《信息技术与人工智能（活页式）第2版》教案全套 许爱军 模块1-8 人工智能基础知识 - 初识大语言模型

教案首页授课顺序号：1授课任务模块一人工智能基础知识所需学时2学时教学方式任务驱动教学、案例教学、实操实训、小组协作本次授课的教学目标：（一）知识目标（1）理解人工智能的起源（1956年达特茅斯会议）、定义和基本概念；（2）掌握人工智能发展历程的6个阶段（起步期、启动期、消沉期、突破期、寒冬期、发展期）及关键事件；（3）掌握人工智能四大主要研究内容：机器学习、计算机视觉、深度学习、强化学习；（4）了解全球及中国人工智能行业发展现状（市场规模、国家政策支持）；（5）了解人工智能在智慧城市、金融、零售、制造业、医疗等行业的具体应用。（二）技能目标（1）能列举人工智能在身边的典型应用场景；（2）能区分机器学习、深度学习、强化学习、计算机视觉等不同研究领域；（3）能描述人工智能发展历程中的关键历史事件和时间节点；（4）能分析人工智能在铁路系统信息化改造与升级中的具体应用价值；（5）能使用商汤教学实践平台体验人脸检测、图像识别、水果识别等基础AI功能。（三）素养目标（1）建立对人工智能技术的正确认知，理解AI发展的曲折历程；（2）培养对人工智能技术的学习兴趣和探索精神；（3）强化科技报国的爱国主义情怀，了解我国AI产业发展的成就；（4）形成将AI技术与行业应用结合的系统思维能力。教学方法与手段：1.教学方法：讲授法、演示法、案例分析法、小组讨论法、实操体验法；2.教学手段：多媒体课件、AI应用演示视频、商汤教学实践平台、超星学习平台；3.辅助资源：《信息技术与人工智能（第2版）》教材、人工智能发展历程思维导图、行业应用案例集。复习旧课要点：无（本课程首次授课）。导入新课：通过播放融合了人脸识别、智能推荐、语音助手、自动驾驶等AI应用场景的短视频，引出"人工智能"这一主题，让学生对AI产生直观感受，为后续模块学习奠定基础。新课难点、重点与解决措施：新课重点1.人工智能的起源、定义和基本概念；2.人工智能发展历程6个阶段及关键事件；3.机器学习、计算机视觉、深度学习、强化学习四大研究内容；4.人工智能行业应用场景。新课难点1.机器学习与深度学习的区别与联系；2.强化学习的原理及案例理解；3.人工智能发展各时期的特征与转折点。解决措施1.通过历史时间线图谱帮助学生直观理解发展历程；2.结合教材中的小江学天气案例（机器学习）、猫识别案例（深度学习）、宠物训练案例（强化学习），化抽象为具体；3.发放行业应用案例表，组织学生分组讨论分析。课外作业（或复习题）：1.基础复习：对照教材复习人工智能的起源、定义和发展历程；2.思考题：（1）简述什么是人工智能；（2）简述中国人工智能市场发展现状；（3）说一说在你的生活中，哪些方面受到人工智能影响发生了改变；3.线上任务：完成超星平台课程任务点；4.完成学习成果自查表。本课小节或改进措施：1.课堂小结：梳理人工智能的起源、定义、发展历程（6个阶段）、四大主要研究内容、行业发展现状和行业应用，强调重点掌握内容；2.改进措施：课后开放机房供学生自由体验AI应用；下次课程为计算机视觉技术模块，需提前预习。

教案正文一、课程导入+知识总述1.学情导入人工智能是新一轮科技革命和产业变革的核心驱动力，正与工业、商业、金融业等行业全面融合。2016年，从AlphaGo打败人类围棋冠军开始，人工智能开始步入公众视野，逐渐走进我们的生活。播放一段融合了人脸识别、智能推荐、语音助手、自动驾驶等AI应用场景的短视频，提问学生："你们在生活中遇到过哪些人工智能应用？"引导学生结合自身经历分享身边的AI应用，如抖音推荐、人脸解锁、智能客服等，激发学生学习兴趣。2.课程背景引入以某铁路系统决定进行信息化改造及升级的项目为背景，说明为了抓住人工智能发展的机遇，提升铁路系统的运营效率、服务质量和安全性，需要深入了解人工智能的基本概念、起源、定义、研究内容、发展现状及其在各行业的具体应用场景和功能。3.知识框架展示投屏本模块知识框架：人工智能的起源→人工智能的定义→人工智能发展历程（6个阶段）→主要研究内容→行业发展现状→行业应用→实操体验，明确本节课的学习路径。4.课堂实训目标本节课完成人工智能基础知识体系学习、发展历程梳理、四大研究内容讲解、行业应用分析以及AI实操体验，为后续计算机视觉、自然语言处理、大语言模型等模块学习奠定基础。二、分知识点精讲+实操复盘第一部分：人工智能的起源与定义1.核心知识点梳理（围绕任务目标讲解）（1）人工智能的起源：1956年8月31日，约翰·麦卡锡（JohnMcCarthy）、马文·李·明斯基（MarvinLeeMinsky）等科学家在美国达特茅斯学院开会研讨"如何用机器模拟人类智能"，首次提出"人工智能"这一概念，从此诞生了人工智能学科。（2）人工智能的定义：人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能通过计算机来模拟人类大脑的思维方式，从而做出相应的判断和动作。（3）通俗理解：人工智能就是机器模拟人类的听、说、看、触觉、行走等功能。机器能"看"（图像识别、文字识别、车牌识别）、能"说"（语音合成、人机对话）、能"动"（机器人、自动驾驶、无人机）、能"思考"（人机对弈、定理证明、医疗诊断）。（4）易错点：人工智能不等于机器人；人工智能不是简单地执行程序，而是能够学习和推理。2.案例演示展示教材中"人工智能是什么"的图示，帮助学生直观理解AI模拟人类感官、语言、行动和思维的能力。3.随堂练习提问学生：你能举出一个人工智能在生活中的应用案例，并说明它模拟了人类的哪种能力？第二部分：人工智能发展历程1.核心知识点梳理（围绕任务目标讲解）（1）起步期（20世纪40-50年代）：1950年，图灵发表论文《计算机器和智能》；1954年，乔治·戴沃尔设计世界上第一台可编程工业机器人Unimate。（2）启动期（20世纪50-70年代）：1956年达特茅斯会议提出AI概念；1966-1972年研制出世界第一台AI移动机器人Shakey；1966年魏泽鲍姆发布第一个聊天机器人Eliza。（3）消沉期（20世纪70-80年代）：计算机有限的内存和处理速度不足以解决实际问题，接二连三的失败使AI发展走入低谷。（4）突破期（1980-1986年）：日本启动"第五代计算机技术开发计划"；1984年道格拉斯·莱纳特启动Cyc项目；1986年查尔斯·赫尔制造出第一台3D打印机SLA-1。（5）寒冬期（1987-1993年）：人们开始对AI产生信任危机，资金投入面临枯竭，发展陷入数年低谷。（6）发展期（1993年至今）：1997年深蓝战胜国际象棋世界冠军；2012年虚拟大脑Spaun；2014年聊天程序尤金·古斯特曼首次通过图灵测试；2016年AlphaGo战胜围棋世界冠军。2.实操/讨论复盘组织学生分组讨论，每组选择一个发展阶段，讨论该阶段的关键技术和代表性成果，并派代表发言。教师进行总结点评。3.高频错误纠错错题1：混淆人工智能发展阶段的顺序和时间节点；错题2：不知道达特茅斯会议的历史意义；错题3：将AlphaGo、深蓝等历史事件的时间搞混。第三部分：人工智能的主要研究内容1.核心知识点梳理（围绕任务目标讲解）（1）机器学习：机器学习是研究计算机模拟人类学习行为，以获取新知识或技能的科学。通过小江学天气案例讲解机器学习的完整流程：数据收集→特征选择→模型训练→模型评估→预测与决策。（2）计算机视觉：让计算机具有人类视觉能力，实现对周围世界的识别和理解。通过猫识别案例讲解深度学习流程：数据收集→数据预处理→特征提取（CNN）→模型训练→评估优化→测试→部署应用。（3）深度学习：机器学习的一个子领域，利用神经网络技术模拟人脑学习过程。通过"识别图片中是否有猫"的具体7步流程讲解深度学习的应用。（4）强化学习：智能体在与环境交互过程中通过学习策略以达成回报最大化。通过训练宠物狗做动作的案例讲解强化学习的基本原理。2.