基于知识图谱的农作物病虫害问答系统:从设计到落地

简介:这份资源是面向高校学生与知识图谱初学者的一套农作物病虫害智能问答系统完整项目,适合用作毕业设计、课程设计或知识图谱入门实践。项目以neo4j图数据库存储农作物、病虫害类型、症状与防治方法等实体关系,用Python完成问题理解、知识检索、答案生成与呈现的全流程,并借助自然语言处理库对用户提问进行分词、实体识别与意图解析。压缩包共673个文件,约4.9MB,以555个py源码为主体,辅以exe可执行程序、txt说明、pyc缓存、png与jpg界面截图、js与css前端资源及xml配置等,覆盖后端逻辑、前端页面与运行环境。目前已有4774人学习下载,读者可据此掌握知识图谱构建、图数据库查询与问答系统落地的完整思路,并参考其目录组织与模块划分进行二次开发或排错调试。

1. 从一次田间问诊说起:这套知识图谱问答系统到底解决什么问题

去年夏天,某高校实验室的一位同学跟我吐槽:他们做的农作物病虫害问答系统,用户问“玉米叶子发黄卷曲是什么病”,系统返回一堆百科词条,用户得自己翻三页才能找到答案。问题不在数据少,而在数据是散的——病害、症状、农药、作物之间没有关联,检索只能靠关键词硬匹配。后来他们换成基于知识图谱的 KBQA 方案,把“症状→病害→防治药剂”串成一张网,同样的问题直接给出候选病害和对应处理建议。这套方案适合两类人:做毕设/课设需要完整问答系统的学生,以及要给农业类应用加智能问答模块的开发者。核心思路不复杂——先把领域知识结构化,再让问句去图谱里找路径,最后把路径翻译成人话。下面从需求、设计到落地验收,把整套方案拆开讲。

2. 需求分析与技术选型:为什么是知识图谱而不是纯检索

2.1 三类真实问句决定了系统边界

农作物病虫害领域的用户提问,通常落在三个层次。第一层是事实型:“稻瘟病用什么药?”——答案是一个实体属性。第二层是关系型:“哪些病害会导致小麦倒伏?”——答案是一条或多条关系路径。第三层是多跳推理型:“叶片有褐色斑点且边缘枯黄的番茄病害,该怎么防治?”——需要先由症状匹配病害,再查防治方法,跨了两个节点。

纯关键词检索能应付第一层,第二层勉强,第三层基本翻车。因为“褐色斑点”和“边缘枯黄”在文本里可能分属不同段落,检索无法把它们组合成一个约束条件。知识图谱的价值就在这里:症状、病害、药剂都是节点,边表示“表现为”“防治用”“易感作物”,多跳查询天然支持组合约束。

提示:需求阶段先收集 50~100 条真实问句,按上述三层分类。如果第三层占比超过 30%,纯检索方案可以直接放弃。

2.2 技术栈选型与理由

整套系统我一般拆成四层:数据层、图谱层、问答层、接口层。选型如下表。

层级 选型 理由
数据存储 Neo4j 社区版 图查询语言 Cypher 成熟,可视化调试方便
图谱构建 Python + pandas + py2neo 批量导入实体关系,脚本可控
问句解析 jieba + 自定义词典 + 规则模板 领域问句句式集中,规则命中率高,比硬上大模型省算力
答案生成 模板填充 + 图谱路径转文本 答案可控,不会出现事实性幻觉
接口 Flask + RESTful 轻量,方便前端或微信小程序调用

这里重点说为什么问句解析不用端到端大模型。领域问句的句式其实很有限——“X 是什么病”“X 怎么治”“什么病会导致 X”“X 和 Y 有什么关系”,四类模板能覆盖八成以上。规则模板的好处是解析结果可解释,出错能定位到具体规则,而不是面对一个黑匣子。大模型可以作为兜底,当规则全部未命中时再调用,但主链路保持规则优先。

2.3 图谱本体设计:先定 schema 再灌数据

本体设计是整条链路的起点,也是最容易返工的地方。我通常先画一张实体-关系草图,再落成表结构。核心实体五类:作物、病害、症状、防治药剂、防治方法。关系六种:作物-易感-病害、病害-表现为-症状、病害-防治用-药剂、病害-防治用-方法、药剂-施用于-作物、症状-伴随-症状。

