摘要：針對農(nóng)業(yè)生產(chǎn)者對農(nóng)業(yè)知識的了解和學習的渠道少，新農(nóng)業(yè)技術和新農(nóng)業(yè)成果的推廣困難等問題，以農(nóng)業(yè)知識庫為基礎，結合語言大模型、卷積神經(jīng)網(wǎng)絡提出了一種農(nóng)業(yè)專家系統(tǒng)。系統(tǒng)根據(jù)用戶提出文字的問題，通過語言大模型提取問題的詞向量，并在農(nóng)業(yè)知識庫中進行相似性查詢，最后將查詢結果返回給語言大模型，由語言大模型生成問題的答案；對于用戶提出的病蟲害問題，系統(tǒng)根據(jù)用戶提供的圖像，通過卷積神經(jīng)網(wǎng)絡對病蟲害進行分類，幫助用戶快速準確地判斷病蟲害類型，同時提供知識庫中相關的防治方案。系統(tǒng)的實現(xiàn)為農(nóng)業(yè)生產(chǎn)者提供了一個快速準確的輔助決策工具和一條便捷的知識獲取渠道。

關鍵詞：專家系統(tǒng)；農(nóng)業(yè)知識庫；語言大模型；卷積神經(jīng)網(wǎng)絡

中圖分類號：TP391.41 文獻標識碼：A

文章編號：1009-3044（2025）05-0015-04 開放科學（資源服務） 標識碼（OSID） ：

0 引言

數(shù)字技術是發(fā)展現(xiàn)代農(nóng)業(yè)和實現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展的關鍵技術，20世紀70年代末，美國伊利諾斯大學開發(fā)了世界上應用最早的農(nóng)業(yè)專家系統(tǒng)，主要用于農(nóng)作物病蟲害的診斷[1]，我國專家系統(tǒng)的研究起始于20 世紀80年代初期[2]，在各領域相繼出現(xiàn)了大量專家服務系統(tǒng)。近年來，隨著計算機技術和人工智能技術的進步，基于人工智能的專家服務系統(tǒng)成為了各領域的研究熱點，即利用各領域專家積累的知識和經(jīng)驗構建知識庫，基于人工智能算法構建專家模型，最后結合知識庫與專家模型，實現(xiàn)模擬人類專家的推理和決策過程。例如在交通領域，曹楠等人針對地面軌道交通開發(fā)了地面專家診斷系統(tǒng)，提高了車輛運行的數(shù)字化水平和列車風險預知能力，從而保障了車輛安全[3]。在醫(yī)療領域，童江波等人通過構建了基于規(guī)則的中醫(yī)藥專家系統(tǒng)，系統(tǒng)利用數(shù)據(jù)挖掘技術，為患者提供有效的新鮮止咳中藥治療方案[4]。黃承寧等人提出了一種面向患者就醫(yī)前自診的基于醫(yī)療知識圖譜的自動問診系統(tǒng)，有效解決了相關病癥咨詢專業(yè)缺乏問題，實現(xiàn)了患者自助[5]。賈李蓉等人以中醫(yī)藥學語言系統(tǒng)為基礎，引入自然語言處理、知識庫、自動問答、信息檢索等技術，結合中醫(yī)藥信息領域專家的經(jīng)驗知識，構建一套智能知識問答系統(tǒng)，有效地幫助用戶在互聯(lián)網(wǎng)上獲取所需的中醫(yī)藥知識、獲得更便捷更準確的網(wǎng)絡診療體驗[6]。在水利領域，鄒遐邇等人通過對水質檢測流程合理分析以及各監(jiān)控點反饋信號診斷，結合LabVIEW可視化編程技術、信號分析技術和測控技術設計了一種基于微試劑原位水質檢測儀的多參數(shù)水質微型站監(jiān)控系統(tǒng)，現(xiàn)場應用結果表明，采用診斷專家系統(tǒng)的水質微型站監(jiān)控系統(tǒng)滿足水質測控的需求， 極大提升系統(tǒng)的穩(wěn)定性、安全性[7]。王喆等人提出了融合GPT和知識圖譜的應急決策智能問答系統(tǒng)，實現(xiàn)洪澇災害應急處置過程中的在線輔助決策，提升了洪澇災害應急信息分析和決策效率[8]。

