面向新工科的机器视觉课程建设与改革实践

李策，唐峥岩

（中国矿业大学(北京)机电与信息工程学院，北京 100083）

0 引言

机器视觉技术的快速发展和广泛应用，给高等教育带来了新的挑战和机遇。然而当前机器视觉课程教学中存在许多问题，如教学平台陈旧、实验教学方法不够灵活、综合性实验效果差等，这些问题影响了学生的学习效果和实践能力的培养。因此，越来越多的教育工作者开始探索新的教学模式和教学手段，以提高学生的编码能力和实践能力。

本文提出了一种基于实验教学实践的教学模式，该模式以机器视觉与边缘计算应用为主要内容，以提高学生编码能力为主要目标。在教学过程中，采用了“授课-实验-讨论”层次分明的教学模式，构建了一套教学平台，充分利用云服务器等技术手段，构建合适的环境，并采用有效的评分机制对学生的课后练习进行评级。此外，将“课程思政”[1]元素融入教学中，挖掘专业课程中的育人资源，以促进各类课程与思想政治理论课的交叉融合。通过教学实践发现，该教学模式能够有效提高学生的理论与实践结合能力，明显改善了教学质量。本文旨在探讨该教学模式的特点、实践效果和存在的问题，并为机器视觉课程的教学和实践提供一些参考和借鉴。

1 机器视觉课程特点及实验教学存在的问题

机器视觉是一门蓬勃发展的交叉学科[2-3]，涉及计算机视觉、模式识别、计算机图形学和机器学习等多个领域。机器视觉实验教学的内容相对较为复杂，包括神经网络、卷积神经网络、目标检测、目标识别、边缘计算等多个方面。课堂教学以讲授各部分内容的算法为主，尤其是各种神经网络模型，初学者理解起来较为困难。然而，机器视觉实验教学中存在一些问题，如学习门槛高、内容不易理解、学生编程能力差、实验教学平台缺乏智能性等，限制了学生对机器视觉知识的掌握和应用能力。因此在机器视觉实验教学中需要采用有针对性分层次的实验教学方式，以帮助学生更好地理解和掌握该学科。

为了提高机器视觉实验教学的效果，学者们已经尝试了多种方法和策略，如基于翻转课堂[4]、网络教学、基于混合式学习[5]和项目任务驱动的教学改革、注重编程能力培养、基于微信平台[6]的机器视觉实验教学，以及引入ACM 机制的实验教学等。这些方法和策略在一定程度上缓解了机器视觉实验教学中存在的问题，提高了学生的学习效果。

机器视觉课程在实验教学中的复杂程度与课程难度密切相关。目前，机器视觉课程实验教学存在着一些问题，主要表现在以下几个方面：1）实验教学内容设置缺乏针对性。当前的机器视觉实验教学方式通常是根据课程教学大纲的要求，对机器视觉课程知识进行编程实现与分析验证。由于缺乏区分不同专业培养需求的考虑，实验题目难度的不平衡性，难以满足不同基础学生的需求，基础薄弱的同学在实验过程中往往难以理解和完成实验，产生畏难情绪；而基础好的学生则很容易完成这些实验题目，却无法得到充分的挑战和提高。2）实验教学平台缺乏智能性。目前的实验教学平台通常只能对学生提交的代码进行简单的结果评测，无法对代码的质量、可读性和语法结构进行全面的检查和评估。此外，由于老师只能通过批阅纸质报告来了解学生是否掌握了某个知识点，批阅过程耗时且容易出错。3）实验教学课下讨论还停留在简单的群交流。非上机实验时间段，学生编程遇到问题只能通过在已建立的交流群中提问，由于问题数量庞大，老师往往不能做到及时回答每一个学生的问题，答案也无法得到充分的讨论和深入的解析。

针对以上问题，本文构建了一套基于MOOC的机器视觉实验教学平台。该平台的使用对象是中国矿业大学（北京）计算机专业学生。学生可以根据自己的基础水平选择不同的课程进行学习，并随时随地登录系统进行学习和测验。课程设计旨在让学生先消化课程提供的案例和实验，在结合教材推荐的实验练习的过程中深度理解机器视觉常用算法原理和Open-VINO 的使用方法。该教学模式突破了传统，近一半的时间介绍了OpenVINO 的实际应用，并强调动手实践，让学生在实践中巩固所学知识。此外，学生和教师都可以登录讨论区进行提问和回答，学生之间也能直接进行交流，老师可以对问题及时更正或解答，方便后续有重点的集中讲解和调整教学方式。教学平台具有很好的实用性和互动性，为学生提供了一种全新的学习方式和教学体验，有望为机器视觉实验教学提供新的思路和方法。

