摘要:農(nóng)業(yè)病蟲(chóng)害識(shí)別是影響農(nóng)業(yè)生產(chǎn)質(zhì)量的重要問(wèn)題之一。該項(xiàng)目結(jié)合Winograd卷積算法與MobileNetV3模型,開(kāi)發(fā)出了一種高效的病蟲(chóng)害圖像分類方法,可以提升農(nóng)業(yè)病蟲(chóng)害的識(shí)別效率。同時(shí),利用ChatGPT大語(yǔ)言模型構(gòu)建知識(shí)圖譜,增強(qiáng)了系統(tǒng)的可視化效果。該系統(tǒng)不僅為用戶提供便捷的病蟲(chóng)害識(shí)別服務(wù),還助力農(nóng)產(chǎn)品線上銷售,推動(dòng)農(nóng)業(yè)現(xiàn)代化,展現(xiàn)了科技在農(nóng)業(yè)領(lǐng)域的巨大潛力。
關(guān)鍵詞:病蟲(chóng)害識(shí)別;知識(shí)圖譜;Winograd卷積算法
中圖分類號(hào):TP18 文獻(xiàn)標(biāo)識(shí)碼:A
文章編號(hào):1009-3044(2025)05-0027-03 開(kāi)放科學(xué)(資源服務(wù)) 標(biāo)識(shí)碼(OSID) :
0 引言
農(nóng)業(yè)是國(guó)家穩(wěn)定與發(fā)展的重要經(jīng)濟(jì)基礎(chǔ)。隨著深度學(xué)習(xí)的發(fā)展,計(jì)算機(jī)視覺(jué)在農(nóng)業(yè)中展現(xiàn)出巨大的潛力。農(nóng)業(yè)生產(chǎn)中,病蟲(chóng)害始終是影響農(nóng)作物產(chǎn)量和質(zhì)量的關(guān)鍵因素之一,傳統(tǒng)的病蟲(chóng)害識(shí)別依賴人工經(jīng)驗(yàn),效率低下、專業(yè)水平要求高,并且最終的農(nóng)產(chǎn)品往往會(huì)面臨著銷路無(wú)法打開(kāi)、商品滯留的問(wèn)題。本文采用Winograd快速卷積算法[1]和MobileNetV3[2]模型,結(jié)合知識(shí)圖譜技術(shù),設(shè)計(jì)了一款集病蟲(chóng)害識(shí)別與電商助農(nóng)于一體的系統(tǒng)。該系統(tǒng)充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的模式識(shí)別能力和知識(shí)圖譜的知識(shí)整合與推理能力,為農(nóng)業(yè)生產(chǎn)全過(guò)程提供了全新的解決方案。
1 卷積神經(jīng)網(wǎng)絡(luò)和知識(shí)圖譜技術(shù)研究現(xiàn)狀
1.1 圖像識(shí)別技術(shù)相關(guān)研究
深度學(xué)習(xí)模型通常參數(shù)量較大,難以在資源相對(duì)緊缺的移動(dòng)設(shè)備上部署。為解決這一問(wèn)題,研究人員提出了一些輕量化模型,如SqueezeNet,MobileNet,ShuffleNet[3]等。快速傅里葉卷積算法(FFT) [4]和Wino?grad快速卷積算法在特定條件下能夠加速模型。在農(nóng)業(yè)病蟲(chóng)圖像分類方面,周巧黎等提出了一種基于改進(jìn)輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MobileNetV3的番茄葉片病害分類識(shí)別方法,采用了空洞卷積和感知機(jī)結(jié)構(gòu)等改進(jìn) [5]。劉奕等人[6]提出一種基于改進(jìn)的vision trans?former模型的水稻葉片病害識(shí)別方法;袁培森等人[7]使用ECA注意力機(jī)制改進(jìn)MobileNetV3Small模型實(shí)現(xiàn)了水稻病害識(shí)別模型的輕量化,使其能夠在資源受限的移動(dòng)設(shè)備上部署。
1.2 知識(shí)圖譜技術(shù)
