水稻生產(chǎn)機械化農(nóng)機的專業(yè)術(shù)語翻譯研究

摘" 要：隨著信息化和智能化水平的提高，農(nóng)業(yè)設備使用逐漸向人工智能技術(shù)發(fā)展，同時人機交流和機器語言成為機械化設備應用的重要角色。研究對水稻生產(chǎn)機械化農(nóng)機的應用進行了專業(yè)術(shù)語的雙語語料庫設計，并對語料庫進行機器翻譯模型的構(gòu)建，從而實現(xiàn)農(nóng)機智能化發(fā)展和國際市場的擴張。通過雙語語料庫和機器翻譯模型的測試分析，得出專業(yè)術(shù)語中字符的識別正確率最高為99.03%，而字符的翻譯準確率最高為98.16%。在語句識別中，平均精度為93.69%，翻譯的平均準確度為92.76%。綜合分析結(jié)果可說明研究提出的農(nóng)機專業(yè)術(shù)語翻譯方法具有優(yōu)越性，可為智慧農(nóng)業(yè)的發(fā)展提供有效的技術(shù)方案和服務平臺。

關(guān)鍵詞：農(nóng)業(yè)機械化；水稻生產(chǎn)；農(nóng)機設備；專業(yè)術(shù)語；機器翻譯

收稿日期：2024-10-15

作者簡介：王翠（1986—）女，碩士，講師，研究方向：英語翻譯，英美文學。

中圖分類號：TP391.2""""""""""""""""""""""""""""" 文獻標志碼：A文章編號：1673-6737（2025）01-0044-06

The Translation of Professional Terminology for Mechanized Agricultural Machinery in Rice Production

WANG Cui

（Weinan Normal University，School of Foreign Languages，Weinan Shaanxi 714000， China）

Abstract： With the improvement of informatization and intelligence level， the use of agricultural equipment is gradually developing towards artificial intelligence technology， and human-machine communication and machine language have become important roles in the application of mechanized equipment. A bilingual corpus of professional terminology was designed for the application of mechanized agricultural machinery in rice production， and a machine translation model was constructed for the corpus to achieve the intelligent development of agricultural machinery and the expansion of the international market. Through testing and analysis of bilingual corpora and machine translation models， it was found that the highest recognition accuracy of characters in professional terminology was 99.03%， while the highest translation accuracy of characters was 98.16%. In sentence recognition， the average accuracy is 93.69%， and the average accuracy of translation is 92.76%. The comprehensive analysis results show that the proposed method for translating agricultural machinery professional terms has superiority and provides effective technical solutions and service platforms for the development of smart agriculture.

Key words： Agricultural mechanization; Rice production; Agricultural machinery equipment; Technical term; Machine translation