对比表格展示研究领域核心思想典型应用机器学习从数据中自动学习规律天气预测、推荐系统计算机视觉让机器"看见"并理解世界人脸识别、图像识别深度学习用神经网络模拟人脑学习图像识别、语音识别强化学习在与环境交互中学习策略游戏AI、自动驾驶3.高频错误纠错错题1：将深度学习等同于机器学习，不清楚两者是包含关系；错题2：将计算机视觉与深度学习混为一谈；错题3：不理解强化学习与监督学习/无监督学习的区别。第四部分：人工智能行业发展现状1.核心知识点梳理（围绕任务目标讲解）（1）全球发展现状：自2006年以来，AI识别准确性大幅提升，中国、美国、英国、德国、日本等国家先后出台AI相关支持政策及国家战略规划（如中国《中国制造2025》、美国政府2013年RobotPlan和BRAINPlan等）。（2）中国发展现状：我国AI产业加速发展，从基础支撑、核心技术到行业应用的产业链条基本形成。2019年中国AI产业规模达44.80亿美元，2023年中国AI市场规模达174.68亿美元，年复合增长率达40.52%。（3）行业应用：金融（风险评估、欺诈检测、客户服务）、零售（智能推荐、库存管理）、制造业（自动化生产、质量控制）、医疗（疾病诊断、药物研发）。2.讨论复盘结合铁路系统信息化改造升级的场景，组织学生讨论：人工智能在智慧车站、智能售货、客流分析等铁路场景中的具体应用。三、实操体验：AI应用初体验1.实操任务（1）使用商汤教学实践平台（43/），体验人脸检测、图像识别、水果识别等基础AI功能；（2）完成平台操作，感受AI技术的魅力；（3）完成体验报告，记录操作过程和结果。2.教师指导教师巡回指导，解答学生在操作过程中遇到的问题，引导学生思考这些AI应用背后的技术原理。3.展示分享选取部分学生的体验成果进行展示和分享，讨论不同AI应用的技术特点。四、高频错题集中讲评汇总本模块高频考试错题，完整演示修正流程：（1）混淆人工智能发展各阶段的关键事件和时间；（2）不理解人工智能的定义，将AI等同于高级编程；（3）不清楚机器学习、深度学习、强化学习三者的关系；（4）不知道中国AI市场的具体数据（2019年44.80亿美元、2023年174.68亿美元）；（5）不能举例说明AI在各行业的具体应用。五、课堂小结+课后自主复习安排1.课堂小结依次回顾本节课核心知识点：（1）人工智能的起源：1956年达特茅斯会议，麦卡锡首次提出AI概念；（2）人工智能的定义：模拟、延伸和扩展人的智能的技术科学；（3）发展历程6阶段：起步期→启动期→消沉期→突破期→寒冬期→发展期；（4）四大研究内容：机器学习、计算机视觉、深度学习、强化学习；（5）行业发展现状：中国AI市场规模快速增长，行业应用日益广泛。2.课后复习安排（1）完成超星平台课程任务点；（2）完成课后思考题；（3）简述什么是人工智能；（4）简述中国人工智能市场发展现状；（5）说一说你的生活中哪些方面受到人工智能影响发生了改变；（3）完成学习成果自查表；（4）预习下一节"计算机视觉技术"模块内容。教案首页授课顺序号：2授课任务模块二计算机视觉技术所需学时2学时教学方式任务驱动教学、案例教学、实操实训、小组协作本次授课的教学目标：（一）知识目标（1）理解计算机视觉（ComputerVision，CV）的概念及其在人工智能领域中的地位；（2）掌握计算机视觉的常见任务（分类、分割、检测、跟踪）及其区别；（3）理解计算机视觉的四大理论基础：图像处理、机器学习、概率论与统计学、优化理论；（4）了解计算机视觉在医疗成像分析、人脸识别、公共安全、安防监控等领域的应用；（5）掌握图像在计算机中的表示方式（像素、颜色通道、灰度图等）。（二）技能目标（1）能区分分类、分割、检测、跟踪四种计算机视觉任务的区别；（2）能使用Python和OpenCV完成图像的基本操作（读取、显示、灰度转换、尺寸调整）；（3）能分析计算机视觉技术在不同应用场景中的技术原理；（4）能根据实际需求判断应采用哪种计算机视觉技术方案。（三）素养目标（1）培养对计算机视觉技术的学习兴趣和探索精神；（2）建立计算机视觉与人工智能其他领域的系统认知框架；（3）理解计算机视觉技术在智慧城市、智能交通等领域的应用价值；（4）培养工程实践能力和问题解决能力。教学方法与手段：1.教学方法：讲授法、演示法、实践操作法、案例分析法；2.教学手段：多媒体课件、OpenCV编程演示、地铁站应用案例视频、机房电脑；3.辅助资源：《信息技术与人工智能（第2版）》教材、OpenCV开发环境、计算机视觉应用案例集。复习旧课要点：回顾人工智能的基本概念、发展历程和主要研究内容，引出计算机视觉作为人工智能的核心研究方向之一，衔接人工智能基础知识模块。导入新课：通过某地铁站采用计算机视觉技术实时监控人流情况的场景导入，说明计算机视觉让机器能够"看懂"世界。新课难点、重点与解决措施：新课重点1.计算机视觉的概念及常见任务（分类、分割、检测、跟踪）；2.图像在计算机中的表示方式及图像处理基本操作；3.计算机视觉的四大理论基础。新课难点1.分类、分割、检测、跟踪四种任务的区别与联系；2.像素级别的图像分类概念（分割的本质）；3.计算机视觉理论与实际应用的结合。解决措施1.通过教材中的人脸表情识别案例、猫狗分类案例、集装箱检测案例、车辆跟踪案例等具体案例对比，帮助学生直观理解四种任务的差异；2.使用OpenCV进行实际操作演示，让学生动手体验图像处理过程；3.发放计算机视觉任务对比表，组织学生分组讨论分析。课外作业（或复习题）：1.基础复习：对照教材复习计算机视觉的概念和常见任务；2.思考题：（1）简述计算机视觉常见的任务有哪些；（2）简述图像分类的类型有哪些及这些类型彼此之间的区别；（3）简述目标跟踪的步骤；3.线上任务：完成超星平台课程任务点；4.完成学习成果自查表。本课小节或改进措施：1.课堂小结：梳理计算机视觉的概念、常见任务（分类、分割、检测、跟踪）及区别、理论基础，强调重点掌握内容；2.改进措施：课后开放机房供学生练习OpenCV操作；下次课程为图像分类技术模块，需提前预习。

教案正文一、课程导入+知识总述1.学情导入以某地铁站采用计算机视觉技术实时监控人流情况的场景为导入。该地铁站通过计算机视觉技术实时监控人流情况，自动调整安检设备的运行速度和方向，确保乘客快速通过安检。同时，还能识别异常行为，如徘徊、遗留物品等，并及时发出警报。展示计算机视觉在医疗成像分析、人脸识别、公共安全、安防监控等领域的应用。提问："计算机是如何'看懂'图像的？它和人类的眼睛有什么区别？"2.知识框架展示投屏本模块知识框架：什么是计算机视觉→常见任务（分类/分割/检测/跟踪）→理论基础（图像处理/机器学习/概率统计/优化理论）→OpenCV图像处理入门→应用分析，明确本节课的学习路径。3.学习价值说明说明计算机视觉是人工智能和计算机科学中的一个重要领域，掌握这一技术可以让人具备更强的竞争力。本次任务的目的在于掌握计算机视觉的基本概念及其基础理论，理解这一领域的现实应用，为未来的学习和工作打下坚实的基础。4.课堂实训目标本节课完成计算机视觉概念学习、四种任务对比理解、理论基础掌握、OpenCV实操入门四项任务，为后续图像分类、图像分割、目标检测、目标跟踪等模块学习奠定基础。二、分知识点精讲+实操复盘第一部分：什么是计算机视觉1.核心知识点梳理（围绕任务目标讲解）（1）计算机视觉的定义：计算机视觉是人工智能的一个重要分支领域，是指让计算机和系统从图像、视频和其他视觉输入数据中获取有意义的信息，并根据该信息采取行动或提供建议。（2）通俗理解：如果说人工智能赋予计算机思考的能力，那么计算机视觉就是赋予计算机"看"的能力。更进一步地说，是用机器代替人眼看懂图像里的内容。（3）计算机视觉的常见任务：①分类：解决"是什么"的问题，给定一张图像判断其属于哪个类别（如判断图像内容是狗）；②分割：解决"每一个像素属于哪个目标物或场景"的问题，本质上是像素级别的图像分类（如分割出笔记本和鼠标）；③检测：解决"是什么以及在哪里"的问题，检测出特定目标在图像上的位置（如检测出集装箱的位置和类别）；④跟踪：解决"现在在哪里、下一步要去哪"的问题，检测出特定目标在视频图像上的位置及运动轨迹（如跟踪两辆车的运动）。