# 本体定义示例:用字典描述实体类型和关系类型
ENTITY_TYPES = {
    "Crop": ["小麦", "玉米", "番茄", "水稻"],       # 作物
    "Disease": ["稻瘟病", "玉米大斑病", "番茄早疫病"], # 病害
    "Symptom": ["叶片发黄", "褐色斑点", "边缘枯黄"],   # 症状
    "Pesticide": ["三环唑", "代森锰锌", "百菌清"],     # 药剂
    "Method": ["轮作", "种子处理", "田间通风"]         # 防治方法
}

RELATION_TYPES = {
    "susceptible_to": ("Crop", "Disease"),      # 作物易感病害
    "shows_symptom": ("Disease", "Symptom"),    # 病害表现症状
    "treated_by": ("Disease", "Pesticide"),     # 病害用药
    "prevented_by": ("Disease", "Method"),      # 病害预防方法
    "applied_to": ("Pesticide", "Crop"),        # 药剂适用作物
    "accompanied_by": ("Symptom", "Symptom")    # 症状伴随
}

这段代码定义的是图谱的“宪法”。 ENTITY_TYPES 里每个键是实体类别,值是示例实例; RELATION_TYPES 用元组约束头尾实体类型,防止出现“药剂-表现为-症状”这种非法边。实际灌数据前,我会先用这套 schema 校验一遍 CSV,类型不匹配的直接打回,避免脏数据进图后再清洗,那成本高得多。

3. 图谱构建与存储:从 CSV 到 Neo4j 的完整链路

3.1 数据来源与清洗规则

领域数据通常来自三处:农业教材的结构化表格、植保站公开的病害名录、以及人工整理的问答对。教材表格质量最高,但字段名不统一,比如“防治药剂”有的写成“推荐用药”,“症状描述”有的写成“典型表现”。清洗阶段我一般做三件事:字段名归一化、同义实体合并、空值补全。

同义实体合并是血泪经验。比如“玉米大斑病”和“玉米大斑病菌”如果不合并,图谱里会出现两个节点,查询时只命中一个,答案就漏了。做法是维护一张同义词表,导入前先做映射。

# 同义实体映射与清洗
SYNONYM_MAP = {
    "玉米大斑病菌": "玉米大斑病",
    "稻瘟病菌": "稻瘟病",
    "叶枯病": "水稻白叶枯病"
}

def normalize_entity(name):
    """归一化实体名:去空格、查同义词表"""
    name = name.strip().replace(" ", "")
    return SYNONYM_MAP.get(name, name)

# 清洗 CSV 中的每一行
import pandas as pd
df = pd.read_csv("disease_data.csv")
df["disease"] = df["disease"].apply(normalize_entity)
df["symptom"] = df["symptom"].apply(normalize_entity)
df = df.dropna(subset=["disease", "symptom"])  # 关键字段为空则丢弃

normalize_entity 先做基础清洗再查同义词表,顺序不能反——如果先查表再 strip,带空格的“稻瘟病菌 ”会匹配失败。 dropna 只对关键字段生效,非关键字段留空不影响图谱连通性。

3.2 批量导入 Neo4j 的 Cypher 与 py2neo 实现

数据清洗完,下一步是建节点和边。小规模数据(几千节点)用 py2neo 脚本导入即可,大规模再考虑 LOAD CSV 。我一般用 MERGE 而不是 CREATE,防止重复导入时产生重复节点。

from py2neo import Graph, Node, Relationship

graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))

def import_disease(row):
    """导入一条病害记录:病害节点、症状节点、关系"""
    disease = Node("Disease", name=row["disease"])
    graph.merge(disease, "Disease", "name")  # 按 name 去重合并
    
    for sym in row["symptoms"].split("|"):
        symptom = Node("Symptom", name=sym.strip())
        graph.merge(symptom, "Symptom", "name")
        rel = Relationship(disease, "SHOWS_SYMPTOM", symptom)
        graph.merge(rel)  # 关系也去重
    
    for pest in row["pesticides"].split("|"):
        pesticide = Node("Pesticide", name=pest.strip())
        graph.merge(pesticide, "Pesticide", "name")
        graph.merge(Relationship(disease, "TREATED_BY", pesticide))

graph.merge(node, "Disease", "name") 的意思是:按 Disease 标签和 name 属性判断节点是否存在,存在则复用,不存在则创建。关系上的 merge 同理。这样即使脚本跑两遍,图谱也不会膨胀。注意 symptoms 字段用 | 分隔多个症状,导入前在 CSV 里就处理好,不要在代码里做复杂拆分。

