高中信息技术二年级《计算机视觉》教学设计

高中信息技术二年级《计算机视觉》教学设计一、教学依据与内容分析本课选自人教中图版高中信息技术选择性必修《人工智能初步》第三章"人工智能领域应用"第一节"计算机视觉"，是学生从"感知人工智能"走向"理解人工智能"的关键一课。前序章节学生已经学习了人工智能的基本概念、发展历程以及问题求解的基本思想，具备了使用Python进行简单编程的经验，但尚未建立起"机器如何看世界"的完整认知框架。本节课承担着打通"数据—算法—应用"三层逻辑的任务，既是本章后续语音识别、自然语言处理等内容的学法样板，也是学生形成人工智能学科大概念的重要支点。依据课程标准对"人工智能初步"模块的要求，学生应通过剖析典型应用案例，了解智能信息处理的巨大进步和应用潜力，认识人工智能对人类生活的深远影响。计算机视觉恰是最利于开展体验式、探究式教学的领域：人脸识别闸机、拍照搜题、自动驾驶感知系统、医学影像辅助诊断，这些应用学生天天接触却从未追问其背后的机理。把"熟悉的陌生"转化为探究的内驱力，是本设计的出发点。使用对象为高二年级学生。他们思维活跃，具备一定的信息检索与协作能力，但对抽象算法存在畏难情绪，容易把"人工智能"神秘化或简单等同于"机器人"。教学策略上采取"体验先行、原理分层、任务驱动、伦理收尾"的路线，先做后学，由表及里，避免一上来就灌输像素矩阵与卷积运算。二、教学目标信息意识目标：学生能够主动列举生活中不少于五个计算机视觉应用场景，并能初步判断一个视觉任务属于图像分类、目标检测、图像分割还是人脸识别中的哪一类。计算思维目标：学生能够描述"图像数字化—特征提取—分类决策"的计算机视觉基本流程，理解像素、灰度值、特征向量等核心概念的含义；能够借助教师提供的学习支架，用自然语言和流程图表达"机器识图"的逻辑链条。数字化学习与创新目标：学生能够使用在线人工智能开放平台或Python调用现成接口，完成一次图像分类与一次人脸特征点检测的实验，并对识别结果进行正确率统计与误差归因分析。信息社会责任目标：学生能够围绕人脸识别应用中的隐私、偏见与安全问题展开有理有据的讨论，形成"技术能力越大、伦理责任越大"的价值判断，并能在小组辩论中提出规范应用的具体建议。三、教学重点与难点教学重点在于计算机视觉的基本工作流程，即图像采集、预处理、特征提取、分类识别四个环节，以及各环节之间的数据形态变化。学生只有看清"一张图片如何一步步变成机器可以判断的数字"，才算真正入了门。教学难点有二。其一是理解"特征"这一抽象概念——机器看到的不是猫，而是一组描述边缘、纹理、颜色的数值，这需要教师搭建恰当的类比阶梯。其二是理解传统人工设计特征与深度学习自动学习特征的区别，此处不必展开卷积网络的数学细节，但要让学生建立"数据量与算法能力相互成就"的整体认识。突破策略：难点一借助"像素放大镜"可视化工具和手填灰度矩阵的纸笔活动化解；难点二通过"老师和阿尔法狗谁学得快"的对比实验数据说理，让学生在多轮识别准确率的对比中自己得出感悟。四、教学准备硬件环境：可上网的计算机教室，每人一机；教师机连接大屏与实物展台。软件资源：Python3环境及OpenCV、requests库；国内主流人工智能开放平台的体验账号若干（教师预先申请并测试接口额度）；离线备用数据集（猫狗图片各50张、校园场景图片20张，预防网络故障）。学习支架：分层任务单三份（基础任务必做、进阶任务选做、挑战任务供学有余力者探究）；"计算机视觉应用寻访单"一份（课前发放）；小组评价量表。五、教学过程本课安排两课时连排，共90分钟。第一课时侧重体验与原理建构，第二课时侧重实验探究与伦理思辨。环节一：情境导入——机器认出了谁（8分钟）上课铃响，教师不打招呼，直接面向教室门口的摄像头挥挥手。大屏实时显示画面：教师的脸被方框锁定，标注出"情绪：平静""年龄估计：41岁"，随后考勤系统自动在花名册上为到场学生打勾。教室里立刻热闹起来。教师抛出问题串：刚才这台机器做了哪几件事？它是怎么"知道"屏幕里那个方框中是一张脸的？它把你的脸和库里的照片对上号，又经历了哪些步骤？学生自由发言，答案多半停留在"它扫描了一下""它和照片对比"的模糊水平。教师不急于纠正，板书学生的关键词，随后引出课题：这些问题的答案，就是今天要研究的计算机视觉。教师给出一句工作定义：计算机视觉，就是让机器具备从图像或视频中获取信息、理解内容并作出判断的能力。它要模拟的不只是眼睛，更是眼睛背后的那部分大脑。