買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜南京農業大學申請的專利一種基于VGG16的多任務學習植物表型處理方法及裝置獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115205832B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210799123.0，技術領域涉及：G06V20/60；該發明授權一種基于VGG16的多任務學習植物表型處理方法及裝置是由袁培森;徐書凝;朱淑鑫;翟肇裕;夏燁;顧興健;任守綱;張園園;徐煥良設計研發完成，并于2022-07-08向國家知識產權局提交的專利申請。

本一種基于VGG16的多任務學習植物表型處理方法及裝置在說明書摘要公布了：本發明公開了一種基于VGG16的多任務學習植物表型處理方法及裝置，該方法包括：1構建植物表型處理與分析模型：以VGG16網絡作為多任務學習的硬參數共享網絡，除去原VGG16的最后一個最大池化層以及之后所有的全連接層，增加任務相關的全連接層，并將其分別應用于三個特定任務層；2訓練模型：使用任務依賴不確定性權衡每一個特定任務層的損失函數，以此來平衡回歸和分類任務的損失，使用柔性因子連接不同任務，自動優化不同任務的權重，讓每個任務都得到最優化訓練；3基于訓練后模型對植物表型進行處理與分析。本發明能同時完成三個有關擬南芥表型處理與分析的任務，大大提升了多任務整體分類及預測效果。

本發明授權一種基于VGG16的多任務學習植物表型處理方法及裝置在權利要求書中公布了：1.一種基于VGG16的多任務學習植物表型處理方法，其特征在于包括如下步驟：1構建植物表型處理與分析模型：以VGG16網絡作為多任務學習的硬參數共享網絡，修改傳統的VGG16模型結構，除去原VGG16的最后一個最大池化層以及之后所有的全連接層，增加任務相關的全連接層，并將其分別應用于三個特定任務層，每個特定任務層均由全連接層構成，分別完成各自特定的特征提取任務；三個特定任務層分別為：基因型分類任務、葉數回歸任務和葉面積回歸任務；植物表型圖像輸入模型后經由基礎共享網絡VGG16以及每個任務各自的特定任務全連接層提取出對應的特征向量，基因型分類任務通過softmax層對特征向量進行多分類得到各類別的概率，葉數回歸任務以及葉面積回歸任務在特定任務全連接層應用Relu激活函數得到最終的預測結果；2訓練模型：使用任務依賴不確定性權衡每一個特定任務層的損失函數，以此來平衡回歸和分類任務的損失，使用柔性因子連接不同任務，自動優化不同任務的權重，讓每個任務都得到最優化訓練；回歸和分類任務損失由最大化任務依賴不確定性的最大高斯似然推導得到：2.1回歸任務的似然函數在輸入為x，真實標簽為y，參數矩陣為W，輸出為fWx的情況下，對于回歸任務，定義其概率為以輸出為均值的高斯似然，即：py|fWx＝NfWx,σ22.1在公式2.1所示高斯似然中，σ為模型的觀測噪聲參數；根據此高斯似然，可得多任務聯合學習中回歸任務的對數似然： 2.2分類任務的似然函數在分類任務中，使用了標準的softmax層，其概率的高斯似然為：py|fWx＝SoftmaxfWx2.3在公式2.3中，引入噪聲參數σ作為縮放量，該參數和分布的不確定性有關，決定了離散分布的平坦程度，最終得到分類任務的對數似然如下式2.4所示，其中c代表分類數； 2.3多任務聯合損失根據上述公式，為不同任務構造各自基于損失的自適應權重，并通過柔性因子連接不同任務，平衡各任務的影響，在最大化對數似然，即最小化負對數似然的情況下，構造出多任務的聯合損失： 在公式2.5中，y1、y2、y3分別為葉面積回歸任務、葉數回歸任務、基因型分類任務的真實標簽；相對應地，σ1、σ2、σ3分別為葉面積回歸任務、葉數回歸任務、基因型分類任務的噪聲參數；L1W＝||y1-fWx||2，表示葉面積回歸子任務輸出和真實標簽y1間的歐氏距離；L2W則表示葉數回歸子任務輸出和真實標簽y2間的歐氏距離；L3W＝-logSoftmaxfWx是分類子任務的交叉熵損失；同時，葉面積回歸任務、葉數回歸任務、基因型分類任務的柔性因子分別為α、β和γ，三個柔性因子值均在0,1范圍內波動變化，且滿足α+β+γ＝1，使得模型在不斷學習，調整每一個子任務損失使多任務損失達到最小的訓練過程中，還能控制各任務對模型的影響達到平衡狀態；在模型訓練過程中，模型優化器會根據網絡反向傳播的梯度信息來自動更新網絡的各項參數，包括各任務柔性因子值，以降低損失函數的計算值；若前一輪迭代訓練后，計算模型聯合損失值，得葉面積損失占總損失比重較大，即公式2.5中值較大，說明葉面積任務的預測效果不好，那么優化器在下一輪迭代時會選擇將模型朝有利于葉面積回歸任務訓練，同時減小葉面積回歸任務的柔性因子，即公式2.5中的α，降低該任務損失所占比重，并適當調整β和γ，滿足α+β+γ＝1，使得各任務損失占總聯合損失的比重相近；下一輪模型訓練完成后，葉面積損失值減小，權重降低，在總損失中所占比例下降，可選擇其他占總損失值比重更高的任務進行訓練；若基因型分類任務的損失占總損失比重較大，則由基因型分類任務主導訓練，同時減小基因型分類任務的柔性因子，并調整其他任務的柔性因子值；對于葉數回歸任務來說，也是如此，每一次模型訓練過后，調整各任務的權重參數以及柔性因子，使得在模型不斷訓練過程中，各任務對模型訓練的影響達到平衡狀態；3基于訓練后模型對植物表型進行處理與分析。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人南京農業大學，其通訊地址為：210095 江蘇省南京市玄武區衛崗1號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。