姜孝春　楊萍

選題背景

《新一代人工智能發(fā)展規(guī)劃》將人工智能發(fā)展提升至國家戰(zhàn)略層面，明確指出要完善人工智能教育體系，在中小學階段設置人工智能相關課程。《義務教育信息科技課程標準（2022 年版）》中提出了對人工智能教育的具體要求。然而，縱觀世界各國對于基礎教育階段的人工智能教育尚未形成完整的體系，缺少系統、科學的課程內容，更沒有配套的軟件平臺和硬件形成合力，導致目前相關教學難以有效組織和實施。

人工智能是發(fā)展新質生產力的重要引擎，中小學人工智能教育不應僅停留在體驗層面，應當結合最新的人工智能技術，深入剖析技術原理，加強應用與實踐，以達成新課程標準的目標，培養(yǎng)具備創(chuàng)新思維和實踐能力、能夠解決真實問題的新時代青少年。

本文以發(fā)芽土豆分揀問題為導向，圍繞數據、算法和算力——人工智能的三大基石同頻共振，開展人工智能知識、技能與創(chuàng)客教育相結合的大單元教學設計。通過貼近學生生活案例激發(fā)學生的學習興趣，在實踐中系統學習人工智能知識和技能，掌握利用人工智能解決真實問題的完整流程和方法。

課程設計

課程目標

學生基于真實情境學習人工智能圖像分類技術，通過數據集制作、模型訓練、模型推理等一系列實踐活動，體驗運用人工智能技術解決真實問題的流程。通過學習和實踐模型轉換，使用開源硬件實現圖像分類應用部署，掌握多模態(tài)交互的一般流程和方法，完成人工智能發(fā)芽土豆分揀機的制作。在項目實踐中，提高學生對人工智能的興趣，培養(yǎng)人工智能創(chuàng)新思維和問題解決能力，進行項目優(yōu)化、改進和創(chuàng)新。

學情分析。

學生對人工智能技術有一定的興趣和基礎知識，但缺乏實踐經驗和動手能力，需要通過具體項目將原理與實踐相結合，提高學生的創(chuàng)新思維和問題解決能力。

課程內容。

本課程緊扣人工智能的三大基石——數據、算法和算力展開，通過真實情境問題引導學生探索人工智能圖像分類技術和硬件部署操作。課程從引導學生采集多樣化的土豆圖像數據開始，學習對圖像進行分類用以構建數據集。學生根據任務需求選擇合適的算法訓練圖像分類模型，進行模型推理并評價模型性能，通過實踐調整訓練參數，不斷提升模型性能。最終學生通過模型轉換與硬件應用部署，利用“行空板”等開源硬件實現多模態(tài)交互。

課時安排。

本單元共分8 個課時，內容涵蓋了人工智能圖像識別技術的全流程。具體課時安排和學習內容見圖1。

教學準備

本單元適合在具有一定創(chuàng)客加工條件的計算機房進行，需要使用到的軟件如下。

浦育平臺：基于上海人工智能實驗室的在線教育平臺提供的Jupyter Notebook 運行環(huán)境和算力資源，具備數據集制作、模型訓練、模型轉換等功能，方便學生學習和實踐人工智能圖像識別技術。

Mind+：圖形化編程工具，支持行空板等開源硬件和Python 程序調試運行，提供圖像識別、語音輸出、超聲波檢測、舵機控制等功能，方便學生將模型部署到開源硬件，實現人工智能發(fā)芽土豆分揀機的多模態(tài)交互和程序調試。

需要使用到的硬件如下。

行空板：采用微型計算機架構的國產開源硬件，自帶Linux 操作系統和Python 運行環(huán)境，集成了LCD 彩色觸摸屏、Wi-Fi、麥克風等多種常用傳感器和豐富的拓展接口，支持接入攝像頭、揚聲器等外設和超聲波傳感器、舵機等開源硬件。行空板使用方便，預裝了常用的Python 庫，也可以快速安裝人工智能運行庫，同時支持Mind+ 等圖形化編程工具，是一款理想的中小學人工智能教學和實踐創(chuàng)新開發(fā)工具。

