基于BERT_Stacked LSTM的农业病虫害问句分类方法

为解决农业病虫害问句分类过程中存在公开数据集较少、文本较短、特征稀疏、隐含语义信息较难学习等问题,以火爆农资招商网为数据源,构建了用于农业病虫害问句分类的数据集,提出了一种用于农业病虫害问句分类的深度学习模型BERT;tacked LSTM。首先,BERT部分获取各个问句的字符级语义信息,生成了包含句子级特征信息的隐藏向量。然后,使用堆叠长短期记忆网络(Stacked LSTM)学习到隐藏的复杂语义信息。实验结果表明,与其他对比模型相比,本文模型对农业病虫害问句分类更具优势,F1值达到了95.76%,并在公开通用领域数据集上进行了测试,F1值达到了98.44%,表明了模型具有较好的的泛化性。

基于K-SSD-F的东亚飞蝗视频检测与计数方法

针对目前国内蝗虫监测主要以人工监测为主、监测效率低且计数不准确的问题,以5龄东亚飞蝗为实验对象,提出了一种蝗虫视频计数方法K-SSD-F算法。该方法可以实时、连续、自动监测蝗虫的数量。首先利用背景分离法中的KNN算法提取视频前后帧的时空特征;然后通过标注好的数据训练SSD模型,并对视频进行检测,提取视频的静态特征,二者结合以提高计数准确率;最后利用补帧算法识别因姿态变化导致的漏计数的帧。实验结果表明,蝗虫识别准确率为97%,召回率为89%,平均检测精度(mAP)为88.94%,F1值为92.82%,且检测速度达到了19.78 f/s。本文方法具有较好的鲁棒性,可以实现蝗虫的实时和自动计数,其精度优于其他模型,也可为其他种类的昆虫自动识别计数提供理论基础。

基于注意力池化和堆叠式结构的病虫害文献识别模型

为解决病虫害文献识别过程中存在语义特征学习不够、上下文信息不能充分利用等问题,以病虫害相关文献摘要为研究对象,提出一种基于注意力池化策略和堆叠式双向长短期记忆(Bi-directional long-short term memory,BiLSTM)的神经网络模型(AP-LSTM)。该模型采用堆叠式长短期记忆结构,提高了对语义特征的学习能力,在进行堆叠操作时,通过将输入向量与输出向量拼接,进一步加强了对语义信息的表征;然后采用基于注意力机制的池化策略为不同的词分配不同权重,使模型在抓住重点的同时能够充分利用上下文信息。本文在包含1439条正例、1061条负例的自标注数据集上进行了实验,所提出的AP-LSTM模型在该数据集上的精确率、召回率、F1值和准确率分别为92.67%、97.20%、94.88%和94.00%,实验结果表明,AP-LSTM模型能够有效识别病虫害文献。

基于RFID的智能电子柜

设备管理的信息化和智能管理化是现代设备科学管理的重要方向之一。近年来,随着计算机网络技术的高速发展,为基于网络的设备管理系统的实施和发展提供了坚实的技术基础[1]。但在当前高校以及科研单位中,小型仪器仪表的使用管理基本还处于人工管理状态,仪器仪表的借用和归还主要靠人工记录。基于以上问题分析,文章设计出一种基于RFID的智能电子柜的操作管理系统。