深度感知：基于计算机视觉的高中人工智能项目式教学设计

深度感知：基于计算机视觉的高中人工智能项目式教学设计

一、教学设计依据与指导思想

【基础】本教学设计严格依据《普通高中信息科技课程标准（2017年版2025年修订）》的核心素养导向要求，落实“立德树人”根本任务。本次修订将课程名称由“信息技术”调整为“信息科技”，学科定位实现了从技能操作导向向科学原理与核心素养培育的根本性跨越-1。课程逻辑主线由原来的数据、算法、信息系统、信息社会四个学科大概念，拓展为数据、算法、网络、信息处理、信息安全、人工智能六条逻辑主线-2。人工智能已作为独立逻辑主线贯穿高中信息科技课程内容。六条主线之间存在紧密的横向关联，教学中要注重以“数据—算法—人工智能”技术链条统摄多元知识点，建立知识结构，让学生在理解数据原理的基础上，进一步把握数据与算法、人工智能之间的内在联系-6。

【基础】同时，本教学设计全面落实《“人工智能+教育”行动计划》（教科信〔2026〕1号）精神，深入贯彻国家教育数字化战略，推动人工智能教育全面纳入日常教学-51。坚持育人为本、素养为先、应用导向、智能向善，引导学生在真实项目实践中提升智能素养，培养创新思维和解决复杂问题的能力-51。在教学中注重科技教育与人文教育相结合，引导学生科学认识、合理利用智能技术，理解自主可控技术对国家安全发展的重要作用，领悟核心技术自主创新的重要性-1。二、教学内容分析

【基础】“停车场自动统计车位”一课选自高中信息科技选择性必修模块“人工智能初步”，属于人工智能中“计算机视觉”领域的典型应用案例。本课以城市停车场管理中的“车位占用状态实时检测”这一真实问题为情境驱动，让学生经历从图像获取、预处理、特征提取到目标检测模型训练与推理的完整人工智能项目流程，聚焦计算机视觉中“目标检测”核心任务的理解与实践体验。该教学内容契合课标提出的“增加人工智能教育相关内容，注重学生对人工智能应用方法的学习，提高学生应用人工智能解决问题的能力”的要求-1。

【拓展延伸】【跨学科链接】停车位检测融合了计算机科学、图像处理、数据科学与城市交通规划等多个学科知识，是落实“学科融合”理念的理想载体。学生将在本课中运用离散数学中的逻辑推理、物理学的光学成像原理、概率统计中的模型评价指标（精确率、召回率）等跨学科知识完成模型训练与评估，体现新课标中强调的信息科技与其他学科的有机结合-1。三、学情分析

【基础】授课对象为高中一年级学生。认知特征上，高中生处于形式运算思维发展阶段，具备较强的抽象逻辑思维能力，能够理解计算机视觉技术背后的数学原理与算法流程，能够从现象中抽象出计算机可处理的数学模型-1。知识储备层面，学生在前续课程中已完成“数据与计算”模块的学习，掌握Python编程基础，理解变量、列表、字典、函数等基本语法，具有利用PIL、OpenCV等图像处理库进行简单图像操作的经验。同时，学生已在“算法基础”模块中学习了分类与回归等初步机器学习概念，具备对“训练集”“测试集”等基本术语的认知基础，为理解深度学习模型提供了概念前提。

【基础】技术经验层面，大多数学生对智能手机拍照、图像识别应用（如刷脸支付、扫图搜题等）有日常使用经验，但对背后的计算机视觉原理缺乏系统认知。兴趣动机层面，停车位检测问题贴近生活，与智能交通、自动驾驶等前沿技术密切相关，具有较强的时代感和吸引力，能够有效激发学生的学习动机和探究欲望。四、教学目标

【核心素养】1.信息意识维度：认识计算机视觉技术在智能交通系统中的重要价值，理解数据资源在智能系统中的核心地位，形成主动运用人工智能技术解决现实中资源分配与优化问题的意识。

【核心素养】2.计算思维维度：掌握图像数字化、卷积神经网络基础原理、目标检测的基本流程，能够将“识别停车场中哪些车位有车”这一实际问题建模为图像分类或目标检测任务，设计训练数据集和模型验证方案，培养“问题拆解—特征抽取—模型训练—结果评价”的系统化思维。

【核心素养】3.数字化学习与创新维度：能够运用深度学习框架搭建简易的车位检测模型，使用开源数据集或自采数据进行模型训练与推理体验，形成利用人工智能技术和数字化工具进行创新实践的能力。

【核心素养】4.信息社会责任维度：理解人工智能技术在城市交通优化中的社会价值，认识智能监控系统中的个人隐私保护问题，思考算法公平性与技术向善的社会意义，树立科技报国的远大理想，领悟自主掌握人工智能核心技术对提升国家科技竞争力的重要意义。五、教学重难点

【基础】教学重点：图像数字化核心概念（像素、分辨率、颜色通道）；卷积神经网络的基本结构与工作原理（卷积层、池化层、全连接层）；采用迁移学习方法构建简易车位检测模型的操作流程。

