基于知识图谱的农作物病虫害问答系统研究

doi:10.12398/j.issn.2096-7217.2024.04.003

智能化农业装备学报（中英文） ›› 2024, Vol. 5 ›› Issue (4): 39-50.DOI: 10.12398/j.issn.2096-7217.2024.04.003

基于知识图谱的农作物病虫害问答系统研究

赵泽行¹(), 吴晓鹏¹, 王怡馨², 闫小丽¹, 黄玉祥¹, 高筱钧³^,⁴()

^1.西北农林科技大学机械与电子工程学院，陕西杨凌，712100
^2.西北农林科技大学信息工程学院，陕西杨凌，712100
^3.南京农业大学工学院，江苏南京，210031
^4.农业装备技术全国重点实验室，北京市，100083

收稿日期:2023-12-27 修回日期:2024-03-21 出版日期:2024-11-15 发布日期:2024-11-15
通讯作者: 高筱钧，男，1990年生，黑龙江齐齐哈尔人，博士，副教授；研究方向为高速精播技术与装备等。E-mail： gxj-1234@126.com
作者简介:赵泽行，男，2001年生，河南许昌人；研究方向为智慧农业与深度学习。E-mail： 2019015213zzx@nwafu.edu.cn
基金资助:
农业装备技术全国重点实验室开放课题(NKL-2023-008);陕西省重点研发计划项目(2023-YBNY-204);中国博士后科学基金项目(2022M722609);陕西省博士后科研项目(2023BSHEDZZ149)

Research on question answering system for crop diseases and pests based on knowledge graph

ZHAO Zexing¹(), WU Xiaopeng¹, WANG Yixin², YAN Xiaoli¹, HUANG Yuxiang¹, GAO Xiaojun³^,⁴()

^1.College of Mechanical and Electronic Engineering，Northwest A&F University，Yangling 712100，China
^2.College of Information Engineering，Northwest A&F University，Yangling 712100，China
^3.College of Engineering，Nanjing Agricultural University，Nanjing 210031，China
^4.National Key Laboratory of Agricultural Equipment Technology，Beijing 100083，China

Received:2023-12-27 Revised:2024-03-21 Online:2024-11-15 Published:2024-11-15
Contact: GAO Xiaojun

摘要/Abstract

摘要：

在大数据时代的推动下，智能问答系统在各个领域得到广泛应用，为用户提供高效的答案，相比传统的文本知识收集和网络搜索引擎检索，具有明显优势。随着知识图谱技术的快速发展，智能问答系统迎来了新的发展阶段。本研究响应了智慧农业的需求，构建了一个基于知识图谱的农作物病虫害智能问答系统，旨在为用户提供与农作物病虫害相关的问答服务。主要工作包括：（1）农作物病虫害数据获取：利用分布式爬虫框架爬取农作物病虫害相关网页数据，并进行数据清理、分析、结构化等预处理操作。（2）知识图谱构建：对数据进行分析后，定义知识本体的实体类别与关系类别，完成知识图谱的模式层构建。利用基于规则的三元组模板对半结构化文本进行实体提取，构建数据层，并将三元组存储至Neo4j图数据库。（3）问答算法设计：利用BERT-BiLSTM-CRF模型进行问句实体识别，BERT-RNN模型进行问题分类。匹配模板后通过Cypher语句进行查询，将答案处理为自然语言形式并返回。（4）问答系统实现与可视化：结合农作物病虫害知识图谱与问答算法，使用Flask框架和多种web技术实现用户提问、实体识别、知识检索和答案返回等功能。试验结果表明，实体识别与问题分类模型的准确率（Precision）、召回率（Recall）和F1分别达到了93.22%、92.69%、92.21%和94.37%、93.92%、92.66%。与其他搜索途径相比，问答系统展现出了较高的准确性和稳定性。这项研究为农业信息化提供了一种智能化的解决方案，为用户获取农作物病虫害知识提供了新途径。

关键词: 农业信息化, 农作物病虫害, 知识图谱, 问答系统

Abstract:

Propelled by the era of big data， intelligent question-answering systems have found widespread applications across various domains， offering users a means to swiftly and efficiently acquire answers. Compared to traditional methods of collecting textual knowledge and utilizing web search engines， these systems demonstrate distinct advantages. With the rapid evolution of knowledge graph technology， intelligent question-answering systems have entered a new stage of development. In response to the call for smart agriculture， this study has undertaken the construction of a knowledge-based question-answering system based on knowledge graphs， aiming to provide users with question-answering services related to crop diseases and pests. The primary tasks include：（1） Acquisition of crop disease and pest data： Employing a distributed web crawling framework to retrieve data from web pages related to crop diseases and pests and preprocessing operations involve data cleaning， analysis， and structuring. （2） Construction of knowledge graph： Following data analysis， defining entity and relationship categories for the knowledge ontology and completing the pattern layer construction of the knowledge graph. Utilizing rule-based triple templates for extracting entities from semi-structured text， building the data layer， and storing triples in the Neo4j graph database. （3） Design of question-answering algorithms： Employing the BERT-BiLSTM-CRF model for question entity recognition and the BERT-RNN model for question classification. Matching templates， executing queries through Cypher statements， and processing answers into natural language forms for return. （4） Implementation and visualization of the question-answering system： Integrating crop disease and pest knowledge graphs with question-answering algorithms， the Flask framework and various web technologies are used to implement functionalities such as user questioning， entity recognition， knowledge retrieval， and answer presentation. Experimental results indicate that the entity recognition and question classification models achieved Precision （P）， Recall （R）， and F1 scores of 93.22%， 92.69%， 92.21%， and 94.37%， 93.92%， 92.66%， respectively. Compared to other search methods， the question-answering system demonstrated higher accuracy and stability. This study provides an intelligent solution for agricultural informationization， offering a new pathway for users to acquire knowledge on crop diseases and pests.

Key words: agricultural informationization, crop disease and pest, knowledge graph, question and answering system

中图分类号:

赵泽行, 吴晓鹏, 王怡馨, 闫小丽, 黄玉祥, 高筱钧. 基于知识图谱的农作物病虫害问答系统研究[J]. 智能化农业装备学报（中英文）, 2024, 5(4): 39-50.

ZHAO Zexing, WU Xiaopeng, WANG Yixin, YAN Xiaoli, HUANG Yuxiang, GAO Xiaojun. Research on question answering system for crop diseases and pests based on knowledge graph[J]. Journal of Intelligent Agricultural Mechanization, 2024, 5(4): 39-50.

图/表 20

图1 基于知识图谱的农作物病虫害问答系统的模块设计

Figure 1 Module design of Q&A system for crop diseases and pests based on knowledge graph

图2 基于知识图谱的农作物病虫害问答系统的模块设计

Figure 2 Construction framework of knowledge graph schema layer and data layer

图3 农作物病虫害知识图谱概念层次

Figure 3 Conceptual hierarchy of knowledge graph

表1 农作物病虫害知识领域实体类别

Table 1 Knowledge domain entity categories

实体类别	含义描述	实体定义
农作物	常见农作物	CRO
病害	农作物常见病害	DIS
虫害	农作物常见虫害/害虫	PES
症状	农作物病害的为害症状	SYM
病原	引发农作物病害的根源	PAT
传播途径	病害病原的传播方法	TRA
寄主	农作物害虫的为害对象	HOS
为害特点	农作物虫害的为害症状	CHA
形态特征	农作物害虫的形态特征	FIG
生活习性	农作物害虫的生活习性	HAB
防治方法	农作物病虫害的防治途径	MET

表2 农作物病虫害知识领域实体类别

Table 2 Knowledge domain relationship categories

关系类别	含义描述
Disease Pest	农作物——病/虫害
Disease Symptom	病害——症状
Disease Pathogeny	病害——病原
Disease Transmission	病害——传播途径
Pest Host	虫害——寄主
Pest Character	虫害——为害特点
Pest Figure	虫害——形态特征
Pest Habit	虫害——生活习性
Prevent Method	病/虫害——防治方法

图4 农作物病虫害知识图谱模式层

Figure 4 Schema layer of knowledge graph

表3 三元组数据储存形式

Table 3 Storage of triple

首实体	关系	尾实体
水稻恶苗病	DiseasePathogeny	Fusarium moniliforme Sheld
水稻烂秧病	DiseasePathogeny	Fusarium graminearum Schw
水稻白绢病	DiseasePathogeny	Sclerotium rolfsii Sacc
水稻白叶枯病	DiseasePathogeny	Xanthomonas oryzae
…	DiseasePathogeny	…

图5 农作物病虫害知识图谱部分实例

Figure 5 Partial examples of knowledge graph of crop pests and diseases

图6 问答系统工作流程

Figure 6 Workflow of Q&A system

图7 BERT-BiLSTM-CRF工作框架

Figure 7 Framework of BERT-BiLSTM-CRF

图8 BERT-RNN工作框架

Figure 8 Framework of BERT-RNN

表4 试验环境配置

Table 4 Experimental environment configuration

工具/试验环境	版本参数
Python	3.7
Pytorch	1.7.1 + cu110
Sklearn	0.24.1
Numpy	1.20.1
GPU	RTX 3090
操作系统	Ubnutu 22.04