常見(jiàn)的知識(shí)圖譜包括通用知識(shí)圖譜(UniversalKnowledge Graph) 、聯(lián)合知識(shí)圖譜(UKG) 和領(lǐng)域知識(shí)圖譜(DKG) 。在農(nóng)業(yè)領(lǐng)域,王巧珍[8]構(gòu)建了馬鈴薯產(chǎn)業(yè)鏈領(lǐng)域知識(shí)圖譜;譚迦瀚[9]通過(guò)研究深度學(xué)習(xí)模型和本體編輯器Protégé,完善了柑橘病蟲(chóng)害知識(shí)圖譜;丁仕濤[10]利用自然語(yǔ)言處理和深度學(xué)習(xí)等技術(shù)構(gòu)建了茶葉病蟲(chóng)害知識(shí)圖譜;利用ChatGPT等大模型助力實(shí)體關(guān)系的抽取為推動(dòng)農(nóng)業(yè)病蟲(chóng)害領(lǐng)域知識(shí)圖譜的構(gòu)建提供了新的思路。
2“ 慧興農(nóng)”系統(tǒng)設(shè)計(jì)
2.1 整體系統(tǒng)框架
“慧興農(nóng)”系統(tǒng)和核心功能是圖像識(shí)別功能,包括植物識(shí)別、動(dòng)物識(shí)別、病害識(shí)別和蟲(chóng)害識(shí)別;為增強(qiáng)可視化效果,設(shè)計(jì)了知識(shí)圖譜模塊,以便動(dòng)態(tài)展示識(shí)別結(jié)果中的大段文字,幫助用戶快速提取實(shí)體關(guān)系;農(nóng)業(yè)生產(chǎn)監(jiān)控主要是對(duì)生產(chǎn)過(guò)程當(dāng)中的環(huán)境指標(biāo)數(shù)據(jù)進(jìn)行折線圖的形式可視化,以便用戶觀測(cè)到指標(biāo)的變化趨勢(shì);AI模塊的引入主要是為了解決用戶在使用過(guò)程當(dāng)中產(chǎn)生的疑難問(wèn)題;種植基地模塊主要是對(duì)農(nóng)業(yè)生產(chǎn)基地種植的產(chǎn)品、客戶進(jìn)行管理;鄉(xiāng)村振興模塊包括:直播帶貨、農(nóng)知庫(kù),助農(nóng)商城。為農(nóng)業(yè)生產(chǎn)者提供了學(xué)習(xí)平臺(tái),并能夠在此銷售農(nóng)產(chǎn)品與購(gòu)買生產(chǎn)工具。資訊模塊則可以滿足用戶對(duì)于時(shí)事新聞動(dòng)態(tài)的需求。系統(tǒng)的主要功能模塊如圖1所示。
根據(jù)人群特征、系統(tǒng)用戶可分為以下3類。
農(nóng)業(yè)生產(chǎn)者:主要是種植大戶、家庭農(nóng)場(chǎng)、農(nóng)民合作社等各類農(nóng)業(yè)生產(chǎn)主體,這些人是病害識(shí)別小程序的主要使用客戶。他們可以使用病害識(shí)別結(jié)果、防治建議以及實(shí)時(shí)的病蟲(chóng)害預(yù)警信息。
農(nóng)業(yè)技術(shù)人員:主要是農(nóng)業(yè)技術(shù)推廣人員、植保專家等,他們可以利用病害識(shí)別小程序輔助診斷病害,提高工作效率。小程序能夠提供專業(yè)性的病害識(shí)別結(jié)果、詳細(xì)的防治方案以及最新的病蟲(chóng)害研究成果。
普通用戶:可以使用商城購(gòu)物功能。在小程序下單農(nóng)產(chǎn)品,瀏覽農(nóng)業(yè)相關(guān)資訊。
2.2 系統(tǒng)架構(gòu)設(shè)計(jì)
本系統(tǒng)采用前后端分離的開(kāi)發(fā)模式,微信小程序作為前端,是用戶與系統(tǒng)交互的接口;Flask 作為后端,主要負(fù)責(zé)病蟲(chóng)害識(shí)別系統(tǒng)的核心業(yè)務(wù)邏輯部分,包括數(shù)據(jù)采集和管理、病蟲(chóng)害識(shí)別模型、快速卷積神經(jīng)網(wǎng)絡(luò)(FCNN) 與MobilenetV3模型等。同時(shí),還以提供一些數(shù)據(jù)分析和處理功能。數(shù)據(jù)庫(kù)與數(shù)據(jù)存儲(chǔ)層利用MySQL數(shù)據(jù)庫(kù)存儲(chǔ)采集到的原始數(shù)據(jù),包括病蟲(chóng)害識(shí)別系統(tǒng)的基礎(chǔ)數(shù)據(jù)和其他相關(guān)數(shù)據(jù),該層也可提供數(shù)據(jù)恢復(fù)和備份,以及數(shù)據(jù)加密等功能。此外還將項(xiàng)目部署到騰訊云服務(wù)器,方便前端隨時(shí)隨地對(duì)后端服務(wù)器發(fā)送請(qǐng)求獲取數(shù)據(jù)。系統(tǒng)技術(shù)架構(gòu)如圖2 所示。
