高中二年级信息技术：基于卷积神经网络的智慧农业作物病害识别与防治教案

高中二年级信息技术：基于卷积神经网络的智慧农业作物病害识别与防治教案

一、教学背景与设计基石

（一）学科定位与课程价值

本教案定位于高中二年级信息技术课程选择性必修模块“人工智能初步”，以《普通高中信息技术课程标准（2017年版2020年修订）》为纲，融合生物学（植物生理、病理学基础）、地理学（农业区划与气象条件）及通用技术（智能硬件搭建）跨学科内容。将“人工智能赋能农业转型”这一宏大主题解构为“作物病害叶片图像的智能识别与防治决策”项目式学习单元，旨在引导学生经历从真实农业问题发现、数据集构建、卷积神经网络模型训练与优化到边缘端部署的完整工程链路。课程价值在于：其一，将抽象的人工智能原理具身化，通过解决“三农”真实痛点培育计算思维与数字化学习创新素养【非常重要】；其二，以农业这一国家战略产业为应用场景，深度渗透“科技强国”“粮食安全”思政元素，达成学科育人【热点】；其三，通过分组对抗性调参与跨学科路演，锤炼工程伦理意识与团队协作能力【难点攻克】。

（二）学情精准画像

授课对象为高二年级选考物理、生物或信息技术方向的学生，已在高一必修模块掌握Python基本语法、数据处理及机器学习初步概念（监督学习、分类任务），能够使用JupyterNotebook进行简单编程。认知特征上，学生对“人工智能+农业”普遍存在刻板印象——认为农业技术含量低，对AI赋能传统产业的巨大潜力认知不足【重要】；部分学生具备植物学课外知识或参加过智能硬件竞赛，个体差异显著。技术预备方面，约60%学生接触过图形化AI训练平台（如TeachableMachine），但极少有人接触过原生TensorFlow/PyTorch框架及卷积层可视化；对过拟合、梯度下降等核心机理停留在名词层面。因此本设计采取“低门槛、高天花板”策略，借助云端GPU算力与可视化调参工具，将底层代码封装为功能模块，聚焦于问题定义、数据优化、模型评估与伦理思辨等高阶思维训练【非常重要】。

（三）教材二次开发

依托人教版信息技术选修2《人工智能初步》第三单元“机器学习与深度学习”，打破原有章节顺序，以项目为锚点重组内容：将“神经网络基本结构”前置为微课自学素材；课堂重点攻克“卷积核特征提取”“数据增强对抗过拟合”及“模型部署的软硬件协同约束”。补充自主研发的校本资源——河南某小麦产区历年条锈病、叶锈病、白粉病高清叶片图像数据集（已脱敏），以及基于ESP32-CAM的田间病害预警原型系统代码片段。此设计使教材知识从静态陈述转向动态建构，呼应课标“以项目整合学习内容”要求【基础】。

（四）教学环境与全要素配置

教学在智慧互联教室开展，每小组（4人）配备：教师机分发版联想ThinkStationP620（RTXA5000显卡）、学生终端为预装TensorFlow2.10与OpenCV的云桌面、病害图像采集箱（含补光灯及微距镜头）、树莓派4B及土壤湿度传感器若干。软件层面启用百度AIStudio公共项目空间，师生可通过共享链接秒级同步代码环境。此外，教室内设置“农业数据标注岛”与“边缘推理验证岛”，形成空间区隔以支撑并行任务流。

