针对农业病害领域命名实体识别过程中存在的预训练语言模型利用不充分、外部知识注入利用率低、嵌套命名实体识别率低的问题,本文提出基于连续提示注入和指针网络的命名实体识别模型CP-MRC(Continuous prompts for machine reading comp...针对农业病害领域命名实体识别过程中存在的预训练语言模型利用不充分、外部知识注入利用率低、嵌套命名实体识别率低的问题,本文提出基于连续提示注入和指针网络的命名实体识别模型CP-MRC(Continuous prompts for machine reading comprehension)。该模型引入BERT(Bidirectional encoder representation from transformers)预训练模型,通过冻结BERT模型原有参数,保留其在预训练阶段获取到的文本表征能力;为了增强模型对领域数据的适用性,在每层Transformer中插入连续可训练提示向量;为提高嵌套命名实体识别的准确性,采用指针网络抽取实体序列。在自建农业病害数据集上开展了对比实验,该数据集包含2933条文本语料,8个实体类型,共10414个实体。实验结果显示,CP-MRC模型的精确率、召回率、F1值达到83.55%、81.4%、82.4%,优于其他模型;在病原、作物两类嵌套实体的识别率较其他模型F1值提升3个百分点和13个百分点,嵌套实体识别率明显提升。本文提出的模型仅采用少量可训练参数仍然具备良好识别性能,为较大规模预训练模型在信息抽取任务上的应用提供了思路。展开更多
[目的/意义]针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别(Named Entities Recognition,NER)准确率不高的情况,以PointerNet为基准模型,提出一种基于RoFormer预训练模型的指针网络农业病害NER方法RoFormer-PointerNet。...[目的/意义]针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别(Named Entities Recognition,NER)准确率不高的情况,以PointerNet为基准模型,提出一种基于RoFormer预训练模型的指针网络农业病害NER方法RoFormer-PointerNet。[方法]采用RoFormer预训练模型对输入的文本进行向量化,利用其独特的旋转位置嵌入方法来捕捉位置信息,丰富字词特征信息,从而解决一词多义导致的类型易混淆的问题。使用指针网络进行解码,利用指针网络的首尾指针标注方式抽取句子中的所有实体,首尾指针标注方式可以解决实体抽取中存在的嵌套问题。[结果和讨论]自建农业病害数据集,数据集中包含2867条标注语料,共10282个实体。为验证RoFormer预训练模型在实体抽取上的优越性,采用Word2Vec、BERT、RoBERTa等多种向量化模型进行对比试验,RoFormer-PointerNet与其他模型相比,模型精确率、召回率、F1值均为最优,分别为87.49%,85.76%和86.62%。为验证RoFormer-PointerNet在缓解实体嵌套的优势,与使用最为广泛的双向长短期记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)和条件随机场(Conditional Random Field,CRF)模型进行对比试验,RoFormer-PointerNet比RoFormer-BiLSTM模型、RoFormer-CRF模型和RoFormer-BiLSTM-CRF模型分别高出4.8%、5.67%和3.87%,证明用指针网络模型可以很好解决实体嵌套问题。最后验证RoFormer-PointerNet方法在农业病害数据集中的识别性能,针对病害症状、病害名称、防治方法等8类实体进行了识别实验,本方法识别的精确率、召回率和F1值分别为87.49%、85.76%和86.62%,为同类最优。[结论]本研究提出的方法能有效识别中文农业病害文本中的实体,识别效果优于其他模型。在解决实体抽取过程中的实体嵌套和类型混淆等问题方面具有一定优势。展开更多
准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,...准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,为解决这些问题提供了新的思路。本文针对现有点云目标检测算法在处理密集分布麦粒时的不足,提出了一种改进的3DSSD网络用于麦穗点云中的麦粒检测与计数。该方法充分利用麦粒的形态学特征,设计了2个核心创新模块:一是提出局部形状感知采样策略(Local shape-aware sampling,LSAS),通过分析点云的局部几何结构来指导采样过程,有效缓解了传统最远点采样(Farthest point sampling,FPS)算法在密集目标场景下的特征退化问题;二是引入部件感知损失函数(Part-aware loss function,PALF),将麦粒建模为具有多个关键部位的目标,增强了网络对局部特征的感知能力。实验结果表明,改进后的方法在麦粒检测任务中AP@25达到72.68%,较基线3DSSD提升14.02%,计数任务MAE降至3.87,较3DSSD下降了85.54%,Recall提升至93.21%,从而在处理形态复杂、目标密集的麦穗点云时表现出显著优势。本研究为实现麦穗表型的快速、准确测量提供了新的技术方案,并成功地在马兰国家农业科技园区应用该方法。展开更多
