《计算机视觉应用创新》教学大纲

《计算机视觉应用创新》教学大纲适用范围：202X版本科人才培养方案课程代码：22170332课程性质：专业创新必修课学分：2学分学时：32学时（实践32学时）先修课程：人工智能导论、人工智能与数学、人工智能程序设计等后续课程：人工智能综合创新、毕业设计等适用专业：人工智能专业开课单位：智能工程学院一、课程说明《计算机视觉应用创新》是人工智能专业的一门专业创新必修课，是一门研究如何使机器能“看”的科学，旨在识别和理解图像中的内容。本课程主要围绕图像预处理、图像分类、目标检测、图像分割等常见的视觉任务，结合paddlepaddle、tensorflow等平台设置实践项目，重点锻炼学生计算机视觉方面的实践应用能力，培养创新意识和自主学习能力，为后期进行相关课程的学习和从事相关工作打下扎实的基础。二、课程目标通过本课程的学习，使学生达到如下目标：课程目标1：掌握计算机视觉任务中图像收集、预处理的一般流程和工具的使用方法；熟悉图像数据集的制作过程和方法。课程目标2：能够结合常规的神经网络模型解决计算机视觉任务中常见的图像分类、目标检测、图像分割问题；熟悉paddlepaddle、tensorflow等平台在计算机视觉任务中的作用和使用方法。课程目标3：激发学生科技报国的家国情怀和使命担当，培养学生的工匠精神、团队协作能力、自主学习能力、以及实践创新思维；树立正确的劳动观念，形成良好的劳动习惯，具有劳动精神和劳动能力。三、课程目标与毕业要求《计算机视觉应用创新》课程教学目标对人工智能专业毕业要求的支撑见表1。表1课程教学目标与毕业要求关系毕业要求指标点课程目标支撑强度2.问题分析:能够应用数学、自然科学和工程科学的基本原理，识别、表达、并通过文献研究分析人工智能及相关应用领域复杂工程问题，以获得有效结论。2.2能够应用人工智能数学的相关原理，并借助于文献研究寻求适用的人工智能及相关应用领域工程问题解决方案，获得有效的结论课程目标1：掌握计算机视觉任务中图像收集、预处理的一般流程和工具的使用方法；熟悉图像数据集的制作过程和方法。课程目标2：能够结合常规的神经网络模型解决计算机视觉任务中常见的图像分类、目标检测、图像分割问题；熟悉paddlepaddle、tensorflow等平台在计算机视觉任务中的作用和使用方法。M3.设计/开发解决方案：综合考虑社会、健康、安全、法律、文化以及环境等因素，掌握计算机视觉技术的基础知识和相关技能，尤其是人工神经网络理论与实践结合的学习方式，设计/开发针对计算机视觉相关问题的解决方案并在设计环节中体现创新意识。3.2针对特定需求和约束条件设计人工智能及相关应用领域的系统集成、软件模块或算法流程。针对人工智能的工程应用进行分析描述、规划解决方案、设计实验过程、展开验证与研究的初步能力，具有扎实的工程基础知识和实践能力。课程目标1：掌握计算机视觉任务中图像收集、预处理的一般流程和工具的使用方法；熟悉图像数据集的制作过程和方法。课程目标2：能够结合常规的神经网络模型解决计算机视觉任务中常见的图像分类、目标检测、图像分割问题；熟悉paddlepaddle、tensorflow等平台在计算机视觉任务中的作用和使用方法。H4.研究：能基于科学原理并采用科学方法对人工智能及相关应用领域的复杂工程问题进行研究，包括系统的集成研究、算法的研究、参数的优化，并通过信息综合得到合理有效的结论4.2能够构建模拟或实验系统，通过信息综合分析和实验结果解释，说明其有效性、合理性，得到解决方案实施质量的合理有效结论。课程目标1：掌握计算机视觉任务中图像收集、预处理的一般流程和工具的使用方法；熟悉图像数据集的制作过程和方法。课程目标2：能够结合常规的神经网络模型解决计算机视觉任务中常见的图像分类、目标检测、图像分割问题；熟悉paddlepaddle、tensorflow等平台在计算机视觉任务中的作用和使用方法。