2.3 系統(tǒng)主要模塊設(shè)計(jì)
2.3.1 病蟲(chóng)害識(shí)別
病蟲(chóng)害識(shí)別是本系統(tǒng)的核心功能。對(duì)于病害、蟲(chóng)害識(shí)別是基于改進(jìn)后的MobilNetV3,采用的數(shù)據(jù)集有PDR2018、PlantVillage、FGVC8。圖片統(tǒng)一裁剪為256×256大小作為輸入。在訓(xùn)練的適合對(duì)數(shù)據(jù)集進(jìn)行歸一化處理,結(jié)合圖像變換、隨機(jī)剪切、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)和旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)方法,經(jīng)過(guò)70輪訓(xùn)練后得到的模型精度約為95.3%,但考慮到數(shù)據(jù)集數(shù)量有限,實(shí)際應(yīng)用中的動(dòng)物和植物數(shù)量之多,普通動(dòng)植物識(shí)別調(diào)用了百度API接口。百度API識(shí)圖系統(tǒng)模塊中的動(dòng)物圖像識(shí)別模塊服務(wù)能夠準(zhǔn)確識(shí)別圖片中的動(dòng)植物的名稱、類別、位置,反饋動(dòng)植物名稱等多種信息。
移動(dòng)端設(shè)備算力資源有限且具有實(shí)時(shí)性要求,Mobilenet因其參數(shù)規(guī)模較小,同時(shí)能夠保持一定的精度而經(jīng)常用于移動(dòng)端的設(shè)備部署。相較于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò),MobileNetv3的性能在某種程度上受到了模型規(guī)模的限制,有沒(méi)有一種方法可以適當(dāng)權(quán)衡模型大小和模型運(yùn)算速度的關(guān)系呢?這時(shí)候考慮將在小卷積核上面擁有較強(qiáng)性能的Winograd算法引入Mo?bileNetV3,代替原有的卷積,利用Winograd的特性,可以適當(dāng)增加模型的參數(shù)量大小以增強(qiáng)模型的精度,與此同時(shí)保持MobileNet原有的時(shí)效性。
Winograd算法的核心思想是以更多的加法次數(shù)代替部分乘法以此達(dá)到加速的目的。比如,直接實(shí)現(xiàn)一個(gè)m輸出、r的參數(shù)的FIR濾波器 F (m , r)一共需要m×r 次乘法運(yùn)算;但使用Winograd算法,忽略變換過(guò)程的話,僅僅需要 m + r?1次乘法運(yùn)算。進(jìn)行圖像分類的推理階段,卷積核上的元素是固定的,與Wino?grad變化相關(guān)的參數(shù)可以提前算好,從而減少計(jì)算次數(shù),達(dá)到加速的目的。公式(1) 是Winograd算法的數(shù)學(xué)表達(dá)式:
S = AT[[GgGT ] ] ⊙[ BT dB A (1)
對(duì)于“慧興農(nóng)”系統(tǒng)的圖片識(shí)別接口設(shè)計(jì),請(qǐng)求參數(shù)的參數(shù)有:image、baike_num、top_num。微信小程序端在獲取病蟲(chóng)害識(shí)別作業(yè)數(shù)據(jù)后,會(huì)以base64編碼的方式將圖片將數(shù)據(jù)上傳至Flask后端中。在后端發(fā)起請(qǐng)求的過(guò)程當(dāng)中,top_num、baike_num的值都設(shè)置為1,以便在返回結(jié)果列表中進(jìn)行呈現(xiàn)。在這里,選擇了HTTPS協(xié)議,從而實(shí)現(xiàn)了微信小程序與服務(wù)器端的通信。在HTTPS協(xié)議的請(qǐng)求頭部、請(qǐng)求體和響應(yīng)體部分?jǐn)y帶了圖片識(shí)別數(shù)據(jù)以及返回信息。接口的返回參數(shù)詳情如表1所示。
