星火科技12396专家知识库系统的研究
这是一篇关于专家系统,知识库,模型库,推理机,病虫害的论文, 主要内容为专家系统是一个智能计算机程序系统,包含大量领域专家水平的知识和经验,能够模仿人类专家思维来求解复杂问题,是人工智能中最重要、最活跃的一个应用领域,实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。农业专家系统(Agricultural Expert System,AES)是将专家系统知识应用到农业领域中的一种计算机系统。农业专家系统以农业领域专家知识为基础,实现计算机模拟农业专家的思维进行推理和决策,对农业的发展起关键作用,是广受关注的研究热点。本文通过不断深入研究广东省农作物生产的相关知识,采用灵活B/S结构,利用J2EE、数据库、动态网页等技术,开发12396专家知识库系统,实现农作物生产管理咨询与病虫害诊断等功能,并可通过后台维护模块对知识库系统进行升级及系统维护等工作。本文的主要工作： (1)学习和掌握建设星火科技12396专家知识库系统所需要的各项技术。确定Web服务器,采用SOL server数据库系统建立标准数据表,录入经分析整理等处理后的各种数据,为系统推理机及其它模块应用做准备。整个系统设计采用Java程序开发语言及JSP动态网页技术来实现。 (2)确定星火科技12396专家知识库系统的总体研究目标,进一步设计系统整体结构体系、功能开发和模块设计、系统开发的软硬件环境及运行演示。 (3)通过文献查阅、调查研究和调用直通车数据等形式搜集农作物生产知识、图片等资料,并通过分析、归纳、总结后结合专家系统开发的相关技术实现知识库、模型库、推理机的构建。最后对系统进行不断的测试和调试,征求领域专家的修改建议进行改进后再推广应用,并根据用户的反馈信息及新需求对系统进行进一步的完善。 本文通过采用ASP开发技术和推理机技术等,收集整理广东地区主要农作物(以黄瓜为例)的生产管理特点及病虫害的种类、诊断、发生规律、防治等信息,开发研制成专家知识库系统并进行推广应用。该系统能够为广东地区的农作物生产提供生产管理咨询及技术服务,并向广大农民推广先进的病虫害防治技术,提高农业生产的科技含量和生产效率,对促进该地区农业产业化,改善农作物品质等具有重要意义。
基于改进EfficientNet的病虫害分类与对抗攻击
这是一篇关于病虫害,深度神经网络,注意力模块,激活函数,伽马校正,图像金字塔,对抗样本的论文, 主要内容为农业通过人工培育来获得产品。许多植物病虫害会降低作物的产量和质量,植物病虫害问题比较严重。因此,植物病虫害的分类近年来受到了学术界的广泛关注,植物病虫害的分类有很多方法。人工诊断病虫害种类,具有较强的主观性,且耗时耗力。后来深度学习被应用在病虫害识别,并且取得了一些成果。目前的深度神经网络存在识别率不够高或效率低等问题。本文从注意力模块,卷积模块和激活函数改进Efficient Net,提出了Sim AM-Efficient Net。Sim AMEfficient Net识别率很高,而且训练和识别的速度很快。现有的注意力模块一般存在以下两个问题。第一个是它们只能通过通道和空间来细化特征,这会导致注意力权值的不灵活。第二个问题是结构很复杂,性能由一系列因素来影响。与它们相比,Sim AM有很多优势,它同时考虑空间和通道,推断三维的注意权值,而不添加参数在原始的网络中。因此,本文将Sim AM融入到Efficient Net中。标准卷积生成的特征图中的特征是高度冗余的,因此,本文用Ghost模块来优化一部分标准卷积,用标准卷积运算与线性运算相结合的方式减少特征提取过程中的计算量。另外,原本的Efficient Net里,Swish激活函数应用在模型的第1与第9个模块,还有第2至第8的MBConv模块中。虽然Swish激活函数在更深层次的模型上比Re LU表现更好,但效率较低。因此,用Hard Swish激活函数来替代Swish,Hard Swish激活函数采用分段线性函数,减少内存访问的数量。在训练过程中本文引入了迁移学习和学习率衰减来提升模型的性能。实验结果表明了本文模型在Plant Village上的准确率为99.31%。Res Net50的准确率为98.33%。Res Net18的准确性是98.31%。Dense Net的准确率为98.90%。但是,DNN是非常脆弱的,在图像分类中的对抗攻击值得关注。通过对抗样本检测DNN的鲁棒性是非常重要的,另外对抗攻击生成的对抗样本可以用来训练,增强DNN的性能。本文通过伽马校正和图像金字塔对MI-FGSM算法进行改进,提出了新的对抗攻击方法GP-MI-FGSM,然后用此方法生成的对抗样本来对DNN对抗训练。本文提出的模型在GP MI-FGSM对抗攻击下,错误率为87.6%。本文提出的GP-MI-FGSM的成功率高于其他对抗攻击算法,包括FGSM、I-FGSM和MI-FGSM。经过对抗训练后的模型的鲁棒性进一步增强,并且性能可以提升。最终经对抗训练过后的Sim AM-Efficient Net识别准确率达到99.78%