3.3 图谱规模与查询性能预估

一个中等规模的病虫害图谱,节点量通常在 2000~5000,边量在 8000~20000。这个量级下 Neo4j 社区版单机完全够用,Cypher 查询响应在毫秒级。真正影响性能的是查询写法——避免全图扫描,尽量从索引字段入口。

// 为常用查询字段建索引
CREATE INDEX disease_name IF NOT EXISTS FOR (d:Disease) ON (d.name);
CREATE INDEX symptom_name IF NOT EXISTS FOR (s:Symptom) ON (s.name);

// 多跳查询示例:由症状找病害再找药剂
MATCH (s:Symptom)-[:SHOWS_SYMPTOM]-(d:Disease)-[:TREATED_BY]-(p:Pesticide)
WHERE s.name IN ["褐色斑点", "边缘枯黄"]
RETURN d.name AS disease, collect(p.name) AS pesticides

第一条 MATCH 从症状节点出发,反向走 SHOWS_SYMPTOM 边到病害,再走 TREATED_BY 到药剂。 WHERE s.name IN [...] 利用索引快速定位症状节点,避免扫描全部 Symptom。 collect(p.name) 把同一病害的多个药剂聚合成列表,方便后续答案生成。

4. 问句解析与答案生成:规则模板如何覆盖八成问句

4.1 意图分类与槽位定义

问句解析的第一步是判断用户想问什么。我把意图分成四类:病害查询、症状查询、防治查询、关系查询。每类意图对应不同的槽位组合。

意图 触发词示例 槽位 图谱查询路径
病害查询 是什么病、什么病害 症状 Symptom→Disease
症状查询 有什么症状、表现 病害 Disease→Symptom
防治查询 怎么治、用什么药 病害 Disease→Pesticide/Method
关系查询 和…有关、会导致 实体A、实体B 任意两节点间路径

意图识别用规则匹配即可:先分词,再看问句里是否包含触发词。触发词表可以人工维护,也可以从训练问句里统计高频词补充。

4.2 基于 jieba 与模板的问句解析实现

import jieba

# 领域词典,提升分词准确率
jieba.load_userdict("agri_dict.txt")  # 每行:词语 词频 词性

INTENT_PATTERNS = {
    "disease_query": ["是什么病", "什么病害", "得了什么"],
    "symptom_query": ["有什么症状", "什么表现", "症状是"],
    "treatment_query": ["怎么治", "用什么药", "如何防治"],
    "relation_query": ["和.*有关", "会导致", "有什么关系"]
}

def parse_question(question):
    """解析问句:返回意图和槽位"""
    words = jieba.lcut(question)
    intent = None
    for it, patterns in INTENT_PATTERNS.items():
        if any(p in question for p in patterns):
            intent = it
            break
    
    # 槽位抽取:匹配图谱中已有的实体名
    slots = {}
    for w in words:
        if w in ENTITY_INDEX:  # ENTITY_INDEX 是预加载的实体名集合
            slots.setdefault("entity", []).append(w)
    return intent, slots

jieba.load_userdict 加载领域词典,把“稻瘟病”“代森锰锌”等词加进去,否则会被切成单字,槽位匹配失败。 INTENT_PATTERNS 用子串匹配而非正则,是因为领域问句短,子串足够且更快。 ENTITY_INDEX 在系统启动时从 Neo4j 拉取所有实体名构建成集合,查询时 O(1) 判断。

