智能图像识读与乡村早期艺术教育研究①

肖 弋（湖南师范大学 美术学院，湖南 长沙 410002）

乡村早期艺术教育中的儿童美术创造力是活态传承乡村美术人文的核心能力，由于创造力培养路径的不确定性，乡村儿童美术创造力培养是一个瓶颈问题。随着人工智能、大数据技术日益广泛地介入育人过程，传统依据个人主观经验培养儿童美术创造力的教学影响力日渐式微，乡村儿童美术创造力培养，时下已成为一个育人难题。

推进乡村儿童美术创造力发展，应用新信息技术手段深入乡村进行人才培养，可以缓解乡村美育师资不足的困难，成为乡村儿童美育中具有良好应用前景的新选择。1998 年，Yann LeCun 提出的应用卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习网络架构，具有强大的图像特征提取和识别功能，可以实现复杂图像直接输入网络并快速提取图像特征及分类，广泛地应用于各个行业。CNN 可以高效建构乡村美术图像序列分类数据库，迅速呈现乡村儿童美术作品中的创造力特征，助力教育者开展针对性培养，促进乡村儿童产生根植于乡村文化意蕴的个性化美术创造力，是破解乡村儿童美术创造力培养难题、助力乡村美学建设的有效途径。基于卷积神经网络图像识读的乡村儿童美术创造力培养模式构建，这是一个亟待研究的新议题。

一、图像识读与乡村儿童美术创造力培养研究

图像识读呈现了美术创造中图像的形式与内涵、功能与价值，是美术创造力的必备要素。1969 年，Rudolf Arnheim 认为视觉作为一种具有高度选择性的探索工具，能通过捕捉事物图像的突出特征，确定对一个知觉对象的认识，并能够创造出一个完整的式样。卷积神经网络（CNN）作为一种典型的深度学习模型能对复杂结构、大样本的图像特征进行自动学习，被广泛应用于解决图像识别、图像分类、目标检测等图像识读问题，但其在美术教育领域应用研究目前尚少，是一个值得深入研究的广阔领域。

国外研究者发现儿童视觉认识高度影响创造力成长。1940 年，Herbert Reed 开始重视儿童美术表现类别与视知觉类型的关系。1947 年，Viktor Lowenfeld通过实验论证扩大视觉经验范围能有效促进儿童创造力与心智成长。1969 年，Rudolf Arnheim 以“视觉思维”引导注意力集中于功能的创造性思维教育责任。1972年，Elliot W·Eisner 的研究则重在观察视知觉活动与视觉认识之间的统一性。

研究者探析儿童美术创造力培养中的图像识读内涵及方式。1986 年，Kristin G 认为如能对民间美术作品进行准确的图像分类，可以引导儿童注意作品创造过程，促进儿童的智力、文化和个人经验发展，影响民间艺术的相对创新。2008 年，Howard Gardner 关注展览作品、电视等图像对儿童联想力的积极影响，分析儿童创造力落差的“U 形曲线”图式成因。2009年，Enid Zimmerman 重新定义创造力，图像选择不以自我表达为主导，更注重文化认同、技术、良好公民意识等培养，校内外联合培养时考虑认知复杂性等主要作用。2011 年，Torrance E. P.认为需要教儿童创造性地思考。2014 年，Dennis Wolf 和Steven J 认为民间艺术的创造力是种沟通语言。

研究者研讨乡村儿童美术创造力培养中的图像识读状态。内涵上：2001 年，谢丽芳认为乡村儿童创作呈现了乡村美学的“原生态”特征；2004 年，李力加关注民间美术图像审美陶冶作用。思路上：2005 年，翟墨呼吁在儿童美育中开展抢救性的民间美术图像解读与创作；2017 年，钱初熹开展以创意思维为核心的21 世纪视觉素质教育；2019 年，朱青生提倡普及“图像基础教育”。实践上，全国各地以乡村学校为育人基地，组建了以城带乡、多方协作的乡村美育共同体：如2003 年至2020 年，中国美术家协会少儿美术艺术委员会等组织的“蒲公英”农村地区小学美术教育专项课题推行民族民间美术图像识读与创作育人；高校和美术馆开展项目制育人，如2014 至2016 年浙江馆校合作构建“艺游乡里”美育共同体；2020 年，湖南师范大学美术教育研究基地联合社会各界开展乡村美育成果图像展研，深化推进乡村儿童美术创造力培养机制建设。近年来，各地探求形成创作面貌丰富的“一校一品”“一校多品”的特色育人格局。