在微信小程序端,對(duì)獲取的識(shí)別數(shù)據(jù)進(jìn)行處理和展示。將客戶端與百度百科進(jìn)行結(jié)合,對(duì)百度百科網(wǎng)頁(yè)內(nèi)容進(jìn)行界面自適應(yīng)處理,最終可以通過(guò)文字、圖像、視頻的方式對(duì)病蟲(chóng)害進(jìn)行展示和介紹,對(duì)識(shí)別內(nèi)容進(jìn)行了詳細(xì)的介紹。
2.3.2 知識(shí)圖譜模塊
知識(shí)圖譜能夠清晰地呈現(xiàn)實(shí)體之間的關(guān)系,廣泛用于復(fù)雜文本的可視化呈現(xiàn),以幫助讀者更加快速地梳理各個(gè)關(guān)鍵實(shí)體之間的關(guān)系。為解決傳統(tǒng)的知識(shí)圖譜依賴于手工提取文本內(nèi)容的實(shí)體關(guān)系對(duì),較為耗時(shí)費(fèi)力這一痛點(diǎn),本系統(tǒng)采用ChatGPT大語(yǔ)言模型的動(dòng)態(tài)推理能力,對(duì)病蟲(chóng)害識(shí)別結(jié)果的文本進(jìn)行實(shí)體關(guān)系對(duì)的抽取,對(duì)抽取出來(lái)的實(shí)體關(guān)系對(duì)進(jìn)行處理后存入數(shù)據(jù)庫(kù)以便進(jìn)行查詢和檢索,通過(guò)數(shù)據(jù)轉(zhuǎn)換進(jìn)一步封裝數(shù)據(jù)后,將其轉(zhuǎn)換為ECharts 框架能夠識(shí)別的數(shù)據(jù)格式,選擇合適的關(guān)系圖表類型,在設(shè)置圖表類型后,將處理后的數(shù)據(jù)和配置信息(如標(biāo)題、提示框、節(jié)點(diǎn)樣式等) 傳遞給ECharts。框架會(huì)根據(jù)當(dāng)前的配置信息渲染出可視化的知識(shí)圖譜,并將其嵌入小程序中,方便用戶進(jìn)行交互。當(dāng)知識(shí)圖譜的數(shù)據(jù)發(fā)生變更時(shí),可以利用 ECharts 的數(shù)據(jù)更新接口對(duì)圖表進(jìn)行實(shí)時(shí)更新,從而提升用戶體驗(yàn)。
2.3.3 農(nóng)情監(jiān)控平臺(tái)
在農(nóng)業(yè)生產(chǎn)過(guò)程當(dāng)中,治得好不如防得好。利用已有技術(shù)動(dòng)態(tài)監(jiān)測(cè)環(huán)境因素是保證農(nóng)業(yè)生產(chǎn)安全穩(wěn)健的重要因素。本系統(tǒng)設(shè)計(jì)了農(nóng)業(yè)監(jiān)控模塊,能夠持續(xù)監(jiān)測(cè)農(nóng)田環(huán)境參數(shù),如氣候、土壤濕度、溫度等。利用Echats技術(shù),將傳感器收集的氣候、土壤濕度等數(shù)據(jù)進(jìn)行可視化,繪制出數(shù)據(jù)變化曲線,以便用戶可以及時(shí)觀測(cè)到有關(guān)影響作物生產(chǎn)的環(huán)境指標(biāo)的變化趨勢(shì)。本系統(tǒng)為環(huán)境溫度、濕度等指標(biāo)設(shè)置了閾值,一旦當(dāng)這些指標(biāo)超出閾值范圍,系統(tǒng)便發(fā)出警告,以便農(nóng)業(yè)生產(chǎn)者及時(shí)處理突發(fā)因素。
2.3.4 AI 問(wèn)答模塊
在農(nóng)業(yè)生產(chǎn)過(guò)程當(dāng)中用戶往往會(huì)產(chǎn)生較多的問(wèn)題,如某種病害是如何產(chǎn)生的、某種作物種植的最佳時(shí)節(jié)、農(nóng)藥使用錯(cuò)誤會(huì)怎樣等眾多問(wèn)題,為了能夠幫助用戶快速解答疑問(wèn),本系統(tǒng)采用ChatGPT API開(kāi)發(fā)了AI問(wèn)答模塊。在獲得ChatGPT API域名和APIKEY 后即可對(duì)ChatGPT API調(diào)用進(jìn)行訪問(wèn)。本系統(tǒng)調(diào)用的模型是gpt-3.5-turbo。