楊國(guó)峰，楊 勇*

（1.中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，北京 100081；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室，北京 100081）

（?通信作者電子郵箱wheatblue@163.com）

0 引言

農(nóng)業(yè)科技是現(xiàn)在和未來中國(guó)農(nóng)業(yè)增長(zhǎng)的第一驅(qū)動(dòng)力，農(nóng)業(yè)技術(shù)推廣是實(shí)現(xiàn)科技進(jìn)步及農(nóng)業(yè)和農(nóng)村現(xiàn)代化的重要措施［1］。中國(guó)擁有國(guó)際上最大的農(nóng)業(yè)技術(shù)推廣人員隊(duì)伍，然而研究［2］表明，中國(guó)農(nóng)業(yè)技術(shù)推廣體系未能為農(nóng)民提供有效的技術(shù)服務(wù)。當(dāng)前，一大批農(nóng)業(yè)技術(shù)服務(wù)平臺(tái)都在不斷地用人工的方式解決農(nóng)業(yè)生產(chǎn)者在作物種植過程中所遇到的病害問題，而依賴人工解決問題將消耗大量的人力、物力，并且很難及時(shí)地解決農(nóng)業(yè)生產(chǎn)者的問題。隨著人工智能技術(shù)的迅猛發(fā)展，構(gòu)建專業(yè)領(lǐng)域的智能問答系統(tǒng)將能夠?yàn)槿藗兲峁?zhǔn)確的診斷結(jié)果和個(gè)性化的信息服務(wù)［3］。因此，構(gòu)建并應(yīng)用作物病害智能問答系統(tǒng)將為解決以上問題提供解決方案，同時(shí)為中國(guó)作物病害識(shí)別的智能化研究與應(yīng)用提供重要支撐。問答系統(tǒng)主要包括問題分析（問句分類）、信息檢索和答案抽取三個(gè)部分，其中問句分類作為問答系統(tǒng)的關(guān)鍵模塊，也是制約問答系統(tǒng)檢索效率的關(guān)鍵性因素［4］。

關(guān)于問答系統(tǒng)中問句分類的研究，從傳統(tǒng)的支持向量機(jī)、集成學(xué)習(xí)等［5］到基于詞嵌入［6-8］，再到神經(jīng)網(wǎng)絡(luò)［9-11］分類算法，均在文本分類任務(wù)的各項(xiàng)性能評(píng)價(jià)指標(biāo)上獲得了極大提升，而預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)語言模型ELMo（Embeddings from Language Models）、OpenAI GPT（Generative Pre-trained Transformer）、BERT（Bidirectional Encoder Representations from Transformers）取得了顯著進(jìn)展［12］。由于農(nóng)業(yè)領(lǐng)域一直缺乏大規(guī)?？捎玫恼Z料數(shù)據(jù)庫，因此關(guān)于農(nóng)業(yè)問答系統(tǒng)問句分類的研究還較少。針對(duì)特定農(nóng)業(yè)領(lǐng)域，少數(shù)研究者開展了語言模型在農(nóng)業(yè)問答系統(tǒng)應(yīng)用的相關(guān)研究，但仍處于起步階段。段青玲等［13］重點(diǎn)研究了基于支持向量機(jī)的文本分類，實(shí)現(xiàn)了92.5%的資訊分類準(zhǔn)確率。為了對(duì)飲食文本信息進(jìn)行二分類，趙明等［14］建立了一種基于word2vec 和長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)的分類模型，其分類準(zhǔn)確率為98.08%。趙明等［15］還構(gòu)建了基于word2vec 和雙向門控循環(huán)單元（Bi-Directional Gated Recurrent Unit，BIGRU）神經(jīng)網(wǎng)絡(luò)的番茄病蟲害問句分類模型，對(duì)2 000條番茄病蟲害用戶問句進(jìn)行病害和蟲害的二分類，結(jié)果表明，基于BIGRU 的問句分類模型優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)和K最近鄰等分類算法。針對(duì)傳統(tǒng)的句子相似度算法準(zhǔn)確率較低的問題，梁敬東等［16］通過構(gòu)建基于word2vec 和LSTM 的神經(jīng)網(wǎng)絡(luò)計(jì)算問句相似度，并在水稻常問問題集中的問句上進(jìn)行驗(yàn)證，測(cè)試集準(zhǔn)確率為93.1%。為解決互聯(lián)網(wǎng)農(nóng)技推廣社區(qū)問答數(shù)據(jù)增長(zhǎng)過快的問題，張明岳等［17］構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)問答情感極性特征抽取分析模型，針對(duì)測(cè)試集的語性特征抽取準(zhǔn)確率僅為82.7%。