二、教学目标层级矩阵（按核心素养分解）

（一）知识与技能【基础】

1.能复述卷积神经网络基本组成（输入层、卷积层、池化层、全连接层）并解释卷积核在叶片病斑边缘检测中的作用机理。

2.能使用LabelImg工具对原始叶片图像进行VOC格式标注，并利用图像增强技术（旋转、翻转、亮度调整）扩充小样本数据集。

3.能基于TensorFlow.Keras搭建含2~3个卷积块的简易CNN模型，通过调整学习率、批大小、dropout比率使验证准确率达到85%以上。

4.能将训练后的模型量化为TFLite格式并烧录至树莓派，调用摄像头实现实时画面病斑框选。

（二）过程与方法【非常重要】

5.经历“农业专家访谈—实地采样—数据清洗—模型迭代—田间测试”完整闭环，迁移软件工程中的敏捷开发方法至AI项目。

6.通过对比实验（有无数据增强、不同卷积核尺寸）形成“控制变量—分析曲线—归因改进”的科学探究范式。

7.运用系统思维分析智能病害识别系统的误差来源（光照不均、生育期差异、混合侵染），提出综合技术与非技术手段的优化方案。

（三）情感态度与价值观【热点】

8.体认AI技术降低农业技术推广成本、吸引青年返乡创业的社会价值，增强“把论文写在大地上”的使命感。

9.在数据标注与模型偏见校正环节建立“算法公平性”意识，警惕因训练样本单一导致的品种歧视问题。

10.通过小组攻防赛（对抗样本生成）树立负责任的创新观，理解强人工智能在开放农业环境中的鲁棒性挑战。

三、教学核心落点与分级标记

（一）教学重点【非常重要】【高频考点】

1.卷积神经网络的特征提取机制：特别是低层卷积核响应边缘/纹理、高层卷积核响应病斑形态的层级抽象。

2.防止过拟合的工程策略：早停、Dropout、数据增强及L2正则化的差异化应用场景。

3.从实验室模型到田间部署的精度-速度权衡：模型剪枝与量化感知训练。

（二）教学难点【难点】【创新突破点】

4.卷积层输出特征图的可视化解读：学生难以将抽象的数值张量与“叶片锈斑”“菌丝体”等生物特征建立因果联系。

5.混合病害图像的判别：当同一叶片同时感染锈病与白粉病时，模型输出概率分布的交叠处理。

6.边缘端部署的软硬协同调试：TensorFlowLite算子兼容性问题及摄像头畸变校正的参数整定。

四、教学范式与流程重构

摒弃传统“讲练分离”模式，采用“三阶八环”项目驱动架构：入项活动（2课时）→知识与技能建构（4课时）→探究与形成作品（4课时）→评论与反思（1课时）。全程嵌入数字化工具链，以可视化解构黑箱，以具身化消解难点。

五、教学实施过程（核心篇幅，约5800字）

（一）入项激疑：田野呼唤与算法应答（第1-2课时）

1.情境浸入与问题涌现【重要】

教师播放3分钟微纪录片《1999-2020河南小麦病害损失报告》，镜头中植保站老专家手持放大镜弯腰万顷麦田的画面与当前“每万亩仅配1.5名植保员”的数据形成强烈反差。学生沉默后，教师抛出驱动性问题：“如何让每位农户的手机都住进一位不休息的植保专家？”各小组在墨水屏平板上绘制初步技术路线图。此时不评判方案优劣，而是引导学生将模糊构想转化为可执行子问题：病害长什么样？（数据）机器怎么学会认病？（算法）认出来怎么办？（决策）。【非常重要】【热点】

2.田野调查数据仿真【基础】

由于真实田间采样受季节限制，教师分发封装好的“虚拟田野调查包”：含不同光照、不同生育期（拔节、抽穗、灌浆）的小麦叶片视频流，以及模拟无人机视角的多光谱伪彩图。学生以组为单位，利用OpenCV滑动条调整HSV阈值，初步分割病斑区域，并记录不同病害在颜色、纹理上的视觉差异。此环节刻意不使用深度学习，让学生体会传统图像处理在复杂背景下的脆弱性，从而深度认同深度学习端到端学习的革命性价值。

3.形成项目契约与评价量规

师生共建项目量规：数据维度（标注准确率≥97%）、模型维度（测试集准确率≥85%、单张推理时间≤50ms）、社会维度（成本核算、适老化界面设计）。量规中明确标注【高频考点】“卷积核参数共享”“池化降维”等概念将在答辩环节以随机抽题形式考核。

（二）知识建构：拆解CNN黑箱（第3-4课时）

1.卷积层可视化解谜【难点攻坚】

教师跳过繁琐数学推导，直接运行预训练模型并调用Keras-vis工具包，将第一层卷积核可视化——学生惊异地发现32个3×3小方格分别响应横纹、斑点、放射状线条，恰好对应叶片叶脉、早期褪绿斑、真菌孢子堆的生物特征。教师乘势追问：“假如我们要识别的是蚜虫分泌物霉层（不规则絮状），第二层卷积核应该长成什么样子？”各小组在协同白板上拼贴特征图，抽象出“边缘→纹理→部件→目标”的层级抽象规律。此时植入关键术语“感受野”“权重共享”，学生基于具象感知构建概念模型，无需死记硬背。【非常重要】

2.参数过山车：调参对抗赛【热点】

每小组获得一个故意欠拟合的基线模型（验证准确率仅63%），任务：在10分钟内通过调整三种超参数（卷积核数量、学习率、批标准化位置）使验证损失降至0.4以下。平台实时记录每组调参轨迹并生成对比曲线。第一组盲目堆叠卷积层导致过拟合，验证准确率骤降；第二组大幅提高学习率造成损失爆炸。教师引导复盘：为何增加卷积核数量反而效果变差？进而引出“参数效率”概念——不是越深越好，要匹配数据复杂度。此环节学生自然习得“早停”“学习率衰减”调用方法，且对超敏感参数产生肌肉记忆。【高频考点】

3.数据增强的艺术【基础】

展示原始训练集与测试集的分布偏移问题：训练集多为正午顺光拍摄，而学生自拍测试图多为逆光。教师演示一行代码实现随机亮度、高斯噪声添加，生成9倍虚拟样本。学生实验对比：不做增强组验证准确率81%，增强组88%，且在逆光测试集上优势扩大至12个百分点。此时抛出伦理问题：“如果训练集全部是健康壮苗，模型是否会对弱苗产生识别歧视？”引出训练数据多样性不仅是技术指标，更关乎算法公平性。【重要】

