(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111659972.8 (22)申请日 2021.12.3 0 (71)申请人 广西慧云信息技 术有限公司 地址 530000 广西壮 族自治区南宁市高新 区创新路23号9号楼三层 (72)发明人 王筱东　苏家仪　韦光亮　滕毅有　 关宇晟　冯军　 (74)专利代理 机构 南宁东之智专利代理有限公 司 45128 专利代理师 汪治兴 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06V 10/70(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/04(2006.01) (54)发明名称 一种基于改进标签平滑算法的葡萄物候期 识别方法及系统 (57)摘要 本发明涉及葡萄图像识别领域， 特别涉及一 种基于改进标签平滑算法的葡萄物候期识别方 法及系统， 原始标签平滑算法采用均匀分布作为 先验分布， 不符合葡萄物候期标签的分布规律。 与现有葡萄物 候期识别方法相比， 根据葡萄相邻 物候期具有相关性的特点， 为葡萄物 候期的图像 分类网络模 型引入先验知识， 葡萄物 候期标签按 照生长顺序进行编号排序， 相邻物 候期相关性较 高， 赋予较高权重， 不相邻的物候期相关性较低， 赋予较低权重， 根据此先验知识， 对原始标签平 滑算法进行改进， 避免图像分类网络模型预测结 果过度自信， 降低过拟合风险， 提升图像分类网 络模型泛化 性与准确率。 权利要求书3页 说明书7页 附图1页 CN 114511848 A 2022.05.17 CN 114511848 A 1.一种基于改进标签平 滑算法的葡萄物候期识别方法， 其特 征在于： 包括以下步骤： S1： 数据集制作： 采集葡萄各个物候期的图像， 根据各个物候期名称对图像进行分类， 葡萄物候期名称按照生长顺序进 行编号排序， 制作数据集； 所述数据集包括训练集、 验证集 和测试集； S2： 构建分类模型： 构 建图像分类网络模型， 对数据集 中的葡萄物候期图像进行[ ‑1,1] 归一化， 得到归一 化后的训练集、 验证集和 测试集； S3： 设计损失函数： 采用交叉熵函数作为损失函数， 并且采用改进标签平滑算法对交叉 熵损失函数进行正则化； S4： 模型训练： 将步骤S2中归一化后的训练集输入步骤S2构 建的图像分类网络模型， 使 用SGD优化器， 并采用步骤S 3中设计的交叉熵损失函数对图像 分类网络模型进 行监督训练， 每训练一次得到一个对应的中间图像分类网络模型以及对应的模型参数； S5： 模型验证： 在训练过程中， 同时将步骤S2中归一化后的验证集输入步骤S4 中训练好 的中间图像分类网络模型， 判断中间图像分类网络模型的识别正确率是否大于等于预设 值； 若是该中间图像分类网络模型的识别正确率大于等于预设值， 则将该中间图像分类网 络模型作为最 终的训练好的图像分类网络模型输出并进 行步骤S6， 若 该中间图像 分类网络 模型的识别正确率小于预设值， 则调整模型参数， 重复步骤S4 ‑S5； S6： 模型推理： 将步骤S2中归一化后的测试集中葡萄各个物候期的图像输入步骤S4中 训练好的图像分类网络模型进行推理得到图像的葡萄各个物候期的分类结果。 2.根据权利要求1所述的一种基于改进标签平滑算法的葡萄物候期识别方法， 其特征 在于： 所述 步骤S1中训练集、 验证集和 测试集的划分比例为0.8： 0.1： 0.1。 3.根据权利要求1所述的一种基于改进标签平滑算法的葡萄物候期识别方法， 其特征 在于： 所述 步骤S2中选择ResNet ‑50网络模型作为图像分类网络模型。 4.根据权利要求1所述的一种基于改进标签平滑算法的葡萄物候期识别方法， 其特征 在于： 所述 步骤S3中加入改进标签平 滑算法的交叉熵损失函数如下： 其中， l表示损失函数， K表示葡萄物候期标签数， k表示标签编号， k∈{1,2, …,K}， x表 示单个训练样 本， p(k|x)表示输入训练样 本x经图像 分类网络模 型预测是标签k的概率， q(k |x,y)表示输入训练样本x， 其真实标签为y， 对于标签编号 k进行标签平滑得到的软 标签。 5.根据权利要求4所述的一种基于改进标签平滑算法的葡萄物候期识别方法， 其特征 在于： 所述p(k|x)为图像 分类网络模 型最后一层经过Softmax运算输出的结果， 取值范围为 0～1。 6.根据权利要求4所述的一种基于改进标签平滑算法的葡萄物候期识别方法， 其特征 在于： 当y＝ 1时， 表示当前输入训练样 本x的真实标签y是葡萄物 候期的第一个标签， 软标签 q(k|x,y)的计算方法如下： 为该标签y分配权重为α， 第y+1个标签为相邻标签， 为该标签y+1分配权重为λ， 并为剩权　利　要　求　书 1/3 页 2 CN 114511848 A 2下的标签平均分配剩下的权 重 即： 其中， α 表示当前标签的权重， 满足0≤α ≤1， λ为相邻标签的权重， 0≤λ≤1， 且0≤α +λ≤ 1， α ＞ λ， K＞3 。 7.根据权利要求4所述的一种基于改进标签平滑算法的葡萄物候期识别方法， 其特征 在于： 当1＜y＜K时， 表 示当前输入训练样 本x的真实标签 y存在2个相邻标签， 软标签q(k|x, y)的计算方法如下： 为该标签y分配权重为α， 第y ‑1个标签和第y+1个标签为相邻标签， 为相邻标签y ‑1和y+ 1分配权重为 λ， 并为剩下的标签平均分配剩下的权 重 即： 其中， α表示当前标签的权重， 满足0≤α≤1， λ为相邻标签 的权重， 0≤λ≤1， 且0≤α +2λ ≤1， α ＞ λ， K＞3 。 8.根据权利要求4所述的一种基于改进标签平滑算法的葡萄物候期识别方法， 其特征 在于： 当y＝K时， 表示当前输入训练样本x的真实标签y是葡萄物候期的最后一个标签K， 软 标签q(k|x,y)的计算方法如下： 为该标签y分配权重为α， 第K ‑1个标签为相邻标签， 为该标签K ‑1分配权重为λ， 并为剩 下的标签平均分配剩下的权 重 即： 其中， α 表示当前标签的权重， 满足0≤α ≤1， λ为相邻标签的权重， 0≤λ≤1， 且0≤α +λ≤ 1， α ＞ λ， K＞3 。权　利　要　求　书 2/3 页 3 CN 114511848 A 3