但由于農(nóng)業(yè)知識結構復雜，且農(nóng)業(yè)具有鮮明的地域性，一個區(qū)域的品種、技術到另一個區(qū)域并不一定適用同一品種在不同區(qū)域，所以當前的通用大模型無法直接用于農(nóng)業(yè)領域的問答，因此需要構建一個適用于農(nóng)業(yè)的專家系統(tǒng)，對農(nóng)業(yè)領域的專家模型進行針對性優(yōu)化，從而較好地滿足農(nóng)業(yè)生產(chǎn)者的本地化、專業(yè)化、個性化的需求。

1 系統(tǒng)設計

依托農(nóng)業(yè)專家的知識、技術和服務體系，搭建農(nóng)業(yè)專家系統(tǒng)，按數(shù)據(jù)層、支持層、應用層來分層構建，具體如圖1所示。

1）數(shù)據(jù)層是專家云系統(tǒng)全量業(yè)務數(shù)據(jù)的存儲、管理和服務中樞，以農(nóng)業(yè)科技服務為核心，提供數(shù)據(jù)匯聚治理的流程和工具，提供一站式數(shù)據(jù)資源管理服務。圍繞專家云服務業(yè)務，構建從數(shù)據(jù)匯聚到數(shù)據(jù)監(jiān)控的完整數(shù)據(jù)治理流程，匯聚服務數(shù)據(jù)，建立農(nóng)業(yè)專家、農(nóng)業(yè)知識、產(chǎn)業(yè)主體、服務資源、政策法規(guī)、農(nóng)情監(jiān)測、生產(chǎn)管理、服務對接、供需匹配、運營管理等專題數(shù)據(jù)，支撐業(yè)務場景的數(shù)據(jù)需求。

2）支持層圍繞專家系統(tǒng)的業(yè)務需求和應用特點，融合了統(tǒng)一門戶、身份管理、信息推送、API接口、智能算法、語言模型多種能力，構建統(tǒng)一的能力支撐，對外提供API接口，滿足系統(tǒng)用戶管理、信息服務、應用管理、數(shù)據(jù)建模、數(shù)據(jù)可視化分析等場景應用需求。

3）應用層面向農(nóng)業(yè)專家、農(nóng)業(yè)企業(yè)、農(nóng)戶等提供專家咨詢、知識服務、農(nóng)事指導、服務對接等綜合應用，促進農(nóng)業(yè)科技成果轉化應用。

2 系統(tǒng)關鍵技術

2.1 農(nóng)業(yè)知識庫技術

農(nóng)業(yè)知識庫是本系統(tǒng)的核心，既包括農(nóng)業(yè)知識庫本身，也包括對知識進行管理和分析的系統(tǒng)工具。它匯集了來自關聯(lián)業(yè)務系統(tǒng)、內部其他系統(tǒng)、互聯(lián)網(wǎng)開源數(shù)據(jù)等多類知識素材，進行素材采集、數(shù)據(jù)匯聚、數(shù)據(jù)治理、模型構建等處理，最終形成覆蓋各行業(yè)、各業(yè)務類型的農(nóng)業(yè)知識庫，發(fā)現(xiàn)蘊含于大數(shù)據(jù)中的知識價值，實現(xiàn)知識的增值。

1）農(nóng)業(yè)知識分類。

匯聚各類農(nóng)業(yè)專業(yè)知識，按知識類型、內容建立知識分類樹，將對應的圖片、文字、視頻等知識歸納其中，在云系統(tǒng)上展示知識樹，方便用戶按分類樹進行檢索查詢。

2）智能檢索查詢。

提供智能檢索查詢功能，系統(tǒng)可以通過農(nóng)戶輸入的關鍵字、關鍵詞快速匹配相關知識，協(xié)助農(nóng)戶快速篩選出所要查詢的農(nóng)業(yè)知識。

農(nóng)業(yè)知識庫部署后界面如圖2所示。

2.2 語言大模型技術

LangChain 是一個開源的大型語言模型（LLM）的編程框架，可將例如GPT-4、阿里通義千問等語言大模型與外部計算和數(shù)據(jù)來源結合起來，在農(nóng)業(yè)專家云系統(tǒng)中，首先將相關的農(nóng)業(yè)知識導入農(nóng)業(yè)知識庫中，然后將知識數(shù)據(jù)轉化為詞向量，最后將詞向量和通義大模型連接起來，以構建一個適用于農(nóng)業(yè)領域的語言大模型，其主要流程如圖3所示。

