初中信息科技七年级下册《慧眼识物-图像识别原理与应用》教学设计

初中信息科技七年级下册《慧眼识物——图像识别原理与应用》教学设计

一、课题与课时安排二、教学目标(一)核心素养导向培养信息意识（感知）学生能够主动关注并识别日常生活中存在的图像识别应用场景，感知人工智能图像识别技术对生产生活方式的深刻影响与变革，理解技术应用背后的价值与潜在风险，形成敏锐的信息意识。

发展计算思维（思维）学生能够理解机器从特征提取到模型预测的基本逻辑过程，将图像识别的实现步骤拆解为“数据采集—特征学习—模型验证—分类推理”的计算模型，初步建立机器学习解决问题的计算范式，能够运用计算思维分析技术原理。

开展数字化学习与创新（创新）学生能够在TeachableMachine等零代码AI实验平台上自主完成数据采集、模型训练和验证测试的全流程操作，独立创建可用于解决生活实际问题的图像分类模型，在动手实践中培养创新意识与实践能力。

落实信息社会责任（责任）学生能够辩证认识图像识别技术在便利社会生活的同时带来的隐私泄露风险与算法偏见隐患，树立“科技向善”的正确价值观，形成负责任使用人工智能技术的伦理自觉。

(二)关键能力培养知识与技能目标学生能够用自己的语言准确描述计算机视觉的基本概念、图像识别的基本原理（特征提取+分类预测），掌握利用TeachableMachine平台从零创建图像分类模型的操作方法，能够对模型的识别结果进行基本的准确率评估与反思改进。

过程与方法目标学生能够经历完整的“问题定义—数据采集—模型训练—测试评估—迭代优化”的机器学习项目流程，在小组合作探究中逐步建构对图像识别技术核心原理的认识。

情感·态度·价值观目标学生在团队协作完成项目的过程中，体验从“使用者”到“创造者”的角色转变，感受技术创造带来的成就感和价值感，激发对前沿科技的学习兴趣与探索热情。

三、教学重点难点四、教学方法与手段项目式学习（PBL）以“训练一个特殊的植物分类识别器”为核心项目任务，贯穿两课时的全部学习活动。项目任务的设置来源于校园真实场景（绿植识别），具有充分的真实性和驱动性，有效激发学生的探究动机。

任务驱动教学将整个项目分解为若干个连贯的子任务（数据采集→模型训练→验证测试→迭代优化→汇报展示），每个子任务都有明确的目标和可检验的输出结果，学生在逐步完成任务的过程中建构认知。

小组合作探究学生以3至5人为一组开展学习活动，形成“CEO（统筹规划）—AI训练师（模型操作与管理）—数据采集员（图像采集与整理）—测试评估师（模型验证分析）—汇报记录员”等分工协作角色，在合作中培养团队协作与沟通表达能力。

对比实验教学通过“同样数据量”“不同数据量”“不同数据多样性”三种情况下的模型准确率对比实验，让学生直观感知数据质量与数量对模型性能的决定性影响，从而建立“数据是人工智能的基础”的核心认知。

即时反馈强化利用TeachableMachine平台的即时训练与实时预览功能，学生能够在每次训练完成后马上看到自己模型的表现，强化“行动—结果”之间的链接，提升学习的时效性与成就感。

五、教学准备(一)教师准备制作本课教学课件（包含TeachableMachine平台操作演示、图像识别工作原理示意动画、案例引导图片、课堂任务单等）。

【重要】提前熟练TeachableMachine平台的完整操作流程，预设可能出现的问题（如学生电脑摄像头无法调用、网络访问故障、浏览器兼容性等问题）并准备好应对预案。