M9.个人与团队：能在多学科背景下的团队中承担个体、团队成员以及负责人的角色。9.1理解团队合作的重要性，具有与团队成员或负责人协调合作的团队精神和能力，能够在多学科背景下的团队中独立或合作开展工作并发挥作用。课程目标3：激发学生科技报国的家国情怀和使命担当，培养学生的工匠精神、团队协作能力、自主学习能力、以及实践创新思维；树立正确的劳动观念，形成良好的劳动习惯，具有劳动精神和劳动能力。M注：表中“H（高）、M（中）”表示课程与相关毕业要求的关联度。四、教学内容、基本要求与学时分配实践部分见表2表2实践项目、实践内容与学时实践项目实践内容和要求实践学时对应的课程目标1.Pyhon爬虫工具的使用实践内容：使用Python爬虫工具爬取鲜花图像。实践要求：通过本项目的实践学习，使学生掌握Python爬虫工具的使用，网络爬取的一般流程及注意事项，提升学生快速大量获取数据的实践能力。41、32.基于OpenCV的图像预处理实践内容：利用OpenCV对给定图像进行尺寸变换、格式转换、色域转换以及对比度亮度等方面的处理。实践要求：通过本项目的学习和实践使学生掌握Python、OpenCV等工具的使用，及常见的图像预处理的一般流程，如尺寸、格式、色域的转换等。41、33.基于深度神经网络的宝石分类实践内容：利用深度神经网络完成宝石图片的分类问题。实践要求：通过本项目的学习和实践，进一步加强学生对Python编程技巧、飞桨平台等工具的使用等，进一步熟悉深度神经网络在图像分类上的使用，充分提升学生的创新实践能力。42、34.基于卷积神经网络的美食识别实践内容：利用卷积神经网络解决美食图片的分类问题。实践要求：通过本项目的学习和实践，进一步加强学生对卷积神经网络的使用熟悉程度，以及对图像分类问题的理解。42、35.基于FasterRCNN模型的瓷砖瑕疵检测实践内容：利用FasterRCNN模型解决瓷砖瑕疵识别的问题。实践要求：通过本项目使学生理解FasterRCNN模型的基本原理，熟悉两阶段目标识别的方法，以及瑕疵检测的特点。42、36.基于YOLOV3模型的昆虫检测实践内容：利用YOLOV3对昆虫图像进行检测识别。实践要求：通过本项目的学习和实践，使学生理解YOLOV3模型的基本原理，熟悉一阶段目标识别的方法，以及昆虫检测识别的特点。42、37.基于U-Net的宠物分割实践内容：利用U-Net网络对图像中的宠物目标进行分割。实践要求：通过本项目的学习和实践，使学生进一步熟悉N-Net网络的特点，熟悉该网络的搭建、训练过程，进一步加深对图像分割的理解和实践应用能力。42、38.基于PaddleSeg的人像分割实践内容：利用PaddleSeg对图中的人像进行分割处理。实践要求：通过本项目的学习和实践，使学生进一步熟悉PaddleSeg的特点，以及模型训练、评估于预测的一般方法，进一步加深对图像分割的理解和实践应用能力。42、3合计32五、教学方法及手段本课程以项目式实践教学为主，教师引导为辅，结合实践项目、导学任务卡、慕课、泛雅平台资源，配合多媒体课件等共同课完成教学任务，采用E-mail、QQ、微信等交流工具，加强和学生之间的交流和沟通。通过启发式教学、讨论式教学培养学生基本知识与技能，培养学生自主学习能力、实际动手能力，激发学生的创新思维。六、课程资源库1.推荐教材：(1)李轩涯,曹焯然,计湘婷.计算机视觉实践[M].北京:清华大学出版社.2022年.2.参考书：(1)高山.计算机视觉技术[M].北京:化学工业出版社.2021年(2)卡斯特恩·斯蒂格,马克乌斯·乌尔里克,克里斯琴·威德曼著.机器视觉算法与应用[M].北京:清华大学出版社,2019(3)陈仲铭,彭凌西.深度学习原理与实践[M].北京:人民邮电出版社.2018(4)ForouzanB.FoundationsofComputerScience[M],4thed.Boston：CengageLearningEMEA,20183.