买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京农业大学申请的专利一种基于VGG16的多任务学习植物表型处理方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115205832B 。

龙图腾网通过国家知识产权局官网在2025-04-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210799123.0，技术领域涉及：G06V20/60；该发明授权一种基于VGG16的多任务学习植物表型处理方法及装置是由袁培森;徐书凝;朱淑鑫;翟肇裕;夏烨;顾兴健;任守纲;张园园;徐焕良设计研发完成，并于2022-07-08向国家知识产权局提交的专利申请。

本一种基于VGG16的多任务学习植物表型处理方法及装置在说明书摘要公布了：本发明公开了一种基于VGG16的多任务学习植物表型处理方法及装置，该方法包括：1构建植物表型处理与分析模型：以VGG16网络作为多任务学习的硬参数共享网络，除去原VGG16的最后一个最大池化层以及之后所有的全连接层，增加任务相关的全连接层，并将其分别应用于三个特定任务层；2训练模型：使用任务依赖不确定性权衡每一个特定任务层的损失函数，以此来平衡回归和分类任务的损失，使用柔性因子连接不同任务，自动优化不同任务的权重，让每个任务都得到最优化训练；3基于训练后模型对植物表型进行处理与分析。本发明能同时完成三个有关拟南芥表型处理与分析的任务，大大提升了多任务整体分类及预测效果。

本发明授权一种基于VGG16的多任务学习植物表型处理方法及装置在权利要求书中公布了：1.一种基于VGG16的多任务学习植物表型处理方法，其特征在于包括如下步骤：1构建植物表型处理与分析模型：以VGG16网络作为多任务学习的硬参数共享网络，修改传统的VGG16模型结构，除去原VGG16的最后一个最大池化层以及之后所有的全连接层，增加任务相关的全连接层，并将其分别应用于三个特定任务层，每个特定任务层均由全连接层构成，分别完成各自特定的特征提取任务；三个特定任务层分别为：基因型分类任务、叶数回归任务和叶面积回归任务；植物表型图像输入模型后经由基础共享网络VGG16以及每个任务各自的特定任务全连接层提取出对应的特征向量，基因型分类任务通过softmax层对特征向量进行多分类得到各类别的概率，叶数回归任务以及叶面积回归任务在特定任务全连接层应用Relu激活函数得到最终的预测结果；2训练模型：使用任务依赖不确定性权衡每一个特定任务层的损失函数，以此来平衡回归和分类任务的损失，使用柔性因子连接不同任务，自动优化不同任务的权重，让每个任务都得到最优化训练；回归和分类任务损失由最大化任务依赖不确定性的最大高斯似然推导得到：2.1回归任务的似然函数在输入为x，真实标签为y，参数矩阵为W，输出为fWx的情况下，对于回归任务，定义其概率为以输出为均值的高斯似然，即：py|fWx＝NfWx,σ22.1在公式2.1所示高斯似然中，σ为模型的观测噪声参数；根据此高斯似然，可得多任务联合学习中回归任务的对数似然： 2.2分类任务的似然函数在分类任务中，使用了标准的softmax层，其概率的高斯似然为：py|fWx＝SoftmaxfWx2.3在公式2.3中，引入噪声参数σ作为缩放量，该参数和分布的不确定性有关，决定了离散分布的平坦程度，最终得到分类任务的对数似然如下式2.4所示，其中c代表分类数； 2.3多任务联合损失根据上述公式，为不同任务构造各自基于损失的自适应权重，并通过柔性因子连接不同任务，平衡各任务的影响，在最大化对数似然，即最小化负对数似然的情况下，构造出多任务的联合损失： 在公式2.5中，y1、y2、y3分别为叶面积回归任务、叶数回归任务、基因型分类任务的真实标签；相对应地，σ1、σ2、σ3分别为叶面积回归任务、叶数回归任务、基因型分类任务的噪声参数；L1W＝||y1-fWx||2，表示叶面积回归子任务输出和真实标签y1间的欧氏距离；L2W则表示叶数回归子任务输出和真实标签y2间的欧氏距离；L3W＝-logSoftmaxfWx是分类子任务的交叉熵损失；同时，叶面积回归任务、叶数回归任务、基因型分类任务的柔性因子分别为α、β和γ，三个柔性因子值均在0,1范围内波动变化，且满足α+β+γ＝1，使得模型在不断学习，调整每一个子任务损失使多任务损失达到最小的训练过程中，还能控制各任务对模型的影响达到平衡状态；在模型训练过程中，模型优化器会根据网络反向传播的梯度信息来自动更新网络的各项参数，包括各任务柔性因子值，以降低损失函数的计算值；若前一轮迭代训练后，计算模型联合损失值，得叶面积损失占总损失比重较大，即公式2.5中值较大，说明叶面积任务的预测效果不好，那么优化器在下一轮迭代时会选择将模型朝有利于叶面积回归任务训练，同时减小叶面积回归任务的柔性因子，即公式2.5中的α，降低该任务损失所占比重，并适当调整β和γ，满足α+β+γ＝1，使得各任务损失占总联合损失的比重相近；下一轮模型训练完成后，叶面积损失值减小，权重降低，在总损失中所占比例下降，可选择其他占总损失值比重更高的任务进行训练；若基因型分类任务的损失占总损失比重较大，则由基因型分类任务主导训练，同时减小基因型分类任务的柔性因子，并调整其他任务的柔性因子值；对于叶数回归任务来说，也是如此，每一次模型训练过后，调整各任务的权重参数以及柔性因子，使得在模型不断训练过程中，各任务对模型训练的影响达到平衡状态；3基于训练后模型对植物表型进行处理与分析。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京农业大学，其通讯地址为：210095 江苏省南京市玄武区卫岗1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。