域的問題進(jìn)行專業(yè)的回答，提高海量知識(shí)的檢索查詢和服務(wù)效率，解決前沿農(nóng)業(yè)技術(shù)普及推廣難的問題，具體問答樣例如圖7所示。

2）農(nóng)業(yè)病蟲害的自動(dòng)識(shí)別。系統(tǒng)根據(jù)知識(shí)庫中的病蟲害圖像數(shù)據(jù)，通過卷積神經(jīng)網(wǎng)絡(luò)提取病蟲害圖像的特征，根據(jù)提取的特征實(shí)現(xiàn)農(nóng)業(yè)病蟲害的快速精準(zhǔn)識(shí)別，并匹配農(nóng)業(yè)知識(shí)庫中的相關(guān)內(nèi)容，為其提供有效的防治措施和手段，具體應(yīng)用如圖8所示。

3）農(nóng)情監(jiān)測(cè)預(yù)警。系統(tǒng)通過用戶在自動(dòng)問答系統(tǒng)中的咨詢反饋，結(jié)合實(shí)時(shí)的農(nóng)情數(shù)據(jù)，分析當(dāng)前農(nóng)業(yè)生產(chǎn)總體現(xiàn)狀，針對(duì)重大病蟲害和局部地質(zhì)災(zāi)害進(jìn)行監(jiān)測(cè)、分析、預(yù)警和預(yù)報(bào)，為農(nóng)業(yè)生產(chǎn)經(jīng)營主體提供指導(dǎo)。

4 結(jié)束語

綜上所述，農(nóng)業(yè)專家系統(tǒng)旨在解決農(nóng)業(yè)發(fā)展中新技術(shù)、新成果落地普及困難的問題，是實(shí)現(xiàn)農(nóng)業(yè)高質(zhì)量發(fā)展的有效手段，本文通過構(gòu)建農(nóng)業(yè)知識(shí)庫，結(jié)合LangChain語言大模型框架，卷積神經(jīng)網(wǎng)絡(luò)等信息技術(shù)手段，為農(nóng)業(yè)生產(chǎn)者提供響應(yīng)迅速、專業(yè)性強(qiáng)的農(nóng)業(yè)問答服務(wù)，為相關(guān)使用者提供了極大的便利，并且降低了新技術(shù)和新成果的普及推廣難度。但因當(dāng)前系統(tǒng)中農(nóng)業(yè)知識(shí)數(shù)量較少，回答的精度還有提升的空間，未來將繼續(xù)收集農(nóng)業(yè)領(lǐng)域的相關(guān)知識(shí)，同時(shí)對(duì)語言大模型的各項(xiàng)參數(shù)進(jìn)行微調(diào)，對(duì)系統(tǒng)持續(xù)地優(yōu)化和改進(jìn)，助力農(nóng)業(yè)的高質(zhì)量發(fā)展。

參考文獻(xiàn)

[1] 石琳，陳帝伊，馬孝義.專家系統(tǒng)在農(nóng)業(yè)上的應(yīng)用概況及前景[J].農(nóng)機(jī)化研究，2011，33（1）：215-218.

[2] 田娜，楊曉文，單東林，等.我國數(shù)字農(nóng)業(yè)現(xiàn)狀與展望[J].中國農(nóng)機(jī)化學(xué)報(bào)，2019，40（4）：210-213.

[3] 曹楠，劉興陽，劉鐵良，等.城市軌道交通地面專家診斷系統(tǒng)研究[J].智慧軌道交通，2024，61（3）：22-29.

[4] 童江波，朱嬌嬌，胡靈芝，等.基于專家系統(tǒng)為感染后咳嗽患者提供新鮮中藥止咳方案[J].現(xiàn)代中醫(yī)藥，2021，41（3）：125-129.

[5] 黃承寧，殷曉磊，陳武.基于知識(shí)圖譜的醫(yī)療問答系統(tǒng)研究應(yīng)用[J].信息技術(shù)與信息化，2024（5）：210-215.

[6] 賈李蓉，劉麗紅，劉靜，等.基于中醫(yī)藥學(xué)語言系統(tǒng)的知識(shí)問答系統(tǒng)的設(shè)計(jì)與構(gòu)建[J].中華醫(yī)學(xué)圖書情報(bào)雜志，2019，28（5）：11-14.

[7] 鄒遐邇，李新民，羅學(xué)科，等.基于LabVIEW的水質(zhì)微型站實(shí)時(shí)故障診斷專家系統(tǒng)[J].工業(yè)安全與環(huán)保，2021，47（1）：84-88.

[8] 王喆，陸俊燃，楊棟梁，等.融合GPT和知識(shí)圖譜的洪澇應(yīng)急決策智能問答系統(tǒng)研究[J].中國安全生產(chǎn)科學(xué)技術(shù)，2024，20（4）：5-11.

[9] 竇鳳岐，胡珊，李佳隆，等.基于LangChain的RAG問答系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)：以C語言課程問答系統(tǒng)為例[J].信息與電腦（理論版），2024，36（6）：101-103.

【通聯(lián)編輯：朱寶貴】

基金項(xiàng)目：廣西創(chuàng)新驅(qū)動(dòng)發(fā)展專項(xiàng)資金項(xiàng)目（桂科AA22036002） ；廣西壯族自治區(qū)農(nóng)業(yè)科學(xué)院科技發(fā)展基金（桂農(nóng)科2023JZ09） ；廣西壯族自治區(qū)農(nóng)業(yè)科學(xué)院穩(wěn)定資助科研團(tuán)隊(duì)基金（桂農(nóng)科2021YT077）