已有研究探析图像识读与儿童创造力成长之间紧密的逻辑关系，对乡村儿童创造力培养具有促进心智成长、实现民间美术文化传承的价值达成共识，业界关注并开展了培养内涵和实践探析。但在步入图像识读的信息化时代，受限于教育者个人经验开展儿童创造力培养的局限性较大，因缺乏学科交叉融合，未能建构体现乡村自强、自信美育精神与各民族审美特质的乡村美学图像数据库，培养时对乡村儿童个性化的创造力发展需求关注不足，阻碍了乡村儿童美术创造力培养及提升。建构基于CNN 网络图像识读模型的乡村儿童美术创造力培养模式，有利于深入探索人工智能应用于美育育人、助力乡村美学建设的新途径。

二、美术教育视角的卷积神经网络（CNN）相关研究

已有国外研究大多将卷积神经网络视为图像模型结构的深度和特征学习范例进行研究，主要集中于以下领域：

探讨基于CNN 的图像分类方法特性。1958 年，David H.Hubel 和Torsten N.Wiesel；1980 年，Kunihiko Fukushima；1989 年，Yann LeCun 分别受动物视觉神经系统启发提出的CNN 能自动、快速学习图形的高层特征，不断深入研究使图像分类简单快捷、适应性强。

构建CNN 经典模型，提高图像特征表达能力。1998 年，Yann LeCun 等提出LeNet5（如图1）；2012年，Alex Krizhevsky 等提出AlexNet（如图2）；2014 年，Christian Szegedy 等提出Inception（如图3） ；2014 年，Karen Simonyan 等提出VGGNet（如图4）增加了对CNN 图像复杂特征的非线性表达能力，利用网络深度理解更多有意义的图像特征，可处理数量庞大的图像大数据集。

图1 LeNet5网络结构图（摘自“Gradient-Based Learning Appliedto Document Recognition”）

图2 AlexNet网络结构图（摘自“ImageNet Classification with Deep Convolutional Neural Networks”）

图3 Inception-v4网络结构图（摘自“https://blog.csdn.net/u013841196/article/details/80673688”）

图4 VGG16网络结构图（摘自“https://www.jianshu.com/p/9f77a4a4f294”）

改进CNN 机制，提升深度学习效能。2012 年，Li 等提出针对卷积核的注意力机制SKNet，2017 年，Hu 等提出针对图像特征的通道注意力机制SENet，趋向轻量级、高效的网络发展。

已有国内研究主要探讨了应用CNN 提取图像特征、进行分类解析的方法。2005 年至2021 年，纺织：邓莹洁、罗戎蕾；生物医学领域：杨培伟等；测绘领域：朱袁杰等；农业领域：颜琪；电子商务领域：贾世杰等；检测领域：肖柏旭、张丽静；交通领域：陆璐等人探讨了图像特征识别、图像精细分类、图像检测算法等在各领域的应用实效。其他研究主要集中在两方面：一是梳理CNN 的图像分类研究历程。2020 年，覃晓、包俊等对CNN 的图像分类研究进展进行脉络梳理，提出展望；二是提出新的CNN 图像研究方法，提升CNN 的图像分类性能。2020 年，侯小毛等提出增强引力搜索的图像分类算法；2021 年，朱斌等提出增加新型初始模块。近年来，基于CNN 的图像研究逐年上升，文献量相对较多。