星火科技12396专家知识库系统的研究
这是一篇关于专家系统,知识库,模型库,推理机,病虫害的论文, 主要内容为专家系统是一个智能计算机程序系统,包含大量领域专家水平的知识和经验,能够模仿人类专家思维来求解复杂问题,是人工智能中最重要、最活跃的一个应用领域,实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。农业专家系统(Agricultural Expert System,AES)是将专家系统知识应用到农业领域中的一种计算机系统。农业专家系统以农业领域专家知识为基础,实现计算机模拟农业专家的思维进行推理和决策,对农业的发展起关键作用,是广受关注的研究热点。本文通过不断深入研究广东省农作物生产的相关知识,采用灵活B/S结构,利用J2EE、数据库、动态网页等技术,开发12396专家知识库系统,实现农作物生产管理咨询与病虫害诊断等功能,并可通过后台维护模块对知识库系统进行升级及系统维护等工作。本文的主要工作： (1)学习和掌握建设星火科技12396专家知识库系统所需要的各项技术。确定Web服务器,采用SOL server数据库系统建立标准数据表,录入经分析整理等处理后的各种数据,为系统推理机及其它模块应用做准备。整个系统设计采用Java程序开发语言及JSP动态网页技术来实现。 (2)确定星火科技12396专家知识库系统的总体研究目标,进一步设计系统整体结构体系、功能开发和模块设计、系统开发的软硬件环境及运行演示。 (3)通过文献查阅、调查研究和调用直通车数据等形式搜集农作物生产知识、图片等资料,并通过分析、归纳、总结后结合专家系统开发的相关技术实现知识库、模型库、推理机的构建。最后对系统进行不断的测试和调试,征求领域专家的修改建议进行改进后再推广应用,并根据用户的反馈信息及新需求对系统进行进一步的完善。 本文通过采用ASP开发技术和推理机技术等,收集整理广东地区主要农作物(以黄瓜为例)的生产管理特点及病虫害的种类、诊断、发生规律、防治等信息,开发研制成专家知识库系统并进行推广应用。该系统能够为广东地区的农作物生产提供生产管理咨询及技术服务,并向广大农民推广先进的病虫害防治技术,提高农业生产的科技含量和生产效率,对促进该地区农业产业化,改善农作物品质等具有重要意义。
智慧园林综合管理系统移动端研建
这是一篇关于智慧园林,植物识别,景区,病虫害的论文, 主要内容为近年来,随着新一代信息技术的兴起和发展,智慧城市已经从前几年的概念阶段逐渐步入了实施和建设阶段。智慧园林作为智慧城市的重要组成部分,有助于增加人民福利,改善园林管理部门的工作方式、提高效率。从国内外的实践来看,传统的管理模式对园林绿化管理已经变得越来越困难。因此,要实现一套智慧园林综合管理系统,改变传统管理方式的格局。在应用开发的业务层面上,本课题的系统开发基于两大子系统,一是植物子系统,二是病虫害查询子系统。植物子系统侧重于便民服务,旨在从植物科普、植物产业、娱乐活动等方面提高公众的使用体验。病虫害查询子系统侧重于服务农林管理者,通过病虫害查询、病虫害推理,为我国的农林病虫害监测与治理提供帮助。在应用开发的技术层面上,本系统前端采用Cordova平台,利用Ionic框架,实现一套代码编写Android、iOS两套应用。后端采用Spring Boot框架,结合JpaRepository实现对象关系映射访问数据库。经过多端整合,智慧园林综合管理系统移动端的实现效果符合预期。智慧园林综合管理系统移动端已经在北京市城市副中心得到示范应用,为传统的园林服务管理,提供了一个更好的、自动化的解决方案,为我国智慧园林研究者提供借鉴和参考。
北京市园林植物病虫害系统研建