文摘针对农业病害领域命名实体识别过程中存在的预训练语言模型利用不充分、外部知识注入利用率低、嵌套命名实体识别率低的问题,本文提出基于连续提示注入和指针网络的命名实体识别模型CP-MRC(Continuous prompts for machine reading comprehension)。该模型引入BERT(Bidirectional encoder representation from transformers)预训练模型,通过冻结BERT模型原有参数,保留其在预训练阶段获取到的文本表征能力;为了增强模型对领域数据的适用性,在每层Transformer中插入连续可训练提示向量;为提高嵌套命名实体识别的准确性,采用指针网络抽取实体序列。在自建农业病害数据集上开展了对比实验,该数据集包含2933条文本语料,8个实体类型,共10414个实体。实验结果显示,CP-MRC模型的精确率、召回率、F1值达到83.55%、81.4%、82.4%,优于其他模型;在病原、作物两类嵌套实体的识别率较其他模型F1值提升3个百分点和13个百分点,嵌套实体识别率明显提升。本文提出的模型仅采用少量可训练参数仍然具备良好识别性能,为较大规模预训练模型在信息抽取任务上的应用提供了思路。
文摘[目的/意义]针对实体嵌套、实体类型混淆等问题导致的农业病害命名实体识别(Named Entities Recognition,NER)准确率不高的情况,以PointerNet为基准模型,提出一种基于RoFormer预训练模型的指针网络农业病害NER方法RoFormer-PointerNet。[方法]采用RoFormer预训练模型对输入的文本进行向量化,利用其独特的旋转位置嵌入方法来捕捉位置信息,丰富字词特征信息,从而解决一词多义导致的类型易混淆的问题。使用指针网络进行解码,利用指针网络的首尾指针标注方式抽取句子中的所有实体,首尾指针标注方式可以解决实体抽取中存在的嵌套问题。[结果和讨论]自建农业病害数据集,数据集中包含2867条标注语料,共10282个实体。为验证RoFormer预训练模型在实体抽取上的优越性,采用Word2Vec、BERT、RoBERTa等多种向量化模型进行对比试验,RoFormer-PointerNet与其他模型相比,模型精确率、召回率、F1值均为最优,分别为87.49%,85.76%和86.62%。为验证RoFormer-PointerNet在缓解实体嵌套的优势,与使用最为广泛的双向长短期记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)和条件随机场(Conditional Random Field,CRF)模型进行对比试验,RoFormer-PointerNet比RoFormer-BiLSTM模型、RoFormer-CRF模型和RoFormer-BiLSTM-CRF模型分别高出4.8%、5.67%和3.87%,证明用指针网络模型可以很好解决实体嵌套问题。最后验证RoFormer-PointerNet方法在农业病害数据集中的识别性能,针对病害症状、病害名称、防治方法等8类实体进行了识别实验,本方法识别的精确率、召回率和F1值分别为87.49%、85.76%和86.62%,为同类最优。[结论]本研究提出的方法能有效识别中文农业病害文本中的实体,识别效果优于其他模型。在解决实体抽取过程中的实体嵌套和类型混淆等问题方面具有一定优势。
文摘准确高效的麦粒计数对小麦育种和产量评估具有重要意义。传统人工计数方法费时费力且易出错。目前的自动计数方法主要基于二维图像处理技术,但在处理麦粒遮挡和获取立体形态特征方面存在局限。点云数据能够完整记录麦穗的三维几何结构,为解决这些问题提供了新的思路。本文针对现有点云目标检测算法在处理密集分布麦粒时的不足,提出了一种改进的3DSSD网络用于麦穗点云中的麦粒检测与计数。该方法充分利用麦粒的形态学特征,设计了2个核心创新模块:一是提出局部形状感知采样策略(Local shape-aware sampling,LSAS),通过分析点云的局部几何结构来指导采样过程,有效缓解了传统最远点采样(Farthest point sampling,FPS)算法在密集目标场景下的特征退化问题;二是引入部件感知损失函数(Part-aware loss function,PALF),将麦粒建模为具有多个关键部位的目标,增强了网络对局部特征的感知能力。实验结果表明,改进后的方法在麦粒检测任务中AP@25达到72.68%,较基线3DSSD提升14.02%,计数任务MAE降至3.87,较3DSSD下降了85.54%,Recall提升至93.21%,从而在处理形态复杂、目标密集的麦穗点云时表现出显著优势。本研究为实现麦穗表型的快速、准确测量提供了新的技术方案,并成功地在马兰国家农业科技园区应用该方法。