首先在本地導(dǎo)入openai 函數(shù)庫(kù),然后就可以對(duì)gpt-3.5-turbo進(jìn)行調(diào)用。接口輸入主要有7個(gè)參數(shù):model、messages、temperature、max_to?kens、top_p、frequency_penalty、presence_penalty、stream。model 是對(duì)模型進(jìn)行選擇,可供選擇的模型有:Da?vinci、Curie、Babbage 和gpt-3.5-turbo,本文選取的是gpt-3.5-turbo;message字段對(duì)role和content參數(shù)進(jìn)行指定即可;max_tokens字段是對(duì)返回字?jǐn)?shù)的限制,最大返回?cái)?shù)量是4 096個(gè)字符。
為了方便地將客戶的問(wèn)答歷史記錄記錄到MySQL數(shù)據(jù)庫(kù)中,系統(tǒng)在Flask后端對(duì)接口進(jìn)行調(diào)用,微信小程序采用POST請(qǐng)求方式向Flask后端發(fā)起請(qǐng)求,同時(shí)將病蟲(chóng)害識(shí)別結(jié)果依次存儲(chǔ)到MySQL數(shù)據(jù)庫(kù)中。微信小程序端對(duì)返回的json格式的數(shù)據(jù)進(jìn)行處理,以便動(dòng)態(tài)展示到對(duì)話框頁(yè)面當(dāng)中。
2.3.5 鄉(xiāng)村振興模塊
鄉(xiāng)村振興頁(yè)面提供農(nóng)業(yè)視頻講解,農(nóng)業(yè)知識(shí)科普以及農(nóng)產(chǎn)品商城頁(yè)面。 通過(guò)智能化的農(nóng)業(yè)知識(shí)圖譜整合海量農(nóng)業(yè)知識(shí)資源,通過(guò)知識(shí)圖譜技術(shù)實(shí)現(xiàn)智能檢索與推薦,助力農(nóng)民科學(xué)種植與管理。便捷的助農(nóng)電商平臺(tái)搭建線上、線下相結(jié)合的農(nóng)產(chǎn)品交易與服務(wù)橋梁,促進(jìn)農(nóng)產(chǎn)品流通與農(nóng)民增收。
對(duì)于農(nóng)知庫(kù)模塊,有農(nóng)業(yè)知識(shí)書籍閱讀、生產(chǎn)知識(shí)視頻、農(nóng)業(yè)種植者生產(chǎn)交流等功能,以便種植者能夠?qū)W習(xí)到有用的農(nóng)業(yè)生產(chǎn)知識(shí),以便于更好地幫助農(nóng)業(yè)生產(chǎn)。對(duì)于助農(nóng)商城主要是采購(gòu)模塊和銷售模塊,一方面方便農(nóng)業(yè)種植者購(gòu)買所需要的物資,如化肥、農(nóng)業(yè)、種子等。另一面可以對(duì)農(nóng)業(yè)種植者所生產(chǎn)的產(chǎn)品進(jìn)行銷售,擴(kuò)展銷售渠道,解決農(nóng)產(chǎn)品的滯銷問(wèn)題。
2.3.6 資訊模塊
資訊頁(yè)面為用戶間的交流搭建了一個(gè)小平臺(tái),用戶可觀看官方農(nóng)業(yè)咨訊獲取動(dòng)態(tài)信息。在此模塊,用戶可以發(fā)表評(píng)論,與其他技術(shù)人員交流農(nóng)業(yè)生產(chǎn)生活過(guò)程中的疑難問(wèn)題,進(jìn)一步提高農(nóng)業(yè)生產(chǎn)水平。
3 總結(jié)與展望
3.1 系統(tǒng)評(píng)估
系統(tǒng)在微信小程序端進(jìn)行了全面的功能測(cè)試,設(shè)計(jì)的測(cè)試用例覆蓋了注冊(cè)登錄、病蟲(chóng)害拍照識(shí)別、病蟲(chóng)害科普、病蟲(chóng)害咨詢、農(nóng)業(yè)預(yù)警、鄉(xiāng)村振興、新聞資訊等主要功能模塊。部分測(cè)試用例如表2所示。
3.2 總結(jié)與展望