设计并打印课堂项目学习任务单（每人一份），内容包括项目目标说明、任务步骤指引、数据采集要求、模型评估表格、反思记录区等。

为每组准备若干包含校园常见绿植（如多肉植物、绿萝、文竹等）图像的图片素材包（约每组20张），以备部分小组数据采集不便时的备选方案。

准备若干不同数量和质量的数据集样例，用于对比实验环节的数据集演示。

(二)学生准备以小组为单位，提前一周收集校园环境中3至5种植物的图像照片，每种植物的照片不少于30张。照片要求：不同角度、不同光线、不同背景（部分照片背景干净、部分照片背景有少量干扰物）、不同距离（近景与远景结合）。每人提前将照片存入一个文件夹备用。

课前分好小组，明确每个人的角色分工，确保每位成员知晓自己承担的具体任务。

复习第14课所学的人工智能基本概念与机器学习的简单知识，为新课学习做好知识衔接准备。

(三)硬件与软件环境多媒体计算机教室，每名学生配备一台能够联网的电脑，运行主流浏览器（Chrome或Edge最新版本），确保可以正常访问TeachableMachine平台。

每组配备高清摄像头（可通过学生电脑自带摄像头实现数据采集），用于拍摄实时图像数据。

计算机教室网络需配置为能够顺畅访问TeachableMachine平台（若内网访问受限，需提前向校信息中心申请开通访问权限）。

教师控制教学展示大屏，用于同步演示平台操作流程和展示学生优秀作品。

六、教学过程设计第一课时：慧眼初识——走进机器如何“看见”世界？（40分钟）环节一：情境导入，激趣启思（5分钟）课堂伊始，教师展示若干张含混不清、角度刁钻的动植物的特写照片，让学生快速辨认图片内容。

师提问：“你们为什么能一眼认出图片中的东西？人类的眼睛是如何‘看见’和‘识别’物体的？”引导学生从颜色、形状、纹理、轮廓等角度思考人类识别物体的依据。

继续追问：“如果让机器代替人类完成这个任务，机器应该如何做到？它能像我们一样轻松地认出一张图片里有什么吗？”

引入课题：“今天我们就来一起探索人工智能的神奇眼睛——图像识别技术。让我们尝试亲自训练一个人工智能模型，让它成为我们的‘慧眼识物’助手。”

简要展示本节课的核心项目任务：“训练我的专属校园绿植分类识别模型”，激发学生的探究欲望与学习动力。

设计意图：【重要】从人类视觉认知比拟入手，搭建“从人类到机器”的认知迁移桥梁，快速聚焦课题内容；通过真实校园情境的项目任务驱动，调动学生的学习兴趣和内在动机。环节二：初识工具，平台导航（8分钟）教师简要讲解图像识别的基础原理：计算机视觉中的图像识别，本质上是让计算机理解图像的像素信息，从中提取出有意义的“特征”（features），再根据这些特征做出“分类判断”（classification）。用一个类比帮助学生理解：人类的医生看病，是先观察病人的各种“症状”（特征），再据此做出“诊断结论”（分类）。

教师打开TeachableMachine平台，在大屏幕上逐一步展示平台的各功能区：【第1步】“NewProject”创建新项目→选择“ImageProject”图像分类模式；【第2步】“Class1、Class2”添加与管理分类类别；【第3步】“TrainModel”启动模型训练按钮；【第4步】预览区即时展示训练结果。

教师以一个极简案例（分辨“苹果”与“香蕉”两个类别）演示平台的完整操作流程：点击创建项目→设置类别→通过摄像头采集图像数据→点击“TrainModel”开始训练（约3至5秒完成）→在预览区测试模型识别效果。演示中着重提示学生注意：训练过程中能够观察到实时损失下降曲线和准确率变化。

教师演示如何在平台上“重命名类别”（如Class1命名为“多肉植物”，Class2命名为“绿萝”）、“删除某个类别的样本页”“导出一个训练好的模型”（可生成在线的分享链接）。

分发项目任务单，学生对照任务单快速熟悉平台布局。

设计意图：【基础】让学生建立对TeachableMachine工具的初步认识，掌握最基本的平台操作方法，为下一阶段的自主探究奠定操作基础；通过极简案例演示降低认知门槛，让学生迅速获得对“什么是图像分类训练”的直观感知。环节三：分工采集，各组启动（15分钟）各小组根据前期的课前准备和当前实时摄像头的数据采集方式，明确各类别的图像内容：例如某小组确定训练识别“多肉植物”“绿萝”“文竹”三个类别。