（4）易错点：分类、分割、检测、跟踪四种任务容易混淆，需明确区分各自解决的问题。2.案例演示展示教材中的人脸表情识别案例（高兴、悲伤、愤怒、惊讶、恐惧、厌恶、轻蔑等表情分类），以及图像分类（猫狗）、图像分割（笔记本和鼠标）、图像检测（集装箱）、目标跟踪（车辆运动轨迹）等具体案例图片，帮助学生直观理解四种任务的区别。3.对比表格展示任务类型解决什么问题输出结果示例分类是什么？类别标签这是猫/狗分割每个像素属于哪个目标？像素标签图分割出笔记本和鼠标检测是什么？在哪里？类别+位置框检测出集装箱位置跟踪现在在哪？去哪？运动轨迹跟踪车辆的移动第二部分：计算机视觉的理论基础1.核心知识点梳理（围绕任务目标讲解）（1）图像处理：数字图像是计算机视觉技术的原材料，本质是一个大的数字矩阵，矩阵元素称为像素。图像处理的基本操作包括：滤波、增强、恢复、变换等，用于改善图像质量、增强图像特征、去除噪声。（2）机器学习：涉及通过训练数据自动学习模型参数和特征表示，实现分类、分割、检测等任务。常见算法包括：支持向量机、决策树、随机森林、卷积神经网络等。（3）概率论和统计学：为计算机视觉提供不确定性和数据建模的理论基础。涉及贝叶斯推断、最大后验估计、马尔可夫随机场等。（4）优化理论：涉及寻找最优解的问题，如参数优化、能量最小化、最大似然估计等。常见优化方法包括梯度下降法、牛顿法、拟牛顿法等。2.实操演示教师演示如何使用Python和OpenCV读取图像、显示图像、灰度转换、尺寸调整等基本操作，带领学生完成第一个OpenCV程序。第三部分：OpenCV图像处理基础1.核心知识点梳理（围绕任务目标讲解）（1）OpenCV简介：OpenCV是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉函数。（2）图像读取与显示：使用OpenCV的imread函数读取图像，使用imshow函数显示图像。（3）灰度转换：将彩色图像转换为灰度图像，减少数据量，便于后续处理。（4）尺寸调整：使用resize函数调整图像尺寸。2.实操练习安排学生进行实操练习：使用OpenCV加载一张图片，完成灰度转换和尺寸调整操作，并对比处理前后的图像效果。3.高频错误纠错错题1：不知道图像的像素表示方式；错题2：混淆分类、分割、检测、跟踪四种任务；错题3：不理解图像分割是像素级别的分类。三、小组互测+实操实训1.分组任务2人一组，一人提问、一人回答，互相核对理解情况。分组题库：①概念组：计算机视觉的定义和常见任务互问互答；②OpenCV组：读取图片、灰度转换、尺寸调整等操作实践；③案例分析组：给出应用场景（如人脸考勤、医学影像分析、交通监控），判断应采用哪种计算机视觉技术。2.实操练习学生独立使用OpenCV完成以下任务：读取一张彩色图片→转换为灰度图→调整尺寸→显示并保存处理后的图片。3.交叉评价小组交叉评价操作结果，对照标准流程标记操作错误，互相讲解修正方法。四、高频错题集中讲评汇总本模块高频考试错题，完整演示修正流程：（1）混淆分类、分割、检测、跟踪四种计算机视觉任务的定义；（2）不理解图像分割是像素级别的图像分类；（3）不清楚计算机视觉的理论基础有哪些；（4）不知道OpenCV如何读取和显示图像。五、课堂小结+课后自主复习安排1.课堂小结依次回顾本节课核心知识点：（1）计算机视觉的定义：让机器从图像、视频中获取有意义的信息；（2）四种常见任务：分类（是什么）、分割（像素归属）、检测（是什么+在哪）、跟踪（在哪+去哪）；（3）四大理论基础：图像处理、机器学习、概率论与统计学、优化理论；（4）OpenCV图像处理入门操作。2.课后复习安排（1）完成超星平台课程任务点；（2）完成课后思考题：简述计算机视觉常见的任务有哪些；简述图像分类的类型有哪些及这些类型彼此之间的区别；简述目标跟踪的步骤；（3）完成学习成果自查表；（4）预习下一节"图像分类技术"模块内容。教案首页授课顺序号：3授课任务模块三图像分类技术所需学时2学时教学方式任务驱动教学、案例教学、实操实训、小组协作本次授课的教学目标：（一）知识目标（1）理解图像分类的定义及其在计算机视觉中的基础地位；（2）掌握单标签分类和多标签分类的区别；（3）掌握跨物种语义级图像分类、子类细粒度图像分类、实例级图像分类三种类型；（4）了解图像分类在异常物品检测、智能花卉识别等领域的应用；（5）理解图像分类模型的训练流程（数据收集→预处理→特征提取→模型训练→评估→部署）。（二）技能目标（1）能区分单标签分类和多标签分类的应用场景；（2）能判断给定任务应采用哪种类型的图像分类方案；（3）能分析图像分类在实际工程项目中的完整实现流程；（4）能根据需求设计简单的图像分类应用方案。（三）素养目标（1）培养将图像分类技术应用于现实问题的工程思维；（2）理解图像分类技术在公共安全、工业生产中的社会价值；（3）培养数据驱动的思维方式；（4）强化严谨细致的科学分析习惯。教学方法与手段：1.教学方法：讲授法、演示法、实践操作法、案例分析法、小组讨论法；2.教学手段：多媒体课件、地铁站行李安检案例视频、工地车辆轮胎检测案例图片、机房电脑；3.辅助资源：《信息技术与人工智能（第2版）》教材、图像分类案例数据集、商汤教学实践平台。复习旧课要点：回顾计算机视觉的概念和常见任务（分类、分割、检测、跟踪），引出图像分类作为计算机视觉中最基础的任务，是后续检测、分割等任务的基础。导入新课：通过地铁站使用X光机自动检查乘客行李中是否携带违禁物品的场景导入，说明这是通过图像分类技术实现的。新课难点、重点与解决措施：新课重点1.图像分类的定义及在计算机视觉中的基础地位；2.单标签分类的三种子类型（跨物种语义级、子类细粒度、实例级）；3.多标签分类的概念与复杂度。新课难点1.三种单标签分类类型的区别；2.图像分类模型训练流程中各步骤的作用；3.多标签分类与单标签分类的差异。解决措施1.通过教材中的猫狗分类、花卉分类、人脸识别闸机等具体案例对比，帮助学生直观理解不同分类类型的差异；2.通过地铁站行李安检、工地轮胎清洁度识别等实际工程案例，帮助学生理解图像分类的应用流程课外作业（或复习题）：1.基础复习：对照教材复习图像分类的定义和类型；2.思考题：（1）简述图像分类的类型有哪些及这些类型彼此之间的区别；（2）图像分类在生活中有哪些应用场景？3.线上任务：完成超星平台课程任务点；4.完成学习成果自查表。本课小节或改进措施：1.课堂小结：梳理图像分类的定义、单标签/多标签分类的区别、三种单标签分类类型及实际应用案例，强调重点掌握内容；2.改进措施：课后开放机房供学生体验图像分类应用；下次课程为图像分割技术模块，需提前预习。