4.3 图谱查询到自然语言答案的转换

拿到意图和槽位后,拼 Cypher 查图谱,再把结果转成句子。转换用模板填充,不同意图用不同模板。

ANSWER_TEMPLATES = {
    "disease_query": "根据症状「{symptom}」,可能的病害有:{diseases}。",
    "treatment_query": "「{disease}」的防治方法:{methods}。推荐药剂:{pesticides}。",
    "symptom_query": "「{disease}」的典型症状包括:{symptoms}。"
}

def generate_answer(intent, slots, graph):
    """查图谱并生成答案"""
    if intent == "disease_query":
        symptom = slots["entity"][0]
        query = """
        MATCH (s:Symptom {name: $symptom})-[:SHOWS_SYMPTOM]-(d:Disease)
        RETURN d.name AS disease
        """
        result = graph.run(query, symptom=symptom).data()
        diseases = "、".join([r["disease"] for r in result]) or "暂无匹配"
        return ANSWER_TEMPLATES[intent].format(symptom=symptom, diseases=diseases)
    # 其他意图类似处理

graph.run 的参数化查询用 $symptom 占位,避免字符串拼接带来的注入风险。 result 是字典列表,取 disease 字段拼接。如果查询为空,返回“暂无匹配”而不是空字符串,用户体验更好。模板里的 {methods} 和 {pesticides} 分别来自不同查询,实际代码里会合并成一次查询减少往返。

5. 避坑与常见问题:部署和调试阶段最容易翻车的五件事

5.1 同义实体没合并,查询命中率腰斩

现象:用户问“玉米大斑病”,系统返回空,但图谱里明明有数据。原因:数据导入时“玉米大斑病”和“玉米大斑病菌”被当成两个节点,用户问句匹配到后者,而关系挂在前者上。解决:导入前强制走同义词映射,导入后用 Cypher 检查孤立节点—— MATCH (n) WHERE NOT (n)--() RETURN n ,孤立节点多半是没合并干净的。

5.2 分词把病害名切碎,槽位抽不出来

现象:问句“番茄早疫病怎么治”,分词结果是“番茄/早疫/病/怎么/治”,槽位匹配不到“番茄早疫病”。原因:jieba 默认词典不含领域术语。解决:维护 agri_dict.txt ,把所有实体名加进去,词频给高一点。加载词典要在第一次分词之前,否则不生效。

5.3 Cypher 查询没走索引,响应从毫秒变秒级

现象:图谱几千节点时查询很快,加到上万后明显变慢。原因: MATCH (d:Disease {name: "..."}) 没建索引,Neo4j 全节点扫描。解决:对 Disease.name 、 Symptom.name 、 Pesticide.name 建索引,用 EXPLAIN 看执行计划,出现 NodeByLabelScan 就是没走索引。

5.4 答案模板硬编码,多轮对话直接断片

现象:用户先问“稻瘟病怎么治”,再问“那玉米呢”,系统无法理解“那”指代什么。原因:单轮解析没有上下文管理。解决:在会话层维护一个 last_entity 变量,当问句里没有匹配到实体时,用上一轮的实体补位。这个改动很小,但多轮体验提升明显。

5.5 图谱更新后缓存没失效,答案还是旧的

现象:图谱里新增了一种药剂,但系统返回的还是旧列表。原因:实体索引和答案缓存没刷新。解决:图谱更新后调用一次 reload_entity_index() ,或者给缓存设 TTL。我一般用后者,简单且不会漏。

6. 验收与答辩:怎么证明这套系统真的能用

验收分三块:图谱质量、问答准确率、系统性能。图谱质量看节点边数量、孤立节点比例、关系类型覆盖率。问答准确率用测试集跑,测试集从真实问句里抽 100 条,人工标注标准答案,系统输出后算命中率。性能看平均响应时间和并发下的表现。

验收项 指标 合格线 测量方法
图谱规模 节点数/边数 ≥2000/≥8000 Neo4j 统计
孤立节点 占比 ≤2% Cypher 查询
问答准确率 命中率 ≥80% 100 条测试集
平均响应 单次查询耗时 ≤500ms 压测工具
多跳查询 三跳内成功率 ≥70% 专项测试集

答辩时,评委最常问的是“为什么不用大模型”和“图谱怎么保证覆盖度”。第一个问题按第 2 章的理由答:规则可控、可解释、算力低,大模型做兜底。第二个问题用数据答:展示图谱 schema 和覆盖的作物/病害数量,承认边界——比如只覆盖主粮作物,经济作物后续扩展。别回避边界,主动说反而显得靠谱。

我一般会在答辩前跑一遍“翻车演练”:故意问几个图谱里没有的病害,看系统是返回“暂无匹配”还是报错。返回“暂无匹配”是及格,报错就是没做异常处理。从那以后我每次交付问答系统前,都强制走一遍空结果、多实体、超长问句三种边界测试,省得现场尴尬。希望帮到你。