设计意图：用发生在学生自己身上的真实事件开场，制造认知冲突——每天都在被机器"看"，却说不出机器怎么"看"。问题串预留悬念，整节课将逐一回收。环节二：活动体验——计算机视觉任务大观园（12分钟）学生两人一组，结合课前完成的"应用寻访单"，轮流在大屏的体验平台上操作四类应用：给一张风景照自动分类（图像分类）；让系统在街景图中框出所有行人和车辆（目标检测）；给自拍照片换背景（图像分割）；比对两张照片是否为同一人（人脸验证）。每体验一项，小组便在任务单上记录：输入是什么、输出是什么、猜一猜中间发生了什么。教师巡视，捕捉典型回答。体验结束后组织"一句话发布会"，各组用一句话介绍自己体验的任务。教师在黑板右侧绘制四象限图，将学生的回答归类，顺势给出计算机视觉四类基本任务的名称与区别：分类回答"这是什么"，检测回答"在哪里、有几个"，分割回答"每一个像素属于谁"，识别回答"这是谁"。归纳之后教师点拨：四类任务虽然输出不同，但背后的处理流程高度相似。接下来就把这条流程一层层剥开。设计意图：先丰富感性经验再抽象结构，符合从特殊到一般的认识规律。四象限归类活动本身是计算思维中"抽象与分类"的训练。环节三：原理探究一——机器眼中的图像是一堆数（15分钟）教师在大屏打开"像素放大镜"：一张笑脸照片被逐级放大，最终呈现为一个个色块方格。教师提问：放大到极限，图像还剩下什么？学生答"格子""马赛克"。教师明确：每一个格子就是一个像素，是图像的最小单位。对计算机而言，一张图像就是一个由数字排成的表。分发纸笔探究材料：一张8行8列的黑白图案（一个字母"C"），以及一张空白灰度矩阵表。任务是用0表示黑、255表示白、中间值表示不同程度的灰，把图案"翻译"成数字矩阵。学生动手填表，同桌互查。完成后教师提问：如果我现在只给你这张数字表，不给你看原图，你能不能从数字里"看"出图案大致的轮廓？学生发现可以——数字小的区域连成一片，恰好勾勒出字母的形状。教师追问：既然图像就是数字，那么"比较两张照片像不像""找出一行数字里哪里突然变暗"是不是都可以变成数学问题？学生认同。教师板书第一个结论：图像数字化的本质是矩阵化，视觉问题由此转化为数值计算问题。随后教师用灰度直方图演示明暗、对比度调整，学生观察数字分布的变化，初步感受"预处理"的意义：拍照时光线不好，先调整再识别，准确率会更高。设计意图：手填矩阵是本课最具学科味的活动，8×8的规模保证了可操作性。学生在亲手编码中完成"图即数"的观念转变，这是理解后续一切环节的基石。环节四：原理探究二——特征，机器的"识别暗号"（12分钟）教师出示三张图片：圆的太阳、圆的井盖、圆的饼干。提问：对于"找圆形"这个任务，机器该盯住什么？引导学生说出"边缘"。教师演示经典边缘检测效果：一张校园照片经处理后只剩线条轮廓，学生直观看到"边缘就是像素值突变的地方"。教师给出类比：班里新转来一位同学，你第二天认出他，靠的不是把整张脸重新拍照存储，而是记住了几个关键特征——发型、眼镜、走路姿态。机器也一样，特征就是对识别有用的那些可计算的线索：边缘、角点、纹理、颜色分布。小组讨论任务：假如要为学校图书馆设计"图书封面识别"系统，你会提取哪些特征？各组列举后全班汇总：书脊文字区域、封面主色调、长宽比例等。教师点评并指出人工挑选特征的局限——换一个场景就要重新设计，费时费力，还常常想不全。由此引出第二次认知跃升：深度学习让机器自己从海量图片中归纳特征。教师展示对比数据：传统方法在某公开图像识别评测中的错误率约为百分之二十六，深度学习方法将其降到百分之四以下，已经超过普通人在同类任务上的表现。教师强调：这一跃升靠的是三层合力——海量标注数据、强大算力、网络结构创新，缺一不可。卷积神经网络分层提取特征的过程，可以粗略理解为"第一层认线条、中间层认局部形状、高层认整体对象"，越往深处看的东西越抽象。设计意图：类比负责把"特征"讲活，对比数据负责把"为何需要深度学习"讲透。不触碰卷积的数学细节，但保留了分层抽象的正确图景，为学有余力者课后深入留下接口。环节五：梳理建模——画一条完整的流水线（8分钟）第一课时临近尾声，师生共同在前述各环节的基础上绘制计算机视觉通用流程图：图像采集—预处理—特征提取—分类决策—输出结果。教师组织"流程连连看"快答：灰度化属于哪个环节？边缘检测属于哪个环节？给出"是猫"的结论属于哪个环节？学生抢答，教师即时纠偏。回到开课时的三个问题，学生现在能够用流程语言重新回答：闸机先检测画面中是否有人脸，再定位关键点，提取特征向量，最后与数据库比对作出身份判定。