一种农作物病虫害知识关联发现方法、系统及电子设备技术方案

本发明专利技术公开了一种农作物病虫害知识关联发现方法、系统及电子设备，涉及病虫害识别技术领域，该方法包括将目标农作物病虫害数据输入至训练好的深度学习模型BioBERT中得到语句级别和词语级别的词向量；将语句级别和词语级别的词向量输入至训练好的深度学习模型BiLSTM中得到实体类型的概率向量，通过序列标注算法CRF得到实体类型；将完成实体类型标注的语句输入至训练好的深度学习模型CNN中得到目标农作物病虫害数据的实体关系。本发明专利技术能够从语义级别发现农作物病虫害、典型症状和防治方法之间的关联关系，获取更全面准确的实体关系。系。系。

【技术实现步骤摘要】
一种农作物病虫害知识关联发现方法、系统及电子设备


[0001]本专利技术涉及病虫害识别
，特别是涉及一种农作物病虫害知识关联发现方法、系统及电子设备。

技术介绍

[0002]病虫害作为制约农作物增产和农民增收的重要灾害之一，严重影响农作物的产量和品质，造成不同程度的经济、环境和生态损失。而农作物病虫害种类繁多，防治标准难以统一，且农作物病虫害的诊断和防治知识广泛存在于农业科技文献、专著、网络信息资源中，具有“科技数据多源异构、实体表示交叉关联、知识组织无序分散”等特点。传统的病虫害知识关联发现方法大多基于规则匹配和特征提取，过于依赖领域专家知识，不仅需要耗费相当高的人工成本和时间成本，导致知识发现的范围十分有限，也无法有效挖掘大规模知识语料中蕴含的语义关联关系，所以农业科技者、植保专家、农民通常无法快速准确的获取农作物病虫害相关知识。