教案正文一、课程导入+知识总述1.学情导入以小刘在参观地铁站时看到一台电脑正在自动检查乘客行李中是否携带违禁物品的场景为导入。电脑通过读取乘客行李的X光图，自动判断出行李中包含的物品，无需像以前那样由工作人员盯着X光图一个个检查。提问："机器是如何识别行李中的物品的？"说明这是通过图像分类的方法实现的。2.知识框架展示投屏本模块知识框架：图像分类的定义→单标签分类（跨物种语义级/子类细粒度/实例级）→多标签分类→图像分类的应用（地铁站异常物品检测/工地车辆轮胎清洁度识别）→实操体验，明确本节课的学习路径。3.学习价值说明说明图像分类是计算机视觉领域常见的任务之一，本任务目的在于了解图像分类的定义，掌握不同类型图像分类之间的差异。同时通过了解图像分类常见的应用场景，进而启发运用图像分类解决现实工作中遇到的问题。4.课堂实训目标本节课完成图像分类定义学习、分类类型对比理解、实际应用案例分析三项任务，为后续图像分割、目标检测等模块学习奠定基础。二、分知识点精讲+实操复盘第一部分：图像分类的定义1.核心知识点梳理（围绕任务目标讲解）（1）图像分类的定义：图像分类是指根据图像所反映的不同信息，将不同类别的图像区分开，并能够识别图像中目标属于哪种类别，其中具体可识别类别需要提前定义。图像分类任务是计算机视觉中的基础任务，有了图像分类作为基础，才有后面更为复杂的检测等任务的展开。（2）单标签分类：每个图像都有一个标签。单标签分类分为三种子类型：①跨物种语义级图像分类：比较粗地区分完全不同的两个东西。如猫狗分类，但无法进行子类分类（能跨物种分出猫狗类，但无法区分具体是哪个品种的猫或狗）。②子类细粒度图像分类：同一个大类中的子类分类。如不同花卉的分类（铃兰、毛莨、番红花、风铃草等），但无法分类同一物种中的不同个体。③实例级图像分类：用于区分不同的个体，最典型的是人脸识别。通过鉴定每个人的身份，完成智能人脸考勤等任务。（3）多标签分类：单个图像中包含多个标签。与单标签分类相比，多标签分类任务更复杂。普遍存在于医学成像领域，医生可以通过X射线形式的视觉数据诊断出不止一种疾病。（4）易错点：跨物种语义级分类无法区分子类；子类细粒度分类无法区分同一物种的个体；实例级分类是最精细的分类。2.案例演示展示教材中的猫狗分类图、花卉分类图（铃兰、毛莨、番红花、风铃草、向日葵、雪滴花等）、向日葵个体区分图、人脸识别闸机图、多标签分类图（猫和狗同图）等案例图片。3.对比表格展示分类类型区分粒度示例局限性跨物种语义级粗粒度猫狗分类无法区分子类子类细粒度中粒度不同花卉分类无法区分个体实例级最精细人脸识别需要大量个体数据多标签多类别图像含猫和狗复杂度更高第二部分：图像分类的应用——地铁站异常物品检测1.核心诉求某地铁站每天需要检查行李高达数十万件，而传统的依靠人工肉眼来判断行李中是否含有违禁违规物品效率过低，会导致出现客流拥挤的情况。同时长时间的重复工作易使得工作人员用眼过度、注意力不集中。该地铁站急需寻找一种拥有极高准确性且不依赖人工能力的违禁物品检测方案。2.解决方案基于图像分类技术，使用约1000张含有违禁物品的X光图像进行训练，获得可以在生产线上使用的"行李异物识别"图像分类模型。具体流程：Step01：待检行李通过X光机，并拍摄其X光图像，就像扫描书籍一样；Step02：将图像传输至系统后台，由"行李异物识别"模型对X光图像进行智能识别；Step03：若模型的分类结果中检测到违禁物品，则及时发出警报通知工作人员。该方案改变了传统人工肉眼识别的方法，有效提高了地铁站的效率与准确性。第三部分：图像分类的应用——工地车辆轮胎清洁度识别1.核心诉求在工地的生产、制造、施工过程中，车辆运输材料扬起尘土，污浊了空气、弄脏了道路。国家制定相关法规要求出入车辆必须进行冲洗，加强文明施工。但施工现场经常存在冲洗时间不够、车辆行驶急速、车辆冲洗不干净等问题，特别是车轮处由于遮挡，不容易冲洗干净，导致车辆仍然经常带泥土上路。2.解决方案某公司基于图像分类等计算机视觉技术，建立了一套工地车辆轮胎清洁度的快速智能识别系统，具体流程：Step01：使用摄像头抓拍工程车辆车轮，采集出入车辆轮胎图像，建立车辆轮胎清洁度数据集，将图像分类为"车辆轮胎清洁合格""车辆轮胎冲洗不足"两类，共7700余张；Step02：构建车辆轮胎清洁度识别模型并持续训练，获得最优模型；Step03：将最优模型部署在检测系统上，实地测试，准确率达99%以上；Step04：进行现场应用，通过智能检测系统对经过检测区域的车辆进行检测，判断清洁度是否合格；Step05：判断合格则允许车辆经过，否则禁止通行并进行指示灯报警。三、小组互测+实操实训1.分组任务2人一组，一人出题、一人答题，互相核对理解情况。分组题库：①概念组：图像分类的定义和类型互问互答；②案例组：分析地铁站行李安检、工地轮胎清洁度识别两个案例的实现流程；③应用设计组：设计一个图像分类应用方案（如校园垃圾分类、图书馆图书分类等）。2.实操体验使用商汤教学实践平台或其他在线AI工具，体验图像分类功能，实际操作图像分类模型对给定图像进行分类。3.展示分享选取部分学生的体验成果进行展示和分享，讨论不同参数设置对分类效果的影响。四、高频错题集中讲评汇总本模块高频考试错题，完整演示修正流程：（1）混淆跨物种语义级、子类细粒度、实例级三种分类类型的区别；（2）不理解多标签分类与单标签分类的差异；（3）不知道图像分类是计算机视觉中最基础的任务；（4）不能描述图像分类模型的完整训练流程。五、课堂小结+课后自主复习安排1.课堂小结依次回顾本节课核心知识点：（1）图像分类的定义：根据图像信息区分不同类别的图像；（2）单标签分类三种类型：跨物种语义级（粗）、子类细粒度（中）、实例级（细）；（3）多标签分类：单个图像包含多个标签，更复杂；（4）图像分类的应用：地铁站异常物品检测、工地轮胎清洁度识别。2.课后复习安排（1）完成超星平台课程任务点；（2）完成课后思考题：简述图像分类的类型有哪些及这些类型彼此之间的区别；（3）完成学习成果自查表；（4）预习下一节"图像分割技术"模块内容。教案首页授课顺序号：4授课任务模块四图像分割技术所需学时2学时教学方式任务驱动教学、案例教学、实操实训、小组协作本次授课的教学目标：（一）知识目标（1）理解图像分割的定义及其在计算机视觉中的地位；（2）掌握语义分割和实例分割的定义与区别；（3）理解图像分割的本质是像素级别的图像分类；（4）了解图像分割在智能交通、自动驾驶等领域的应用；（5）掌握图像分割在无人驾驶技术中的4个应用步骤。（二）技能目标（1）能区分语义分割和实例分割的区别与联系；（2）能分析图像分割技术在自动驾驶、医学影像等场景中的应用原理；（3）能描述图像分割在无人车自动驾驶中的完整应用流程；（4）能使用商汤教学实践平台体验图像分割功能。（三）素养目标（1）培养将图像分割技术应用于实际工程问题的分析能力；（2）理解图像分割技术在智能交通中的社会价值；（3）培养系统思维和综合分析能力；（4）激发对计算机视觉前沿技术的探索兴趣。教学方法与手段：1.教学方法：讲授法、演示法、实践操作法、案例分析法、小组讨论法；2.教学手段：多媒体课件、自动驾驶演示视频、图像分割效果对比图、机房电脑；3.辅助资源：《信息技术与人工智能（第2版）》教材、图像分割案例数据集、商汤教学实践平台。复习旧课要点：回顾图像分类的定义和类型（单标签/多标签、跨物种语义级/子类细粒度/实例级），引出图像分割作为图像分类在像素级别的延伸，衔接图像分类模块。导入新课：通过出租车实时检测道路区域的场景导入，说明图像分割技术在智能交通和自动驾驶中的关键作用。新课难点、重点与解决措施：新课重点1.图像分割的定义及本质（像素级别的图像分类）；2.语义分割与实例分割的区别与联系；3.图像分割在智能交通和自动驾驶中的应用。新课难点1.理解像素级别的图像分类概念；2.语义分割与实例分割的区分；3.自动驾驶中图像分割应用流程的理解。解决措施1.通过教材中"四只猫"的语义分割与实例分割对比案例，帮助学生直观理解两种分割的区别；2.通过自动驾驶场景的4个应用步骤演示，帮助学生理解图像分割的实际应用流程；3.组织学生讨论图像分割与图像分类的关系。课外作业（或复习题）：1.基础复习：对照教材复习图像分割的定义和类型；2.思考题：简述语义分割和实例分割的区别，图像分割在自动驾驶中有什么作用？3.线上任务：完成超星平台课程任务点；4.完成学习成果自查表。本课小节或改进措施：1.课堂小结：梳理图像分割的定义、语义分割与实例分割的区别、图像分割在智能交通和自动驾驶中的应用，强调重点掌握内容；2.改进措施：课后开放机房供学生体验图像分割功能；下次课程为目标检测技术模块，需提前预习。