水稻作為重要的糧食作物，為人類生產(chǎn)生活提供了重要的發(fā)展基礎，目前新稻種的不斷研發(fā)不僅增加了栽培方式，提高了糧食產(chǎn)量，還豐富了經(jīng)濟價值和額外功能研究[1]。隨著農(nóng)牧業(yè)的現(xiàn)代化發(fā)展，農(nóng)畜產(chǎn)品在種植、生產(chǎn)和加工處理過程中所使用的各種機械統(tǒng)稱為農(nóng)業(yè)機械[2-3]。農(nóng)業(yè)機械中，相應的農(nóng)機設備也利用機械化技術(shù)和自動化裝置來優(yōu)化水稻生產(chǎn)環(huán)節(jié)，不僅提高水稻產(chǎn)率，還嚴保品質(zhì)?，F(xiàn)代信息技術(shù)和自動化技術(shù)的發(fā)展為農(nóng)業(yè)機械設備的改進提供了較好的基礎，而互聯(lián)網(wǎng)技術(shù)將農(nóng)機和信息技術(shù)進行有效融合，能夠加強農(nóng)業(yè)生產(chǎn)的智能化管理[4-5]。國外農(nóng)機機械化發(fā)展較為先進，引進先進的農(nóng)機設備或者自主研發(fā)的農(nóng)機裝備，均有利于促進國內(nèi)外農(nóng)機智能化發(fā)展和農(nóng)業(yè)生產(chǎn)質(zhì)量提高[6]。然而國內(nèi)外農(nóng)機設備的專業(yè)術(shù)語影響著農(nóng)機操作和市場交流，同時農(nóng)機語料庫的建立和翻譯領域仍處于初級研究階段，未形成全面且系統(tǒng)的農(nóng)機雙語應用平臺?；诖?，研究對水稻生產(chǎn)的農(nóng)機專業(yè)術(shù)語進行處理和更新，以適應現(xiàn)在農(nóng)業(yè)領域的需要。研究的創(chuàng)新性在于，首先對專業(yè)術(shù)語列表進行雙語語料庫的設計，同時分析其對齊方法。在此之后，采用了詞嵌入模型對語料庫進行特征提取和詞向量計算，為后續(xù)翻譯模型提供較好的數(shù)據(jù)基礎。最后對機器翻譯模型進行優(yōu)化改進，從而實現(xiàn)水稻農(nóng)機專業(yè)術(shù)語的機器翻譯應用。研究旨在提高目前農(nóng)機設備的生產(chǎn)效率，并為農(nóng)業(yè)生產(chǎn)提供技術(shù)支持，促進農(nóng)業(yè)信息化建設。

1" 水稻生產(chǎn)農(nóng)機的雙語語料庫和機器翻譯方法

1.1" 農(nóng)機專業(yè)術(shù)語的處理和雙語語料庫的設計

農(nóng)機雙語語料庫以農(nóng)業(yè)機械的功能、參數(shù)和操作等專業(yè)術(shù)語為主，為計算機翻譯平臺提供語言文本，以支持農(nóng)業(yè)智慧化管理[7]。由于時代和技術(shù)的更新，農(nóng)機專業(yè)術(shù)語標準有了擴展，也增加了同義詞的混淆。因此需要對增加的術(shù)語進行過濾處理，以降低模型的訓練量。農(nóng)機專業(yè)術(shù)語的擴充處理首先對現(xiàn)有專業(yè)術(shù)語列表進行預處理，清除停用詞，在農(nóng)機領域中分出水稻生產(chǎn)相關(guān)的術(shù)語，并統(tǒng)計其高頻詞來建立高頻詞列表。其次將高頻詞列表與現(xiàn)有術(shù)語的補充進行組合以構(gòu)成語料庫，再生成測試集和訓練集的樣本，用于語言處理模型。由于將高頻詞中最高頻次作為閾值，測試樣本的頻率需要達到這個閾值，才能經(jīng)過模型的權(quán)重矩陣，并計算出詞向量[8]。在訓練過程中詞向量的計算可有效去除列表中的術(shù)語同義詞，完成語料庫的預處理流程。最后將過濾好的高頻列表與現(xiàn)有術(shù)語進行融合，組建一個新的水稻生產(chǎn)農(nóng)機專業(yè)術(shù)語表，從而實現(xiàn)農(nóng)機專業(yè)術(shù)語的擴充處理。

水稻生產(chǎn)農(nóng)機的專業(yè)術(shù)語經(jīng)過更新和擴充處理后，提高了專業(yè)詞匯的出現(xiàn)頻率，有利于農(nóng)機市場的更新和應用，并為雙語語料庫提供新穎的術(shù)語列表。之后研究以英漢/漢英雙語語料庫為框架，制定農(nóng)業(yè)機械設備的專業(yè)術(shù)語翻譯、派生詞翻譯和同詞異譯等語言數(shù)據(jù)集。根據(jù)文獻資料和字典查詢等，農(nóng)機雙語語料庫的框架設計如圖1所示。