教师明确：学会用流程拆解一个陌生的人工智能应用，是本节课要带走的通用方法，后两节学习语音与文本处理时还会用到它。设计意图：首尾呼应，完成知识结构化。流程图是计算思维的可视化载体，也是下一课时实验的操作手册。第一课时至此结束，中间休息十分钟。环节六：实验探究——亲手让机器看图（22分钟）学生按四人小组上机，登录任务单指定的实验环境，完成三项分层任务。基础任务（必做）：调用平台图像分类接口，依次上传教师准备的10张图片，记录返回的类别标签与置信度，统计正确率。教师提醒学生把图片和结果整理成表，为下一步归因做准备。进阶任务（选做大部分小组应完成）：运行教师提供的Python脚本完成人脸特征点检测，观察60余个特征点在面部的分布；修改代码中的置信度阈值，观察漏检与误检数量的变化，在表格中记录三组数据。教师提出引导问题：阈值调高，系统变得更"谨慎"还是更"大胆"？代价是什么？挑战任务（供学有余力者）：读取本地摄像头画面，实时统计画面中的人数；或者尝试用平台接口识别同一只猫在强光、弱光、遮挡三种条件下的照片，比较置信度差异，写出条件与结果的对应关系。教师巡回指导，重点关注两类常见困难：一是接口密钥、上传格式等工程性问题，提供排错清单让学生自查而非直接代劳；二是部分小组面对错误识别结果时简单归结为"机器笨"，教师引导其回到流程图追问：问题出在采集环节、预处理环节，还是训练数据本身的覆盖不足？实验尾声，各组在共享文档中汇总全班识别结果。全班数据揭示出规律：光线均匀、主体清晰、训练类别常见的图片正确率极高；逆光、遮挡、罕见品种的错误率明显上升。学生自主得出结论：机器的"视力"取决于它"见过"什么数据，数据偏差会直接变成识别偏差。这一发现为下一环节的伦理讨论埋下伏笔。设计意图：实验必须产生真实数据，错误识别不是失败而是最有价值的教学资源。分层任务保证人人有事做、强者有深度可挖；排错清单培养学生的问题定位能力而非依赖教师。环节七：思辨讨论——能做的事该不该做（12分钟）教师呈现两个情境。情境一：某小区引入人脸识别门禁，方便老人小孩免带卡，但物业同时保存了所有住户的面部数据，引发部分业主反对。情境二：某款招聘筛选系统被发现对特定人群的简历照片评分系统性偏低，原因是训练数据中该人群样本长期不足。小组领取辩论角色（住户代表、物业代表、技术公司代表、法律与伦理观察员），围绕"便利与隐私的边界在哪里""技术出错时责任由谁承担""应不应给人脸识别立法设限"三个问题准备三分钟、陈述两分钟。辩论中教师只做主持人，不表态。辩论结束后教师收束，落点在三条共识上：其一，面部信息属于敏感的生物特征数据，采集必须告知并获得同意，存储须有期限与安保措施，滥用要担责，这已有明确法律规范；其二，算法偏见源于数据偏见，技术设计者有义务审视训练数据的代表性；其三，作为未来的技术使用者乃至创造者，同学们面对"能不能做"之外，必须多问一句"该不该做、怎么做才稳妥"。设计意图：信息社会责任不能靠灌输，要靠结构性冲突中的权衡与表达。角色扮演迫使学生跳出单一立场，法律与伦理的双线收束确保讨论不流于空谈。环节八：总结提升与作业布置（6分钟）学生独立完成"一分钟小结"，在便签上写下：今天弄懂的一个概念、仍存疑的一个问题、印象深的一次发现。教师随机抽取几张朗读并回应，随后用自己的话作结构收束：计算机视觉的旅程，是图像变成数字、数字提炼成特征、特征支撑判断的过程；是让机器部分地复制人类视觉系统的工作；它的能力边界由数据与算法共同划定，它的应用边界由法律与伦理共同守护。课后作业分两类。实践类：用任意一款手机应用录制一次"植物识别"或"手写文字识别"的操作过程，结合流程图分析各环节可能发生了什么，写成三百字左右的技术解读。拓展类：查阅资料了解计算机视觉在医疗影像或自动驾驶中的一个真实应用案例，下节课用两分钟向全班分享，并指出其中一个仍待攻克的技术难题。六、板书设计黑板分为三区。左区为课题与核心定义：计算机视觉——让机器看懂图像与视频。中区为主干流程图：图像采集→预处理→特征提取→分类决策，下方标注对应关键词（像素矩阵、灰度与增强、边缘纹理颜色或深度网络、概率与阈值）。右区留作动态生成区，记录学生列举的四类任务、实验数据规律与辩论共识，体现课堂生成的痕迹。七、教学评价设计过程性评价依托小组实验记录单与辩论表现量表展开，维度包括数据记录的完整性、错误归因的合理性、观点表达的逻辑性，由教师评价与组间互评共同构成。结果性评价以课后技术解读短文为载据，重点考查学生能否用本课流程正确拆解一个陌生应