教案正文一、课程导入+知识总述1.学情导入以小刘乘坐出租车返回学校时，发现所乘坐的出租车能够实时检测出当前车辆行走的道路区域并将其显示在屏幕上的场景为导入。旁边的老师借此介绍其中所使用的计算机视觉技术——图像分割。提问："汽车是如何准确识别出画面中哪部分是道路、哪部分是行人、哪部分是车辆的？"2.知识框架展示投屏本模块知识框架：图像分割的定义→语义分割与实例分割→图像分割在智能交通中的应用→自动驾驶应用流程→实操体验，明确本节课的学习路径。3.学习价值说明说明图像分割是将图像划分为多个具有特定性质的区域的过程，它在多个领域都有广泛的应用。本任务目的在于学习图像分割的定义，理解这一技术的基本原理和分割过程，并通过学习图像分割的应用场景，了解如何应用这一技术解决实际问题。4.课堂实训目标本节课完成图像分割定义学习、语义分割与实例分割对比理解、智能交通应用分析三项任务，为后续目标检测、目标跟踪等模块学习奠定基础。二、分知识点精讲+实操复盘第一部分：图像分割的定义1.核心知识点梳理（围绕任务目标讲解）（1）图像分割的定义："图像分割是把图像分成若干个特定的、具有独特性质的区域，并提出感兴趣目标的技术和过程，是图像处理到图像分析的关键步骤。图像分割将数字图像划分为互不相交的区域。"（2）更准确地讲，图像分割是将图像中的每一个像素进行打标签的过程，把属于同一区域的像素赋予相同的编号。如图片中每个像素点都被分割并识别标记为某一类别（天空、公路、山等）。（3）图像分割的本质：像素级别的图像分类。（4）易错点：图像分割不同于目标检测，图像分割要精确到像素级别。2.案例演示展示教材中的图像分割效果图，图中每个像素点都被分割并识别标记为某一类别（天空、公路、山等）。第二部分：语义分割与实例分割1.核心知识点梳理（围绕任务目标讲解）（1）语义分割："语义"在图像领域中指图像的内容，对图片意思的理解。语义分割只能够将同种类别的物体分割为同一个标签。例如，一张图中有四只猫，语义分割会将四只猫统一标记为"猫"这一类别。（2）实例分割：在语义分割的基础上，将图像中同一类别的不同个体进行单独编号。实例分割可以理解为目标检测与语义分割的结合。与目标检测的边界框相比，实例分割可以精确到物体的边缘；与语义分割相比，实例分割需要将图像中同一类别的不同个体进行单独区分。例如，四只猫在实例分割中会被分别标记为猫1、猫2、猫3、猫4。（3）两者关系：语义分割和实例分割都可以对图像中的物体和背景等进行像素级别的分割。但在同一张图像中，语义分割只能将相同类别的像素进行统一标记，而实例分割会在语义分割的基础上，将图像中同一类别的不同实例进行分割。简单来说，实例分割会将图像划分的更为细致一些。2.案例演示展示教材中四只猫的原始图像、语义分割效果、实例分割效果对比图。3.对比表格展示对比维度语义分割实例分割分割粒度按类别分割按个体分割同一类别多目标统一标记分别编号精细程度较粗更精细实现难度较低较高第三部分：图像分割在智能交通中的应用1.背景介绍作为全球人口密度最大和最为拥堵的国家之一，2023年中国约有28%的城市在通勤高峰时段处于拥堵状态。自动驾驶技术——一种能使车辆实现自动出行功能的技术，恰恰能提升驾驶安全，提高整个交通系统的效率，其中使用的最主要技术之一就是图像分割。2.应用场景在汽车的自动驾驶领域中，主要使用图像分割技术来将道路中的其他机动车、非机动车、行人、车道线和道路等进行划分，通过定位不同对象在图像中的位置，从而计算其他对象与本车辆的距离，实现自动避障和自动导航的功能，最终达到自动驾驶的目的。3.自动驾驶应用流程（4步）Step01：使用雷达、摄像头等设备采集周围的环境数据，包括道路、车辆、行人、与其他车辆的距离等；Step02：对采集到的数据进行处理，处理方法包括图像清晰度调整、对比度调整、图像缩放等操作；Step03：通过处理完的数据判断车况及周围环境信息，如车辆是否在规划好的道路上、是否与其他车辆保持安全距离，以及周围是否有行人或其它非机动车出现等；Step04：根据判断结果控制其他运动系统，来调整车辆本身所处的位置，保证车辆处于相对安全的状态下。三、小组互测+实操实训1.分组任务2人一组，一人出题、一人答题，互相核对理解情况。分组题库：①概念组：图像分割的定义、语义分割与实例分割的区别互问互答；②案例组：分析自动驾驶中图像分割的4个应用步骤；③应用设计组：讨论图像分割在医学影像、卫星遥感等其他领域中的可能应用。2.实操体验使用商汤教学实践平台或其他在线AI工具，体验图像分割功能，实际操作图像分割模型对给定图像进行分割。3.展示分享选取部分学生的分割结果进行展示和点评，讨论不同参数设置对分割效果的影响。四、高频错题集中讲评汇总本模块高频考试错题，完整演示修正流程：（1）混淆语义分割和实例分割的区别；（2）不理解图像分割的本质是像素级别的分类；（3）不清楚图像分割在自动驾驶中的作用；（4）不能描述图像分割在无人车自动驾驶中的应用步骤。五、课堂小结+课后自主复习安排1.课堂小结依次回顾本节课核心知识点：（1）图像分割的定义：将图像划分为互不相交的区域，是像素级别的图像分类；（2）语义分割：同种类别统一标记；（3）实例分割：同一种类不同个体分别标记；（4）图像分割在智能交通中的应用：自动驾驶中的道路、行人、车辆划分。2.课后复习安排（1）完成超星平台课程任务点；（2）完成课后思考题：简述语义分割和实例分割的区别，图像分割在自动驾驶中有什么作用？（3）完成学习成果自查表；（4）预习下一节"目标检测技术"模块内容。教案首页授课顺序号：5授课任务模块五目标检测技术所需学时2学时教学方式任务驱动教学、案例教学、实操实训、小组协作本次授课的教学目标：（一）知识目标（1）理解目标检测的定义及其在计算机视觉中的核心地位；（2）掌握目标检测同时解决分类和定位两个问题的核心特点；（3）理解目标检测与图像分类、图像分割的区别；（4）了解目标检测在工业生产检测、安防监控等领域的应用；（5）掌握喷油器阀座瑕疵检测的完整实现流程。（二）技能目标（1）能区分目标检测与图像分类、图像分割的任务差异；（2）能分析目标检测在工业生产检测中的工程应用方案；（3）能描述目标检测模型的完整训练流程；（4）能设计简单的目标检测应用方案。（三）素养目标（1）理解目标检测技术在提升工业生产效率和安全性方面的社会价值；（2）培养工程实践能力和系统问题分析能力；（3）强化安全生产意识，理解技术手段对生产安全的保障作用；（4）培养将AI技术转化为实际生产力的思维。教学方法与手段：1.教学方法：讲授法、演示法、实践操作法、案例分析法、小组讨论法；2.教学手段：多媒体课件、喷油器阀座瑕疵检测案例视频、安防监控案例图片、机房电脑；3.辅助资源：《信息技术与人工智能（第2版）》教材、目标检测案例集、商汤教学实践平台。复习旧课要点：回顾图像分割的定义、语义分割与实例分割的区别，引出目标检测作为计算机视觉中解决"分类+定位"双重问题的核心技术。导入新课：通过某公司喷油器阀座瑕疵检测的实际工程项目导入，说明目标检测在工业生产中的关键作用。新课难点、重点与解决措施：新课重点1.目标检测的定义及分类+定位的双重任务；2.目标检测与图像分类/图像分割的区别；3.喷油器阀座瑕疵检测的完整实现流程。新课难点1.目标检测"分类+定位"双重任务的理解；2.目标检测在复杂工业场景中的应用；3.安防监控中目标检测的多场景应用。解决措施1.通过教材中猫狗目标检测案例（矩形框定位+类别标签），帮助学生直观理解分类+定位的概念；2.通过喷油器阀座瑕疵检测、矿业安防监控、供电局线路监测等实际案例，帮助学生理解目标检测的工程应用。课外作业（或复习题）：1.基础复习：对照教材复习目标检测的定义和应用；2.思考题：目标检测与图像分类、图像分割有什么区别？目标检测在安防监控中有哪些应用？3.线上任务：完成超星平台课程任务点；4.完成学习成果自查表。本课小节或改进措施：1.课堂小结：梳理目标检测的定义、分类+定位双重任务、工业生产检测和安防监控中的实际应用，强调目标检测技术的工程价值；2.改进措施：课后开放机房供学生体验目标检测功能；下次课程为目标跟踪技术模块，需提前预习。