從圖1中看出，針對國際市場的農(nóng)機雙語語料庫構(gòu)建，首先需要廣泛收集關(guān)于農(nóng)機專業(yè)的術(shù)語文本，包括特定用語、不斷豐富的文本數(shù)據(jù)以及漢英之間匹配的語料信息。其次通過文本讀取對領域語料進行詞句、段落和語塊的對齊，以進行語料加工階段。然后將收集的原始語料進行清理、標注和特征提取的處理，并對其進行人工校對，以確保雙語語料的正確對應，再收錄在農(nóng)機專業(yè)術(shù)語雙語語料庫中。最后用戶可在系統(tǒng)界面通過數(shù)據(jù)庫系統(tǒng)，來完成農(nóng)機專業(yè)術(shù)語的查詢和翻譯等相關(guān)操作。

由此可知信息化技術(shù)的發(fā)展為農(nóng)業(yè)生產(chǎn)發(fā)展提供先進技術(shù)，在農(nóng)業(yè)種植和生產(chǎn)中提供實時且精確的數(shù)據(jù)，深入分析農(nóng)田數(shù)據(jù)和狀態(tài)變化，為品種研發(fā)和病情監(jiān)測等內(nèi)容提供有力依據(jù)[9-10]。而雙語語料庫的設計在統(tǒng)計資料和文獻搜索上，可幫助農(nóng)業(yè)設備的操作和作物信息的探索，推動智慧農(nóng)業(yè)發(fā)展。

1.2" 農(nóng)機雙語語料庫的對齊方法

雙語語料的對齊是其框架的核心，直接關(guān)系著后續(xù)機器翻譯的效果，因此詞匯和語句的對齊方法為農(nóng)機領域的翻譯處理提供高質(zhì)量的語料信息[11]。其中詞對齊的雙語語料需要將雙語詞典與提取單詞進行匹配，同時結(jié)合詞性、詞義變化等對雙語的單詞對應進行相似度計算，以提高匹配效果。詞匯相似度計算如式（1）所示。

式（1）中，F(xiàn)Dice表示相似度度量函數(shù)，z1和z2分別為字符串，comm為兩個字符串中相同字符的個數(shù)，length為字符串的長度。當一個原始的詞匯對應多個翻譯文本，需要將譯文本與目標詞匯進行兩兩組合的相似度計算，最終取其最大值作為相似度值[12]。為進一步提高詞句對齊的精度，研究采用編輯距離法來篩查相似詞匯的字符位置。具體如式（2）所示。

式（2）中，D表示編輯距離，m和n分別為詞匯中兩個不同的字符串，ED為相似度距離。λ為頻數(shù)因子，且λ≥0（λ∈R），i為字符。fim代表字符i在m中的頻數(shù)，fin為字符i在n中的頻數(shù)。綜合相似度計算，編輯距離越小則說明兩個字符串之間越相似，計算精度較高[13]。

另外針對擴展的語句、段落和語塊的對齊方法，研究選擇詞嵌入模型對其進行文本訓練，再引入注意力機制自動學習上下文的相關(guān)性，提高模型對詞匯的識別率。具體如圖2所示。

從圖2中看出，連續(xù)詞袋模型是根據(jù)上下文的詞匯來預測目標詞，利用高維編碼對嵌入層中的向量進行映射，以轉(zhuǎn)換為低維的嵌入詞向量。再引入注意力機制自動學習上下文之間的詞匯關(guān)聯(lián)性和重要性，同時嵌入向量與權(quán)重矩陣相乘可得出對應向量。由于注意力機制的加入，使得向量計算生成注意力分數(shù)。而激活函數(shù)對分數(shù)進行激活得到注意力權(quán)重，最后輸出注意力結(jié)果和目標詞匯的出現(xiàn)頻率。模型結(jié)構(gòu)對農(nóng)機專業(yè)術(shù)語的雙語對齊具有較好的向量訓練，可提升對高頻術(shù)語的概率提取并降低時間復雜度。

綜合農(nóng)機雙語語料庫的框架設計和雙語語料對齊的方法，不僅實現(xiàn)農(nóng)業(yè)機械專業(yè)術(shù)語的處理，還增強雙語語料中詞向量的映射，提升專業(yè)術(shù)語在機器翻譯中的精度和成績。