本文还有配套的精品资源,点击获取 menu-r.4af5f7ec.gif

基于知识图谱的农作物病虫害智能问答系统:从零搭建到二次开发避坑指南 知识图谱通过图结构组织实体与关系,实现语义检索与推理。在农业植保领域,将作物、病害、症状、农药等实体构建为知识图谱,结合自然语言处理与意图识别技术,可支撑智能问答系统从非结构化提问中解析查询意图,并沿图谱路径返回精准防治建议。这种技术方案有效解决了传统关键词检索无法处理同义表述和复杂关联查询的痛点,适用于农业信息化教学、植保知识库原型开发等场景。基于知识图谱的农作物病虫害智能问答系统正是这一思路的工程实践,涵盖图谱建模、Neo4j导入、问答链路设计及常见问题规避,为开发者提供可复用的搭建参考。 阅读详情

相关推荐

基于知识图谱的农作物病虫害智能问答系统设计与实现

知识图谱作为连接实体与关系的语义网络,正在成为智能问答系统的核心技术底座。在农业领域,传统的关键词匹配与文档检索难以支撑“多跳推理”类问题,而图数据库能将作物、病害、虫害、农药和防治方法织成一张可遍历的语义网,从而让系统沿着关系路径精准作答。本文从本体设计出发,介绍如何利用Neo4j与Cypher完成知识存储与查询,通过实体识别和关系抽取构建农业知识图谱,并结合模板匹配将自然语言转化为图查询,实现意图识别、槽位填充与答案生成。同时引入Vue3可视化方案,让用户直观浏览实体间的关联路径。该方案覆盖“图谱构建→

weixin_29050271的博客 205

计算机毕业设计Spark+Hadoop+Hive+DeepSeek-R1农作物产量预测 农作物大模型AI问答 农作物数据分析可视化 大数据毕业设计(源码+文档+PPT+讲解)

计算机毕业设计Spark+Hadoop+Hive+DeepSeek-R1农作物产量预测 农作物大模型AI问答 农作物数据分析可视化 大数据毕业设计(源码+文档+PPT+讲解)

全网计算机/大数据辅导(自媒体)道祖第一人、全网粉丝100W+,专注于大学生项目实战开发,讲解,毕业答疑辅导,高校老师/讲师/同行合作。以及产品测评宣传、工具推广等合作。同时招收学生代理、校园代理。 736

基于知识图谱的农作物病虫害智能问答系统实战:从架构到部署

知识图谱通过实体与关系结构化领域知识,结合自然语言处理实现语义理解与智能查询。在农业植保场景中,农户口语化提问与结构化植保知识之间存在语义鸿沟,传统全文检索难以精准匹配。基于知识图谱的问答系统(KBQA)利用实体识别、意图分类和Cypher查询模板,将自然语言映射为图谱查询路径,显著提升病虫害诊断与农药推荐准确率。该系统可应用于农业SaaS、植保App等场景,帮助开发者快速构建能真正回答问题的智能问答模块,同时为知识图谱学习者提供完整可运行的领域项目。

weixin_29071809的博客 225

【Dify农业开发实战指南】:20年农技专家亲授低代码AI模型落地5大关键步骤

手把手教你用Dify农业开发实现农技AI模型快速落地。20年农技专家总结5大关键步骤,覆盖病虫害识别、产量预测等场景,低代码构建、本地部署、轻量化适配边缘设备。提升开发效率80%,降低技术门槛,值得收藏。

CompiLume的博客 442

知识图谱问答入门:从关键词搜索到关系推理的跨越

知识图谱是一种以实体和关系组织知识的图结构,其核心原理是通过图遍历实现多跳推理,而非简单的字符串匹配。在农业病虫害领域,知识分散、表述口语化,传统关键词搜索难以理解“玉米叶子发黄”与“玉米螟危害”之间的语义关联。知识图谱问答(KBQA)通过语义理解将自然语言提问解析为实体和关系,再沿图谱路径推理出可追溯的答案,显著提升专业领域问答的准确性与可解释性。该技术适用于关系密集型、提问多变的场景,如病虫害诊断与防治,帮助系统从“找字”升级为“懂行”。

weixin_29031161的博客 223

chrome-win64-159.0.8145.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8145.0 win64 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 64 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