【难点】教学难点：卷积运算的数学原理与特征图的可视化理解；界定深度学习“训练”与“推理”的不同阶段及其流程差异；模型性能评价指标（准确率、精确率、召回率、交并比）的理解与计算方法。六、教学方法与手段

【基础】教学方法坚持“做中学、用中学、创中学”理念。项目式学习以“设计一个能够自动判断车位是否被占用的停车场监控系统”为核心驱动任务贯穿全课，学生在完成真实项目的过程中深度学习人工智能知识；任务驱动法课前布置预习任务（观看计算机视觉科普视频），课中设置三个递进式子任务层层推进；实验演练法依托在线AI实验环境平台（如百度AIStudio、阿里云天池等）提供云端GPU算力支持，让学生动手运行YOLO系列预训练模型进行车位检测推理体验，切实降低技术门槛；小组协作法以2—3人为一组开展模型训练与结果共享，培养学生的团队协作能力和分享意识。

【基础】教学手段方面，使用多媒体课件展示图像数字化原理动画和卷积神经网络结构示意图，使用在线AI实验环境平台提供预训练模型与实践场地，辅以智慧课堂互动系统实现学情实时反馈。七、教学准备

【基础】教师方面：自备停车场视频素材与开源车位检测数据集（如PKLot数据集、CNR-EXT数据集等），在实验环境平台上预置搭建完成的检测实验项目模板，下载YOLOv8轻量化模型作为迁移学习的基座模型，编写模型训练与推理的引导式代码框架，准备教学课件与学案。学生方面：课前完成平台账号注册，自备笔记本电脑或平板电脑用于跟随教师动手实践，完成课前发布的微课观看任务（约8分钟，含计算机视觉基本概念与图像数字化原理），预习Python图像处理基础知识。八、教学过程第一环节情境导入（约5分钟）

【基础】教师播放一段真实城市停车场的高空航拍视频，视频中清晰展示大量车辆在繁忙时段寻找空车位的拥挤场景，数据表明，驾驶人每年平均消耗约37小时在路面寻找停车位上，这不仅造成时间浪费和燃油消耗，也加剧了城市交通拥堵与空气污染-31。师生共同讨论：如何运用人工智能技术解决“找车位难”的痛点。学生畅所欲言。随后，教师展示智能停车场系统的技术架构图，揭示传感器—摄像头—云端服务器—手机APP的信息处理链条，引出本课核心任务——“用计算机视觉方法自动检测车位占用状态”。第二环节新知建构——计算机视觉与车位检测技术原理（约20分钟）

【基础】子任务1：探究图像数字化原理。计算机存储和处理图像的前提是将模拟图像量化为数字矩阵。彩色图像由红、绿、蓝三个颜色通道构成，每个通道的像素值范围在0—255之间存储为二维整型数组，图像的分辨率决定了像素密度，进而影响计算机系统需要处理的数据量。教师以一幅800×600像素的图像为例现场计算总像素数（48万个），演示三个通道叠加还原彩色图像的机制。

【基础】子任务2：探秘卷积神经网络。卷积神经网络是当前计算机视觉领域最主流的深度学习模型，其核心思想是通过多个卷积核（滤波器）在图像上滑动扫描，提取不同层次的特征。浅层卷积核提取边缘、角点等低级视觉特征（如车辆的轮廓），深层卷积层逐步组合成车轮、车身等更具语义含义的部件特征，最后由全连接层综合上述抽象特征完成“有车”与“无车”的二分类判断。为了降低计算复杂度并增强特征表达的鲁棒性，通常在卷积层之后连接池化层进行下采样压缩。

【拓展延伸】教师用一个卡通化的动画短片生动展示卷积运算过程：一个3×3的卷积核在28×28的图像上滑动并计算点积，逐步生成26×26大小的特征图。此过程有助于将抽象概念形象化、通俗化，降低高一学生的学习门槛。

【重要】子任务3：对比车位检测的主流技术方案。目前应用于停车场车位状态检测的人工智能技术经历了从传统传感器融合方案到纯视觉方案的迭代演进。传统方法在每一个车位下方埋设地磁感应线圈或安装超声波传感器来感知金属物体的存在，优点是技术成熟、成本较低，但存在安装与后期维护困难的问题-31。基于深度学习的视觉检测方案通过部署在停车场顶部的高清摄像头实时采集图像，利用以YOLO系列为代表的端到端目标检测神经网络进行车辆检测，可实现高达33.7帧每秒的实时处理性能-30。

【高频考点】教师呈现YOLO系列模型从YOLOv4到YOLOv8的技术迭代脉络，并详细介绍YOLOv8的网络结构设计师。YOLOv8采用了C2f模块替换传统CSP模块，引入Anchor-Free机制简化检测头的设计，并融入自注意力机制提高对遮挡车辆和光线不良场景的检测精度，使学生对通用人工智能模型架构有整体性认识。