上述研究為神經(jīng)網(wǎng)絡(luò)應(yīng)用于常見作物病害問答系統(tǒng)問句分類提供了參考和依據(jù)，但是以上研究主要存在以下兩個(gè)方面的問題：1）基于word2vec 等詞嵌入的文本編碼方式的文本表征模型還存在局限，無法準(zhǔn)確編碼同一詞在不同語境下的詞義；2）盡管構(gòu)建的LSTM、GRU 等神經(jīng)網(wǎng)絡(luò)語言模型以及在其基礎(chǔ)上改進(jìn)的雙向長(zhǎng)短期記憶（Bidirectional-Long Short Term Memory，Bi-LSTM）網(wǎng)絡(luò)、Transformer 等模型能夠利用語境信息進(jìn)行訓(xùn)練，但是相對(duì)于自然語言處理任務(wù)使用的大型語料，以上研究用來學(xué)習(xí)的監(jiān)督數(shù)據(jù)相對(duì)較少，難以學(xué)到復(fù)雜的語境表示。當(dāng)前，關(guān)于基于語境化的詞嵌入［18］利用海量的無監(jiān)督數(shù)據(jù)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)語言模型，即神經(jīng)網(wǎng)絡(luò)語言模型的預(yù)訓(xùn)練，如ELMo、OpenAI GPT、BERT 等模型相繼出現(xiàn)，其中BERT 以及基于BERT 的改進(jìn)預(yù)訓(xùn)練語言模型在多種自然語言任務(wù)上取得了最佳結(jié)果。

針對(duì)常見作物病害問答系統(tǒng)的特點(diǎn)與上述問題，本文研究構(gòu)建基于word2vec 的雙向長(zhǎng)短期記憶自注意力（Bi-LSTM Self-Attention，Bi-LSTM Self-Attention）網(wǎng)絡(luò)分類模型、Transformer 分類模型和基于BERT 的微調(diào)分類模型，分別進(jìn)行常見作物病害問句分類實(shí)驗(yàn)，選取能夠高效地對(duì)常見作物病害問句進(jìn)行準(zhǔn)確分類的問句分類模型作為問答系統(tǒng)最終采用模型。

1 材料與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理

本研究使用Scrapy 爬蟲框架，在多個(gè)百科類與農(nóng)業(yè)類網(wǎng)站爬取44種常見作物病害相關(guān)的農(nóng)業(yè)生產(chǎn)用戶的問句，44種常見作物病害如表1所示。

表1 四十四種常見作物病害Tab.1 Forty-four common crop diseases

參考文獻(xiàn)［19］中對(duì)作物病害的描述信息，對(duì)收集的語料進(jìn)行預(yù)處理（去除重復(fù)數(shù)據(jù)，問句轉(zhuǎn)換為陳述句等），從而構(gòu)建常見作物病害問句數(shù)據(jù)集（Common Crop Disease Question Dataset，CCDQD）。預(yù)處理后部分樣本如表2所示。

表2 部分預(yù)處理作物病害問句樣本Tab.2 Some preprocessed samples of crop disease question

1.2 雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型

本文使用自注意力技術(shù)來生成句子詞嵌入分類模型［20］，由Bi-LSTM 和一層全連接Softmax 層構(gòu)成，如圖1 所示。在Bi-LSTM 的基礎(chǔ)上，模型將通過自注意力機(jī)制得到句子的表示輸出到隱藏層，然后通過全連接層進(jìn)行分類。