超聲波傳感器：判斷是否有需要分揀的土豆，進而開啟攝像頭進行圖像識別。

舵機：可以控制角度的電機，用于驅動分揀機的運動，實現土豆分揀。

土豆：用于分揀的土豆，需要有一定數量和比例的發(fā)芽土豆和不發(fā)芽土豆，方便學生進行數據集的制作和分揀機的測試。

實施過程

本單元以發(fā)芽土豆分類為實際問題，引導學生從認識圖像分類算法到制作數據集，使用XEdu 工具進行模型訓練、模型推理和硬件部署，最終利用多模態(tài)交互技術實現項目迭代和交流展示，全面體驗人工智能項目開發(fā)和制作的全過程。

人工智能模型基石：數據集制作與優(yōu)化

數據集制作是訓練有效圖像分類模型的基礎，在課時2 的任務中，學生通過參與制作和完善高質量的數據集，體驗圖像分類數據集制作的一般流程。在本單元的教學中著重強調數據集的多樣性、準確性和質量對模型訓練的重要程度，這些因素直接影響到模型的性能和后續(xù)課程的實施。

明確分類問題需求后，收集數據并整理和完善數據集，解決發(fā)芽土豆識別問題需準備發(fā)芽、不發(fā)芽土豆的二分類數據集。教師鼓勵學生參與到數據采集過程中，在家里選擇合適的發(fā)芽和未發(fā)芽土豆，通過智能手機拍攝圖片，每個學生都親身參與到數據采集的過程。根據訓練要求，數據需要批量預處理，步驟包括圖像裁剪、調整大小和增強對比度，通過這些操作提高制作數據集的準確率。我們的基礎數據集包含近1 800 張圖片，大約按照8 ∶ 1 ∶ 1 的比例劃分為訓練集（trainning_set）、驗證集（val_set）和測試集（test_set）3 個文件夾，其中訓練集1 429 張圖片（不發(fā)芽土豆956 張、發(fā)芽土豆478 張）、測試集180 張圖片、驗證集179 張圖片。

教學過程中引導學生深入實際思考問題，例如為什么不發(fā)芽土豆的圖片數量要遠多于發(fā)芽土豆圖片數量？通過設置懸念激發(fā)學生的興趣和求知欲，讓學生在后續(xù)實踐中更加細心觀察思考尋找原因，明白不發(fā)芽土豆容易誤識別為發(fā)芽，有部分原因是土豆圖片的背景雜亂造成的，反思數據集的制作，并進一步深入思考在設計土豆分揀結構中要設計相應的解決方案。如何高效地采集這些數據集圖片？實踐中通過手機拍攝動態(tài)視頻，再使用PotPlayer 軟件自動批量截取符合訓練需求尺寸的JPEG 格式圖像，或者使用Python 程序提取幀再批量處理，這些方法都大大提高了數據集制作的效率。

人工智能訓練實戰(zhàn)：模型訓練與優(yōu)化探索

模型訓練部分是人工智能教學的重要環(huán)節(jié)。課時3 與課時4 的任務目標是讓學生理解并實踐如何通過機器學習處理和分析數據訓練模型。教學中詳細介紹模型訓練的步驟，包括選擇合適的算法、數據集、設置訓練參數、執(zhí)行訓練過程及評估模型性能。使用XEdu 工具實踐操作發(fā)芽土豆圖像分類模型的訓練，讓學生通過優(yōu)化超參數調整，不斷提升模型性能，在此過程中深入理解數據、算法、算力對模型訓練的重要作用。