1.3" 水稻農(nóng)機專業(yè)術(shù)語的機器翻譯模型結(jié)構(gòu)

"根據(jù)農(nóng)機專業(yè)術(shù)語的擴充處理和雙語語料庫設計，研究首先使用雙向編碼器對動態(tài)詞向量進行預訓練，以增強Transformer模型的特征提取、運行效率和機器翻譯的性能。其次采用遷移學習技術(shù)將預訓練模型遷移至Transformer神經(jīng)網(wǎng)絡模型中，實現(xiàn)雙向編碼器和Transformer模型融合。最后對融合的機器翻譯模型進行優(yōu)化，通過迭代訓練以提高模型的計算效率和機器翻譯的效果。因此農(nóng)機專業(yè)術(shù)語的機器翻譯模型結(jié)構(gòu)圖3所示。

從圖3中看出雙向編輯器對農(nóng)機專業(yè)術(shù)語的語言領域進行預處理，以實現(xiàn)其Transformer模塊的優(yōu)化。再將優(yōu)化好的模型遷移至神經(jīng)網(wǎng)絡中，使得編碼器將輸入序列映射到隱藏層中，同時Transformer模型的解碼器將目標語句轉(zhuǎn)換為隱藏層表示，以強化語句特征。最后利用Transformer模型對語句進行強特征提取，獲取完整語句的語義特征，并將其作為機器翻譯的正向參數(shù)，輸出為翻譯文本[14]。雙向編碼器為模型的處理、檢測、識別和應用等進行了較好的連接，同時其注意力層的引入也保證了優(yōu)化模型的實用性和有效性[15]。最后將處理好的雙語語料庫用于機器翻譯，同時進行迭代訓練，有利于提高專業(yè)術(shù)語的翻譯效果。

另外機器翻譯模型中的注意力機制在編碼器中，為模塊輸出向量進行殘差和正則化處理，同時在Transformer模型的解碼器中聯(lián)系語句的上下文，從而增強特征提取和翻譯質(zhì)量。因此綜合水稻生產(chǎn)農(nóng)機的雙語語料庫設計和機器翻譯模型，不僅更新和擴充了農(nóng)機領域的專業(yè)術(shù)語，加強了雙語語料庫的特征提取和對齊效果，還有效提升了農(nóng)機領域?qū)I(yè)術(shù)語的查出率和翻譯精度。

2" 水稻生產(chǎn)農(nóng)機雙語語料庫的應用結(jié)果和分析

2.1" 專業(yè)術(shù)語在雙語語料庫平臺的測試結(jié)果

在農(nóng)機專業(yè)術(shù)語的擴充處理中，研究使用語言處理模型對水稻生產(chǎn)農(nóng)機語料庫及其高頻詞進行驗證分析，并選擇Windows10的系統(tǒng)操作平臺來顯示農(nóng)機專業(yè)術(shù)語的可視化圖。因此水稻生產(chǎn)農(nóng)機的雙語語料庫系統(tǒng)開發(fā)環(huán)境如表1所示。

由表1可知JQuery Mobile軟件作為常用的開發(fā)框架，其可視化工具能夠展示語料庫中高頻詞的內(nèi)容，同時便于具體內(nèi)容的查詢、添加和刪除等。開發(fā)語言的使用為語言處理模型提供穩(wěn)定的信息處理系統(tǒng)，并為多種語言的輸入提供開放的系統(tǒng)環(huán)境和普適的處理操作。在高效的系統(tǒng)開發(fā)環(huán)境中，水稻生產(chǎn)農(nóng)機專業(yè)術(shù)語不僅可實現(xiàn)高頻詞的可視化說明，還為后續(xù)的分類識別測試提供可靠數(shù)據(jù)，可實現(xiàn)語料庫中同義詞的過濾。結(jié)果如圖4所示。

