SCI论文（www.lunwensci.com）:
摘要：为了更好地开展《人工智能》课程的教学，帮助学生找到好的学习方法，使他们能充分发挥自己的能力，提高该课程的掌握水平。本项目根据该门课程知识结构特点，以人工智能领域中的计算机视觉为案例，结合当前流行的教学改革模式，提出了基于“问题驱动、任务导向”的《人工智能》课程教学改革方案，能够帮助学生找到好的学习方法，提高学习兴趣，有效提高教师的教学效果。
关键词：人工智能；计算机视觉；课程知识结构；问题驱动；教学改革模式
本文引用格式：王新良,等.基于“问题驱动、任务导向”的《人工智能》课程教学改革研究[J].教育现代化,2019,6(97):47-49.
针对《人工智能》课程教学效果不佳的问题，很多教师、研究人员提出了诸多课改方案。人工智能课程的晦涩难懂容易导致课堂氛围较差，多增加学生与教师的沟通，结合现有的教学资源，使得学生对课程中的重难点进行讨论和学习，并在课堂后引入师生在线讨论，可以逐渐提高学生对人工智能学习的积极性[1]。积极性的提高意味着学生有意愿进行该课程的深入学习，但如果要长久维持这种意愿，就需要激发起学生的学习兴趣，因此，在基础课程大纲的基础上，局部调整课程内容，通过引入全新的人工智能技术，结合现有的案例对人工智能进行解析，可以大大激发学生的学习兴趣[2]。在人工智能的课程中，以案例和实践教学是提高学生学习和掌握人工智能技术的重要手段之一，但是在教学的过程中，如何选取经典的案例以及合理安排实践教学是值得讨论的课题[3]。人工智能涉及的领域广泛，当前比较热门的包括机器学习、计算机视觉等，以这两个领域为例进行人工智能课程的教学，也符合当今人工智能发展的方向，选择了合适的案例，也要选择合适的工具，Python语言作为当前人工智能研究学习的一大利器，具有很多诸如简单易上手等特点，因此在教学中基于Python进行人工智能课程的教授，会有很好的效果[4]。
以上课改方案尤其可见案例教学会有可观的效果，结合当前人工智能发展现状，在人工智能课程中引入计算机视觉相关案例，同时结合Python语言，快速实现当今流行的人脸检测、情绪检测等功能，极大地激发起学生的兴趣。在案例教学的基础上，选用的案例较为经典，但其中会存在不足和待改进的地方，针对一些理论性强的内容，向学生提出相关问题，让学生寻找问题的解决方案，即以问题为驱动；针对另外实践性强的内容，教师将其任务化处理，并进一步对任务进行更小的划分，让学生通过实践来完成分配的任务，即以任务为导向。该教学方式能够显著地提高学生的学习效果，对于人工课程的教授也具有一定的意义。
一 课程教学内容体系改革
（一）计算机视觉简介
计算机视觉（以下简称CV）是当前人工智能体系中较为热门的一个领域，它主要研究的是让计算机具备像人一样的“看”的能力。人工智能课程面向的是拥有计算机基础知识和数学基础知识的学生群体，而Python对于该群体的学生而言，语法简单，容易掌握，Python在CV领域，提供了PIL和OpenCV两个著名的库，OpenCV是一个开源的CV算法库，该库还提供了不限于Python的Java、C++等的API。
（二）图像特征提取方法之Haar特征介绍
图像特征提取可以对图像全局或局部信息进行判断，以此来判定图像中的各个点的所属类，最终不同的类构成不同的子集，每个集合反映到图像中即为图像对应的事物的一个属性。
Haar特征是依据图像灰度分布，表示出图像区域灰度变化的特征，其模版由黑白相间的特征矩阵构成，如图1所示具体包括Edge features、Line features、Center-surround features三种类型。
为了更形象地说明Haar特征在人脸检测中的应用，图2（b）将Haar特征模版对应到人脸的局部结构中，即形成人脸特征与Haar特征的映射关系，特征值为图中黑色和白色区域各自像素灰度值之和的差值，即图2（c）黑色区域的数字之和减去白色区域的数字之和。
然后，点(x3,y3)处的积分图值为I'(x3,y3)(x2,y2)=SUM(Area 1)+SUM(Area 3)；最后，点(x4,y4)处的积分图值为I'(x 4,y 4)=SUM(Area 1)+SUM(Area 2)+SUM(Area3)+SUM(Area 4),所以可以计算出SUM(Area 4)=I'(x4,y4)-I'(x3,y3)-I'(x2,y2)+I'(x1,y1)。
（三）检测算法概述
（1）AdaBoost算法