这是一篇关于病虫害,病虫害科普,病虫害识别,移动应用的论文, 主要内容为随着北京经济建设的高速发展,生态环境压力与日俱增,园林绿化的重要性日益凸显。北京园林绿化步伐的日益加快,外地植物资源的使用日益增加,这给园林植物病虫害的滋生带来了隐患。若病虫害防治不及时,可能会造成严重的生态破坏和重大的经济损失。除此以外,北京大多数居民对园林植物病虫害了解较少,缺乏便捷有效的科普渠道,遇到病虫害问题难以快速解决。北京虽然有较为丰富的专家资源,但偏远郊区专家不能经常莅临指导,难以满足病虫害防治需求。针对上述问题,本研究利用目前流行的移动互联网技术,前端采用混合移动开发框架Ionic,后端采用Spring Boot框架研发了一套北京市园林植物病虫害系统。本系统创建了北京市常见园林植物的病虫害电子数据库,可以为用户提供园林植物的养护参考,特别是养护过程中的病虫害防治方法;构建了病虫害识别体系,通过人机结合方式提升病虫害的诊断效率和识别准确度;建立了病虫害专家模块,实现了专家远程咨询功能,并提供了多种咨询途径;搭建了用户社区问答模块,加强用户间的交流互动,利用群智智慧解决用户的病虫害防治问题。此外,系统中还设置了病虫害报警功能,当发现病虫害疫情时,可以向监管部门实时报警,为病虫害及时处理提供帮助。本文详细介绍了系统的需求分析、总体设计、详细设计、系统实现及应用测试五方面内容,研发了一套集病虫害识别、病虫害科普、用户社区问答等功能于一体的园林植物病虫害系统。目前该系统已在北京城市副中心投入使用,为北京园林植物病虫害科普与防治提供有力支撑。
基于知识图谱的农作物病虫害问答系统设计与实现
这是一篇关于农作物,病虫害,知识图谱,问答系统,自然语言处理的论文, 主要内容为我国病虫害年平均发生面积在4.60～5.08亿hm2,对各类农作物的生产产生巨大影响。因此,掌握病虫害防控知识,实现科学防控,对作物的产量和品质形成具有重要影响,为解决知识传播中的低效失真和手段落后问题,需要构建精准、高效、快捷的病虫害防治问答系统。本研究在收集农作物病虫害数据基础上,结合知识本体构建农作物病虫害知识图谱,利用自然语言处理技术,将病虫害知识的问题理解任务转化为问句模板分类任务,采用多种机器学习自然语言处理模型,实现病虫害问题分类,最后集成病虫害问答模型,实现病虫害问答系统。主要研究结果与结论如下:1.农作物病虫害知识图谱的构建。根据农作物病虫害专业知识特点,采用自顶向下的构建模式,结合农作物病虫害知识结构,设计了5层病虫害知识本体,确定了病虫害知识的领域和范围。依据病虫害知识特征,构建实体、关系和属性三元组知识框架,实现了麦类、玉米、水稻、棉麻、油料、糖、烟等12类作物,1065种病虫害知识图谱,包括农作物病虫害实体6594个,关系7044条,三元组6994个;设计出11类问题模板,构造了155916条、132类自然语言问句。2.基于自然语言处理的问答模型构建。基于农作物病虫害知识图谱,利用Han LP中文自然语言处理工具,进行农作物病虫害命名实体识别,形成了1114个农作物病虫害词典;利用自然语言处理技术,设计了基于朴素贝叶斯(Naive Bayes Classifier,NBC)、基于转换器的双向编码表征量(Bidirectional Encoder Representation from Transformers,BERT)和文本卷积神经网络(Text Convolutional Neural Network,Text CNN)农作物病虫害问答模型并测试,结果表明,NBC、BERT和BERT+Text CNN模型准确率分别达到96.8%、93.0%和99.6%,其中NBC最为稳定,精确率、召回率和F1值都在95%以上,最优模型为BERT+Text CNN,精确率、召回率和F1值都在99.5%以上,说明基于机器学习实现问题分类,利用知识图谱实现农作物病虫害知识匹配是可行的。3.农作物病虫害问答系统设计与实现。基于病虫害知识图谱,结合构建的农作物病虫害问答模型,利用Web Service和Flask框架技术,设计了三层农作物病虫害问答系统架构,构建了基于知识图谱的农作物病虫害问答系统,实现了农作物知识图谱、问答模型和问答服务的集成,结合命名实体识别技术,实现了农作物病虫害知识的精准推荐。
基于改进EfficientNet的病虫害分类与对抗攻击
这是一篇关于病虫害,深度神经网络,注意力模块,激活函数,伽马校正,图像金字塔,对抗样本的论文, 主要内容为农业通过人工培育来获得产品。许多植物病虫害会降低作物的产量和质量,植物病虫害问题比较严重。因此,植物病虫害的分类近年来受到了学术界的广泛关注,植物病虫害的分类有很多方法。人工诊断病虫害种类,具有较强的主观性,且耗时耗力。后来深度学习被应用在病虫害识别,并且取得了一些成果。目前的深度神经网络存在识别率不够高或效率低等问题。本文从注意力模块,卷积模块和激活函数改进Efficient Net,提出了Sim AM-Efficient Net。Sim AMEfficient Net识别率很高,而且训练和识别的速度很快。现有的注意力模块一般存在以下两个问题。第一个是它们只能通过通道和空间来细化特征,这会导致注意力权值的不灵活。第二个问题是结构很复杂,性能由一系列因素来影响。