如圖1所示，向模型輸入一個(gè)含有n個(gè)詞的句子進(jìn)行詞嵌入，得到S=(w1，w2，…，wn)，wi表示序列中第i個(gè)標(biāo)記（Token）對(duì)應(yīng)的詞嵌入。h1，h2，…，hn為隱藏層的對(duì)應(yīng)輸出，Bi-LSTM將句子嵌入為M，（m1，m2，…，mr)表示聚焦句子不同的部分，其中注意力權(quán)重為Ai1，Ai2，…，Ain。

圖1 雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型Fig.1 Bi-LSTM self-attention network classification model

給定訓(xùn)練集{(S(i)，yi)|i=1，2，…，N}，其中類別標(biāo)簽y(i)∈{1，2，…，K}（K為可能的類別數(shù)目）。為了削弱末級(jí)分類器的復(fù)雜度，強(qiáng)迫模型學(xué)習(xí)到更有效的表示，有助于下游問句分類任務(wù)，把從文本S(i)生成的矩陣級(jí)別表示M(i)輸入Softmax層便得到離散類別標(biāo)簽的預(yù)測(cè)概率分布為：

其中：WS為M(i)相應(yīng)的權(quán)重；bS是偏差。

本文將Cross Entropy Loss 損失函數(shù)加上Softmax 層權(quán)值矩陣的Frobenius范數(shù)約束作為訓(xùn)練整個(gè)網(wǎng)絡(luò)的損失函數(shù)：

其中：θ表示網(wǎng)絡(luò)中所有參數(shù)為p(i)的第y(i)個(gè)分量；α 是懲罰系數(shù)，用來調(diào)節(jié)懲罰項(xiàng)的比重，下標(biāo)F 表示Frobenius范數(shù)。

1.3 Transformer分類模型

本文構(gòu)建的Transformer 分類模型基于編碼器（Encoder）結(jié)構(gòu)［21］，由于Transformer模型訓(xùn)練參數(shù)較多且模型較為復(fù)雜，因此僅使用了兩個(gè)編碼器，每個(gè)編碼器包含一個(gè)多頭注意力子層和一個(gè)前饋網(wǎng)絡(luò)子層。模型中的所有子層以及嵌入層的輸出尺寸為200。圖2為兩個(gè)編碼器的Transformer分類模型。

句子的詞嵌入（Sentence Embedding）與對(duì)應(yīng)位置詞嵌入（Position Embedding）相加后作為輸入，編碼器第一個(gè)子層是多頭自注意力（Multi-head Attention），輸出表示為sublayer（x），經(jīng)過殘差連接和層規(guī)范（Add&Layer Norm，LN）輸出為：

編碼器第二個(gè)子層是逐項(xiàng)前饋網(wǎng)絡(luò)（Feed Forward Network，F(xiàn)FN），由兩個(gè)線性變換組成，其中每一層的參數(shù)都不同，輸入和輸出的維度為200，內(nèi)部層的維度為2 400。

其中，W1、W2和b1、b2分別為output相應(yīng)線性變換的權(quán)重和偏差。

圖2 Transformer分類模型Fig.2 Transformer classification model

線性變換之后再經(jīng)過殘差連接和層規(guī)范，將最后一個(gè)編碼器第二子層的最終輸出傳遞進(jìn)全連接層并輸出分類結(jié)果。訓(xùn)練過程使用Cross Entropy Loss損失函數(shù)。

