基于电子病历的作物病虫害关联挖掘及智能诊断

doi:10.12398/j.issn.2096-7217.2023.04.001

摘要/Abstract

摘要：

作物病虫害研究是人工智能技术与智慧农业交叉领域的热点问题。现有的研究受到数据获取困难、技术实施成本高以及作物病虫害发生态势复杂等因素的限制。北京市“植物诊所”形成的植物电子病历（plant electronic medical records， PEMRs）为作物病虫害的诊断与防治提供了新的研究方向。PEMRs以多模态数据的形式存储，包含了丰富的植物信息、病虫害信息和环境信息，如何挖掘PEMRs信息并利用其辅助后续研究是亟待解决的问题。鉴于知识图谱的信息表示能力、机器学习的挖掘能力和深度学习的特征抽取能力，根据电子病历特点，利用结构化数据构建作物病虫害知识图谱，利用非结构化数据和领域知识进行知识增强，进一步利用Neo4j图数据库和图数据科学（graph data science， GDS）结合机器学习算法从“热”点发现、联系链路发现、相似病虫害发现3个维度进行关联挖掘。在此基础上，将基于Transformer的双向编码器（bidirectional encoder representation from transformers，BERT）与卷积神经网络（convolutional neural network，CNN）结合，利用非结构化文本数据实现文本特征抽取和病虫害诊断，模拟植物医生实现智能化服务，在20种常见病虫害上的综合准确率可达到93.13%。本研究可为作物病虫害的及时诊断、对症防治、科学用药和辅助决策提供理论支持，创新了农业科技社会化服务新模式、新业态。

关键词: 作物病虫害, 知识图谱, 关联挖掘, 植物电子病历, 病虫害诊断, 机器学习

Abstract:

Research on crop diseases has become a hot topic of the application of artificial intelligence technology in smart agriculture. Existing studies are restricted by the factors such as difficulties in collecting data， high cost of technology implementation， and complex crop disease trends. Plant electronic medical records （PEMRs） formed by Beijing Plant Clinic provides a new idea for the diagnosis and prevention of crop diseases and pests. PEMRs are stored in the form of multi-modal data， containing a wealth of plant information， disease information， and environmental information. Therefore， how to mine PEMRs information and utilize it to assist follow-up research is an urgent problem to be solved. In view of the information representation ability of knowledge map， the mining ability of machine learning and the feature extraction ability of deep learning， structured data is used to construct the knowledge graph of crop diseases and pests， unstructured data and domain knowledge are used for knowledge enhancement according to the characteristics of PEMRs. Further， Neo4j graph database and graph data science （GDS） combined with machine learning algorithm was employed to conduct association mining from three dimensions of popular point discovery， link discovery and similar disease discovery. At the same time， text feature extraction and disease diagnosis were realized by using unstructured text data based on the bidirectional encoder representation from transformers （BERT） with convolutional neural network （CNN） model， and intelligent service was realized by simulating plant doctor. The comprehensive accuracy of 20 common diseases was up to 93.13%. This study can provide theoretical support for timely diagnosis， symptomatic control， scientific medication guide and assistant decision-making of crop diseases and pests， and innovate a new model and new business of social service of agricultural science and technology.

Key words: crop diseases and pests, knowledge graph, association mining, plant electronic medical record, pest diagnosis, machine learning

中图分类号:

S24： TP391

徐畅, 张领先, 乔岩. 基于电子病历的作物病虫害关联挖掘及智能诊断[J]. 智能化农业装备学报（中英文）, 2023, 4(4): 1-10.

XU Chang, ZHANG Lingxian, QIAO Yan. Association mining of crop diseases and intelligent diagnosis based on electronic medical records[J]. Journal of Intelligent Agricultural Mechanization, 2023, 4(4): 1-10.