计算机毕业设计LangChain+知识图谱Neo4j和多模态大模型LLM的图检索增强GraphRAG的植物病害知识智能问答系统 大模型毕业设计 人工智能(源码+文档+PPT+讲解)

本项目是面向植物病害资料检索、知识管理与辅助问答的 Web 系统,采用 Vue 3 与 Flask 前后端分离架构。系统将文档、病害档案、田间案例和图谱三元组组织为可追溯的领域知识,并在问答时将检索证据与用户问题一起交给大语言模型生成回答。

全网计算机/大数据辅导(自媒体)道祖第一人、全网粉丝100W+,专注于大学生项目实战开发,讲解,毕业答疑辅导,高校老师/讲师/同行合作。以及产品测评宣传、工具推广等合作。同时招收学生代理、校园代理。 419

chrome-headless-shell-win64-157.0.8103.38(Stable).zip

Chrome for Testing 官方指定版本的 Chrome 浏览器、ChromeDriver 与 Headless Shell 压缩包,适用于 Selenium、Playwright 等自动化测试环境搭建,覆盖 Windows、macOS、Linux 多平台,解压即可使用,无需额外安装或配置。

文心一言智慧农业案例分享

本文探讨文心一言大模型在智慧农业中的应用,涵盖知识图谱构建、智能问答系统、作物管理咨询、农村电商客服及农技培训辅助,强调AI与农业深度融合的技术路径与实践成效。

weixin_42561464的博客 716

chrome-win32-159.0.8150.0(Canary).zip

内容概要:Chrome for Testing 官方 chrome 159.0.8150.0 win32 平台(金丝雀版通道),原版未修改,附来源说明。 适合人群:Windows 32 位 上的自动化测试工程师、爬虫开发者、CI 环境搭建者。 使用场景及目标:①Chrome for Testing 官方浏览器本体,供自动化测试使用;②与同版本 chromedriver 配套;③CI/容器环境的浏览器运行时。 其他说明:Chrome for Testing 为 Google 官方发布、允许自由分发的文件;本资源为第三方整理的下载便利服务。

chromedriver-win32-160.0.8164.0(Canary).zip

chromedriver-win32-160.0.8164.0(Canary).zip

Dify农业知识库开发:3天完成水稻病害问答系统部署,附可复用的12个Prompt工程模板

3天快速构建水稻病害智能问答系统!基于Dify农业知识库开发,融合RAG与12个可复用Prompt工程模板,支持农技人员实时查询与移动端部署。轻量、易维护、效果稳定,适合县域农技推广场景,值得收藏。

LearnPlex的博客 407

化工MES-石化盈科信息技术有限责任公司.pptx

化工MES-石化盈科信息技术有限责任公司.pptx

ChatGLM智慧农业案例分享

ChatGLM在智慧农业中实现从信息交互到智能决策的跃迁,通过知识图谱融合、多模态诊断、边缘计算与对话系统构建农业认知中枢,推动病虫害识别、农技服务、气象预警等场景智能化,并支持方言交互与区域化推广,提升农业生产效率与数字化治理水平。

weixin_35728286的博客 1317

华为鸿蒙系统也能用!5分钟搞定谷歌三件套安装(附最新APK下载链接)

本文为华为鸿蒙系统用户提供了一份详尽的谷歌三件套(Google Play服务、商店及框架)手动安装指南。文章核心在于无需Root,通过ADB命令获取设备信息,并从可靠来源下载匹配版本的APK,按照正确顺序安装,从而解决海外应用依赖问题,实现5分钟快速部署。

c7d8e9的博客 6682

华三(H3C)网络设备配置命令大全与学习指南

本文全面介绍 H3C 网络设备的配置命令,涵盖路由器、交换机、ACL、NAT、VTY、SSH、本地用户、日志、STP、防火墙、QoS 等模块,适合网络工程初学者与运维人员参考。

DreamCollector的博客 6583

2025年600+个计算机毕业设计项目推荐

本文汇总了多个基于不同技术栈的毕业设计项目,涵盖Django、JSP、Node.js、PHP、SpringBoot等技术框架。项目主题丰富多样,包括电商平台(如豆果美食、华为产品销售)、教育系统(考研学习、Python语言学习)、数据分析(天气预报、旅游景点分析)、管理系统(学生选课、人事管理)以及智能应用(人脸识别、健康预警)等。其中,SpringBoot项目尤为突出,涉及智慧医疗、校园服务、电商分析等多个领域,展现了Web开发技术在解决实际问题中的广泛应用。这些项目设计注重功能实现与用户体验,为相关领域

