EDTREducational Theory Observation2995-50172995-5025Art and Technology10.61369/EDTR.2026030015Article基于迁移学习的青花瓷多任务图像识别方法及其应用研究https://artdesignp.com/journal/EDTR/4/3/10.61369/EDTR.2026030015王琳达2026432026-03-20面向博物馆公共教育与数字化传播，本文以青花瓷为例，构建“朝代— 器型— 纹饰”三维知识框架，并提出AI辅助的多维度识别方案。方法上，基于迁移学习构建多任务联合预测模型，同步输出三类标签，并以Grad-CAM等可解释可视化提示转化为观众可操作的观察要点。应用上，将识别结果嵌入导览提示与对照练习，形成“识别— 讲解— 练习”闭环。研究认为，AI可作为连接专家知识与公众理解的“中介工具”，但应当明确的是，其主要作用仍为普及与学习，而非确认最终鉴定结论，使用中也需遵守数据授权与传播规范。人工智能,青花瓷,博物馆教育,多任务学习,数字导览

[1]国务院办公厅. 国务院办公厅关于印发“ 十四五” 文物保护和科技创新规划的通知[EB/OL]. (2021-11-08) [2026-01-12]. https://www.gov.cn/zhengce/zhengceku/ 2021-11/08/content_5649764.htm.[2]全国人民代表大会常务委员会. 中华人民共和国文物保护法（2024年修订）[EB/OL]. (2024-11-09) [2026-01-12]. https://www.ncha.gov.cn/art/2024/11/9/art_2301_42898. html.[3] 故宫博物院. 故宫博物院数字文物库[EB/OL]. [2026-01-12]. https://digicol.dpm.org.cn/.[4] 敦煌研究院. 数字敦煌[EB/OL]. [2026-01-12]. https://www.e-dunhuang.com/.[5]LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.[6]He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 770-778.[7]Selvaraju R R, Cogswell M, Das A, et al. Grad-CAM: Visual explanations from deep networks via gradient-based localization[C]//Proceedings of the IEEE International Conference on Computer Vision. Venice: IEEE, 2017: 618-626.