首先將專家系統(tǒng)中農(nóng)業(yè)知識庫中的農(nóng)業(yè)知識數(shù)據(jù)劃分為詞向量，并存入LangChain框架中的向量數(shù)據(jù)庫中，然后根據(jù)用戶提問的內容，對向量數(shù)據(jù)庫中的詞向量進行相似性搜索，得到向量數(shù)據(jù)，最后將用戶提問的內容和向量數(shù)據(jù)輸入至通義大模型中，由通義大模型給出最終的回答。

本系統(tǒng)的語言大模型主要包括知識庫的匹配與管理、通義大模型的選擇與應用兩個功能模塊。

1）知識庫的匹配與管理。

鑒于農(nóng)業(yè)知識數(shù)據(jù)的結構復雜，數(shù)據(jù)來源也各不相同，且不同地理位置，農(nóng)業(yè)品種、農(nóng)技手段也不盡相同，因此需要將農(nóng)業(yè)知識庫進行細分，即分為通用農(nóng)業(yè)知識庫、廣西農(nóng)業(yè)知識庫等，在用戶登錄系統(tǒng)使用時，根據(jù)其定位信息自動匹配對應的農(nóng)業(yè)知識庫，在不影響模型問答的精度的同時，降低服務器緩存壓力。

2）通義大模型的選擇。

當前主流的通義大模型有百度的文心一言、阿里云的通義千問、騰訊的混元生文、OpenAI的ChatGPT等，通過其開放的API接口接入本系統(tǒng)，從而確保通義模型的實時更新，用戶可根據(jù)其不同的需求和使用習慣，可從中選擇任意一款通義大模型作為系統(tǒng)的基礎問答模型。

使用ChatGPT通義模型和通用農(nóng)業(yè)知識庫部署后的語言大模型如圖4所示。

2.3 病蟲害自動識別技術

卷積神經(jīng)網(wǎng)絡屬于一種人工智能算法，常被用于圖像處理，如圖像分類、目標識別等場景，其主要原理是利用卷積核對圖像進行特征提取，從而實現(xiàn)圖像的識別和分類。在農(nóng)業(yè)生產(chǎn)中，病蟲害是影響作物產(chǎn)量和品質的關鍵因素，為了能夠準確識別病蟲害，選擇ResNet-50卷積神經(jīng)網(wǎng)絡作為病蟲害自動識別的算法模型，該網(wǎng)絡采用了殘差網(wǎng)絡結構，該結構通過將網(wǎng)絡輸入與輸出線性相加的方式，有效緩解了卷積神經(jīng)網(wǎng)絡中梯度消失和梯度爆炸的問題，其具體結構如圖5所示。

系統(tǒng)采用Pytorch框架，以知識庫中的病蟲害圖像數(shù)據(jù)作為訓練集，對網(wǎng)絡模型進行訓練，主要流程如圖6所示。

首先篩選出知識庫中的病蟲害圖像數(shù)據(jù)，然后建立病蟲害類別和其索引關系表，具體如表1所示。

根據(jù)類別總數(shù)，對各個類別進行One-hot編碼，其次進行數(shù)據(jù)增強和圖像的歸一化，最后輸入ResNet網(wǎng)絡，根據(jù)隨機梯度下降算法更新網(wǎng)絡權重，訓練網(wǎng)絡模型。

3 系統(tǒng)應用場景

1）農(nóng)業(yè)知識的自動問答。通過系統(tǒng)提供在線問答交互方式，用戶輸入想要的信息說明，系統(tǒng)基于知識庫中的知識數(shù)據(jù)以及最新科研成果等，結合LLM語言大模型，智能整合知識給出反饋和來源鏈接，并對用戶提出的農(nóng)業(yè)領域的問題進行專業(yè)的回答，提高海量知識的檢索查詢和服務效率，解決前沿農(nóng)業(yè)技術普及推廣難的問題，具體問答樣例如圖7所示。