AdaBoost算法是一种根据给定的包含正负样本的集合，通过提取该集合数据中的特征，然后依据该特征对样本进行训练形成弱分类器，通过迭代继而形成其它弱分类器，最终将这些弱分类器集合成一个强分类器，继而提高分类器性能。
（2）级联分类器
级联分类器基于AdaBoost算法实现，级联分类器在每一个分类器里都有多个特征作为对象的度量，经过这一系列的特征度量之后符合分类器的分类要求的对象，即被筛选出来的目标对象，如图4所示，即为人脸检测的级联分类器示意图。
二 案例在人工智能课程中的实现
本文所使用的案例为人脸检测案例，案例实现基于Python开发环境下的OpenCV库，该库封装了多个基于Haar特征、LBP特征的人脸特征的XML文件，通过导入级联分类器引擎CascadeClassifier()类，即可简单快速实现人脸检测。
（一）静态检测
该过程首先为在Python导入opencv，导入语句为import cv2，接着使用cv2中的CascadeClassifier()类作为人脸检测和微笑检测的级联分类器引擎，接着分别给上述类中传入基于Haar特征的人脸特征XML文件和微笑特征XML文件，并将其传给变量face_detector和smile_detector,至此，人脸检测和微笑检测引擎构建完成；然后使用cv2中的imread()方法读入要检测的图片将其传给变量img，图5(b)即为传入的原图。对于img，由于Haar特征提取自灰度图，所以使用cvtColor()函数将img转为灰度图并将其传为变量gray；接着对face_detector调用detectMultiScale()方法进行人脸的检测，该方法返回值为检测出的人脸在图像中的坐标列表，并将其传为变量faces；有了上述的坐标列表，使用for循环对列表中的值进行遍历，继而利用cv2中的rectangle()方法即可在图像中用矩形框标记出人脸的位置；在上述for循环体内，调用smile_detector的detectMultiScale()方法进行微笑的检测，之所以在for循环体内进行，是因为微笑检测是基于检测出的人脸，这样可以大大缩小检测区域，从而节约了计算资源；最后使用cv2.show()方法显示最终效果，并使用cv2.waitkey()监测键盘事件以终止结果展示，结果如图5(b)所示。
（二）动态检测
动态检测是通过电脑摄像头对待测者进行实时的人脸检测，与静态检测不同就在于传入的检测对象不同，动态检测需要对传入的实时视频进行“拆解”。实现过程为先调用cv2的VideoCapture()方法调用电脑摄像头，参数为0，表示调用默认摄像头；然后使用cv2的read()方法将视频的帧读入，该方法返回读取状态成功与否的布尔类型状态码ret和读取的视频帧frame；上述的frame相当于静态检测的img，继而将frame按静态检测的流程进行检测。以学生为待测对象，最终结果如图6(a)，图6(b)所示。
三 总结
本文通过在人工智能课程中引入Python计算机视觉中人脸检测的案例，让学生直观地收获到人工智能学习的成果，进而大大激发了学生的学习兴趣。通过该案例，让学生知道了如何引入OpenCV中已经训练好的人脸特征文件，但是对于特征文件的训练方法，如何自己训练一个特征文件并将其封装成XML文件是学生自己应该思考的问题，这些问题驱动着学生进行更加深入的研究；对于一些操作性强的问题，例如案例动态检测中没有实现活体检测，对于该问题，教师将其作为任务分配给学生，让学生基于给出的案例进行改进，以任务为导向进行学习。这种教学方式在使学生有了学习兴趣的基础上，一方面提高了学生的思考和解决问题能力，另一方面提高了学生的动手实践能力，进而对教学质量的提高有积极的作用。
参考文献
[1]李丹.人工智能课程教学改革探讨[J].钦州学院学报,2016,31(10):64-67.
[2]赵佳,孙刚.面向人工智能的信息管理与信息系统专业教学改革[J].电脑知识与技术,2017(10).
[3]余磊,汪弋鸢,周瑜晗.基于CBL教学法的《人工智能导论》课程研究型教学改革与实践[J].课程教育研究,2018(37):226-227.
[4]刘永芬,赖晓燕,李盼盼.人工智能时代背景下Python课程的案例教学研究[J].计算机时代,2019(04):89-92.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jiaoyulunwen/30714.html