1.4 基于BERT的微調(diào)分類模型

借助語言模型來輔助自然語言處理任務(wù)已經(jīng)得到了學(xué)術(shù)界較為廣泛的探討［22］，通常有兩種方式：1）基于特征，指利用語言模型的中間結(jié)果（語言模型詞嵌入），將其作為額外的特征，引入到原任務(wù)的模型中，如ELMo 模型［23］；2）基于微調(diào)，指利用大量語料訓(xùn)練語言模型，并在語言模型基礎(chǔ)上增加少量神經(jīng)網(wǎng)絡(luò)層來完成具體任務(wù)，采用有標(biāo)記的語料來有監(jiān)督地訓(xùn)練新模型，這個(gè)過程中語言模型的參數(shù)并不固定，如OpenAI GPT［24］。上述模型的輸入為從左向右輸入一個(gè)文本序列，或?qū)淖笙蛴逸斎牒蛷挠蚁蜃筝斎氲挠?xùn)練結(jié)合起來。然而，BERT 是一種新的預(yù)訓(xùn)練語言模型，即雙向編碼表征Transformer 的模型。相關(guān)研究［12］表明：雙向訓(xùn)練的語言模型對(duì)語境的理解會(huì)比單向的語言模型更深刻，提取語料特征更高效。

由于BERT 可以用于各種自然語言處理的任務(wù)（如分類任務(wù)、問答任務(wù)），且僅需在核心模型的基礎(chǔ)上進(jìn)行簡(jiǎn)單修改，因此本文將構(gòu)建基于BERT的微調(diào)分類模型，如圖3所示。

圖3 基于BERT的微調(diào)分類模型Fig.3 BERT-based fine-tuning classification model

對(duì)于問答系統(tǒng)的問句分類任務(wù)，基于BERT 的微調(diào)分類模型在預(yù)訓(xùn)練BERT 模型的輸出結(jié)果后增加一個(gè)分類層（全連接層）進(jìn)行微調(diào)。

把作物病害問句輸入模型后，將被傳遞到詞嵌入層，包括進(jìn)行標(biāo)記詞嵌入、句子詞嵌入和位置詞嵌入。在圖3 和圖4中：Toki表示第i個(gè)Token，隨機(jī)遮擋部分字符；Ei表示第i個(gè)Token的嵌入向量；Ti表示第i個(gè)Token在經(jīng)過BERT處理之后得到的特征向量。

BERT 和可學(xué)習(xí)的權(quán)值矩陣（W）所有參數(shù)都經(jīng)過微調(diào)，以最大化正確分類的概率。BERT 根據(jù)［CLS］標(biāo)志生成一組特征向量C，并將其與W相乘，再經(jīng)過Softmax 預(yù)測(cè)各個(gè)類別的概率，其中概率最大的類別為最后輸出的分類類別。

利用預(yù)訓(xùn)練語言模型的參數(shù)權(quán)重對(duì)模型初始化，使用Cross Entropy Loss 損失函數(shù)對(duì)基于BERT 的微調(diào)分類模型進(jìn)行有監(jiān)督的訓(xùn)練。

圖4 BERT的輸入表示Fig.4 Input representation of BERT

2 問句分類實(shí)驗(yàn)

2.1 實(shí)驗(yàn)設(shè)計(jì)

本研究收集44 種常見作物病害的問句，為防止數(shù)據(jù)集類別不平衡的影響，使每種作物病害樣本數(shù)相近（60～80 條），同時(shí)將每條病害問句標(biāo)注為對(duì)應(yīng)所屬類別，共得到有3 300條樣本。利用常用的優(yōu)化學(xué)習(xí)Adam 梯度下降算法［25］訓(xùn)練優(yōu)化雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型、Transformer 分類模型和基于BERT 的微調(diào)分類模型，再根據(jù)損失函數(shù)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率。

將超參數(shù)初始化并調(diào)優(yōu)，最終設(shè)置如下：訓(xùn)練批量（batch）大小為16，問句詞嵌入長(zhǎng)度為200，多注意力頭數(shù)（multi-head）為12，初始學(xué)習(xí)率為0.001，最小學(xué)習(xí)率為0.000 01，迭代次數(shù)（epochs）為100。為減輕三種模型在訓(xùn)練過程中過度參數(shù)化、過擬合，以及避免偶然出現(xiàn)的不良局部最小值現(xiàn)象，設(shè)置Dropout 參數(shù)［26］為0.1。同時(shí)，為得到可靠穩(wěn)定的模型，采用十折交叉驗(yàn)證（10-fold cross-validation）的方法［27］進(jìn)行訓(xùn)練。

