面向移动终端实时推理的轻量化肉品新鲜度时序预测方法

本发明涉及深度学习模型压缩与移动端部署，尤其是涉及一种面向移动终端实时推理的轻量化肉品新鲜度时序预测方法。

背景技术：

1、基于深度学习的食品品质时序预测模型在离线环境下已取得优异性能。双向长短期记忆网络（bidirectional long short-term memory，bilstm）因其能够同时捕获序列的前向历史信息和后向未来信息，在离线全序列拟合场景下表现最优——kim等（2024）采用bilstm实现了果蔬采后衰老过程的高精度拟合；li等（2025b）利用bilstm在牛肉货架期多步预测中获得的拟合优度r2较好，该方案是目前与本发明最接近的现有技术。

2、然而，bilstm在面向冷链现场在线推理时存在根本性障碍：其一，双向结构要求访问当前时间步之后的数据进行后向隐藏状态计算，这与在线场景“仅允许使用历史观测数据”的约束相悖，直接部署将导致未来信息泄露，即使仅截取其前向层使用，也面临模型结构迁移不彻底和参数冗余问题；其二，bilstm的参数规模约为同配置单向长短期记忆网络（long short-term memory，lstm）的两倍，推理耗时和内存占用均显著增加，难以在计算资源、存储空间和功耗均严重受限的移动终端上流畅运行；其三，现有方案多采用“边缘端采集-云端推理”架构，依赖网络连接，无法在冷链运输途中等网络不可达场景下实现离线实时预测。

3、现有模型轻量化技术主要包括知识蒸馏、模型剪枝、权重量化等。知识蒸馏在图像分类和目标检测等计算机视觉任务中已展现出显著效果，通过教师模型生成的软标签向学生模型传递“暗知识”。然而，对于时序预测任务，仅依靠标准软标签蒸馏存在明显局限：软标签主要传递类别间的相似性信息，难以有效传递时序动态特征，尤其是对s型增长曲线拐点等关键趋势变化的敏感性，导致学生模型的预测趋势往往滞后于真实值。目前，尚无将知识蒸馏应用于食品品质时序预测模型、特别是bilstm向单向lstm结构性蒸馏并实现移动端离线部署的公开技术方案。

4、综上所述，li等（2025b）公开的bilstm牛肉货架期预测方案虽然精度较高，但存在以下核心缺陷：（1）双向结构依赖未来数据，在线推理存在未来信息泄露；（2）参数规模约8.5万，无法在中端移动终端上实现实时推理；（3）无离线部署方案，依赖云端计算，无法适用于冷链运输等网络不可达场景。

技术实现思路

1、本发明的目的是提供一种面向移动终端实时推理的轻量化肉品新鲜度时序预测方法，解决现有技术存在的上述问题。

2、为实现上述目的，本发明提供了一种面向移动终端实时推理的轻量化肉品新鲜度时序预测方法，包括以下步骤：

3、s1、以多份肉品样本完整贮藏周期内的标准化rgb时序光谱特征矩阵为输入，以对应时间节点的真实标准化腐败指数（standardized spoilage index，ssi）为输出标签，训练双层堆叠bilstm，生成教师模型；ssi为标准化腐败指数，bilstm为双向长短期记忆网络；

4、s2、将标准化rgb时序光谱特征矩阵输入教师模型，获取教师模型在每个时间步输出的ssi预测值，通过温度参数对ssi预测值的时序分布进行高斯核平滑软化，生成软标签序列；

5、s3、构建轻量级单向lstm作为学生模型，并执行联合训练与多层级知识蒸馏训练；lstm为长短期记忆网络；

6、s4、将学生模型部署至移动终端，由移动终端在离线状态下完成推理，生成预测结果。

7、优选的，s1中的具体过程为：

8、s11、采集多份肉品样本完整贮藏周期内rgb图像时序数据与对应时间节点的肉品挥发性盐基氮（total volatile basic nitrogen，tvb-n）含量数据，按比例划分为训练集、验证集和独立测试集；tvb-n为挥发性盐基氮；

9、s12、对训练集中的rgb图像时序数据，计算rgb三通道均值，通过z-score标准化生成rgb三通道标准差，得到标准化rgb时序光谱特征矩阵；对训练集中的肉品tvb-n含量数据，计算tvb-n均值，通过z-score标准化生成tvb-n标准差，基于tvb-n均值和tvb-n标准差得到真实ssi；