（三）项目攻坚：从像素到决策（第5-7课时）

1.标注马拉松与质量控制【非常重要】

每组分发300张未标注小麦叶片图（含健康、条锈、叶锈、白粉四类），使用LabelImg进行矩形框标注。教师强调“框住典型病斑而非全叶”，并引入双重标注校验机制：每组AB角背对背标注，交集/并集比<0.85则进入仲裁讨论。此过程不仅产生训练数据，更让学生切身体验数据成本之高昂，理解迁移学习、小样本学习的研究价值。标注完成后，部分小组发现叶片重叠、土块误标等问题，主动编写Python脚本清洗边界框。【难点】

2.迁移学习加速【热点】

鉴于课时有限，教师指导各组加载在ImageNet上预训练的MobileNetV2作为特征提取器，冻结前100层，仅训练顶部全连接层。15轮迭代后多数组准确率突破90%。此时教师抛出挑战：“若未来出现新病害变异株，是否每次都要收集上万张图重新训练？”由此引入Few-shotlearning概念及孪生网络的简易原理，供学有余力小组拓展。

3.边缘端部署挑战赛【创新突破点】

模型准确率达标后，任务升级：将模型压缩至5MB以内，移植到树莓派4B实现实时摄像头推理。学生遭遇算子不支持、推理延迟高达800ms等工程障碍。教师提供量化感知训练范例及XNNPACKdelegate加速方案。某小组创新性提出“分时复用策略”：白天仅运行轻量级病害检测模型，夜间利用计算资源回传数据二次训练，赢得最佳工程创新奖。此环节高频出现【高频考点】“模型量化”“推理引擎”“异构计算”。

4.决策支持系统设计【跨学科融合】

单纯检测病害无意义，关键在于防治建议。小组需整合提供的植保知识库（农药配比、安全间隔期、抗药性轮换原则），设计规则引擎：当模型输出“条锈病概率>80%”且未来三天有降雨，则推送“雨前施药+戊唑醇”方案。学生调用API接口获取实时气象数据，将置信度阈值与经济损失阈值（根据产量预估计算）联动，形成“检测-决策-预警”闭环。此处渗透运筹学初级思想。

（四）展示迭代：智慧农业路演（第8课时）

1.攻防对抗：红队测试【非常重要】

每组轮流扮演“红队”，向其他组的模型投送对抗样本：打印高清叶片图片并添加肉眼难以察觉的纹理扰动。部分模型置信度急剧下降，将白粉病误判为健康。被攻击小组需现场分析原因：或是对抗训练缺失，或是特征分布过于集中。教师点评：农业AI系统必须抵御恶意攻击，但更要防范自然界的“非恶意对抗”——露水反光、昆虫爬过叶片等。这为学生打开了鲁棒性研究的一扇窗。【难点】【热点】

2.社会接受度仿真听证会

各小组扮演不同利益相关方：种粮大户、植保站官员、农资经销商、消费者。针对“AI误诊导致减产谁担责”“数据所有权归农户还是科技公司”等议题展开辩论。学生自发引用《个人信息保护法》与《数字乡村发展战略纲要》，在技术报告中增加“隐私计算”“联邦学习”改进方案。思政目标在此达成高潮。

3.迭代承诺与量规终评

依据入项时制定的量规，各组提交最终版技术白皮书（含模型链接、代码仓库、用户界面原型）。教师使用未见过的异地病害数据集（玉米南方锈病）进行压力测试，评估模型泛化能力。表现优异组获得“农业算法工程师”认证勋章。

六、板书与认知锚点设计

（一）概念演化板书（持续生成）

左侧固定区书写卷积神经网络经典结构图，并用磁贴动态展示各层张量尺寸变化；右侧机动区记录各组调参发现的“黄金法则”，例如：“当训练损失远低于验证损失时，立即停止+Dropout”——旁边标注【高频考点】。板书核心始终保留三行：数据决定上限、模型逼近上限、部署锁定实效。

（二）数字孪生板书

借助希沃白板同步生成思维导图，节点可展开为微课视频链接、典型报错截图、优秀小组代码片段。学生可扫码留存，形成个性化知识图谱。

七、教学评价全息画像

（一）过程性数据采集

依托AIStudio平台自动采集每次模型训练的实验元数据：调参次数、最佳精度、训练时长。结合课堂观察量表，从问题界定、方案设计、协作沟通、批判反思四个维度进行五星级评定。其中【非常重要】的评价节点是“数据增强必要性论证”与“误报漏报的工程权衡”。

（二）终结性作品评审

邀请本校生物教师、区农业机械化推广站专家组成跨界评委团。技术指标占60%，包括准确率、推理速度、内存占用；社会价值指标占40%，包括成本效益分析、用户界面友好度、弱势群体可及性。拒绝唯分数论，对精准识别老品种、山地小农场景的方案给予加权分。

（三）反思日志层积分析

学生每课时在云笔记撰写三行代码日志：今天解决了什么bug、发现了什么反直觉现象、新提出了什么问题。结课时提取高频词生成“思维进阶云”，直观呈现概念转变历程。

八、差异化支持与弹性拓展

（一）学习支架分层【基础】

对编程基础薄弱组，提供TensorFlow游乐场拖拽式界面，聚焦超参数影响感知；对学优组开放PyTorch版本任务，要求自行实现自定义卷积核并可视化梯度类激活图。文本