從圖4（a）中得出英漢雙語語料中對農(nóng)機專業(yè)術(shù)語的部分高頻詞以作物種植和生產(chǎn)為主，機械化農(nóng)機的應用對水稻生產(chǎn)具有精細化的操作。高頻詞列表為農(nóng)機術(shù)語語料庫的建立提供比較完善的文本。在圖4（b）中，對部分高頻詞進行語言預處理模型的識別，矩陣結(jié)果可得出對應識別正確率在80%以上。但仍存在柴油的英漢同義詞混淆，使得其相關(guān)識別率為30%，所以對齊同義詞的過濾還需進一步篩選，確保后續(xù)農(nóng)機語料庫在機器翻譯模型上的準確性。

2.2" 機械化農(nóng)機專業(yè)術(shù)語的翻譯結(jié)果

在機器翻譯模型中，計算機硬件環(huán)境為Intel Core i5-10400F，其最大單核睿頻為4.30GHz，且支持睿頻加速技術(shù)。而軟件環(huán)境采用ROSETTA邏輯數(shù)據(jù)工具和矩陣實驗室（Matrix Laboratory，MatLab R2019b），再將處理的雙語語料庫進行訓練，比較注意力機制引入對模型的預測結(jié)果。如圖5所示。

從圖5（a）中得出注意力機制對語料庫數(shù)據(jù)的預測結(jié)果較為明顯，其中原模型對專業(yè)術(shù)語的字符和語句預測準確率為83.54%，召回率為87.61%。而引入注意力機制后的模型對其預測準確率為96.73%，說明模型改進對語料庫對齊具有可行性。在圖5（b）中得出隨著迭代次數(shù)的增加，基于注意力機制的連續(xù)詞袋模型對術(shù)語預測的結(jié)果基本保持在90%以上。當?shù)螖?shù)為400時，其模型對專業(yè)術(shù)語的字符和語句預測準確率為95.28%，召回率和F1值分別為93.76%和92.15%，綜合結(jié)果說明農(nóng)機雙語語料庫的設計和預測具有優(yōu)越性，為后續(xù)機器翻譯提供較好的語言基礎。

經(jīng)過雙向編碼器和Transformer模型的融合，農(nóng)機專業(yè)術(shù)語的雙語語料庫能夠適應農(nóng)業(yè)生產(chǎn)領域，為水稻生產(chǎn)方面的機械化操作提供精確的指令。對于優(yōu)化的機器翻譯模型，研究選擇語料庫中1000條高頻詞組，并劃分水稻農(nóng)機專業(yè)術(shù)語的字符集合和語句幾何，再分別對其進行翻譯效果的分析，結(jié)果如圖6所示。

圖6（a）中，隨著實驗次數(shù)的增加，識別準確率不斷下降，當實驗到40次時，字符識別精度為95.35%，而翻譯的準確率為95.18%。由此，在Transformer模型的基礎上，優(yōu)化的機器翻譯模型對專業(yè)術(shù)語的翻譯準確率平均為95.66%。Y因此表明引入Transformer模型的機器翻譯模型，對簡單字符的識別和翻譯效果較為優(yōu)秀。圖6（b）中，模型對語句識別的精度最高為98.24%，且翻譯的準確率整體低于字符翻譯結(jié)果。語句的翻譯會摻雜多義詞的干擾，使得語句翻譯效果存在定義偏差。當實驗次數(shù)為50時，語句翻譯準確率為91.46%。綜合以上結(jié)果可知，研究方法對水稻生產(chǎn)機械化農(nóng)機的專業(yè)術(shù)語翻譯具有優(yōu)越性，并驗證了翻譯模型的魯棒性。

