面向“双一流”建设的行业特色高校人工智能实践教学改革研究——以中国矿业大学为例

邹 亮，李会军，王晔枫，雷 萌

（中国矿业大学信息与控制工程学院，江苏徐州221116）

一、引言

在新时代背景下，党的十九大明确了以“加快一流大学和一流学科建设，实现高等教育内涵式发展”为基本原则的重要战略部署。［1］［2］［3］行业特色高校是在我国经济建设的特殊历史时期整合成立的，面向矿业、石油、地质等产业，形成了特色鲜明的学科专业和具有独特优势的科研平台。［4］［5］［6］以中国矿业大学为例，作为全国唯一一所以矿业命名的特色行业高校，是一所工科为主，理、工、文、管等多学科协同发展的综合性大学。［7］在“新工科”视域下，［8］为加快我校“双一流”建设的进程，在一线教学工作中应重视实践教学、强化应用型人才培养，［9］［10］通过积极探索，开设综合性、创新性的实验课程，提高学生的实践和创新能力。

《人工智能基础》是为电子信息类、自动化类、计算机类和智能采矿等专业的本科生开设的一门专业主干课程。该课程数学推导多、理论性强，实验环节是学生接触人智能系统，并将基础理论实用化思维训练的重要教学手段。［11］然而，现有的实验课程，以验证性为主，实验对象工程性较弱，学生对理论与实际之间的关联认识模糊。如何培养学生利用人工智能的思想和理论方法，面向实际工程项目，分析问题、设计方案并解决问题，是“双一流”建设过程中课程教学改革亟待解决的问题。如何在实践教学环节中，融入思想政治教育，培养“好学力行、求是创新、艰苦奋斗、自强不息”的“矿大人”特有的精神，［12］也是高校立德树人的根本任务。

鉴于此，以“理实交融、项目导向、综合运用、注重创新”为实验教学理念，融入“课程思政”，依托于现代分析与计算中心以及学院国家级电工电子实验中心，结合煤炭能源生产利用的特殊背景，研究面向“双一流”建设的行业特色高校人工智能创新实践教学改革。

二、传统《人工智能基础》实验课程

由现有的《人工智能基础》课程教学大纲可知，实验开设4个教学单元，共计16个学时。教学内容主要包括房价预测、手写字符识别、聚类算法应用和简单图像处理等，具体内容如表1所示。现有实验课程以纯理论讲述系统工程，教学模式单一，实验对象工程性较弱，一定程度上限制了学生学习的积极主动性，兴趣难以激发，不能满足对实践与创新能力培养的要求。

表1 《人工智能基础》实验内容安排

三、构建以行业特色工程问题为载体的实验教学模式

《人工智能基础》课程教学多为数学公式推导，学生难以将所学的理论知识与实际智能系统工程问题结合应用，进而造成诸多学生在学习过程中存在得过且过的消极心态。另外，教师课堂讲授内容过多，学生缺少独立思考与实践环节，将导致学生对于抽象的人工智能理论方法和Python编程规则印象不够深刻，使教学质量难以达标。

结合中国矿业大学的行业特色，以实际工程项目为载体，开展命题式的实验教学模式。将人工智能算法用于煤矿安全生产、加工利用等环节中，主要包括：基于近红外光谱分析技术的煤矸石分选、煤矿工人安全帽佩戴与人脸在线检测、煤矿突水、瓦斯爆炸等煤矿灾害的区域态势预警等方面，具体课时安排如表2。通过以项目为载体的创新性实践训练，让学生在完成项目的过程中掌握专业知识，并培养锻炼其信息检索、建模推理、解决复杂工程问题等方面的能力。

表2 《人工智能基础》实验内容安排2.0

（一）基于近红外光谱技术的煤矸石分选

项目问题：利用近红外光谱分析技术实现煤与矸石的智能分选。

实验数据：实验搜集煤块和矸石样本各54份，并对其赋予标签作为模型的输出变量，其中煤块标签为1，矸石为0。利用MicroNIR Pro手持式光谱仪分别扫描样本光谱图，作为模型的输入变量。

实验方法：核心算法为BP神经网络和遗传算法。BP神经网络模型用于构建煤与矸石分类模型，遗传算法用于优化识别网络模型的参数。具体实验过程如图1。

图1 煤矸石识别实验流程图

模型评价：实验指导教师准备待测煤矸石样本数据20组，输入已训练好的模型，通过分析计算煤矸石样本预测结果的准确率（Accuracy）、精确率（Precision）和召回率（Recall）3个指标，对学生实验成绩予以评定。各指标的计算公式如下，