期刊：(1)张亚刚,基于计算机视觉技术的集料级配、粒形智能化检测及管理系统研发.甘肃省,甘肃路桥建设集团有限公司,2022-06-24.(2)曾维,尹生阳,张凤.基于计算机视觉的垃圾塑料瓶识别与定位算法研究[J].电子测量技术,2021,44(23):12-17.DOI:10.19651/ki.emt.2107427(3)倪健,李萌.基于计算机视觉的工程车辆篷布覆盖识别研究[J].信息与电脑(理论版),2021,33(23):64-67.(4)吴宇峰,李一鸣,赵远洋等.基于计算机视觉的奶牛体况评分研究综述[J].农业机械学报,2021,52(S1):268-275.(5)张倩.基于计算机视觉的黑烟车检测技术研究[D].河北科技大学,2021.DOI:10.27107/ki.ghbku.2021.000651(6)艾永平,唐巧兴,王泽杰等.基于机器视觉的割草系统青草识别研究[J].上海工程技术大学学报,2020,34(04):369-374.(7)姜添元.监控场景中目标检测与跟踪方法的研究[D].沈阳航空航天大学,2020.DOI:10.27324/ki.gshkc.2020.000230(8)杨宁,金生.使用深度学习网络U-Net进行道路提取的研究与讨论（英文）[J].黑龙江大学工程学报,2020,11(04):1-8.DOI:10.13524/j.2095-008x.2020.04.0454.网络资源:(1)飞桨公开项目社区,/projectoverview/public(2)计算机视觉论坛,/ccfcv/zyhd/jsjsjlt/(3)OpenCV论坛,/forum/七、课程考核对课程目标的支撑课程成绩由过程性考核成绩和综合答辩成绩两部分构成，具体考核/评价细则及对课程目标的支撑关系见表3。表3课程考核对课程目标的支撑考核环节占比考核/评价细则课程目标123过程性考核课堂表现10（1）根据参与课堂活动情况进行考核，满分100分。（2）以平时考核成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√442线上学习10（1）根据学生线上学习情况进行考核，满分100分。（2）以平时考核成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√442分组任务20（1）根据每个模块的分组任务完成情况和质量单独评分，满分100分。（2）每次分组任务单独评分，取各次评分的平均值作为此环节的最终成绩。（3）以最终成绩乘以其在总评成绩中所占的比例计入课程总评成绩。√√√884期末考核60（1）期末考核以项目任务（综合性大作业）的形式展开。（2）项目任务主要以综合设计和应用为主，考查学生对该课程的整体掌握程度和实践应用能力。（3）学生可分组完成。√√√242412合计：100分404020八、考核与成绩评定1.考核方式及成绩评定考核方式：本课程主要以课堂表现、线上成绩、分组任务、期末考核等形式对学生进行考核评价。考核基本要求：考核总成绩由过程性评价成绩和期末考核成绩构成。其中：期末考核成绩为100分（权重60%），期末考核主要以项目任务（综合性大作业）的形式展开，学生可分组完成，项目任务（综合性大作业）主要以综合设计和应用为主；课堂表现、线上学习、分组任务等过程性考核成绩为100分（权重40%）。2.过程性考核成绩的标准过程性考核方式重点考核内容、评价标准、所占比重见表4。表4过程性考核方式评价标准考核方式所占比重(%)100>x≥90（优秀）90>x≥80（良好）80>x≥70（中等）70>x≥60（及格）x<60（不及格）课堂表现25积极参与教学活动，踊跃回答问题，多次累计平均得分100>x≥90。认真参与各项教学活动，多次累计平均得分90>x≥80。偶尔参与教学活动，多次累计平均得分80>x≥70。上课不