与它们相比,Sim AM有很多优势,它同时考虑空间和通道,推断三维的注意权值,而不添加参数在原始的网络中。因此,本文将Sim AM融入到Efficient Net中。标准卷积生成的特征图中的特征是高度冗余的,因此,本文用Ghost模块来优化一部分标准卷积,用标准卷积运算与线性运算相结合的方式减少特征提取过程中的计算量。另外,原本的Efficient Net里,Swish激活函数应用在模型的第1与第9个模块,还有第2至第8的MBConv模块中。虽然Swish激活函数在更深层次的模型上比Re LU表现更好,但效率较低。因此,用Hard Swish激活函数来替代Swish,Hard Swish激活函数采用分段线性函数,减少内存访问的数量。在训练过程中本文引入了迁移学习和学习率衰减来提升模型的性能。实验结果表明了本文模型在Plant Village上的准确率为99.31%。Res Net50的准确率为98.33%。Res Net18的准确性是98.31%。Dense Net的准确率为98.90%。但是,DNN是非常脆弱的,在图像分类中的对抗攻击值得关注。通过对抗样本检测DNN的鲁棒性是非常重要的,另外对抗攻击生成的对抗样本可以用来训练,增强DNN的性能。本文通过伽马校正和图像金字塔对MI-FGSM算法进行改进,提出了新的对抗攻击方法GP-MI-FGSM,然后用此方法生成的对抗样本来对DNN对抗训练。本文提出的模型在GP MI-FGSM对抗攻击下,错误率为87.6%。本文提出的GP-MI-FGSM的成功率高于其他对抗攻击算法,包括FGSM、I-FGSM和MI-FGSM。经过对抗训练后的模型的鲁棒性进一步增强,并且性能可以提升。最终经对抗训练过后的Sim AM-Efficient Net识别准确率达到99.78%
基于改进EfficientNet的病虫害分类与对抗攻击
这是一篇关于病虫害,深度神经网络,注意力模块,激活函数,伽马校正,图像金字塔,对抗样本的论文, 主要内容为农业通过人工培育来获得产品。许多植物病虫害会降低作物的产量和质量,植物病虫害问题比较严重。因此,植物病虫害的分类近年来受到了学术界的广泛关注,植物病虫害的分类有很多方法。人工诊断病虫害种类,具有较强的主观性,且耗时耗力。后来深度学习被应用在病虫害识别,并且取得了一些成果。目前的深度神经网络存在识别率不够高或效率低等问题。本文从注意力模块,卷积模块和激活函数改进Efficient Net,提出了Sim AM-Efficient Net。Sim AMEfficient Net识别率很高,而且训练和识别的速度很快。现有的注意力模块一般存在以下两个问题。第一个是它们只能通过通道和空间来细化特征,这会导致注意力权值的不灵活。第二个问题是结构很复杂,性能由一系列因素来影响。与它们相比,Sim AM有很多优势,它同时考虑空间和通道,推断三维的注意权值,而不添加参数在原始的网络中。因此,本文将Sim AM融入到Efficient Net中。标准卷积生成的特征图中的特征是高度冗余的,因此,本文用Ghost模块来优化一部分标准卷积,用标准卷积运算与线性运算相结合的方式减少特征提取过程中的计算量。另外,原本的Efficient Net里,Swish激活函数应用在模型的第1与第9个模块,还有第2至第8的MBConv模块中。虽然Swish激活函数在更深层次的模型上比Re LU表现更好,但效率较低。因此,用Hard Swish激活函数来替代Swish,Hard Swish激活函数采用分段线性函数,减少内存访问的数量。在训练过程中本文引入了迁移学习和学习率衰减来提升模型的性能。实验结果表明了本文模型在Plant Village上的准确率为99.31%。Res Net50的准确率为98.33%。Res Net18的准确性是98.31%。Dense Net的准确率为98.90%。但是,DNN是非常脆弱的,在图像分类中的对抗攻击值得关注。通过对抗样本检测DNN的鲁棒性是非常重要的,另外对抗攻击生成的对抗样本可以用来训练,增强DNN的性能。本文通过伽马校正和图像金字塔对MI-FGSM算法进行改进,提出了新的对抗攻击方法GP-MI-FGSM,然后用此方法生成的对抗样本来对DNN对抗训练。本文提出的模型在GP MI-FGSM对抗攻击下,错误率为87.6%。本文提出的GP-MI-FGSM的成功率高于其他对抗攻击算法,包括FGSM、I-FGSM和MI-FGSM。经过对抗训练后的模型的鲁棒性进一步增强,并且性能可以提升。最终经对抗训练过后的Sim AM-Efficient Net识别准确率达到99.78%
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/52167.html