發(fā)芽土豆圖像分類模型訓練教學實踐在上海人工智能實驗室浦育平臺上進行，通過創(chuàng)建一個“人工智能工坊”XEdu Notebook 編程項目進行。模型訓練流程包括：①導入MMEdu深度學習庫；②根據任務需求實例化模型；③配置模型訓練參數，如訓練輪數、學習率、批量大小等；④使用發(fā)芽土豆圖像數據集開始訓練模型，觀察訓練過程，找出最佳權重文件；⑤使用最佳權重文件為預訓練模型繼續(xù)訓練，微調參數使模型達到更好的效果，以適應發(fā)芽土豆圖片的分類任務。

在實踐教學過程中學生使用浦育平臺XEdu 工具在CPU 版和GPU 版服務器運行環(huán)境切換，在相同參數條件下感受CPU 與GPU不同的算力對訓練效率的影響。在訓練參數教學環(huán)節(jié)可采用分組實驗，對比訓練輪數、學習率、批量大小等不同參數對模型訓練效果的影響。學生通過實踐操作從頭訓練模型和使用預訓練模型訓練，觀察模型性能變化，從而理解預訓練模型訓練具有提高模型性能、節(jié)省訓練時間和計算資源、增強模型泛化能力、遷移學習能力等優(yōu)點。訓練出的模型權重文件準確率達到98.324%，學生在數據集制作到模型訓練的完整過程中感受算法、算力和數據相互支撐、相互促進，共同推動模型性能的提升。

模型推理：人工智能實踐的關鍵一步

模型推理是將模型訓練成果轉化為人工智能應用的橋梁。課時5 的目標是將模型訓練的成果應用于解決真實問題——推理土豆圖片發(fā)芽或未發(fā)芽的可能性。學生將學習如何運用訓練好的模型進行實際推理的方法和操作流程，并深入理解模型推理的原理與應用價值。

使用模型推理識別發(fā)芽土豆圖像的教學同樣在浦育平臺XEdu Notebook編程項目進行，模型推理流程包括：①加載模型，學生導入必要的庫、實例化模型，并加載之前訓練好的模型；②推理數據準備，學生重新拍攝或搜索獲得不同土豆的照片（不同于數據集的圖片），將圖片上傳到項目文件用于模型推理；③執(zhí)行推理，學生指定圖片并啟動推理過程，模型將根據學習結果對輸入圖片進行分類，判斷其是否發(fā)芽；④推理結果解析，學生對結果進行分析，觀察模型在不同情況下的表現，分析誤判分類的原因，從而進一步理解模型的性能與局限性。

模型推理過程是圖像分類技術的核心，學生面對真實問題，親身參與體驗圖像分類從理論知識到模型應用，通過實踐獲得成功開發(fā)人工智能的喜悅。同時，面對諸如背景復雜的土豆圖片出現誤判的情況，深入思考如何改進模型，如何設計土豆分揀機結構，以適應復雜的真實問題挑戰(zhàn)。

多模態(tài)交互應用：人工智能發(fā)芽土豆分揀機部署實踐

多模態(tài)交互是一種融合多種感官信息的交互方式，為學生提供更豐富、更有趣的學習體驗。在本課程中，將模型轉換為onnx格式并部署到行空板上，通過超聲波傳感器實現物體的識別，進一步啟動外接攝像頭采集土豆圖像進行圖像識別，運用圖像、文字和語音輸出檢測結果。學生通過人工智能發(fā)芽土豆分揀機的模型部署和開源硬件交互，深入探索多模態(tài)交互在人工智能項目中的應用方法與實踐操作。

人工智能發(fā)芽土豆分揀機使用行空板作為硬件平臺，行空板自帶Linux 操作系統和Python 運行環(huán)境，集多種常用傳感器和豐富的拓展接口，支持接入攝像頭、舵機等開源硬件。行空板自帶pinpong 庫，可用于超聲波物體檢測和舵機控制，也可以快速安裝人工智能運行庫。教學中使用行空板終端pip 命令安裝所需的庫，比如onnxruntime 庫支持onnx 模型的運行，pyttsx3 庫實現離線文字轉語音功能等。需要注意的是，在安裝庫的過程中需要使用網絡，可以通過電腦連接行空板，打開Wi-Fi 連接無線網絡再安裝。