2021 年5 月，在中国知网进行检索：（主题：卷积神经网络）OR（主题：CNN），从总库中获得文献资料6.99 万份，其中包括4.77 万篇学术期刊、1.74万篇学位论文、4131 篇会议论文及60 本图书，主要涉及的40 个学科领域（如图5）所示，其中在计算机软件及计算机应用领域研究最为深入，文献为37570 篇，占比36.90%。其次是自动化技术，文献为28460 篇，占比27.95%。位居第三的是电信技术，占比5.22%。在进一步限定“美术教育”主题后，仅检索到文献1 篇，即2020 年5 月尹勇锋的软件工程专业硕士论文《面向绘画在线教育的零样本图像检索技术及其应用研究》，文章探析通过绘制简易的物体轮廓检索相同标签的自然图像，研究重点是图像检索技术，与本文探析智能图像识读育人模式的研究点不同。

事实上，国内包装市场的快速增长也反映在了机器的供应上。以青浦工厂出品的设备为例，早期，青浦工厂主要组装四色机，后来增加了六色机、七色机，到现在又开始八色机组装，而这些长机器基本上是提供给包装印刷企业来使用。据了解，青浦工厂提供给国内企业的设备的数量，目前占了海德堡大中华区总销售量的一半以上。

图5 涉及CNN研究的40个主要学科领域（图右侧列表:依据数量由上至下排序）

广泛的应用领域及相关研究成果表明，CNN 具有强大的深度学习能力，能有效地用于图像特征提取和模式识别，可以丰富、深化人们的视觉经验并提升判断力，促进美术深度学习。尽管基于CNN 的图像处理及识读，可以将感性的美术创作力培养内涵理性化、可视化，为美育指引正确方向，是人工智能时代美育路径的新探索，但利用CNN 对视觉形象的感知、理解能力开展美育育人的研究文献明显缺失，目前尚为研究“盲区”。构建促进乡村儿童美术创造力培养的CNN 图像识读模型，可能是在理论和实践上破解这一行业性难题的切口。

三、以智能图像识读助力乡村儿童美术创造力培养模式构建

本研究立足于乡村美术特色的乡村儿童美术创造力培养，应用卷积神经网络（CNN）强大的图像识读能力，建构并探析CNN 图像识读模型对乡村儿童美术创造力培养及其发展的影响。探索因材施教、切实可行的乡村儿童美术创造力培养模式，激活乡村儿童的美术创造活力，同时开发一线教师可简便操作的应用程序，研究成果实现教学应用。

智能图像识读助力乡村儿童美术创造力培养模式构建框架思路为：

1.乡村儿童美术创造力培养现状及问题分析

（1）深入调查乡村儿童美术创造力培养的图像识读既有模式。

（2）广泛了解制约乡村儿童美术创造力培养的图像识读因素，分析原因。

（3）归纳现状中的问题，探析新时期乡村儿童美术创造力培养的图像识读内涵。

2.CNN图像识读机理的乡村美育育人价值探析

（1）分析CNN 图像特征提取与美学迁移分析的机理。

（2）探析CNN 提取乡村美学特征的育人价值。

（3）分析CNN 自动学习机理与乡村儿童美术创造力培养关系。

3.乡村儿童美术创作大数据集获取及图谱分析

（1）广泛收集乡村美术主题作品样本开展图谱分析。

（2）大规模乡村美术主题作品样本数据采集、预处理图像数据，通过图谱分析确定作品的创作特征。

（3）以计算机数据扩充为基础，建构乡村儿童美术创造力培养的图像识读大数据集。

首先，收集优秀民间美术作品、乡村儿童美术作品、中外乡村主题美术作品等，分析乡村儿童美术创造力成因和不同类型美术创造力影响的图谱变化规律。

图6 乡村民间美术图像分类示意图

然后，采集上述样本的电子图谱，进行图像预处理，邀请乡村美学和民间美术研究专家依据民间美术的功能、种属、文化意蕴、美术语言等特性的层次聚类，按照简便性、通用性、专指性、可扩展性的图像分类原则，确立乡村美术作品图像分类标准，建立图像类属与当代乡村儿童美术创作状态的关联性，定义作品图像类别和类型，由专家评估作品的造型符号及其意蕴、组织结构、空间维度、色彩搭配、线条组合、材质肌理等，给出图谱分类标签，分类提供创意策略参考。

