课程名称：人工智能       适用专业：机器人工程

开课学院：机械工程学院    主讲教师：苗明达

课程简介：

课程整体教学目标：

本课程旨在培养学生掌握人工智能的核心理论与实践技能，深入学习机器学习、深度学习、计算机视觉等关键技术。通过理论学习与项目实践相结合，学生将能够运用人工智能技术解决实际工程问题，具备设计和开发智能系统的能力，为未来在机器人工程领域的深入发展奠定坚实基础。

课程思政目标：

通过以我国“蛟龙号”深海探测、“奋斗者”号全海深载人潜水器等海洋科考成就为背景，将蓝色思政理念深度融入课程教学。以海洋生物智能识别与生态监测为实践载体，让学生认识到人工智能技术在海洋生态保护、海洋资源合理开发、海洋环境治理等方面的重大价值。培养学生的生态文明意识和海洋强国使命感，激发其运用人工智能技术守护蓝色家园、建设美丽中国的责任担当。

一、章节名称

第4章 图像识别

二、章节教学目标

1. 知识目标

（1）掌握计算机视觉的基本原理，深入理解卷积神经网络（CNN）的结构与工作机制。

（2）学习图像预处理、特征提取、目标检测与分类等核心技术，能够构建完整的图像识别系统。

（3）掌握深度学习框架的使用方法，能够训练和优化图像识别模型，并评估模型性能。

2. 思政目标

（1）通过我国海洋科考装备中智能视觉系统的典型应用，引导学生认识人工智能技术在海洋强国建设中的关键作用。

（2）培养学生的生态环保意识，增强其运用科技手段保护海洋生态环境的使命感和责任心。

（3）激励学生将专业技能与国家海洋战略相结合，为海洋生态文明建设贡献青春力量。

三、案例设计与内容

1. 案例导入

课程开始，首先播放我国“奋斗者”号全海深载人潜水器在马里亚纳海沟成功坐底的壮观画面。介绍“奋斗者”号搭载的高清摄像系统如何在万米深海中精准捕捉珍贵的海洋生物影像，以及这些影像数据对海洋生物学研究的重大价值。

随后展示当前海洋面临的严峻挑战：海洋垃圾污染、珊瑚礁白化、海洋生物多样性锐减等环境问题。通过对比图片展示近年来我国南海珊瑚礁保护区的生态恢复成果，以及人工智能技术在海洋生态监测中发挥的重要作用。

提出核心问题：面对浩瀚的海洋和复杂多样的海洋生物，如何运用人工智能技术实现高效、准确的生态监测？如何让机器像海洋生物学家一样“识别”和“理解”海底世界？

通过这些震撼人心的海洋影像和发人深省的环境问题，自然引出本章主题：“图像识别技术在海洋生态保护中的应用”。

2. 案例教学方法

采用项目驱动教学法，结合理论讲授、案例分析、动手实践和小组讨论等多种教学方式。学生将组成“海洋AI保护小队”，通过完成一个完整的海洋生物智能识别项目，在实践中掌握计算机视觉核心技术。

3. 案例内容

• 背景介绍：

我国拥有约300万平方公里的海域面积，海洋生物多样性极其丰富。然而，气候变化、海洋污染、过度捕捞等问题严重威胁着海洋生态系统的健康。传统的海洋生态调查主要依靠人工观测，效率低下且成本高昂。随着人工智能技术的快速发展，基于计算机视觉的智能化海洋生态监测系统为解决这一问题提供了新的思路和方法。

• 任务描述：

学生需要设计并实现一个“海洋生物智能识别系统”。该系统能够自动识别海洋中的不同生物种类、监测珊瑚礁健康状况、检测海洋垃圾污染等，为海洋生态保护提供科技支撑。

• 项目实施步骤：

第一阶段：数据准备与预处理

1.收集海洋生物图像数据集，包括鱼类、珊瑚、海龟、海洋哺乳动物等多个类别

2.学习图像预处理技术：图像增强、噪声去除、水下图像色彩校正等

3.数据标注与数据集划分，建立训练集、验证集和测试集

第二阶段：模型设计与构建

1.深入学习卷积神经网络原理，理解池化、激活函数、正则化等关键技术

2.基于经典网络架构（如ResNet、YOLO等）设计海洋生物识别模型

3.针对水下图像的特殊性（光照不均、色彩失真等）优化网络结构

第三阶段：模型训练与优化

1.使用深度学习框架（TensorFlow/PyTorch）进行模型训练

2.学习超参数调优、学习率调度、数据增强等训练技巧

3.解决过拟合、类别不平衡等常见问题

第四阶段：系统集成与测试

1.开发用户友好的图像识别系统界面

2.集成目标检测、分类、计数等多项功能

3.使用真实海洋视频数据测试系统性能

第五阶段：应用场景扩展

1.珊瑚白化程度自动评估

2.海洋垃圾智能检测与分类

3.渔业资源可持续监管辅助系统

• 创新亮点：

技术创新：针对水下图像的特殊环境，研究色彩恢复、对比度增强等预处理算法；

应用创新：将AI技术与海洋生态保护深度融合，体现科技服务生态文明的理念；

教育创新：通过真实的海洋保护项目激发学生的学习兴趣和社会责任感。

深海探测新利器：“奋斗者”号

珊瑚礁健康监测

海洋鱼类监测识别

四、教学效果与反思

1. 教学效果

通过将人工智能技术与海洋生态保护紧密结合，本案例取得了显著的教学效果。学生们在学习过程中表现出强烈的学习热情和社会责任感，纷纷表示要将所学技术应用于海洋环境保护事业。

知识技能方面：学生深入掌握了计算机视觉的核心理论和实践技能，能够独立完成从数据处理到模型部署的完整流程。通过真实的海洋数据训练，学生对深度学习算法的理解更加深刻，解决实际问题的能力显著提升。

思政教育效果：课程有效激发了学生的生态环保意识和海洋强国情怀。许多学生在课程结束后主动了解我国海洋科技发展现状，积极参与海洋环保志愿活动，体现了良好的思政教育成效。

创新实践能力：部分优秀学生基于课程项目进一步深化研究，形成了具有实用价值的海洋生态监测应用，在全国大学生创新创业大赛中取得优异成绩。

2. 反思

本案例在实施过程中也发现了一些需要改进的地方：

技术层面：水下图像的复杂性给初学者带来了一定挑战，部分学生在图像预处理环节遇到困难。未来需要提供更详细的技术指导和分步骤的实践教程。

数据资源：高质量的海洋生物标注数据获取成本较高，限制了项目的深入开展。建议与海洋科研院所建立合作，共建教学资源库。

实践环节：由于条件限制，学生缺乏真实海洋环境的实地体验。未来可考虑组织海洋实地考察或与海洋馆建立教学实践基地。

评价体系：需要建立更加全面的评价体系，不仅关注技术指标，更要评估学生的生态环保意识和社会责任感的培养效果。

通过持续的教学改进和创新，本案例将进一步发挥在培养具有生态文明意识的人工智能人才方面的重要作用，为建设海洋强国和美丽中国贡献教育力量。