高中一年级信息技术人工智能图像特征提取教学设计

高中一年级信息技术人工智能图像特征提取教学设计一、教学设计的整体定位本课选自粤教版（2019）高中信息技术必修1《数据与计算》第六章第二节，主题为人工智能的应用中的图像特征提取。本课面向高一年级学生开设，是学生完成数字化学习与计算思维初步建构之后，第一次系统接触人工智能底层原理的关键一课。图像特征提取作为机器视觉的起点，承载着从感性认知走向理性建模的桥梁作用。本课不以训练模型为目标，而是以理解特征二字为核心，让学生在动手操作中明白计算机如何看懂一张图片。本教学设计以真实问题情境为驱动，以数字化工具为支撑，以小组协作探究为组织形式，力图实现知识传授、能力培养与价值引领的统一。全课围绕一条主线展开：人眼如何识别图像，计算机如何识别图像，两者之间有何异同。二、学情分析高一学生经过前面章节的学习，已经掌握了数据的表示方式，理解二进制编码的基本思想，能够使用Python完成简单的程序编写，具备一定的抽象思维基础。在日常生活中，学生频繁接触人脸解锁、扫码支付、拍照搜题等应用，对人工智能有浓厚的兴趣和丰富的感性体验，但绝大多数学生停留在使用者的层面，对其背后的原理缺乏认知，甚至存在计算机像人一样思考的误区。学生可能形成的前概念包括三个方面。一是认为计算机识别图像靠的是把整张图片存下来比对；二是认为特征就是图片的颜色或形状这类直观属性；三是对像素、灰度、矩阵等概念感到抽象难懂。本课的设计正是要利用学生的兴趣点切入，通过可观察、可操作的实验活动，逐步纠正迷思概念，建立数据、特征、识别三者之间的逻辑链条。此外，班级内学生编程水平存在差异，因此本课的代码环节采用半成品程序填空与参数调试相结合的方式，降低门槛的同时保留思维含量，确保每名学生都能获得成功的操作体验。三、教学目标信息意识方面，学生能够觉察图像在计算机中以数字矩阵形式存在的本质，理解日常生活中人脸识别、图像搜索等应用背后的数据基础，形成对数据价值的敏感性。计算思维方面，学生能够说出图像数字化的基本过程，理解像素、灰度值与图像矩阵的对应关系，能够用自己的语言解释边缘、角点等图像特征的含义，初步体会用数学方式刻画图像的计算思想。数字化学习与创新方面，学生能够借助教学平台提供的Python程序，完成图像灰度化、边缘提取等实验操作，学会通过调整参数观察结果变化，养成用实验验证猜想的学习习惯。信息社会责任方面，学生能够结合人脸识别被滥用、图像特征泄露等社会案例，讨论图像特征数据的敏感性，认识到技术应用必须受到伦理与法律的约束，形成负责任地使用技术的态度。四、教学重难点教学重点为图像特征的概念及其在图像识别中的作用，以及图像在计算机中的数字化表示方式。理解图像是特征的载体，识别是对特征的比较，是本课必须打通的核心通路。教学难点为图像特征提取的抽象过程，即学生能否接受计算机不看内容、只算数值这一反直觉的观点。突破策略是采用人眼识别与机器识别的双线索对照教学，借助可视化工具让矩阵和边缘检测的结果直观呈现，化抽象为可见。五、教学准备与资源硬件环境为配备计算机的多媒体网络教室，保证每名学生一台设备，师生机互联，支持广播教学与屏幕监控。软件资源包括：预装Python环境及OpenCV、NumPy、matplotlib库的机房镜像；教师自制的教学课件；教学平台中预置的四个半成品实验程序；学生用图像素材包，内含人脸照片、手写数字照片、风景照片若干，以及故意准备的模糊、遮挡、侧脸等干扰样本。