本文研究采用準(zhǔn)確率、精確率和召回率以及綜合指標(biāo)F1值作為問句分類模型的測(cè)評(píng)指標(biāo)［28］。其中：準(zhǔn)確率是指分類正確的問句數(shù)除以整個(gè)數(shù)據(jù)集的問句總數(shù)；精確率是指分類器正確判斷為該類的問句數(shù)與分類器判斷屬于該類的問句總數(shù)之比；召回率是指分類器正確判斷為該類的問句數(shù)與屬于該類的問句總數(shù)之比。F1值是精確率和召回率的調(diào)和平均值，最大值為1，最小值為0：

其中：P為精確率；R為召回率。

2.2 分類實(shí)驗(yàn)結(jié)果及分析

對(duì)構(gòu)建的雙向長(zhǎng)短期記憶自注意力（Bi-LSTM Self-Attention）網(wǎng)絡(luò)分類模型、Transformer 分類模型和基于BERT的微調(diào)分類模型分別使用預(yù)處理后的同一數(shù)據(jù)集進(jìn)行分類實(shí)驗(yàn)。

由表3 可知，對(duì)于不同的迭代次數(shù)，基于BERT 的微調(diào)分類模型與另外兩個(gè)模型相比，其準(zhǔn)確率、精確率和召回率均高幾個(gè)百分點(diǎn)。當(dāng)三個(gè)模型同時(shí)訓(xùn)練100 迭代次數(shù)時(shí)，對(duì)于F1值指標(biāo)，基于BERT 的微調(diào)分類模型F1值為91.92%，比Transformer 分類模型高2.62 個(gè)百分點(diǎn)，比利用雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型高4.46個(gè)百分點(diǎn)，表明：基于BERT的微調(diào)分類模型的問句分類效果最優(yōu)，Transformer 分類模型居中，雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型結(jié)果稍差。

本實(shí)驗(yàn)也證實(shí)了雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型提取問句語言特征的能力弱于Transformer，盡管雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型增加了自注意力機(jī)制，但是Transformer 分類模型的準(zhǔn)確率、精確率和召回率以及F1值均超過了雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型。相較于雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型和Transformer 分類模型，雖然基于BERT 的微調(diào)分類模型與Transformer 分類模型的網(wǎng)絡(luò)結(jié)構(gòu)有相似的結(jié)構(gòu)，但基于BERT 的微調(diào)分類模型在預(yù)訓(xùn)練階段通過無監(jiān)督的方法學(xué)習(xí)具有上下文語義的詞嵌入特征，能更好地表達(dá)語義，在微調(diào)階段再用監(jiān)督的方法訓(xùn)練BERT 模型和全連接層的參數(shù)?；贐ERT 的微調(diào)模型的優(yōu)勢(shì)在于充分利用了具有上下文語義的信息，可基于少量監(jiān)督學(xué)習(xí)樣本，針對(duì)不同下游任務(wù)改造模型實(shí)現(xiàn)目標(biāo)。實(shí)驗(yàn)結(jié)果表明，基于BERT 的微調(diào)分類模型具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練參數(shù)少、訓(xùn)練速度快等特點(diǎn)，同時(shí)能夠高效地對(duì)常見作物病害問句準(zhǔn)確分類，可以作為問答系統(tǒng)問句分類模型。

表3 問句分類模型的分類結(jié)果Tab.3 Classification results of question classification models

使用基于BERT 的微調(diào)分類模型進(jìn)行作物病害問句分類，正確分類的部分實(shí)例與對(duì)應(yīng)的分類結(jié)果如表4所示。