3" 結(jié)論

針對水稻生產(chǎn)農(nóng)機的專業(yè)術(shù)語翻譯問題，研究提出使用農(nóng)機雙語語料庫和機器翻譯模型來進行應用分析。通過雙語語料庫的系統(tǒng)開發(fā)和術(shù)語高頻詞的分析，得出水稻農(nóng)機高頻詞在雙語語料庫中的分類識別率高達80%以上，說明了水稻生產(chǎn)農(nóng)機的專業(yè)術(shù)語在雙語語料庫中的構(gòu)建具有實用性。在機器翻譯模型的結(jié)果中，未加入注意力機制的模型對語料庫數(shù)據(jù)的準確率為83.54%，引入注意力機制后的模型提高了13.19。同時對基于注意力機制的翻譯模型進行迭代訓練，得出訓練的平均準確率為95.42%，證明了其機器翻譯模型對農(nóng)機專業(yè)術(shù)語及其語料庫的預測具有可行性。最后將農(nóng)機生產(chǎn)專業(yè)術(shù)語的高頻詞組進行翻譯分析，得出對字符識別平均準確率為96.11%，翻譯準確率最高為98.16%。同時研究方法對語句翻譯的準確率最高達到96.61%，進而表明了研究方法的優(yōu)越性。但研究對于術(shù)語的更新和錄入還缺少更先進的引入方法和處理流程，對語言文本的轉(zhuǎn)換需要更快速的識別模塊，所以后續(xù)研究在農(nóng)業(yè)領域的機器翻譯還需要進一步探索和改進。

參考文獻：

[1] 李健雄，陳建酉，涂從勇，等.試驗基地建設新模式的探索與實踐——以廣東省農(nóng)業(yè)科學院水稻研究所試驗基地為例[J].中國稻米，2024，30（5）：136-140.

[2] 成科揚，朱雪森，裴運申，等.農(nóng)業(yè)自動化機械障礙物檢測研究進展[J].江蘇大學學報（自然科學版），2023，44（4）：415-425.

[3] 陸紅飛，王濤，喬冬梅，等.物聯(lián)網(wǎng)在農(nóng)業(yè)灌溉中的應用：從灌溉自動化到智慧灌溉[J].灌溉排水學報，2023，42（1）：87-99.

[4] 趙博，張巍朋，苑嚴偉，等.農(nóng)業(yè)裝備運維與作業(yè)服務管理信息化技術(shù)研究進展[J].農(nóng)業(yè)機械學報，2023，54（12）：1-26.

[5]趙明欣.自動化控制技術(shù)在農(nóng)業(yè)機械中的應用[J].中國農(nóng)業(yè)資源與區(qū)劃，2023，44（6）：242+252.

[6] 羅建強，張弛.農(nóng)機裝備制造業(yè)服務型制造模式研究[J].中國工程科學，2023，25（1）：178-186.

[7] 姜京池，關(guān)昌赫，劉劼，等.基于主動學習與眾包的農(nóng)業(yè)知識標注體系及語料庫構(gòu)建[J].中文信息學報，2023，37（1）：33-45.

[8] 潘雨晨，尉楨楷，洪宇，等.融合高頻屬性信息的屬性抽取研究[J].中文信息學報，2023，37（1）：132-143.

[9] 鄒耀鵬，裴杰，劉一博，等.田塊尺度水稻農(nóng)情遙感監(jiān)測平臺設計與試驗[J].中國農(nóng)機化學報，2024，45（10）：233-240.

[10] 楊家豪，房欣，馬瀏軒，等.水稻育秧機械的研究和進展[J].農(nóng)機化研究，2023，45（6）：264-268.

[11] 谷仕威，劉靜，李丙春，等.無監(jiān)督句對齊綜述[J].計算機科學，2024，51（1）：60-67.

[12] 張小艷，李薇.基于Roberta的中文短文本語義相似度計算研究[J].計算機應用與軟件，2024，41（8）：275-281+366.

[13] 葉遠波，王吉文，汪偉，等.基于哈希和編輯距離算法的SCD雙層向量化與變更校驗技術(shù)[J].中國電力，2024，57（1）：255-262.

[14] 賀楚祎，張家俊.融合雙語命名實體信息的神經(jīng)機器翻譯模型[J].中文信息學報，2023，37（12）：44-53.

[15] 耿波，潘曙輝，董曉旭.面向電力設備異常檢測的深度自編碼支持向量數(shù)據(jù)描述模型研究[J].湖南電力，2024，44（1）：119-127.