El gráfico de conocimiento agronómico puede proporcionar un soporte de servicio preciso y confiable para la gestión de la producción agrícola. El conocimiento agronómico a menudo proviene de datos de texto no estructurados, y la anotación eficiente de datos de texto agrícola y la construcción de modelos de extracción de conocimiento adecuados para las características del conocimiento agronómico son dos puntos clave para crear un gráfico de conocimiento agronómico. La proporción de atributos en el conocimiento agronómico es relativamente alta, pero actualmente, la función de anotación de atributos de las herramientas de anotación existentes es incompleta y la función y el proceso de anotación no están claros. Se propuso un marco de anotación de lenguaje natural escalable, que podía configurar de manera flexible el proceso de anotación y los objetos de anotación según fuera necesario, y la entidad nombrada se anotaba en el modo correspondiente. Los modelos actuales de extracción de conocimiento se basan principalmente en secuencias de texto de entrada, lo que tiene el problema de una baja utilización de características. Sin embargo, las entidades y atributos en el conocimiento agronómico tienen una alta similitud, y la posición y el tipo de entidades y atributos se pueden calcular directamente a través de sus características comunes. Se propuso un modelo de reconocimiento de entidades y atributos basado en la localización del objetivo, EntityDetectModel. En primer lugar, se utilizó Bert para extraer características de texto con información contextual. Luego, se utilizaron redes neuronales convolucionales para extraer características en diferentes profundidades, y la fusión de características entre capas se utilizó para mejorar la capacidad de expresión de las características. Finalmente, las posiciones y tipos correspondientes de entidades nombradas con diferentes tamaños se calcularon en función de las características en diferentes profundidades. Se comparó EntityDetectModel con los otros modelos de extracción de entidades y relaciones publicados en los últimos años y los resultados mostraron que la precisión, recuperación y F1 de EntityDetectModel fueron del 91.0%, 83.4% y 87.0%, respectivamente, lo que fue superior a otros modelos de comparación. Usando EntityDetectModel, se construyó un gráfico de conocimiento agronómico de trigo.