基于卷積神經(jīng)網(wǎng)絡(luò)和知識(shí)圖譜的“慧興農(nóng)”系統(tǒng)研究與設(shè)計(jì)

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）