10、s13、以标准化rgb时序光谱特征矩阵作为输入，以真实ssi作为输出，对双层堆叠bilstm进行训练，训练完成后，得到教师模型；

11、s14、训练完成后，教师模型在独立测试集上的全序列拟合优度r2≥0.99。

12、优选的，s2中：温度参数的取值范围为3至10，温度越高，软标签分布越平滑，保留的时序演化暗知识越丰富。

13、优选的，s3中的具体过程为：

14、s31、搭建轻量级单向lstm作为学生模型：学生模型的隐藏层维度为教师模型隐藏层维度的1/4至1/2，学生模型参数规模不超过教师模型的1/4；

15、s32、引入可学习线性映射层，与学生模型进行联合训练，可学习线性映射层将学生模型的单向隐藏状态映射至与教师模型拼接双向隐藏状态相同的维度，表示时刻的前向隐藏状态，表示时刻的后向隐藏状态；同时，通过总损失函数对轻量级单向lstm学生模型进行多层级知识蒸馏训练。

16、优选的，总损失函数的表达式为：

17、；

18、式中，表示硬损失项；表示软损失项；表示隐藏状态对齐损失项；表示趋势一致性损失项；表示硬损失权重，取值范围为0.1至0.3，表示软损失权重，取值范围为0.3至0.5，表示隐藏状态对齐损失权重，取值范围为0.2至0.3，表示趋势一致性损失权重，取值范围为0.1至0.2，满足。

19、优选的，硬损失项为学生模型输出的ssi预测值与真实ssi之间的均方误差；

20、软损失项为学生模型输出的ssi预测值与软标签序列之间的kullback-leibler散度，计算时温度参数与步骤s2保持一致；

21、隐藏状态对齐损失项为学生模型关键时间步的单向隐藏状态经可学习线性映射层投影后，与教师模型对应时间步的拼接双向隐藏状态之间的均方误差；关键时间步为预测序列的末端区域、ssi变化曲线的拐点附近区域中的至少一种；预测序列的末端区域指预测序列的最后1/4至1/3时间步，对应腐败演化的饱和阶段；ssi变化曲线的拐点附近区域指ssi二阶差分由正转负的时间点前后各1至3个时间步，对应腐败速率由上升转为下降的拐点阶段；若预测序列存在多个拐点，则选取所有拐点前后各1-3个时间步作为关键时间步。

22、趋势一致性损失项用于惩罚学生模型预测序列与教师模型预测序列在相邻时间步上变化趋势不一致的步数。

23、优选的，趋势一致性损失项的表达式为：

24、；

25、式中，表示学生模型与教师模型共同的预测步长；为时间步的索引，取值范围为；表示指示函数，当括号内条件成立时取值为1，否则为0；表示符号函数，当输入值大于0时返回1，小于0时返回-1，等于0时返回0，当两者符号函数返回值相同时判定为趋势一致；和分别表示学生模型输出的第个时间步和第个时间步的ssi预测值；和分别表示教师模型输出的第个时间步和第个时间步的ssi预测值；和分别为学生模型和教师模型输出的ssi预测序列。

26、优选的，s4中：将训练完成的学生模型转换为适配移动终端的端侧推理格式，将rgb三通道均值、rgb三通道标准差、tvb-n均值、tvb-n标准差一并部署至移动终端，由移动终端在离线状态下完成推理。

27、优选的，端侧推理格式为tensorflow lite、core ml或onnx runtime mobile格式中的一种或多种；转换为端侧推理格式时采用fp16量化策略，量化后模型精度损失小于1%。

28、因此，本发明采用上述一种面向移动终端实时推理的轻量化肉品新鲜度时序预测方法，具有以下有益效果：

29、（1）将知识蒸馏技术引入食品品质时序预测领域，实现了bilstm向单向lstm的结构性蒸馏。学生模型在独立测试集上的滚动预测r2≥0.97，rmse≤0.17，显著优于同参数规模从头训练的单向lstm模型（r2提升约0.05，rmse降低30%以上），且完全消除了在线推理的未来信息泄露问题。

30、（2）提出面向时序预测任务的多层级蒸馏策略。在标准软蒸馏基础上引入隐藏状态对齐损失和趋势一致性损失，有效解决了单一软标签蒸馏在时序预测中出现的趋势滞后难题，学生模型对s型增长曲线拐点的精准捕捉能力接近教师模型，蒸馏后的学生模型最大绝对误差仅为同参数从头训练模型的58%。

31、（3）实现了从模型训练、知识蒸馏、格式转换到端侧推理的完整工具链整合。学生模型参数规模仅为教师模型的1/8（从约8.5万参数降至约1万参数），单次推理耗时小于150毫秒（在主流中端智能手机cpu上），满足冷链运输、零售现场等网络不可达环境下的实时离线预测需求。

32、（4）提供硬件适配选择方案。根据不同终端算力灵活选择学生模型规模，在保证实时性的前提下最大化预测精度，提升了技术方案对异构终端的普适性。

33、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。