【热点】子任务4：讨论迁移学习与隐私保护。在现实中完全从零训练一个高精度的车位检测模型需要海量标注图像和强大的GPU算力，对于中小学课堂环境不现实。迁移学习就是利用在大型通用数据集上预训练好的模型作为起点，冻结模型底层特征提取层（这些权重已经学到了通用的边缘、纹理等视觉特征不变性知识），只针对全连接分类层在小规模车位数据集上进行参数微调。这既显著缩短了训练时间，又有效防止了小样本训练时的过拟合问题。教师布置分小组讨论：在城市道路停车场中广泛应用的车辆感知系统是否存在滥用监控、侵犯公民行踪轨迹隐私的风险，应当如何在技术实施与个人隐私保护之间建立平衡机制。第三环节项目实践——迁移学习训练车位占用分类器（约30分钟）

【重要】子任务1：数据准备与增强。教师提供预处理好并已划分训练集和测试集的PKLot数据集或CNR-EXT数据集中约1200张车位特写图像（600张“有车”正样本和600张“空车位”负样本），每张图的尺寸统一缩放为224×224像素，文件按照“occupied”和“free”的分类标签分别存放。学生运行Python脚本，调用torchvision库中的transforms模块对训练图像执行随机旋转（正负15度）、水平翻转、亮度对比度微调等数据增强操作，提高模型泛化能力。

【重要】子任务2：加载预训练模型。学生编写Python代码，利用PyTorch框架中的torchvision.models模块加载在ImageNet千万级图像数据集上预训练完的ResNet18或ResNet50模型。代码核心环节是冻结模型除最后一层全连接层之外所有层的参数，禁止反向传播更新权重，确保预训练权重得以保留。重点是修改最后一层全连接层的输出尺寸（从ImageNet使用的1000类改为2类），以适应本项目的二分类任务。

【重要】子任务3：设置训练超参并执行训练。教师指导下设置关键训练超参数：使用交叉熵损失函数计算分类误差，采用带动量的小批量随机梯度下降作为优化器，批量大小设为32，学习率设为1e-4（通过学习率预热策略逐步升高），迭代次数10个训练周期（每个周期遍历一次全部训练数据）。学生在云端GPU环境中运行训练脚本，在训练过程中通过TensorBoard工具实时观察训练集损失函数值和验证集准确率曲线的收敛趋势，训练结束后保存最优模型权重。

【易错点】子任务4：模型评估与指标解读。学生加载保存在本地的模型权重，在从未参与训练的测试集图像上进行推理预测。教师解释精确率的数学计算公式：在所有预测结果为“有车”的样本中真正为“有车”的比例；召回率的数学计算公式：在所有真实标签为“有车”的样本中被模型正确找出“有车”的比例。二者通常相互制衡，实践应用中需要根据场景合理取舍。当模型对某张车位图像预测为“有车”的概率小于0.5时将其判定为“空闲”，然后逐图计算单个模型的预测标签并与真实标签对比，统计全局的准确率和混淆矩阵。第四环节成果展示与交流（约12分钟）

【重要】各小组分工协作：一组负责训练基准模型（只修改分类层+微调全连接层），另一组负责训练精细模型（解冻最后三个残差块参与全局微调）。各组将模型对同一组测试图像的预测结果（含预测类别与置信度分数）实时投射到大屏幕上进行集中展示与交叉验证。小组间互评检验哪些硬件配置、超参数组合能够得到更高的车位检测准确率。各组通过实证探索得出差异化的实践结论。

【基础】教师小结本课关键概念和核心知识点：图像数字化、卷积运算、预训练模型、迁移学习、目标检测。评价小组在技术操作、创新思维和团队协作等方面的综合表现。第五环节课堂小结与作业布置（约5分钟）

【基础】师生共同回顾本课技术链条：从原图采集到数字化存储，从特征提取到模型学习与推理，完整走通了一条人工智能模型从训练到应用的路径。归纳本课各环节对应的信息科技课程标准逻辑主线（数据对应数据主线，算法对应算法与人工智能主线，网络对应网络主线）。

【基础】作业分为闭环检测题和开放式探究题两类。必做题目是绘制卷积神经网络基本结构示意图（含卷积层、池化层、全连接层的标注与功能说明）。选做题目（两位同学合作完成）是利用无人机场地模拟停车场环境，利用循环神经网络的思想搭建简易的空闲车位数实时预测模型，或者利用大语言模型编写一段生成停车位推荐文案的工具代码。九、板书设计

【基础】板书主体部分划分为三个板块。左侧板块书写本课核心概念词云：图像数字化、像素、RGB三通道、卷积核、池化、全连接层、YOLO、迁移学习。中间板块绘制车位检测系统技术架构图，展示摄像头图像采集→预处理→特征提取→模型推理→结果显示的数据流转路线。右侧板块依次排列模型性能的关键评价指标公式、数值范围解释以及需要注意的课堂重点。十、教学评价设计