表5 模型超参数配置

Table 5 Model hyperparameter configuration

参数名称	参数值
Batch size	64
Optimizer	Adam
Transformer layer	12
Learning rate	0.000 1
Dropout ratio	0.3/0.2
Embedding Size	512/256
LSTM_emb	200/-
Epoch	100/200

表6 试验结果

Table 6 Experimental result

模型对比		P/%	R/%	F1/%
实体识别	BiLSTM	88.68	87.36	86.91
	BiLSTM-CRF	91.85	90.33	90.54
	BERT-BiLSTM-CRF	93.22	92.69	92.21
问题分类	BERT	94.04	93.26	92.21
	RNN	93.55	93.36	91.95
	BERT-RNN	94.37	93.92	92.66

图9 Cypher答案检索流程

Figure 9 Cypher answer retrieval process

图10 问答系统构架

Figure 10 Q&A system architecture

图11 问答系统主界面

Figure 11 Main interface of Q&A system

图12 问答系统问答界面

Figure 12 Q&A interface of Q&A system

图13 快速回答机制的工作流程

Figure 13 Workflow of the quick answer mechanism

图14 问答结果对比图

Figure 14 Comparison of question answering results

参考文献 24

1	GUANXI Y， THIERRY B， HABIBULLAH B， et al. The technical challenges for applying unsaturated soil sensors to conduct laboratory-scale seepage experiments ［J］. Sensors， 2022， 22（10）： 3724-3724.
2	韩文霆，李广，苑梦婵，等. 基于无人机遥感技术的玉米种植信息提取方法研究［J］. 农业机械学报， 2017， 48（1）： 139-147.
	HAN Wenting， LI Guang， YUAN Mengchan， et al. Extraction method of maize planting information based on UAV remote sensing technology ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（1）： 139-147.
3	AMINE F， MOHAMED S， ESSAID S. An agile AI and IoT-augmented smart farming： A cost-effective cognitive weather station ［J］. Agriculture， 2022， 12（1）： 35.
4	苗小爱. 基于大数据分析的农业信息化研究［J］. 智慧农业导刊， 2023， 3（7）： 4-6，10.
	MIAO Xiaoai. Research on agricultural informatization based on big data analysis ［J］. Journal of Smart Agriculture， 2023， 3（7）： 4-6， 10.
5	吴赛赛，周爱莲，谢能付，等. 基于深度学习的作物病虫害可视化知识图谱构建［J］. 农业工程学报， 2020， 36（24）： 177-185.
	WU Saisai， ZHOU Ailian， XIE Nengfu， et al. Construction of visualization domain-specific knowledge graph of crop diseases and pests based on deep learning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（24）： 177-185.
6	李林，周晗，郭旭超，等. 基于多源信息融合的中文农作物病虫害命名实体识别［J］. 农业机械学报， 2021， 52（12）： 253-263.
	LI Lin， ZHOU Han， GUO Xuchao， et al. Named entity recognition of diseases and insect pests based on multi source information fusion ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（12）： 253-263.
7	POPPING R. Knowledge graphs and network text analysis ［J］. Social Science Information， 2003， 42（1）： 91-106.
8	陈佳云，徐向英，章永龙，等. 多模态知识图谱在农业中的研究进展［J］. 农业大数据学报， 2022， 4（3）： 126-134.
	CHEN Jiayun， XU Xiangying， ZHANG Yonglong， et al. Research progress of multimodal knowledge graph in agriculture ［J］. Journal of Agricultural Big Data， 2022， 4（3）： 126-134.
9	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.
10	王丹丹. 宁夏水稻知识图谱构建方法研究与应用［D］. 银川：北方民族大学， 2020.
	WANG Dandan. Research and application of construction method of rice knowledge graph in Ningxia ［D］. Yinchuan： North Minzu University， 2020.
11	张永亮. 基于知识图谱的苹果病虫害智能问答系统研究［D］. 杨凌：西北农林科技大学， 2022.
	ZHANG Yongliang. Research on intelligent question answering system of apple diseases and insect pests based on knowledge graph ［D］. Yangling： Northwest A&F University， 2022.
12	闫丽华. 基于知识图谱的葡萄病虫害自动问答系统［D］. 杨凌：西北农林科技大学， 2021.
	YAN Lihua. Automatic question answering system of grape diseases and pests based on knowledge graph ［D］. Yangling： Northwest A&F University， 2021.