教师巡视指导，特别提示学生注意数据采集的核心要义：

【重要】每个类别的样本数量建议不少于30张（保证学习和泛化能力）；

每种类别的图像应涵盖不同的背景环境（教室、走廊、操场等不同位置）；

每种类别的图像应涵盖多样的光照条件（晴天、阴天、不同室内亮度）；

对于同一个类别的同一个物体，要采集不同角度（正面、侧面、俯视）、不同距离（近景、中景）的图像。

教师在巡视中实时纠正不正确或低质量的数据采集方式，例如采集背景过于单一、同一角度重复采集等问题。

完成数据采集的小组，进入平台的数据管理面板，检查每个类别下的图像数量和图片质量，并利用平台的“Remove”功能删除重复、模糊或无效的图像数据。

小组长将本组各类别采集的图像数量记录在任务单的“数据采集记账表”中，形成数据记录的原始台账。

设计意图：【核心】亲自动手采集完整的图像数据集是整个项目学习的关键实践环节。学生在这一过程中切身体会“数据的核心地位”，理解训练一个机器学习模型的基础不是算法而是数据——这正是机器学习区别于传统程序的关键理念所在。环节四：首次训练，初试锋芒（12分钟）各组在完成数据采集之后，点击TeachableMachine平台的“TrainModel”按钮，启动模型训练。教师要求学生注意观察训练过程中屏幕上显示的进度条和损失值变化曲线，思考：“为什么损失值会随着训练过程的推进而下降？损失值是什么意思？”

训练完成后（通常耗时几秒钟），平台预览区自动激活。各组进入模型测试环节：

测试方式一（新样本测试）：将本组未用于训练的新的植物图像“拖拽”或用摄像头拍摄后放入测试窗口，看模型能否正确识别。

测试方式二（实时摄像头测试）：用电脑摄像头实时拍摄教室内的同类物体，观察识别速度和准确程度。

各组记录测试结果：正确识别次数、错误识别次数、正确率（初步计算）。记录在任务单的“模型评估表”第一行。

【高频考点】教师引导全班共同讨论训练结果分析与归因：在测试过程中，模型对什么角度的图片分类准确率最高？对什么背景的图片容易识别错误？错误集中出现在哪两个类别之间的混淆？为什么会出现这些混淆？

教师根据各组的反馈，初步引出核心概念：“特征学习”与“特征混淆”——当绿萝的叶子形态与文竹的叶子形态非常相似时，机器就会把它们学习到相近的特征空间，从而出现分类错误。这也反向印证了“特征”在图像识别中的关键地位。

设计意图：【核心】让学生亲手体验模型训练与测试的全过程，获得“我的AI模型真的开始工作了”的真实感受；通过初次测试的准确率记录和错误分析，引出“特征”这一核心概念，为第二课时的理论深化夯实认知基础。第二课时：慧眼进阶——迭代优化，跨界创想（40分钟）环节五：迭代优化，解惑明理（15分钟）【思维方法-对比实验一：数据量的影响】教师以下列对比实验引导学生进行深度思考：“假设有一个小组的模型分类准确率是75%，另一个小组的测试准确率只有55%，两个组的采集方式都是正确的，为什么会出现显著的准确率差异呢？”让学生自由发言推测原因。在交流中，教师精准引入关键变量——每个类别的数据样本量。提出核心探究问题：“训练集数据量越大，模型的识别准确率就一定会越高吗？”教师引导学生开展如下实验：

让学生在自己已经训练好的模型基础上，再为某个类别额外增加15至20张不同角度与背景的新图像。

重新训练模型，再次用不变的测试集进行测试，比较准确率的变化。

各组记录实验前后的准确率对比数据。

得出结论：在合理的范围内，增加多样化的训练数据通常能有效提升模型的泛化准确率。

【思维方法-对比实验二：数据多样性的影响】教师继续提问：“如果一个类别的大量采集图片都是在完全相同的环境、完全相同的光照、完全相同角度下拍摄的，即使数量很多，模型在该环境之外的泛化能力会如何？”引导学生复习分类学中的一个重要原则：“好的训练数据=足够数量+充分多样性”。教师演示两个极端数据集的训练结果对比：