全网粉丝10W+、全栈领域优质创作者、掘金、阿里云等社区博客专家、专注于全栈领域和毕业项目实战 1722

华中科技大学 计算机组成原理 educoder Logisim平台 计算机数据表示实验

本文主要是对 计算机数据表示实验的笔记和相关Logisim平台的图,供大家学习交流使用。 需要源文件或者源代码,可以留言评论! 目录实验目的第1关:汉字国标码转区位码实验第2关:汉字机内码获取实验第3关:偶校验编码设计第4关:偶校验解码电路设计第5关:16位海明编码电路设计第6关:16位海明解码电路设计第7关:海明编码流水传输实验第8关:16位CRC并行编解码电路设计第9关:CRC编码流水传输实验实验结果: 实验目的 本实训将帮助同学们巩固对计算机中数据表示方法的理解,要求能设计汉字国标码与区位码之间的转换

weixin_48383580的博客 2万+

软件工程专业毕业设计选题大全 毕设指导

本文摘要了一系列基于Django、JSPM、Node.js、PHP、Python和SpringBoot框架开发的Web应用系统,涵盖多个领域:1)教育类(考研学习、在线考试、职业推荐);2)电商类(商城、二手交易、购物分析);3)管理系统(学生选课、人事管理、固定资产);4)数据分析(旅游景点、销售数据、气象预测);5)社交平台(音乐分享、动漫社区);6)公共服务(养老、医疗、法律援助)。这些系统充分发挥了各类技术栈的优势,如Django的后台处理能力、SpringBoot的微服务特性,针对特定行业需求提供

全网粉丝10W+、全栈领域优质创作者、掘金、阿里云等社区博客专家、专注于全栈领域和毕业项目实战 1390

datax web升级springboot3 jdk17

datax web但GitHub上还是springboot2,没有升级过,最近扫漏洞发现spring-core漏洞必须升级到6.x才能解决,这时不得不将springboot升级到3.x,随之而来是jdk、mybatis-plus等等的升级,调整了几天才没问题,痛苦的开发人生~~以上,有疑问欢迎留言。

liyinglong1023的博客 977

std::map看来可以被淘汰了?可以用vector来替代,而且更好

vector的优势在于内存连续,可以先std::sort,然后std::lower_bound,或者std::binary_search。而std::map,insert的时候,需要new出内存。

tumu_C的博客 1025

2024-2025年计算机毕业设计选题推荐 -计算机专业毕业设计题目大全

本文系统梳理了基于不同技术栈的各类信息管理系统设计与实现案例,涵盖Web开发主流框架(Django、SpringBoot、Node.js等)构建的多元化应用场景。具体包括:1)Python/Django框架下的教育管理、电商推荐、数据分析等系统;2)SpringBoot生态中的智能充电、医疗健康、旅游服务等移动应用;3)Node.js技术实现的养老、校园、电商等服务平台;4)PHP/JSP等传统技术开发的律所管理、企业门户等系统。这些案例充分体现了现代信息技术在教育、医疗、商业等领域的深度融合,展示了大数据

G3259093417的博客 682

ProgLoss+STAL 技术详解:YOLO26 小目标检测增强方案

本文提出了一种基于ProgLoss渐进式损失函数和STAL小目标感知标签分配的YOLO26增强方案。针对小目标检测中特征信息少、正负样本不平衡等难题,STAL通过尺度感知的标签分配策略动态调整候选样本数量和IoU阈值,为小目标分配更多正样本;ProgLoss则根据训练阶段动态调整分类和回归损失的权重,早期侧重定位能力,后期加强分类精度。实验表明,该组合方案显著提升了小目标检测性能,在COCO数据集上小目标AP达到38.2%,比基线提升6.5个百分点。该方法为遥感、监控等场景的小目标检测提供了有效解决方案。

一键难忘的博客 1293
上一篇: Grok群聊机器人从零搭建:架构、代码与避坑全攻略
下一篇: K近邻算法从原理到实战:K值、距离度量与工程优化全解析
徐卓菲
博客等级 码龄10年 54粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址