其中TP、TN、FN以及FP的定义如表3所示。

表3 真实值与预测值的关系

经过反复仿真测试，模型预测结果的准确率最高值和平均值分别约为95%、87%；精确率分别约为95%、89%；召回率分别约为96%、86%。因此，在3个指标平均值的基础上，若总体增加10%以上，则实验成绩为优秀；若增加5～10%为良好；若增加-5～5%为中等；若增加＜-5%则为合格。

（二）基于YOLOV4的煤矿工人安全帽佩戴检测

项目问题：利用深度学习算法实现煤矿井下工人安全帽佩戴情况的智能在线检测。

实验学时：6学时

实验数据：从互联网搜集5000张工人佩戴安全帽的图片，并利用labelImg对图片样本进行标注。其中，标签包括：person为图片样本中未佩戴安全帽的人头部分，hat为图片样本中佩戴安全帽的人头部分。

实验方法：核心算法为YOLO目标检测网络，实现安全帽的佩戴检测。利用YOLOv4官方发布的权重对安全帽检测模型参数进行初始化，并利用训练数据和验证数据进行参数优化和训练过程监控。具体实验过程如图2。

图2 煤矿井下工人安全帽检测流程

模型评价：实验指导教师将一组煤矿井下某工段摄像头采集的视频作为测试数据，要求学生间隔10秒获取一帧图像，并对构建的Yolov4模型，利用AP（平均精度）和mAP（平均精度均值）2个指标对其性能进行测试。其中AP为precision与recall绘制的曲线面积，mAP是AP平均值。

经过反复测试，对于训练集数据最优mAP大约在88%，测试集数据最优mAP约为85%，测试效果如4所示。根据模型的mAP值，将学生实验操作成绩为以下几个等级：mAP≥85%为优秀；80% ～85%为良好；65%～80%为中等；65%以下为合格。

（三）命题式的开放式创新性实践课程设计

在完成上述两个主题的必做实验内容后，学生还可开展命题式的开放式创新性实践教学。该教学环节中，以学生为中心，教师在布置任务要求后自动“隐身”，让学生自拟主题、自由组队、自主研究。最终提交一份包含项目的研究意义、研究现状、研究方法、研究方案及结果分析等内容的报告和实验结果。具体实际“项目”问题主要包括3种：

1.结合独有的行业特色，将人工智能算法用于煤矿安全方面，如煤矿危险区域违章操作检测、堆煤预警、煤流异物检测等；

2.利用开源的标准数据，将学习的理论算法用于前言热点问题的智能预测，如新型冠状病毒感染传播的预测等；

3.根据实验室现有的机械臂、机器人等先进的实验器具，分析所学理论方法的可行性，让设备按任务要求自主运行。

以项目为载体的实践训练，让学生在完成项目过程中掌握专业知识，培养其信息检索、建模与推理、解决复杂工程问题等方面的能力。实验教师发布基于上述特色主题的项目后，由学生自主搜集查阅相关文献和组建团队；然后，根据所申项目问题的任务要求，给出研究方法、具体的研究技术路线和团队成员分工；最后，在课程结束后提交结题报告，并由实验教师项目进行现场验收。基于项目管理模式的实验课程考核方法，以学生为主，自由发挥自身的创造力。在培养其团队协作能力的同时，加深了对人工智能理论的认知，无形之中训练了学生利用理论知识解决智能系统工程问题的思维。

四、结语

基于对传统实验教学模式的反思，在“双一流”建设背景下，结合中国矿业大学鲜明的行业特色，以煤矿安全生产中实际工程问题为对象，营造了“理实交融、项目导向”综合实验环境，构建“基础型验证实验—提升型创新实验”两个层次、虚实结合的立体化人工智能实践教学体系。充分发挥中国矿业大学的行业特色与品牌优势，为社会培养创新型的工程人才。此外，课程组将在开放实验平台的基础上，引入更多的工程问题、开源项目和平台，推动全方位优质教学资源的整合与共享。积极响应习近平总书记“人人皆学、处处能学和时时可学”学习型社会建设的号召，使《人工智能》这一个热门课程的学习不再受身份、空间和时间的限制。