数据集A（多样化数据的类别）：采集时间包括早晨、中午、傍晚不同时段，地点包括窗边、室内深处、走廊不同位置，拍摄手段包括平拍、俯拍、侧拍不同视角。

数据集B（单一化数据的类别）：全部采集于同一地点、同一时间、同一光照、同一角度。

分别用两个数据集训练模型，用同样的测试集（包含环境变化元素）进行测试，让全班对比两组准确率的质变差异。

小结升华：人类教会机器识别物体的过程，本质上是提供给机器足够多样化“举例”的过程。多样性越充分，模型对“不同情景下这东西长什么样”的认知就越全面，泛化能力就越强。

【核心原理精讲】在动手实验的基础上，教师回归理论提升：

用可视化的示意图讲解图像识别的三步工作流程：原始图像像素→特征提取网络（识别线条、边缘、纹理等）→全连接分类层→类别概率输出（Softmax归一化处理）。

解释迁移学习的概念：TeachableMachine之所以能做到“少量数据、高效训练”，是因为使用了预训练的MobileNet轻量化卷积神经网络（在其他超大规模通用图像数据库上预先训练好的特征提取器），学生所做的训练本质上是“微调”（fine-tuning）了最后一层分类器，而非从头训练整个网络。这也是当前深度学习时代最普遍的高效模型训练策略。

教师用一句话精准概括：“机器认东西不是靠‘认长相’，而是靠‘认特征’。每一次给模型展示新的图片样本，它都在完善自己对‘什么特征是这类物体独有的’这种内在认识。”

设计意图：【核心】利用对比实验和数据可视化，让学生从“动手做”升华为“动脑想”，从感性经验走向理性认知；突破教学难点——形象化阐释“特征提取”的抽象概念，建立从“数据决定模型表现”到“特征学习驱动识别决策”的因果认知链条。环节六：【跨学科链接】AI赋能无限可能（10分钟）【跨学科链接-医疗】教师播放一个简短的视频或展示一组图片资料，介绍人工智能图像识别技术在现代医疗诊断中的革新性应用——AI医学影像诊断系统能够以超越人类医生的速度和准确率，在CT胶片、核磁共振扫描中识别早期癌症病灶、肺结节、视网膜病变等疾病征兆。

【跨学科链接-农业】展示“智慧农业”场景：无人机在高空拍摄大范围农田的高清图像，AI模型实时识别出哪些区域的作物受到了虫害或病害侵染、哪些区域出现了水分胁迫，指导植保无人机进行“毫升级精准喷洒”，大幅度减少农药使用量，降低农业环境污染。-40

【跨学科链接-工业质检】介绍AI在智慧工厂中的应用示例：生产线上的实时视觉检测系统能够以毫秒级的响应速度发现产品表面的划痕、尺寸偏差、颜色差异等质量问题，比人工质检快数十倍且准确率更高。

【跨学科链接-交通与安防】介绍车牌识别、人脸识别、行人再识别等技术在智能交通管理、智慧安防监控中的广泛应用，引导学生从学科融合的视角理解技术的社会价值。

各小组围绕“如果将你今天亲手训练出的图像分类技术，与生物（植物学鉴定）、美术（艺术品分类鉴赏）、体育（运动姿态分析）、物理（实验现象记录分类）、英语（图文匹配智慧教学）等任意一门学科相结合，可以解决什么实际学习问题？”展开小组头脑风暴与分享，记录至少两个跨学科应用创想。