教案正文一、课程导入+知识总述1.学情导入以某公司需要检测喷油器阀座瑕疵的实际工程项目为导入。该公司每天需要对4000-6000件喷油器阀座进行瑕疵检测，高峰时期需检测12000件，但仅能依靠人工肉眼判断，效率远无法达到检测标准。老师将最近正在实施的项目交给小刘与其他同学，让他们讨论如何采用计算机视觉的方法来解决喷油器阀座瑕疵的检测问题。提问："有什么方法能够自动检测产品瑕疵？"2.知识框架展示投屏本模块知识框架：目标检测的定义→目标检测与分类/分割的区别→喷油器阀座瑕疵检测→安防监控应用→实操体验，明确本节课的学习路径。3.学习价值说明说明目标检测是计算机视觉中的一项核心任务，旨在从图像中识别出感兴趣的目标，并确定它们的类别和位置。通过本次任务，了解目标检测的定义，理解其基本原理和技术特点。同时通过其在现实场景中的应用案例，掌握如何根据应用需求分析并设计出相应的解决方案。4.课堂实训目标本节课完成目标检测定义学习、与图像分类/分割的区别理解、工业应用案例分析、安防监控应用分析四项任务，为后续目标跟踪模块学习奠定基础。二、分知识点精讲+实操复盘第一部分：目标检测的定义1.核心知识点梳理（围绕任务目标讲解）（1）目标检测的定义：目标检测是计算机视觉中的一项核心任务，旨在从图像中识别出感兴趣的目标，并确定它们的类别和位置。（2）目标检测与图像分类/图像分割的区别：不同于图像分类和图像分割，目标检测同时要解决分类和定位两个问题。（3）通过猫狗检测案例理解：图像分类帮助识别出图像中有两只小狗和两只小猫；检测则帮助我们检测出两只狗和两只猫分别在图像中的位置，并分别用矩形框框出检测到的目标。矩形框四个顶点的坐标就是对其进行了定位，对检测的目标分别打上类别标签即进行分类。（4）目标检测的广泛应用：智能交通监控、智能图像审核、工业生产检测等。2.对比表格展示任务类型解决问题输出图像分类是什么？类别标签图像分割每个像素属于哪个类别？像素标签图目标检测是什么？在哪里？类别+位置框第二部分：目标检测的应用——喷油器阀座瑕疵检测1.核心诉求某公司是研发和制造喷油器的高新技术企业。该公司每日需要对4000-6000件喷油器阀座进行瑕疵检测，高峰时期需要检测12000件。然而，目前仅能依靠人工肉眼来进行判断，效率太低了，工人效率远远无法达到企业检测的日数量标准。所以，该公司希望尽早借助人工智能技术释放一部分人力，以便提升质检的审核效率。2.解决方案依托智能开发平台训练得到基于目标检测技术的"喷油嘴识别"模型，实现零件瑕疵判读的无人化。具体检测流程：Step01：根据质检目标，筛选标准的样品集合；Step02：通过反复训练识别得到模型；Step03：制定自动化方案；Step04：软硬件实施部署，完成自动化方案；Step05：用户通过自动化系统上传所采集的待测样品图像，通过"喷油嘴识别"模型进行判定并返回相应的处理结果，最后由自动化系统将样品进行分类流转。该方案能识别出喷油嘴阀座的相关问题，包括黑点（Black）、瑕疵（Defect）、划痕（Scratch）等。通过人工智能解决方案，节约了该公司近50万元/年的人力成本，并将检验效率整体提高30%。第三部分：目标检测的应用——安防监控1.矿业公司安全生产监控某矿业公司的矿区面积达9平方千米，经营范围包括金矿、银矿的下开采、金银矿石浮选、冶炼、矿产品购销等业务，职工达百余人。受限于纯人工巡查的方式，无法对选矿厂各区域进行全天全时的监控，诸如人员着装不合规、机器空转、巡检人员脱岗等安全隐患时有发生。解决方案：定制化训练专项目标检测模型，包含"传送带空转检测"模型、"佩戴安全绳检测"模型等。实时监控以上事件，可对员工的违规行为及生产安全潜在事故进行实时预警。机器可发出"未佩戴安全帽"的风险预警，并及时反馈给相关负责人，有效预测风险事件的发生，提升了选矿厂的生产效率及管理能力。2.供电局输电线路安全监测某供电局管辖范围内，输电线路约4500千米，基杆塔单元16000余个，线路附近易发生外力破坏的施工点有300余处。每日积累的现场图片约5万张，人工审核的工作量极其庞大。解决方案：该供电局输电管理所提供1000张输电线正下方存在大型机车的图像，最终获得"输电线路外部隐患识别"模型。该模型可以识别出输电线路中存在的吊车、挖掘机等外部隐患，识别准确率达到80%，并且以2-3周一次的频率持续训练、更新模型，模型的识别准确率在不断提升。三、小组互测+实操实训1.分组任务2人一组，一人出题、一人答题，互相核对理解情况。分组题库：①概念组：目标检测的定义、分类+定位双重任务互问互答；②案例组：分析喷油器阀座瑕疵检测的完整实现流程；③应用设计组：设计一个目标检测应用方案（如校园安全管理、垃圾分类、交通违章检测等）。2.实操体验使用商汤教学实践平台或其他在线AI工具，体验目标检测功能，实际操作目标检测模型对给定图像进行检测。3.展示分享选取部分学生的检测结果进行展示和点评，讨论不同参数设置对检测效果的影响。四、高频错题集中讲评汇总本模块高频考试错题，完整演示修正流程：（1）混淆目标检测与图像分类、图像分割的区别；（2）不理解目标检测同时解决分类和定位两个问题；（3）不能描述喷油器阀座瑕疵检测的实现流程；（4）不清楚目标检测在安防监控中的具体应用场景。五、课堂小结+课后自主复习安排1.课堂小结依次回顾本节课核心知识点：（1）目标检测的定义：识别目标类别+确定位置；（2）目标检测与图像分类/图像分割的区别；（3）喷油器阀座瑕疵检测的5步流程及经济价值；（4）目标检测在矿业安防监控、供电局线路监测中的应用。2.课后复习安排（1）完成超星平台课程任务点；（2）完成课后思考题：目标检测与图像分类、图像分割有什么区别？目标检测在安防监控中有哪些应用？（3）完成学习成果自查表；（4）预习下一节"目标跟踪技术"模块内容。教案首页授课顺序号：6授课任务模块六目标跟踪技术所需学时2学时教学方式任务驱动教学、案例教学、实操实训、小组协作本次授课的教学目标：（一）知识目标（1）理解目标跟踪的定义及其在视频分析中的意义；（2）掌握目标跟踪的5个步骤（输入目标框→生成候选框→特征提取→候选框评分→预测目标）；（3）掌握目标跟踪的5项研究内容（运动模型、特征提取、观测模型、模型更新、集成方法）；（4）理解单目标跟踪与多目标跟踪的区别；（5）了解目标跟踪在智能交通中的应用（车辆目标跟踪、交通流量计数）。（二）技能目标（1）能区分目标跟踪与目标检测的区别与联系；（2）能描述目标跟踪算法的完整流程；（3）能分析目标跟踪在智能交通、安防监控等场景中的应用原理；（4）能编写简单的目标跟踪程序或使用平台工具体验目标跟踪功能。（三）素养目标（1）理解目标跟踪技术在智能交通、安防监控中的社会价值；（2）培养对视频智能分析技术的兴趣和探索精神；（3）培养系统思维和综合分析能力；（4）强化对计算机视觉技术实际应用的认知。教学方法与手段：1.教学方法：讲授法、演示法、实践操作法、案例分析法、小组讨论法；2.教学手段：多媒体课件、目标跟踪演示视频、智能交通应用案例图片、机房电脑；3.辅助资源：《信息技术与人工智能（第2版）》教材、目标跟踪案例集、商汤教学实践平台。复习旧课要点：回顾目标检测的定义、分类+定位双重任务及其在工业检测和安防监控中的应用，引出目标跟踪作为计算机视觉中在视频序列中持续追踪目标的关键技术。导入新课：通过小刘走在路上看着车水马龙，思考计算机视觉在交通中是否还有其他运用场景导入，引出目标跟踪技术。新课难点、重点与解决措施：新课重点1.目标跟踪的定义及5个步骤；2.目标跟踪的5项研究内容；3.单目标跟踪与多目标跟踪的区别。新课难点1.目标跟踪5个步骤与5项研究内容的对应关系；2.目标跟踪算法在复杂场景（遮挡、目标消失与重现）中的挑战；3.目标跟踪与目标检测的联系与区别。解决措施1.通过教材中多目标跟踪小猫位置的案例、车辆目标跟踪和交通流量计数等案例，帮助学生直观理解目标跟踪的过程；2.通过视频演示帮助学生理解目标跟踪在实际场景中的应用效果；3.组织学生讨论目标跟踪在视频分析中的地位。课外作业（或复习题）：1.基础复习：对照教材复习目标跟踪的定义和步骤；2.思考题：（1）简述目标跟踪的步骤；（2）目标跟踪与目标检测有什么区别和联系？3.线上任务：完成超星平台课程任务点；4.完成学习成果自查表。本课小节或改进措施：1.课堂小结：梳理目标跟踪的定义、5个步骤、5项研究内容以及目标跟踪在智能交通中的应用，强调目标跟踪在视频分析中的核心地位；2.改进措施：课后开放机房供学生体验目标跟踪功能；下次课程为自然语言处理模块，需提前预习。