項(xiàng)目基于神經(jīng)網(wǎng)絡(luò)和知識(shí)圖譜構(gòu)建了微信小程序,該系統(tǒng)能夠?qū)r(nóng)業(yè)生產(chǎn)過(guò)程當(dāng)中常見(jiàn)的病蟲(chóng)害進(jìn)行識(shí)別并提供相應(yīng)的防治方案,利用知識(shí)圖譜對(duì)有關(guān)長(zhǎng)文本進(jìn)行可視化呈現(xiàn),提高了可視化效果。此外,還搭建了助農(nóng)商城,旨在幫助農(nóng)業(yè)生產(chǎn)者銷售農(nóng)產(chǎn)品,助力鄉(xiāng)村振興。未來(lái),系統(tǒng)將考慮擴(kuò)充數(shù)據(jù)集,進(jìn)一步提高模型對(duì)于病害識(shí)別的能力和范圍、設(shè)計(jì)更為高效的算法以緩解輕量化模型造成的精度損失問(wèn)題,并考慮考慮引入專家團(tuán)隊(duì),為用戶提供人工與AI智能雙重輔助答疑服務(wù)。這些措施都將有助于進(jìn)一步完善系統(tǒng)功能,提高用戶滿意度,增強(qiáng)產(chǎn)品的專業(yè)性。
參考文獻(xiàn):
[1] LAVIN A,GRAY S.Fast algorithms for convolutional neural net?works[C]//2016 IEEE Conference on Computer Vision and Pat?tern Recognition (CVPR).June 27-30,2016,Las Vegas,NV,USA.IEEE,2016:4013-4021.
[2] HOWARD A,SANDLER M,CHEN B,et al.Searching for Mobile?NetV3[C]//2019 IEEE/CVF International Conference on Com?puter Vision (ICCV).October 27-November 2,2019.Seoul,Ko?rea (South).IEEE,2019.
[3] 鐘勝銓,陳志聰,吳麗君,等.基于改進(jìn)SqueezeNet的光伏陣列故障診斷[J].電力電子技術(shù),2024,58(7):76-79.
[4] WU K,MA F,WEI C L,et al.Rapid determination of nitrate nitro?gen isotope in water using Fourier transform infrared attenuatedtotal reflectance spectroscopy (FTIR-ATR) coupled with decon?volution algorithm[J].Molecules,2023,28(2):567.
[5] 周巧黎,馬麗,曹麗英,等.基于改進(jìn)輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)Mo?bileNetV3的番茄葉片病害識(shí)別[J].智慧農(nóng)業(yè)(中英文),2022,4(1):47-56.
[6] 劉奕,崔艷榮.基于改進(jìn)ViT模型的水稻葉片病害識(shí)別方法[J].江蘇農(nóng)業(yè)科學(xué),2024,52(11):197-204.
[7] 袁培森,歐陽(yáng)柳江,翟肇裕,等.基于MobileNetV3Small-ECA的水稻病害輕量級(jí)識(shí)別研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2024,55(1):253-262.
[8] 王巧珍. 馬鈴薯產(chǎn)業(yè)鏈知識(shí)圖譜構(gòu)建研究[D]. 蘭州: 甘肅農(nóng)業(yè)大學(xué), 2023.
[9] 譚迦瀚. 柑橘病蟲(chóng)害知識(shí)圖譜構(gòu)建研究[D]. 長(zhǎng)沙: 湖南農(nóng)業(yè)大學(xué), 2022.
[10] 丁仕濤.基于茶葉病蟲(chóng)害知識(shí)圖譜的智能問(wèn)答系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].雅安:四川農(nóng)業(yè)大學(xué),2023.
【通聯(lián)編輯:唐一東】
基金項(xiàng)目:湖南省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(編號(hào):S202410554118)