设计意图：【拓展延伸-跨学科融合】这一环节的核心价值在于“放大”学生对技术社会应用格局的眼界，帮助学生建立跨学科的联系思维，激发对未来发展的想象力和开创意识——学生在获得亲手训练模型的成就感之后，看到自己掌握能力与前沿产业应用的对接，会产生强大的学习内生动力。环节七：【易错点】伦理思辨，责任铸就（8分钟）环节七：【易错点】伦理思辨，责任铸就（8分钟）教师提供三个讨论案例，每个小组选择一个进行深度研讨，形成小组观点：

案例一：某大型公园安装了大规模人脸识别摄像头用于“客流统计与安全保障”，可以快速找到走失的儿童和老人，但与此同时也可能记录每位游客的游园轨迹和面部数据-41。

案例二：某购物中心上线基于人脸识别的“VIP客户自动欢迎系统”，进店时会自动播放个性化的欢迎语并向导购推送该客户的消费历史记录，大幅提升了VIP客户体验，但很多普通消费者纷纷投诉自己不知情就被收集了面部信息。

案例三：教师展示几组由于训练数据不平衡导致某些AI模型产生严重“算法偏见”（bias）的现实报道（例如某招聘系统的简历筛选算法因训练数据中男性样本占压倒性多数而产生歧视女性的偏差，某医疗诊断系统对某些肤色人群的诊断准确率显著偏低等）。

各小组采用“四角辩论法”组织讨论：正方立意（技术在监督可控范围内应该大范围推广使用）、反方立意（技术滥用风险远大于收益，应该严格限制）、伦理平衡点立意（找到最合理的平衡方案）。鼓励学生分别从技术人员（算法工程师）、监管者（政策决策者）、普通用户（消费者）、被采集信息者（公民）等不同视角发言，培养学生的多角度辩证思维能力。

形成小组“AI伦理使用承诺书”，内容包括：不使用AI技术进行侵犯隐私的行为；不以技术隐瞒或欺骗他人；尊重数据来源的合法性与知情同意原则；在训练数据时，不使用未经同意的他人肖像照片或私人拍摄内容。

全班分享成果，总结升华——“科技向善、责任共担”是人工智能时代每一位公民应有的信息社会责任感。

设计意图：【核心素养-信息社会责任】【重要】从技术学习的兴奋和成就感中自然超越，引导学生冷静审视技术背后隐含的伦理风险与社会责任问题，培养负责任的数字公民意识。将伦理教育贯穿技术学习始终，是培养全面人工智能素养不可或缺的重要维度。环节八：成果展示，评比点睛（5分钟）各小组派代表登台，在2分钟限时内简明展示本组的模型训练成果，突出展示三个关键指标：

分类的类别数及其所代表的物体名称；

各类别采集的训练样本数量配置；

模型在测试集上的识别准确率以及两次迭代优化前后的提升幅度对比。

其他小组依据“准确性、完整性、创意性、展示流畅度”四个维度进行同行互评，教师记录评价结果并做简要点评。

教师综合展示各组的亮点特色，总结本次项目式学习取得的收获：“我们全班在本节课共同完成了__个校园绿植分类识别模型，每组的模型准确率平均在百分之__左右。大家从零开始体验了数据采集→模型训练→测试验证→迭代优化的完整机器学习项目流程，每一组都是一个微缩的AI研发团队。希望同学们将在本节课中培养的计算思维、数据思维和项目协作能力，迁移应用到未来的学习和生活中去。”

环节九：【难重点】课堂小结，思维定格（2分钟）教师引导学生用一分钟时间回顾两个课时的学习历程，从三个层面进行完整的小总结：技术层面总结：“我学会了使用TeachableMachine训练图像分类模型，掌握了数据采集的核心原则：多样化的背景、光照、角度对模型泛化准确率至关重要。”

原理层面总结：“我理解了图像识别的工作本质是‘特征提取→模型分类’。机器从每张图像中抽取出类独有的特征模式，利用这些特征对新图像进行归类判断。”

责任层面总结：“我认识到AI技术‘双刃剑’效应——在享受技术带来的便利和惊喜的同时，必须坚守个人隐私保护意识和算法公平性伦理底线，做到负责任地开发和使用AI。”