教案正文一、课程导入+知识总述1.学情导入以小刘走在路上看着车水马龙，思考计算机视觉在交通中是否还有其他的运用场景为导入。答案是肯定的，其中一项能够运用的技术便是目标跟踪。播放一段视频，展示AI如何在一段监控视频中实时检测并跟踪行人或车辆，在目标周围绘制检测框并持续跟踪。提问："机器是如何在一帧帧视频画面中锁定同一个目标的？它与检测有什么区别？"2.知识框架展示投屏本模块知识框架：目标跟踪的定义→目标跟踪的5个步骤→目标跟踪的5项研究内容→目标跟踪在智能交通中的应用→实操体验，明确本节课的学习路径。3.学习价值说明说明目标跟踪技术在多个领域都有广泛的应用，如智能视频监控、无人驾驶、机器人技术、医疗诊断、军事应用等。本任务目标在于学习了解目标跟踪算法流程及对应的研究内容，了解目标跟踪在视频分析任务中的意义以及其在智能交通场景中的运用方法。4.课堂实训目标本节课完成目标跟踪定义学习、5个步骤理解、5项研究内容掌握、智能交通应用分析四项任务。二、分知识点精讲+实操复盘第一部分：目标跟踪的定义与步骤1.核心知识点梳理（围绕任务目标讲解）（1）目标跟踪的定义：目标跟踪任务就是在给定的视频序列中，初始化帧的目标大小与位置，并预测后续帧中该目标的大小与位置。通俗来说，就是"找找你现在在哪儿，和预测你接下来要去哪儿"。（2）单目标跟踪与多目标跟踪的区别：单目标跟踪算法可以处理任意类别的物体，也就是说，它不知道任何关于目标的信息，只要跟着即可；多目标跟踪通常限定在目标类别已知的场景中，如多行人、多车辆的视觉跟踪。（3）目标跟踪的5个步骤：Step01：输入初始化目标框；Step02：在下一帧中生成众多的候选框；Step03：提取第2步中候选框的特征；Step04：对候选框进行评分；Step05：挑选评分最高的候选框为预测目标，或者对多个预测值进行融合，得到更优的预测目标。2.案例演示展示教材中多目标跟踪小猫位置的效果图，帮助学生直观理解目标跟踪的过程。第二部分：目标跟踪的研究内容1.核心知识点梳理（围绕任务目标讲解）根据目标跟踪的5个步骤，可以将目标跟踪划分为5项研究内容：（1）运动模型：如何产生众多的候选样本；（2）特征提取：利用何种特征表示目标；（3）观测模型：如何为众多候选样本进行评分；（4）模型更新：如何更新观测模型使其适应目标的变化；（5）集成方法：如何融合多个决策获得一个更优的决策结果。2.技术背景随着深度模型如卷积神经网络（CNN）等的应用，以及GPU设备带来的计算效率的巨大跃升，目标跟踪技术已经在速度和精度方面渐渐接近了人们在实际生活中的应用需求。3.视频分析中的地位视频目标跟踪作为一个中低层的视觉分析任务，像打好了一个地基，对众多其他视频任务具有良好的辅助作用，如协助视频目标检测、视频目标分割、视频行人重识别等。第三部分：目标跟踪在智能交通中的应用1.应用一：车辆目标跟踪车辆目标跟踪主要通过摄像头或视频，使用目标跟踪技术对画面中的车辆进行实时跟踪检测，同时可根据车辆的运动方向，预测下一时刻所出现的位置，也可以对画面中的多辆车进行多目标跟踪，并对不同的车辆进行编号。2.应用二：交通流量计数交通流量计数是根据视频抓拍图片序列，进行车辆检测和计数，识别各类车辆，包括小汽车、卡车、巴士、摩托车、三轮车，在指定区域内的驶入、驶出数量，实现动态车流统计。3.应用场景扩展完成视频结构化且目标经过跟踪算法后，会得到一个唯一标识和它对应的运动轨迹，可以利用这两个数据做一些后续工作，如：①测速（交通类应用场景）；②计数（交通类应用场景、安防类应用场景）；③行为检测（交通类应用场景、安防类应用场景）。三、小组互测+实操实训1.分组任务2人一组，一人出题、一人答题，互相核对理解情况。分组题库：①概念组：目标跟踪的定义、5个步骤互问互答；②研究内容组：5项研究内容的理解和应用互问互答；③应用组：分析车辆目标跟踪、交通流量计数的应用原理。2.实操体验使用商汤教学实践平台或其他在线AI工具，体验目标跟踪功能，实际操作目标跟踪模型对一段视频中的特定目标进行跟踪。3.展示分享选取部分学生的跟踪结果进行展示和点评，讨论目标跟踪在复杂场景（遮挡、目标消失与重现、多目标交叉）中的挑战。四、高频错题集中讲评汇总本模块高频考试错题，完整演示修正流程：（1）混淆目标检测与目标跟踪的区别；（2）不理解目标跟踪5个步骤的执行流程；（3）不清楚目标跟踪的5项研究内容；（4）不能描述目标跟踪在智能交通中的具体应用。五、课堂小结+课后自主复习安排1.课堂小结依次回顾本节课核心知识点：（1）目标跟踪的定义：在视频序列中持续追踪目标的位置和大小；（2）目标跟踪的5个步骤：输入目标框→生成候选框→特征提取→候选框评分→预测目标；（3）目标跟踪的5项研究内容：运动模型、特征提取、观测模型、模型更新、集成方法；（4）目标跟踪在智能交通中的应用：车辆目标跟踪、交通流量计数。2.课后复习安排（1）完成超星平台课程任务点；（2）完成课后思考题：简述目标跟踪的步骤；目标跟踪与目标检测有什么区别和联系？（3）完成学习成果自查表；（4）预习下一节"自然语言处理"模块内容。教案首页授课顺序号：7授课任务模块七自然语言处理所需学时2学时教学方式任务驱动教学、案例教学、实操实训、小组协作本次授课的教学目标：（一）知识目标（1）理解自然语言处理（NaturalLanguageProcessing，NLP）的基本概念和应用领域；（2）掌握自然语言处理的两大核心任务：自然语言理解（NLU）和自然语言生成（NLG）；（3）掌握自然语言理解面临的5大难点（语言多样性、歧义性、鲁棒性、知识依赖、上下文）；（4）掌握自然语言生成的6个步骤（内容确定、文本结构、句子聚合、语法化、参考表达式生成、语言实现）；（5）了解自然语言生成的3个典型应用（自动写新闻、聊天机器人、BI报告生成）。（二）技能目标（1）能区分自然语言理解和自然语言生成的区别；（2）能分析基于规则的方法与基于自然语言理解的方法的本质区别；（3）能描述自然语言生成的完整6个步骤；（4）能列举自然语言处理技术在生活中的典型应用场景。（三）素养目标（1）理解自然语言处理技术在人工智能中的基础地位；（2）培养对自然语言处理技术的兴趣和探索精神；（3）理解AI技术在信息处理和信息服务中的社会价值；（4）为后续大语言模型模块的学习打下基础。教学方法与手段：1.教学方法：讲授法、演示法、实践操作法、案例分析法、小组讨论法；2.教学手段：多媒体课件、ChatGPT/文心一言演示、智能音箱案例视频、机房电脑；3.辅助资源：《信息技术与人工智能（第2版）》教材、自然语言处理案例集、在线NLP体验工具。复习旧课要点：回顾目标跟踪的定义和应用，引出自然语言处理作为人工智能的另一大核心领域（与计算机视觉并列），过渡到本课主题。导入新课：通过ChatGPT、文心一言等国内外AI大语言模型的崛起导入，说明自然语言处理技术是大语言模型的基础技术之一。新课难点、重点与解决措施：新课重点1.自然语言处理的基本概念和计算机处理流程；2.自然语言理解与自然语言生成的区别；3.自然语言生成的6个步骤。新课难点1.自然语言理解5大难点的理解；2.基于规则与基于自然语言理解的意图判断的本质区别；3.自然语言生成的过程与实现。解决措施1.通过教材中"订机票"意图判断案例（基于规则与基于NLU的对比），帮助学生直观理解自然语言理解的原理；2.通过智能音箱案例帮助学生理解自然语言理解与生成的协作关系；3.组织学生体验在线NLP工具，感受NLP技术的能力。课外作业（或复习题）：1.基础复习：对照教材复习自然语言处理的概念和核心任务；2.思考题：结合日常生活实际，谈谈自然语言处理技术对你的生活提供了什么便利？3.线上任务：完成超星平台课程任务点；4.完成学习成果自查表。本课小节或改进措施：1.课堂小结：梳理自然语言处理的基本概念、自然语言理解和自然语言生成两大核心任务，强调自然语言处理在人工智能中的基础地位；2.改进措施：课后开放机房供学生体验NLP工具；下次课程为初识大语言模型模块，需提前预习。