纸质资源包括学习任务单与小组评价量表各一份，任务单列明实验步骤、记录表格与思考问题，量表用于课末的小组互评。六、教学方法与策略本课综合运用情境教学法、实验探究法与小组协作学习法。以校园人脸识别闸机无法识别戴口罩的同学这一真实事件导入，制造认知冲突；以四个层层递进的数字化实验贯穿课堂，让学生在操作中建构概念；以人机识别的对比讨论作结，回扣主线。教学中坚持教师少讲、学生多做，把概念得出的时机留给实验之后，把话语时间留给小组讨论。七、教学过程（一）情境导入：闸机遇到了什么麻烦上课伊始，教师播放一段三十秒的校园实拍视频：一名学生佩戴口罩走向人脸识别闸机，闸机连续两次提示识别失败，学生摘下口罩后顺利通过。视频结束，教师抛出问题：闸机认识我们班的同学，却认不出戴上口罩的他，它到底在看什么。学生自由发言，答案五花八门，有说看脸的，有说看眼睛的，有说联网对比照片的。教师不急于评判，顺势追问：如果它是在对比照片，为什么换了发型还能认出来；如果不是对比照片，它比较的又是什么。教室里出现短暂的沉默，这正是教师期待的认知冲突时刻。教师小结并板书课题：计算机识图靠的不是整张照片，而是照片中提取出来的特征。今天我们就化身人工智能工程师，亲手揭开图像特征提取的面纱。此环节用时五分钟，导入问题真实可感，主线问题自然生成。（二）概念奠基：图像在计算机眼中的模样教师活动：广播展示一张八像素宽、八像素高的极简笑脸图片，先放大到全屏，学生看到的是清晰的表情；再切换到对应的数字矩阵视图，学生看到的是一片数字。教师提问：这张图片在计算机硬盘里，究竟是图还是数。学生活动：学生观察对比，尝试回答。教师引导学生读出矩阵中数值的规律，深色区域数值小，浅色区域数值大。师生共同归纳：图像在计算机中以像素为基本单位，每个像素对应一个或一组数值，灰度图像就是一个二维数字矩阵，数值范围通常为0到255，0表示纯黑，255表示纯白。彩色图像可理解为三个这样的矩阵分别记录红、绿、蓝分量。教师用一句话点题：计算机眼中的世界，是一张写满数字的表格。紧接着安排一个两分钟的小练习：给出四个数字，请学生在方格纸上涂出对应的灰度块，拼出一个箭头图案。学生动手涂色后恍然大悟，自己刚刚扮演了一次显示器。这一具身体验让图像数字化的概念落地，化解了抽象感。此环节用时约八分钟。（三）实验探究一：亲手取出灰度矩阵教师布置任务一：运行教学平台上的实验程序一，将自己素材包中的彩色照片读入，完成彩色转灰度的操作，并输出图像矩阵的左上角八行八列的数字，观察人脸眼睛所在区域与背景区域数值的差异。学生操作，教师巡视。程序中关键的灰度转换语句被设计为填空形式，学生需要在提示下补全权重参数，教师提示权重的意义在于模拟人眼对绿色最敏感的生理特点。基础较弱的学生可直接使用默认值跑通程序，能力较强的学生被鼓励修改权重观察画面变化。小组记录实验结果，并回答任务单上的问题：矩阵中数值剧烈变化的位置，对应图像中的什么部位。多数小组能够答出：数值突变的地方往往是轮廓和边缘。教师抓住这一生成性答案，自然引出下一环节：计算机要找的第一个特征，就是边缘。此环节用时约十分钟。（四）实验探究二：让边缘自己浮出来教师布置任务二：运行实验程序二，调用边缘提取功能处理同一张照片，观察生成的新图像，并尝试用一句话描述这张新图像与原图的关系。学生运行程序，屏幕上原图的细节纷纷隐去，只剩下清晰的轮廓线条。学生惊叹之余，教师引导对比思考：新图像丢掉了颜色和明暗，却保留了形状，这说明了什么。小组讨论后汇报，教师修正并提升：边缘是灰度发生剧烈变化的位置，是图像最稳定的特征之一。