13	刘峤，李杨，段宏，等. 知识图谱构建技术综述［J］. 计算机研究与发展， 2016， 53（3）： 582-600.
	LIU Qiao， LI Yang， DUAN Hong， et al. Knowledge graph construction techniques ［J］. Journal of Computer Research and Development， 2016， 53（3）： 582-600.
14	吴赛赛. 基于知识图谱的作物病虫害智能问答系统设计与实现［D］. 北京：中国农业科学院， 2021.
	WU Saisai. Design and implementation of intelligent question answering system for crop diseases and pests based on knowledge graph ［D］. Beijing： Chinese Academy of Agricultural Sciences， 2021.
15	张嘉宇，郭玫，张永亮，等. 细粒度苹果病虫害知识图谱构建研究［J］. 计算机工程与应用， 2023， 59（5）： 270-280.
	ZHANG Jiayu， GUO Mei， ZHANG Yongliang， et al. Research on construction of fine-grained knowledge graph of apple diseases and pests ［J］. Computer Engineering and Applications， 2023， 59（5）： 270-280.
16	LOURDUSAMY R， MATTAM X J. Knowledge graph using resource description framework and connectionist theory ［C］//IOP Publishing Ltd.， 2020：012001.DOI：10.1088/1742-6596/1427/1/012001 .
17	李雪. 一种基于Neo4j图数据库的模糊查询研究与实现［J］. 计算机技术与发展， 2018， 28（11）： 78-86．
	LI Xue. Research and implementation of a fuzzy query based on Neo4j graph database ［J］. Compute Technology and Development， 2018， 28（11）： 78-86.
18	王婷，王娜，崔运鹏，等. 基于人工智能大模型技术的果蔬农技知识智能问答系统［J］. 智慧农业（中英文）， 2023， 5（4）： 105-116．
	WANG Ting， WANG Na， CUI Yunpeng， et al. Agricultural technology knowledge intelligent question-answering system based on large language model ［J］. Smart Agriculture， 2023， 5（4）： 105-116.
19	ZHANG Q， YU H Q， SUN P， et al. Multisource data based agricultural drought monitoring and agricultural loss in China［J］. Global and Planetary Change， 2018， 172（JAN.）： 298-306.
20	白皓然，孙伟浩，金宁，等. 基于改进Bi-LSTM-CRF的农业问答系统研究［J］. 中国农机化学报， 2023， 44（2）： 99-105.
	BAI Haoran， SUN Weihao， JIN Ning， et al. Research on agricultural question answering system based on improved Bi-LSTM-CRF ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（2）： 99-105.
21	ZHANG Y， ZHANG M L， LUO N， et al. Understanding the formation mechanism of high-quality knowledge in social question and answer communities： A knowledge co-creation perspective ［J］. International Journal of Information Management， 2019， 48： 72-84.
22	郑泳智，吴惠粦，朱定局，等. 基于荔枝和龙眼病虫害知识图谱的问答系统［J］. 计算机与数字工程， 2021， 49（12）： 2618-2622.
	ZHENG Yongzhi， WU Huilin， ZHU Dingju， et al. Question and answer system based on the knowledge graphs of Litchi and Longan diseases and insect pests ［J］. Computer & Digital Engineering， 2021， 49（12）： 2618-2622.
23	赵瑞雪，杨晨雪，郑建华，等. 农业智能知识服务研究现状及展望［J］. 智慧农业（中英文）， 2022， 4（4）： 105-125.
	ZHAO Ruixue， YANG Chenxue， ZHENG Jianhua， et al. Agricultural intelligent knowledge service： Overview and future perspectives ［J］. Smart Agriculture， 2022， 4（4）： 105-125.
24	李源，丁士宁，张克旺，等. 基于CiteSpace的水稻病虫害研究热点与发展趋势分析［J］. 农业展望， 2022， 18（5）： 97-104.
	LI Yuan， DING Shining， ZHANG Kewang， et al. Research hotspots and development trend of rice disease and insect pests based on CiteSpace ［J］. Agricultural Outlook， 2022， 18（5）： 97-104.

基于知识图谱的农作物病虫害问答系统研究

Research on question answering system for crop diseases and pests based on knowledge graph

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 20

参考文献 24

相关文章 1

编辑推荐

Metrics

本文评价