2）農(nóng)業(yè)病蟲害的自動識別。系統(tǒng)根據(jù)知識庫中的病蟲害圖像數(shù)據(jù)，通過卷積神經(jīng)網(wǎng)絡提取病蟲害圖像的特征，根據(jù)提取的特征實現(xiàn)農(nóng)業(yè)病蟲害的快速精準識別，并匹配農(nóng)業(yè)知識庫中的相關內容，為其提供有效的防治措施和手段，具體應用如圖8所示。

3）農(nóng)情監(jiān)測預警。系統(tǒng)通過用戶在自動問答系統(tǒng)中的咨詢反饋，結合實時的農(nóng)情數(shù)據(jù)，分析當前農(nóng)業(yè)生產(chǎn)總體現(xiàn)狀，針對重大病蟲害和局部地質災害進行監(jiān)測、分析、預警和預報，為農(nóng)業(yè)生產(chǎn)經(jīng)營主體提供指導。

4 結束語

綜上所述，農(nóng)業(yè)專家系統(tǒng)旨在解決農(nóng)業(yè)發(fā)展中新技術、新成果落地普及困難的問題，是實現(xiàn)農(nóng)業(yè)高質量發(fā)展的有效手段，本文通過構建農(nóng)業(yè)知識庫，結合LangChain語言大模型框架，卷積神經(jīng)網(wǎng)絡等信息技術手段，為農(nóng)業(yè)生產(chǎn)者提供響應迅速、專業(yè)性強的農(nóng)業(yè)問答服務，為相關使用者提供了極大的便利，并且降低了新技術和新成果的普及推廣難度。但因當前系統(tǒng)中農(nóng)業(yè)知識數(shù)量較少，回答的精度還有提升的空間，未來將繼續(xù)收集農(nóng)業(yè)領域的相關知識，同時對語言大模型的各項參數(shù)進行微調，對系統(tǒng)持續(xù)地優(yōu)化和改進，助力農(nóng)業(yè)的高質量發(fā)展。

參考文獻

[1] 石琳，陳帝伊，馬孝義.專家系統(tǒng)在農(nóng)業(yè)上的應用概況及前景[J].農(nóng)機化研究，2011，33（1）：215-218.

[2] 田娜，楊曉文，單東林，等.我國數(shù)字農(nóng)業(yè)現(xiàn)狀與展望[J].中國農(nóng)機化學報，2019，40（4）：210-213.

[3] 曹楠，劉興陽，劉鐵良，等.城市軌道交通地面專家診斷系統(tǒng)研究[J].智慧軌道交通，2024，61（3）：22-29.

[4] 童江波，朱嬌嬌，胡靈芝，等.基于專家系統(tǒng)為感染后咳嗽患者提供新鮮中藥止咳方案[J].現(xiàn)代中醫(yī)藥，2021，41（3）：125-129.

[5] 黃承寧，殷曉磊，陳武.基于知識圖譜的醫(yī)療問答系統(tǒng)研究應用[J].信息技術與信息化，2024（5）：210-215.

[6] 賈李蓉，劉麗紅，劉靜，等.基于中醫(yī)藥學語言系統(tǒng)的知識問答系統(tǒng)的設計與構建[J].中華醫(yī)學圖書情報雜志，2019，28（5）：11-14.

[7] 鄒遐邇，李新民，羅學科，等.基于LabVIEW的水質微型站實時故障診斷專家系統(tǒng)[J].工業(yè)安全與環(huán)保，2021，47（1）：84-88.

[8] 王喆，陸俊燃，楊棟梁，等.融合GPT和知識圖譜的洪澇應急決策智能問答系統(tǒng)研究[J].中國安全生產(chǎn)科學技術，2024，20（4）：5-11.

[9] 竇鳳岐，胡珊，李佳隆，等.基于LangChain的RAG問答系統(tǒng)設計與實現(xiàn)：以C語言課程問答系統(tǒng)為例[J].信息與電腦（理論版），2024，36（6）：101-103.

【通聯(lián)編輯：朱寶貴】

基金項目：廣西創(chuàng)新驅動發(fā)展專項資金項目（桂科AA22036002） ；廣西壯族自治區(qū)農(nóng)業(yè)科學院科技發(fā)展基金（桂農(nóng)科2023JZ09） ；廣西壯族自治區(qū)農(nóng)業(yè)科學院穩(wěn)定資助科研團隊基金（桂農(nóng)科2021YT077）