教师对学生的精彩表现给予肯定评价，并对本节课的学习目标达成情况进行简要点评。环节十：课后拓展，素养升华（布置课后任务，不计入课堂时长，但在课堂结束时口头布置）继续挑战“模型优化工坊”：学生回家后继续为某一类别补充10至20张在完全不同的环境（室外操场、家里阳台等）拍摄的图片，重新训练模型，观察准确率是否进一步提高，在下节课前分享自己的优化成果。

完成“AI应用寻宝图”：小组成员继续合作，在一周内寻找并记录10个生活中人们习以为常却没有意识到的图像识别应用场景（如扫描翻译、门禁人脸识别、电商平台的以图搜图、照相机场景模式智能识别等），拍照或截屏记录，形成一份“AI应用寻宝图”报告，在下周四的课堂分享交流。

【拓展延伸】学有余力的学生使用TeachableMachine模型导出功能，将训练好的模型导出为TensorFlowLite或TensorFlow.js格式，尝试搭建一个简单的个人网站（借助课堂所学的网页基础知识）在线部署自己的AI模型，向家人和朋友展示。

七、板书设计本板书借助白板或电子大屏同步呈现，布局如下：主标题：第15课慧眼识物——图像识别原理与应用左侧蓝框区域：“项目核心任务”训练的植物分类AI——多肉植物vs绿萝vs文竹中间核心原理区域：【用箭头和框图呈现】图像输入→特征提取器（卷积层自动提取）→神经网络分类器→输出概率分布（最大概率的类别即为预测结果）→识别结果右侧关键结论区域：【数据原则】·质>量（样本多样性优先于盲目堆叠数量）·条件全面覆盖（角度、距离、光照、背景的组合全面）【迭代优化】分析测试结果→针对性补充样本库→重新训练→再次评估模型底部责任提醒区域：【社会责任】尊重数据主体知情权、保护用户隐私【科技伦理】公平对待所有用户类别，避免算法偏见黑板底端下方：机器不“认识”物体的语义——只“识别”匹配的特征模式最后的决策权永远掌握在人类手中八、教学评价设计（一）过程性评价（贯穿课内全程）数据采集质量评价（小组评价量表）：评价维度包括：

采集的图像数量是否充足（每类不低于30张）

多样性评估（是否包括变角、变光、变背景、变距离等多维变化组合）

数据标注的准确性（类别对应的图片是否正确）

数据清洗规范性（是否剔除了模糊、重复或无效的图片样本）

模型训练与测试实验成果评价：

是否成功完成模型的首次训练（全员达标为基本要求）

是否独立完成迭代优化操作（二次训练与准确率对比记录）

跨学科应用创意提案的质量（在“AI赋能无限”头脑风暴中的贡献程度）

小组伦理守则承诺书的质量与完整度（体现对隐私和公平的深刻理解）

小组合作与沟通能力评价：

小组内是否合理分工并有效协同完成任务

对比实验阶段的发言和小组研讨参与度

最终展示汇报的完整性、说服力与展示互动情况

（二）终结性评价（课后作业等级评定）模型优化报告（书面），内容应包括：

模型的基本信息（分类类别名称和所用样本数统计）

首次模型的准确率数据分布

叠加多样性新数据后重新训练的准确率对比

错误案例分析（哪些特征是模型容易混淆的？猜想原因是什么？）

“AI应用寻宝图”作业成果：

记录的10个应用场景真实有效

每个场景注明了该识别任务类型（图像分类、目标检测、人脸比对、OCR识别等其中一种）

包含学生对每个场景伦理风险的简要评论（是否存在侵犯隐私？算法是否有偏？）

小组伦理使用承诺书的正式签署与提交

（三）课堂即时反馈策略教师使用言语肯定、实物奖励（优先完成迭代优化的小组给予小组加分）等方式对优秀小组或突出个人进行即时激励；对遇到技术困难的小组，教师手把手或通过同组伙伴互助的方式快速排除障碍，确保每个小组均能