行空板支持Mind+ 等圖形化編程工具，Python 不熟練的學生也可以使用圖形化編程完成傳感器與舵機的程序調試，再將圖形化程序轉化為Python 代碼，在教師的指導下完成與onnx 模型轉換生成的圖像識別程序進行融合，最終完成人工智能發(fā)芽土豆分揀機的程序編寫。通過程序控制實現人工智能發(fā)芽土豆分揀機的幾個關鍵功能：①使用超聲波傳感器判斷土豆是否進入識別區(qū)域，并控制圖像識別的啟動和停止；②使用外接攝像頭獲取實時圖像并輸入到模型中進行識別；③使用行空板自帶顯示屏顯示圖像和文字結果；④將識別結果以語音形式輸出到音箱；⑤使用外接舵機對識別好的土豆進行分揀。人工智能和多模態(tài)交互實踐不僅提高了學生的編程能力和創(chuàng)新思維，也為人工智能技術在實際場景中的應用提供了有益的參考。

學習成果

本課程在8 年級部分班級開展了教學實驗，項目經歷了多次迭代，并對教學進行優(yōu)化。本單元的教學設計重在引導學生學習和運用人工智能技術解決真實問題，項目涵蓋了人工智能圖像識別技術的全流程，包括數據集制作、模型訓練、模型推理、模型轉換、模型部署等，讓學生能夠全面、清晰地了解和掌握人工智能圖像識別技術的原理和方法，明確運用人工智能技術解決真實問題的思路。

學生成功地將訓練完成的模型轉換并部署到硬件平臺，實現了多模態(tài)交互的功能，包括超聲波檢測、圖像分類、語音輸出、舵機控制等，提升了學生對人工智能應用創(chuàng)作的良好體驗。項目具有一定的可拓展性，可以根據實際情況進行創(chuàng)新，訓練新的模型實現其他物品的分類。

學生在模型訓練方面展現出了極高的熱情和創(chuàng)造力，在理論學習和實踐操作中都有了明顯的進步。他們不僅掌握了人工智能的核心技術，還學會了如何將這些技術應用于解決實際問題。這些學習成果將為他們未來在人工智能領域的深入學習和發(fā)展奠定堅實的基礎。

反思與提高

本單元的教學展示了如何利用人工智能技術解決實際問題的完整流程，從理論到實踐的轉化過程清晰而完整。豐富的教學活動不僅加深了學生對人工智能技術的理解，也鍛煉了他們運用人工智能技術解決真實問題的實踐操作能力。

在未來的教學中，我們將在以下幾個方向進行探索與優(yōu)化：

項目可以嘗試使用更先進的數據集制作方法，如使用視頻拍攝加程序抽幀批量獲取圖片、批量處理、結合數據清洗提高數據集的質量和數量，提高模型的準確率。

項目可以嘗試使用更優(yōu)化的模型訓練方法，使用預訓練模型等技術進一步提高模型的訓練效果和效率，降低模型的訓練成本和時間。

項目可以嘗試使用更簡化的硬件搭建，使用更易用的外設和連接線接入攝像頭、揚聲器、超聲波傳感器等，簡化硬件的搭建過程和難度，提高硬件的穩(wěn)定性和可靠性。

我們也將持續(xù)關注學生的反饋，不斷調整和優(yōu)化教學方法，確保教學活動的有效性和趣味性。為學生提供更豐富、更高質量的人工智能學習體驗，激發(fā)中小學生對人工智能技術的興趣和熱情，培養(yǎng)學生的人工智能創(chuàng)新思維和問題解決能力，為人工智能創(chuàng)新教學貢獻一份力量。