表4 問句分類結(jié)果的部分實(shí)例Tab.4 Some examples of question classification results

基于上述實(shí)驗(yàn)，選擇作物病害問答系統(tǒng)問句分類效果最優(yōu)的基于BERT 的微調(diào)分類模型，對(duì)影響問句分類效果的樣本數(shù)量（訓(xùn)練數(shù)據(jù)集規(guī)模）進(jìn)行研究。在保持模型結(jié)構(gòu)和初始超參數(shù)不變的情況下，改變數(shù)據(jù)集規(guī)模（1 100、2 200、3 300）進(jìn)行實(shí)驗(yàn)，迭代次數(shù)均設(shè)置為100次，測(cè)試結(jié)果如表5所示。

表5 不同樣本數(shù)量的模型分類結(jié)果Tab.5 Model classification results under different sample sizes

由表5可得，訓(xùn)練數(shù)據(jù)集的規(guī)模對(duì)基于BERT的微調(diào)分類模型的分類效果有較大影響。鑒于真實(shí)場(chǎng)景下作物病害識(shí)別分類對(duì)準(zhǔn)確率有較高的需求，因此在對(duì)基于BERT 的微調(diào)分類模型進(jìn)行訓(xùn)練時(shí)，大量高質(zhì)量的訓(xùn)練數(shù)據(jù)集可以提高整個(gè)作物病害問答系統(tǒng)類別分類的準(zhǔn)確率。

探究基于BERT 的微調(diào)分類模型作為作物病害問答系統(tǒng)問句模型的有效性，并進(jìn)行相關(guān)實(shí)驗(yàn)。在不同樣本數(shù)量的數(shù)據(jù)集下，三種模型的有效性（F1值）如圖5所示。

由圖5可知：BERT模型的F1值在不同數(shù)量的數(shù)據(jù)集上均保持最高；而當(dāng)數(shù)據(jù)集較小時(shí)，雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型F1值比Transformer分類模型的F1值高；隨著數(shù)據(jù)集的增大，Transformer 分類模型的F1值反超雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型F1值。BERT 模型的預(yù)訓(xùn)練是一個(gè)耗時(shí)的過程，通過使用預(yù)訓(xùn)練好的模型進(jìn)行分類任務(wù)微調(diào)仍然能夠?qū)崿F(xiàn)很好的分類效果，驗(yàn)證了基于BERT 的微調(diào)分類模型作為作物病害問答系統(tǒng)問句模型的有效性。

圖5 不同模型的有效性結(jié)果對(duì)比Fig.5 Validity comparison of different models

3 結(jié)語

本文針對(duì)農(nóng)業(yè)問答系統(tǒng)用戶問句語義信息復(fù)雜、差異大的問題，構(gòu)建了基于BERT 用于問句分類任務(wù)的作物病害問答系統(tǒng)的問句分類模型，證實(shí)了兩階段模型（超大規(guī)模預(yù)訓(xùn)練與具體任務(wù)微調(diào)）較強(qiáng)的表征學(xué)習(xí)能力對(duì)問句分類的影響。通過與雙向長(zhǎng)短期記憶自注意力網(wǎng)絡(luò)分類模型和Transformer分類模型進(jìn)行對(duì)比，由實(shí)驗(yàn)結(jié)果可知，基于BERT 的微調(diào)分類模型的準(zhǔn)確率、精確率和召回率以及F1值均高于另外兩種問句分類模型2～5 個(gè)百分點(diǎn)，表明基于BERT 的微調(diào)常見作物病害問句分類模型可以高效地提取問句文字的特征，用于后續(xù)的分類實(shí)驗(yàn)。對(duì)三種模型使用不同數(shù)量的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，結(jié)果表明，隨著數(shù)據(jù)集規(guī)模的增加，基于BERT 的微調(diào)分類模型與另外兩種模型相比F1值明顯上升，表明了問句分類模型的選擇和訓(xùn)練數(shù)據(jù)集的規(guī)模對(duì)常見作物病害問答系統(tǒng)問句分類效果具有較大影響。接下來將進(jìn)一步擴(kuò)大作物病害問句類別的覆蓋范圍，滿足更多用戶對(duì)作物病害類別識(shí)別的需求。