技术实现思路

[0003]本专利技术的目的是提供一种农作物病虫害知识关联发现方法、系统及电子设备，能够从语义级别发现农作物病虫害、典型症状和防治方法之间的关联关系，从而获取更全面准确的实体关系。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]第一方面，本专利技术提供了一种农作物病虫害知识关联发现方法，包括：
[0006]获取目标农作物病虫害数据；所述目标农作物病虫害数据为待识别的农作物病虫害数据；
[0007]将目标农作物病虫害数据输入至训练好的深度学习模型BioBERT中，以获取语句级别和词语级别的词向量；<br/>[0008]将语句级别和词语级别的词向量输入至训练好的深度学习模型BiLSTM中，以获取实体类型的概率向量，并通过序列标注算法CRF得到实体类型；
[0009]将完成实体类型标注的语句输入至训练好的深度学习模型CNN中，得到目标农作物病虫害数据的实体关系
[0010]第二方面，本专利技术提供的一种农作物病虫害知识关联发现系统，包括：
[0011]目标农作物病虫害数据获取模块，用于获取目标农作物病虫害数据；所述目标农作物病虫害数据为待识别的病虫害数据；
[0012]词向量确定模块，用于将目标农作物病虫害数据输入至训练好的深度学习模型BioBERT中，以获取语句级别和词语级别的词向量；
[0013]实体类型确定模块，用于将语句级别和词语级别的词向量输入至训练好的深度学习模型BiLSTM中，以获取实体类型的概率向量，并通过序列标注算法CRF得到实体类型；
[0014]实体关系确定模块，用于将完成实体类型标注的语句输入至训练好的深度学习模
型CNN中，得到目标农作物病虫害数据的实体关系。
[0015]第三方面，本专利技术提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的农作物病虫害知识关联发现方法。
[0016]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0017]本专利技术基于深度学习方法和自然语言处理技术提供了一种基于多阶段神经网络的农作物病虫害知识关联发现方法、系统及电子设备，不仅能够解决规则匹配、特征提取等传统方法过于依靠专家、人工成本和时间成本过高的问题，同时通过有效关联病虫害语句中上下文信息，从语义级别发现农作物病虫害、典型症状和防治方法之间的关联关系，从而获取更全面准确的实体关系，不仅能够快速高效的为农业种植户提供高质量的病虫害诊断和防治知识，还可以为农业科研工作者的新发现提供植保基础知识保障。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术实施例提供的农作物病虫害知识关联发现方法的流程示意图；
[0020]图2为本专利技术实施例提供的农作物病虫害知识关联发现系统的架构图；
[0021]图3为本专利技术实施例提供的农作物病虫害知识关联发现系统的流程图；
[0022]图4为本专利技术实施例提供的农作物病虫害实体特征提取模块的框架图；
[0023]图5为本专利技术实施例提供的农作物病虫害命名实体识别模块的框架图；
[0024]图6为本专利技术实施例提供的农作物病虫害关系抽取模块的框架图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0027]实施例一
[0028]如图1所示，本实施例提供的一种基于多阶段神经网络的农作物病虫害知识关联发现方法，包括如下步骤。
[0029]步骤100：获取目标农作物病虫害数据；所述目标农作物病虫害数据为待识别的农作物病虫害数据。
[0030]步骤200：将目标农作物病虫害数据输入至训练好的深度学习模型BioBERT中，以获取语句级别和词语级别的词向量。
[0031]步骤300：将语句级别和词语级别的词向量输入至训练好的深度学习模型BiLSTM
中，以获取实体类型的概率向量，并通过序列标注算法CRF得到实体类型。
[0032]步骤400：将完成实体类型标注的语句输入至训练好的深度学习模型CNN中，得到目标农作物病虫害数据的实体关系。
[0033]在本实施例中，在执行步骤100之前，还包括构建农作物病虫害本体；所述农作物病虫害本体包括概念实体(又称为实体类型)和实体关系；所述概念实体包括农作物实体、病虫害实体、为害部位实体、防治方法实体、药用功效实体；所述实体关系包括农作物实体
‑
病虫害实体，病虫害实体
‑
为害部位实体，病虫害实体
‑
防治方法实体，防治方法实体
‑
药用功效实体。
[0034]一个示例：以计算机语言对农作物病虫害本体进行描述和组织；将农作物病虫害本体设置为4层，包括5类父类概念：农作物实体、病虫害实体、为害部位实体、防治方法实体、药用功效实体，和4类实体关系：农作物实体
‑
病虫害实体，病虫害实体
‑
为害部位实体，病虫害实体
‑
防治方法实体，防治方法实体
‑
药用功效实体等。
[0035]在本实施例中，在执行步骤100之前，还包括先获取样本农作物病虫害数据；其次根据农作物病虫害本体，采用专家标注和自动标注相结合的方式对样本农作物病虫害数据的实体类型和实体关系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种农作物病虫害知识关联发现方法，其特征在于，包括：获取目标农作物病虫害数据；所述目标农作物病虫害数据为待识别的农作物病虫害数据；将目标农作物病虫害数据输入至训练好的深度学习模型BioBERT中，以获取语句级别和词语级别的词向量；将语句级别和词语级别的词向量输入至训练好的深度学习模型BiLSTM中，以获取实体类型的概率向量，并通过序列标注算法CRF得到实体类型；将完成实体类型标注的语句输入至训练好的深度学习模型CNN中，得到目标农作物病虫害数据的实体关系。2.根据权利要求1所述的一种农作物病虫害知识关联发现方法，其特征在于，还包括：构建农作物病虫害本体；所述农作物病虫害本体包括概念实体和实体关系；所述概念实体包括农作物实体、病虫害实体、为害部位实体、防治方法实体、药用功效实体；所述实体关系包括农作物实体
‑
病虫害实体、病虫害实体
‑
为害部位实体、病虫害实体
‑
防治方法实体和防治方法实体
‑
药用功效实体。3.根据权利要求2所述的一种农作物病虫害知识关联发现方法，其特征在于，还包括：获取样本农作物病虫害数据；根据农作物病虫害本体，采用专家标注和自动标注相结合的方式对样本农作物病虫害数据的实体类型和实体关系进行标签化，形成可供后续模型训练的语料库。4.根据权利要求3所述的一种农作物病虫害知识关联发现方法，其特征在于，还包括：采用语料库对深度学习模型BioBERT和深度学习模型BiLSTM进行训练。5.根据权利要求4所述的一种农作物病虫害知识关联发现方法，其特征在于，所述采用语料库对深度学习模型BioBERT和深度学习模型BiLSTM进行训练，具体包括：对样本农作物病虫害数据进行预处理操作；所述预处理操作包括分词、高频词过滤、低频词过滤、首部标识添加、尾部标识添加、语句补长和语句填充；将预处理操作后的样本农作物病虫害数据输入至深度学习模型BioB...

【专利技术属性】
技术研发人员：王婷，崔运鹏，李欢，刘珂艺，侯颖，刘娟，黄杰，
申请(专利权)人：中国农业科学院农业信息研究所，
类型：发明
国别省市：