教案正文一、课程导入+知识总述1.学情导入近年来，ChatGPT、文心一言等国内外AI大语言模型的崛起对各行各业的冲击力都非常大。教师现场演示ChatGPT或文心一言的对话、问答、文本生成等功能。提问："机器是如何理解我们说的话的？它真的'懂'语言吗？"引出自然语言处理这一主题。说明自然语言处理技术是大语言模型的基础技术之一，在学习大语言模型前需要掌握自然语言处理技术的基础知识。2.知识框架展示投屏本模块知识框架：自然语言处理的基本概念→自然语言理解（NLU）→自然语言生成（NLG）→自然语言生成的典型应用→实操体验，明确本节课的学习路径。3.学习价值说明说明网络中大部分数据是非结构化的，其中文本数据量最多、信息量最大。为了分析和利用这些文本信息，就需要利用自然语言处理技术，让机器理解这些文本信息并加以利用。4.课堂实训目标本节课完成自然语言处理基本概念学习、自然语言理解与生成两大核心任务掌握、典型应用分析三项任务，为后续大语言模型模块学习奠定基础。二、分知识点精讲+实操复盘第一部分：自然语言处理的基本概念1.核心知识点梳理（围绕任务目标讲解）（1）背景：在人工智能出现之前，机器智能处理的数据通常为结构化的数据，如Excel数据和CSV数据等。但网络中大部分的数据都是非结构化的，如文章、图片、音频和视频等，其中文本的数据量是最多的。（2）自然语言处理（NLP）的定义：一门研究使用计算机处理在人际交际或人机交际中的自然语言问题的学科，主要研究表示语言能力和语言应用的模型，建立计算框架来实现并不断完善语言模型，接着根据语言模型设计各种实用系统，并研究各种实用系统的评测方法。（3）计算机处理自然语言的流程：Step01：把需要研究的问题在语言学上加以形式化，使其能以一定的数学形式，严密而规整地表示出来；Step02：把这种严密而规整的数学形式表示为算法，使其在计算上形式化；Step03：根据算法编写计算机程序，使其在计算机上实现；Step04：对所建立的自然语言处理系统进行评测，使其不断地改进质量和性能，以满足应用的要求。2.易错点自然语言处理（NLP）是机器语言和人类语言之间沟通的桥梁，不是简单地将文本翻译成代码。第二部分：自然语言理解（NLU）1.核心知识点梳理（围绕任务目标讲解）（1）自然语言理解（NLU）的定义：计算机对自然语言文本进行分析和处理，从而理解该文本的过程、技术和方法。简单来说，自然语言理解是将语言信息转化为计算机可读、可理解的语言，变得能够像人类一样对语言进行理解。（2）自然语言理解面临的5大难点：①语言的多样性：同一意图可以有无数种表达方式；②语言的歧义性：同一句话可以有不同的含义；③语言的鲁棒性：语言的错误容忍度（错别字、语法错误等）；④语言的知识依赖：理解语言需要背景知识；⑤语言的上下文：语言的含义依赖于上下文环境。（3）基于规则与基于自然语言理解的对比：基于规则的方法：只能识别提前设定好的关键词。如"订机票"意图判断，只要字符中没包含"订机票"这个关键词，计算机就无法处理；甚至"我要退订机票"也可能被误判为想订机票。基于自然语言理解的方法：让计算机从各种自然语言的表达中提取出对应的意图，不再依赖关键词。如从"看看航班，下周二出发去北京"中自动提取出"意图"为"订机票"、"时间"为"下周二"、"目的地"为"北京"。2.案例演示展示教材中基于规则的"订机票"意图判断图和基于自然语言理解的"订机票"意图判断图对比。第三部分：自然语言生成（NLG）1.核心知识点梳理（围绕任务目标讲解）（1）自然语言生成（NLG）的定义：在研究自然语言的机制和实现过程的基础上，用计算机把要表达的意思从非语言形式的输入构造成自然语言输出，并以口语或书面语的形式表达出来。（2）以智能音箱为例：自然语言理解技术用于判断用户的意图，而自然语言生成技术是将识别意图后答复进行语音输出。（3）自然语言生成的6个步骤：Step01：内容确定——决定哪些信息应该包含在文本中，哪些不应该包含；Step02：文本结构——合理组织文本的顺序（如篮球比赛报道先表达时间、地点、球队，再表达比赛概况和结局）；Step03：句子聚合——将多个信息合并到一个句子中表达，使文本更流畅、更易阅读；Step04：语法化——将信息组织成自然语言，加入连接词使句子看起来完整；Step05：参考表达式生成——选择适当的单词和短语构成完整句子，识别内容的领域并使用该领域的词汇；Step06：语言实现——将单词和短语组合起来形成结构良好的完整句子。2.自然语言生成的3个典型应用（1）自动写新闻：某些领域的新闻编写有明显规则（如体育新闻），通过自然语言生成与数据挖掘、知识图谱等技术结合，可让机器自动完成写稿、配图、排版等功能；（2）聊天机器人：小度、小艺、小爱等智能语音助手，以及客服机器人（酒店客服机器人、银行客服机器人、快递客服机器人等）都使用自然语言生成技术；（3）BI报告生成：通过对数据的解读，自动输出结论和观点，帮助人类洞察数据。三、小组互测+实操实训1.分组任务2人一组，一人出题、一人答题，互相核对理解情况。分组题库：①概念组：自然语言处理的定义、NLU和NLG的区别互问互答；②难点组：自然语言理解5大难点的理解互问互答；③应用组：分析自然语言生成的3个典型应用场景。2.实操体验组织学生分组体验自然语言处理应用。使用在线NLP工具或演示程序，体验文本分类、情感分析、意图识别等基础NLP功能。学生通过实际操作感受NLP技术的能力和局限性。3.讨论分享组织学生讨论：智能问答等自然语言处理技术如何应用于电商行业？结合日常生活实际，谈谈自然语言处理技术对生活提供了什么便利？四、高频错题集中讲评汇总本模块高频考试错题，完整演示修正流程：（1）混淆自然语言理解和自然语言生成的区别；（2）不清楚自然语言理解的5大难点；（3）不理解基于规则与基于NLU的本质区别；（4）不能完整说出自然语言生成的6个步骤。五、课堂小结+课后自主复习安排1.课堂小结依次回顾本节课核心知识点：（1）自然语言处理的概念：用计算机处理自然语言问题的学科；（2）自然语言理解（NLU）：让计算机理解语言，面临5大难点；（3）自然语言生成（NLG）：将非语言数据转换为人类可理解的语言，包含6个步骤；（4）自然语言生成的3个典型应用：自动写新闻、聊天机器人、BI报告生成。2.课后复习安排（1）完成超星平台课程任务点；（2）完成课后思考题：结合日常生活实际，谈谈自然语言处理技术对你的生活提供了什么便利？（3）完成学习成果自查表；（4）预习下一节"初识大语言模型"模块内容。教案首页授课顺序号：8授课任务模块八初识大语言模型所需学时2学时教学方式任务驱动教学、案例教学、实操实训、小组协作本次授课的教学目标：（一）知识目标（1）理解大语言模型领域常见名词和术语（AGI、Transformer、注意力机制、序列到序列、AIGC、GPT、Prompt）；（2）掌握大语言模型（LLM）的定义和主要特点；（3）理解GPT与LLM的关系；（4）了解GPT强大的原因（大规模数据集、大量参数、迁移学习）和训练路径（预训练+微调）；（5）掌握GPT生成回答的过程（输入处理→编码→解码→输出处理）和理解GPT的涌现能力。（二）技能目标（1）能区分AGI、AIGC、GPT、LLM等概念的关系；（2）能描述GPT的完整训练路径和生成回答的过程；（3）能分析大语言模型对各行业的冲击及优缺点；（4）能正确使用大语言模型进行问答、文本生成等基础操作。（三）素养目标（1）培养对大语言模型技术的兴趣和探索精神；（2）理解大语言模型在人工智能发展中的重要地位；（3）培养对大语言模型优缺点的批判性思维能力；（4）树立正确使用AI工具的意识，理解"AI辅助而非替代"的理念。教学方法与手段：1.教学方法：讲授法、演示法、案例分析法