人工智能探索 教案 教学设计-3.2.1 3.2.2

教案1授课章节及主题3.1.1自然语言处理的概述3.1.2自然语言处理的任务

学习模块教学项目授课学时1授课对象授课地点课程类型教学目标知识目标1.阐述计算机视觉的概念，明确其作为多学科交叉学科的属性，理解其通过光学设备获取图像并进行识别、跟踪和测量的核心功能。2.梳理计算机视觉从20世纪60年代至今的发展历程，掌握各阶段关键技术突破，如20世纪80年代的区域分割技术、21世纪深度学习中的卷积神经网络应用。3.描述计算机视觉处理的完整流程，包括图像获取、预处理、特征提取、识别分类和后处理五个步骤，理解各步骤的作用及常用技术方法。能力目标1.能结合生活案例（如智能手机拍照）分析计算机视觉的工作原理，用通俗语言解释技术流程。2.能识别不同应用场景中计算机视觉处理的具体步骤，如自动驾驶中图像获取与识别分类的应用。3.初步使用图像处理工具完成图像去噪、灰度化等预处理操作，体验特征提取的基本过程。素养目标1.激发对人工智能技术的探索兴趣，培养从生活现象中发现技术原理的科学思维。2.感受科技发展的延续性和创新性，体会科学家在技术突破中的探索精神，树立创新意识。3.认识计算机视觉技术对生活的改善作用，增强将技术应用于实际问题的责任意识，关注技术伦理。学情分析知识基础学生为中专一年级，此前未接触过人工智能，但通过第一章学习已建立对人工智能的初步认知，第二章掌握了大数据技术、机器学习、深度学习的基础知识，理解人工智能的分类与发展趋势。已学习第三章第1小节自然语言处理技术，对信息技术领域的交叉学科特点有一定感知。然而，学生文化课基础薄弱，对抽象概念的理解存在困难，需要借助具体案例和直观演示辅助学习。学生特点学生年龄约16-17岁，对新技术充满好奇心，喜欢贴近生活的实例，但抽象思维能力较弱，注意力集中时间较短。具备基本的计算机操作能力，对图像、视频等多媒体内容兴趣浓厚，适合通过任务驱动和实践操作开展学习。同时，学生对技术的社会影响思考较少，需在教学中引导其关注技术伦理与社会责任。教学内容1.计算机视觉的概念、学科组成及核心目标。2.计算机视觉的发展历程，包括20世纪60年代起源、80年代技术发展、90年代机器学习应用及21世纪深度学习突破。3.计算机视觉处理的五个步骤：图像获取、预处理、特征提取、识别分类和后处理，各步骤的作用及常用技术（如SIFT、HOG算法，CNN模型等）。教学任务引导学生从概念到流程系统认识计算机视觉技术，通过案例分析和简单实践，理解计算机视觉“让机器看世界”的工作机制，建立对人工智能技术的系统性认知，为后续学习具体应用奠定基础。教学重点1.计算机视觉的概念与核心目标。2.计算机视觉处理的完整流程及各步骤功能。教学难点1.理解计算机视觉多学科交叉的复杂性。2.掌握特征提取和识别分类的抽象原理，理解算法在其中的作用。教学环境带有多媒体教学一体机的教室教学方法案例教学法、直观演示法、任务驱动法、小组讨论法。课前准备1.教师准备：制作包含张婷拍照案例、计算机视觉发展时间线、处理流程动画的PPT。准备图像处理软件（如Photoshop简易版）、特征提取演示程序（简化版SIFT算法可视化工具）。收集自动驾驶、人脸识别等场景的处理流程示意图。2.学生准备：复习前两章人工智能相关知识，预习本节课教材内容。携带手机，准备分享自己使用智能拍照功能的体验。教学过程设计环节教学内容教师活动学生活动设计意图（含思政）任务导入（5min）讲述张婷在公园使用智能手机智能拍照模式的案例，展示其手机自动调焦、识别花朵鸟儿并优化图像的过程。教师生动描述案例细节，同步展示手机拍照前后的对比图，提问：“为什么手机能像专业摄影师一样处理图像？这背后的‘眼睛’是什么？”引导学生思考技术原理。学生结合自身拍照经历讨论智能拍照功能，分享手机自动美颜、场景识别等体验，初步感知计算机视觉的存在。通过生活化案例激发学习兴趣，建立技术与生活的联系，渗透“科技服务生活”的思政理念，培养学生从生活现象中发现技术的意识。任务描述（10min）1.讲解计算机视觉的概念：多学科交叉（计算机科学、信号处理、神经网络等），核心是让计算机“看”与“理解”世界。2.展示计算机视觉处理的抽象流程：图像输入→分析处理→信息输出。•教师用“人类眼睛→大脑”类比“摄像头→计算机”，借助PPT图示说明计算机视觉如何模仿人类视觉系统。强调其与自然语言处理同属人工智能感知层技术，呼应前章知识。•以时间轴形式呈现自然语言处理发展的主要阶段，突出关键事件。学生对比人类视觉与计算机视觉的异同，记录计算机视觉的学科组成，理解其“机器之眼”的本质。通过类比降低概念理解难度，建立知识衔接，培养学生知识迁移能力，同时渗透“人类智慧启发技术创新”的思政元素，激发创新热情。任务实施（25min）1.计算机视觉发展历程（10分钟）20世纪60年代：马文・明斯基的“计算机看世界”实验，标志学科起源。20世纪80年代：区域分割技术、激光扫描三维信息获取。90年代中期：SVM、人脸检测技术（Fisher脸、Eigen脸）。21世纪：深度学习与CNN（AlexNet在ImageNet竞赛的突破）。教师用时间轴动画展示发展历程，重点讲解AlexNet如何通过深层网络提升图像分类准确率，对比不同阶段技术的效率差异。学生观察时间轴，分组讨论“哪一阶段技术突破对计算机视觉影响最大”，选派代表分享观点。通过时间轴可视化梳理发展脉络，培养历史思维，通过讨论激发批判性思考，融入“科技发展需要长期积累与创新”的思政理念，培养坚持不懈的科学精神。2.计算机视觉处理过程（15分钟）图像获取：摄像头、传感器（如自动驾驶车载设备）。预处理：去噪、增强、灰度化（演示滤波器去噪效果）。特征提取：SIFT提取边缘角点、HOG提取纹理（用简化工具演示特征点标记）。识别分类：CNN模型训练（以识别猫狗为例）。后处理：标注结果、生成报告（如监控警报）。教师用“处理一张模糊花朵照片”为例，现场演示预处理（去噪）和特征提取（标记花瓣边缘）的过程，解释每一步的作用。播放自动驾驶识别交通标志的简化动画，说明识别分类与后处理的应用。学生观察教师操作，记录各步骤功能，分组完成“用手机拍摄照片并描述其可能经历的处理步骤”任务。通过现场演示和任务实践，将抽象流程直观化，培养观察能力和实践思维，渗透“严谨细致对待数据处理”的工匠精神，强调技术流程的规范性。课堂小结（3min）教师引导学生用“关键词接龙”方式回顾知识点，如“计算机视觉→摄像头→预处理→去噪→特征提取→SIFT→…”作业布置（2min）1.绘制“计算机视觉处理流程”思维导图，标注各步骤作用。2.查阅资料：了解“计算机视觉在农业病虫害检测中的应用”，下节课分享。课后拓展推荐学生观看《AI小百科：计算机视觉》科普纪录片（片段），了解技术前沿动态，激发持续学习兴趣。教学反思反思案例演示是否清晰？学生对特征提取等抽象步骤的理解程度？思考是否需要增加更多