最后，通过计算机对原始图像进行旋转、缩放以及调整明暗度等方式来扩充原始图谱数据集，提高后续模型的鲁棒性，最终拟获取用于训练CNN 网络的乡村美术创作作品10 万张，作为提供给乡村儿童美术创造力培养的图像识读大数据集，并将其划分为训练集（80%图片）和验证集（20%图片）。

图7 应用CNN图像识读进行图像分类示意图

4.基于CNN图像识读的乡村儿童美术创造力培养模式建构与优化

（1）选择、调整与优化CNN 模型，构建CNN图像识读模型。

（2）进行模型实用性能评估。

（3）探析具有乡村美学建设特色的乡村儿童美术创造力发展评价。

（4）形成基于CNN 图像识读的乡村儿童美术创造力培养模式。

（5）应用模式育人，动态反馈实践结果，优化培养模式。

首 先， 选 择 主 流CNN 网 络（ 如AlexNet、VGG16 等），根据作品样本数据性质，对作品图像数据进行预处理并进行网络调整和超参数优化。之后将训练集用于培养的CNN 模型进行学习训练，并把基于验证集获得的图像分类准确率作为评估CNN 模型图像识读性能的重要指标，对不同CNN 网络的图像分类结果进行比较，从中甄选出最优模型。最后，将CNN 模型投入实际应用，将其分类结果与专家分类结果进行比对，以此评估CNN模型的实用性能。同时，针对培养中可能出现的乡村儿童个体差异和美术表现力水平限制、同一美术类型图谱数据差异较大等问题，给出增量学习方案，采用新获得的作品数据更新、优化、拓展CNN 模型的应用域，形成适宜评估乡村儿童美术创造力发展水平的模型结构。

该人工智能模型可转换性地应用专家经验，获取乡村儿童美术作品中的乡村美术审美、情感、个体美术表现水平等分类信息，迅速呈现儿童创造力发展阶段、学习兴趣、技术水平等情况，可为进一步培养指引正确方向、明确培养阶段发展目标。依据培养需要，从训练CNN 模型的大数据集中快速提取同质组、对比组、衍变组标签作品，乡村儿童可获取与个人美术发展状态相近的创意图像资源，教师可获取相应的创意教学策略参考。在阶段性培养中，将儿童新作品图像输入CNN 模型，使用CNN 得出图像识读结果，基于结果给出培养方案，据育人实况进入后继阶段培养，达成创造力发展目标。

在创造力发展评价中，重点关注“乡村”语境中儿童美术学科核心素养养成，尤其重视有乡村文化理解的美术创意表现实践，以评价引导乡村儿童观察接乡村地气、养成乡村文化底气、创意表达为乡村文化注入生气。依据评价，动态反馈模型和方法的应用情况，不断完善育人模式。

图8 基于CNN图像识读的乡村儿童美术创造力培养模式示意图

结 语

聚焦乡村美术文化生态建设生力军培养，应用人工智能促进乡村儿童图像深度学习，探索构建一个乡村美学特色鲜明、操作便捷、培养指向可视化的乡村儿童美术创造力“人工智能+美术教育”复合培养模式。在基于CNN 图像识读的培养模式构建中，需要科学设置图像特征分类标签，构建适用于CNN 图像识读的乡村儿童美术创作大数据集；需要依据CNN图像分类结果恰当评估儿童美术创造力水平，指导开展儿童美术创造力培养，实现乡村儿童美术创造力可持续发展。后期可以通过开发研究成果的应用程序，无经验用户使用手机或电脑输入乡村儿童美术作品，即可获得图像识读反馈、资源链接、培养参考等，探求研究成果在乡村早期艺术教育中的推广应用。