计算机通过计算相邻像素数值的差异来寻找边缘，差异越大，越可能是轮廓所在。教师用板书直观表示这一过程：边缘等于灰度变化剧烈的位置。学生理解了特征提取的本质是一种计算，而不是一种观看。教师进一步追问：为什么戴口罩会导致闸机识别失败。学生此刻已能主动给出解释：口罩遮挡了鼻子和嘴部区域的边缘信息，闸机可提取的特征大幅减少，比对就无法完成。导入环节的悬念在此闭环，学生体验到运用新知解释真实问题的成就感。此环节用时约十二分钟。（五）实验探究三：从特征到识别的一小步教师布置任务三：小组合作完成一次迷你识别实验。素材包中提供三张手写数字照片，其中两张是数字7的不同写法，一张是数字1。各组运行实验程序三，分别提取三张图的边缘特征并计算两两之间的特征差异值，依据差异值预测哪两张图是同一个数字，再与肉眼判断对照。学生兴致勃勃地投入实验，教师巡视中重点关注数据解读是否正确。实验结果大体符合预期，但有个别小组发现某张书写潦草的7被判得更像1。教师把握这一绝佳契机，组织全班讨论：机器认错了，是机器笨，还是我们给它的特征不够好。学生各抒己见，逐渐达成共识：特征选得好，识别才准确；单一特征容易受骗，真实系统会综合大量特征共同判断。教师补充介绍：现代人工智能通过深度学习自动从海量图像中逐层提炼特征，从边缘到纹理，从局部器官到整体结构，层层抽象，这正是卷积神经网络的基本思想。学生不要求掌握网络结构，但要理解特征提取是一切图像智能的根基。此环节用时约十分钟。（六）伦理思辩：特征背后的责任教师展示两则材料：一则是某商场因违规采集人脸信息被处罚的新闻，另一则是利用人工智能技术修复模糊老照片帮助寻亲家庭的温暖案例。提出问题：同样是提取人脸特征，为什么评价截然相反。学生以小组为单位讨论两分钟，随后开放发言。教师引导学生超越简单的对错判断，提炼出共识：图像特征是能够指向具体个人的敏感数据，技术的善恶取决于使用者的目的、是否征得同意以及数据是否被妥善保护。学生在讨论中自发提到个人信息保护法，教师予以肯定并强调：掌握技术的人，更要做技术的主人，而不是技术的搬运工。此环节用时约五分钟。（七）课堂小结与延伸师生共同完成板书主线的回顾：图像是数字矩阵，特征是计算得出的关键信息，边缘是最基本的图像特征，识别是对特征的比较与匹配。教师请三名学生用一句话分别概括今天的收获，学生表达准确生动，说明概念建构真正发生。布置分层课后任务。基础任务为完成任务单上的自测题；进阶任务为用手机拍摄同一物体在不同光照下的照片，观察灰度矩阵的变化，记录光照对特征提取的影响；挑战任务为查阅资料，了解卷积操作如何用一个小矩阵扫描整张图像，下节课用三分钟向同学分享。八、板书设计主板书以思维导图形式呈现：中心词为图像特征提取，向左延伸出图像的数字本质，标注像素、灰度与矩阵三个关键词；向右延伸出特征的提取与使用，标注边缘、灰度变化、特征比较、识别结果四个环节；下方以红色粉笔书写一条价值主线：数据有边界，技术有温度。整节课的知识结构与育人立意在板书中一目了然。九、教学评价设计本课采用过程性评价与表现性评价相结合的方式。过程性评价依托任务单，关注学生在三个实验中的操作规范性、数据记录的完整性与结论表达的准确性，教师巡视时即时打分并口头反馈。表现性评价在小组汇报环节实施，从观点的科学性、表达的逻辑性、合作的贡献度三个维度由小组互评与教师点评共同完成。课后延伸任务纳入单元学习档案袋，作为后续项目式学习的预备材料。评价的目的不在于甄别，而在于让每名学生看清自己从操作者走向理解者的成长轨迹。十