图/表 11

参考文献 23

1	ZHAO S Y， PENG Y， LIU J Z， et al. Tomato leaf disease diagnosis based on improved convolution neural network by attention module ［J］. Agriculture， 2021， 11（7）： 1-15.
2	WANI J A， SHARMA S， MUZAMIL M， et al. Machine learning and deep learning based computational techniques in automatic agricultural diseases detection： Methodologies， applications， and challenges ［J］. Archives of Computational Methods in Engineering， 2022， 29（1）： 641-677.
3	FAHEY T， PHAM H， GARDI A， et al. Active and passive electro-optical sensors for health assessment in food crops ［J］. Sensors， 2021， 21（1）： 171.
4	XU C， DING J Q， QIAO Y， et al. Tomato disease and pest diagnosis method based on the stacking of prescription data ［J］. Computers and Electronics in Agriculture， 2022， 197： 106997.
5	DING J Q， LI B， XU C， et al. Diagnosing crop diseases based on domain-adaptive pre-training BERT of electronic medical records ［J］. Applied Intelligence， 2023， 53（12）： 15979-15992.
6	GARCÍA-ESTRADA R S， DIAZ-LARA A， AGUILAR-MOLINA V H， et al. Viruses of economic impact on tomato crops in Mexico： From diagnosis to management—A review ［J］. Viruses， 2022， 14（6）： 1251.
7	HUANG S C， PAREEK A， ZAMANIAN R， et al. Multimodal fusion with deep neural networks for leveraging CT imaging and electronic health record： A case-study in pulmonary embolism detection ［J］. Scientific Reports， 2020， 10（1）： 22147.
8	LIU Y， YU Z X， YANG Y L， et al. Diabetes risk data mining method based on electronic medical record analysis ［J］. Journal of Healthcare Engineering， 2021： 6678511-6678526.
9	张领先，韩梦瑶，丁俊琦，等. 作物病害智能诊断与处方推荐技术研究进展［J］. 农业机械学报， 2023， 54（6）： 1-18.
	ZHANG Lingxian， HAN Mengyao， DING Junqi， et al. Research progress in intelligence diagnosis and prescription recommendation of crop diseases ［J］. Transactions of Chinese Society for Agriculture Machinery， 2023， 54（6）： 1-18.
10	徐畅，丁俊琦，赵聃桐，等. 基于LightGBM和处方数据的番茄病害诊断方法［J］. 农业机械学报， 2022， 53（9）： 286-294.
	XU Chang， DING Junqi， ZHAO Dantong， et al. Tomato disease diagnosis method based on LightGBM and prescription data ［J］. Transactions of Chinese Society for Agriculture Machinery， 2022， 53（9）： 286-294.
11	丁俊琦，李博，乔岩，等. 基于植物电子病历多类型数据融合的作物病害诊断方法［J］. 农业机械学报， 2023， 54（1）： 196-204， 223.
	DING Junqi， LI Bo， QIAO Yan， et al. Crop disease diagnosis method based on fusion multiple types of data from plant EMRs ［J］. Transactions of Chinese Society for Agriculture Machinery， 2023， 54（1）： 196-204， 223.
12	张领先，赵聃桐，丁俊琦，等. 基于CDSSM的作物病害处方推荐方法［J］. 农业机械学报， 2023， 54（3）： 308-317.
	ZHANG Lingxian， ZHAO Dantong， DING Junqi， et al. Recommendation method of crop disease prescription based on CDSSM ［J］. Transactions of Chinese Society for Agriculture Machinery， 2023， 54（3）： 308-317.
13	BARTELS R H M A， DONK R D， VERHAGEN W I M， et al. Reporting the results of Meta-analyses： A plea for incorporating clinical relevance referring to an example ［J］. The Spine Journal， 2017， 17（11）： 1625-1632.
14	BOURSIANIS A D， PAPADOPOULOU M S， DIAMANTOULAKIS P， et al. Internet of Things （IoT） and agricultural Unmanned Aerial Vehicles （UAVs） in smart farming： A comprehensive review ［J］. Internet of Things， 2020： 100187.
15	KIM S， LEE M， SHIN C. IoT-based strawberry disease prediction system for smart farming ［J］. Sensors， 2018， 18（11）： 4051.
16	高云君，葛丛丛，郭宇翔，等. 面向关系型数据与知识图谱的数据集成技术综述［J］. 软件学报， 2023， 34（5）： 1-27.
	GAO Yunjun， GE Congcong， GUO Yuxiang， et al. Survey on data integration technologies for relational data and knowledge graph ［J］. Journal of Software， 2023， 34（5）： 1-27.
17	CONG K， LI T， LI B B， et al. KGDetector： Detecting Chinese sensitive information via knowledge graph-enhanced BERT ［J］. Security and Communication Networks， 2022： 4656837.
18	LIN J J， ZHAO Y Z， HUANG W Y， et al. Domain knowledge graph-based research progress of knowledge representation ［J］. Neural Computing and Applications， 2021， 33（2）： 681-690.
19	DEVLIN J， CHANG M W， LEE K， et al. Bert： Pre-training of deep bidirectional transformers for language understanding ［J］. arXiv preprint arXiv：， 2018.
20	ACHEAMPONG F A， NUNOO-MENSAH H， CHEN W. Transformer models for text-based emotion detection： A review of BERT-based approaches ［J］. Artificial Intelligence Review， 2021： 1-41.
21	ZHANG S C. Challenges in kNN classification ［J］. IEEE Transations on Knowledge and Data Engineering， 2022， 34 （10）： 4663-4675.
22	孙敏，罗卫红，相林，等. 设施果菜病害诊断的知识表达与推理模型［J］. 农业工程学报， 2012， 28（17）： 149-156.
	SUN Min， LUO Weihong， XIANG Lin， et al. Knowledge expression and disease diagnostic reasoning model for greenhouse fruit and vegetable crops ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（17）： 149-156.
23	龚建兴，朱雷，王华兵，等. 基于功能图的作战体系关键节点分析［J］. 系统工程与电子技术， 2022， 44（8）： 2515-2521.
	GONG Jianxing， ZHU Lei， WANG Huabing， et al. Analysis of key nodes in combat system based on function graph ［J］. Systems Engineering & Electronics， 2022， 44（8）： 2515-2521.

病虫害名称	药物处方数量/条
黄瓜霜霉病	31
黄瓜白粉病	25
蚜虫	20
番茄晚疫病	16
粉虱	15

病虫害名称	药物处方数量/条
黄瓜霜霉病	31
黄瓜白粉病	25
蚜虫	20
番茄晚疫病	16
粉虱	15

病虫害名称1	病虫害名称2	相似度
番茄晚疫病	黄瓜霜霉病	0.820 7
黄瓜霜霉病	番茄晚疫病	0.820 7
粉虱	白粉虱	0.949 6
番茄病毒病	黄瓜白粉病	0.700 1
番茄灰霉病	番茄早疫病	0.711 4

病虫害名称1	病虫害名称2	相似度
番茄晚疫病	黄瓜霜霉病	0.820 7
黄瓜霜霉病	番茄晚疫病	0.820 7
粉虱	白粉虱	0.949 6
番茄病毒病	黄瓜白粉病	0.700 1
番茄灰霉病	番茄早疫病	0.711 4

模型名称	Accuracy	Macro avg的F₁-score	Weighted avg的F₁-score
BERT	0.926 8	0.844 7	0.926 1
BERT-CNN	0.931 3	0.876 5	0.931 4
BERT-RNN	0.924 4	0.820 9	0.924 0