2 实践方法——教学平台的设计与构建

为了更有针对性地开展计算机专业的实验教学工作，平台采用了以MOOC 为授课方式的教学模式（见图1）。该教学模式采用授课-课后检验-考试的方式，旨在让学生熟悉目标检测的常用算法，并在此基础上应用OpenVINO平台，实现典型的机器视觉应用，同时也让能力较强的学生在此基础上做出更具创新性的应用。实验环境使用了阿里云的天池云环境，该环境可以基于开源版本深度优化学习过程，具有多元的工业场景实验案例，便于学习。此外，平台还可免费使用大规模并发GPU&CPU 资源，以提升实验效果和学习体验。学生在使用平台时，代码思路全程可视化，避免了不同代码环境导致的兼容性问题。

图1 以MOOC为授课方式的机器视觉实验教学平台

2.1 课程模块

机器视觉实验教学平台的课程分为“基础-进阶-提升”三个层次，每个层次都包含不同难度的编程实验。“基础层次”考虑了学生们的Python基础和教学任务，对应了较为简单的实验题目。“进阶层次”则在实验难度上进行提高，适用于在基础课程巩固消化后，想要更深层次了解算法结构的学生。“提升层次”不仅在编程难度上进行提高，同时要求学生对代码进行优化，在对算法优化的过程中进行自我提升，培养学生的思维能力。

对于无基础或基础较差学生，可以从“基础层次”的实验题目开始做起，掌握机器视觉的层次架构。对于基础良好、早已接触过机器学习的学生，要适当引导和开发有潜力的学生去做出创新，在已有的数据模型上进一步优化，逐渐挑战“进阶层次”和“提升层次”的题目。反复对知识点强化以及深度理解，提高学生思维能力，对后续学习其他专业知识都有很大的帮助。

2.2 随堂检验模块

课程设置了随堂检验模块，在每单元课程后，包含文档和随堂检验。文档涵盖了课程中的重要知识点，学生可以结合课程内容进行巩固学习，提高课程的便利性。课外补充材料（见图2）可以引起学生对机器视觉的深思和讨论，提高学生的兴趣度。随堂检验模块则是学生进行自我检测，老师可以根据学生的正确率来判断哪些知识点掌握得较为薄弱，以此进行重点讲解，提高教学的有效性和目的性。

图2 课外补充材料示例

2.3 课后作业和数据统计模块

传统的机器视觉上机课程通常要求学生到机房完成实验题目，时间和进度都是自主控制的。而采用MOOC教学方式，老师可以为学生提供了更好的实验环境，避免了兼容性问题，通过课后作业的形式巩固学生对机器视觉课程所学内容的理解。相较于传统的上机实验课程，更加注重理论与实践的结合，让学生在掌握基本理论知识的同时，能够通过实践加深对知识的理解和应用。MOOC 课程还为学生提供了更加灵活的学习方式，学生可以根据自己的时间安排和学习进度完成课程内容，从而更好地掌握知识。

课后作业包括选择题和编程实验题，支持不同编程语言，帮助学生深入理解课程内容。老师可以通过查看学生提交的状态信息，包括学号、姓名、排名、成绩和最优结果提交时间，了解学生的学习情况。使用天池云作为虚拟环境，可以查看学生代码的运行时间和资源消耗，方便进行代码调试和优化，同时，学生也可以定位代码出错的位置和具体原因。在处理大量数据时，优秀的数据结构和算法可以优化程序运行时间，让学生思考更优的程序算法。

2.4 讨论模块

基于MOOC 的实验教学平台为学生提供了一种高效的互动式学习方式，使他们能够更快地得到问题的答案，并拓展对问题的多角度思考。同时，这种教学方式也能减轻老师的工作负担。

平台对题目设置了专门的讨论机制，学生可以在讨论区发起主题，描述遇到的问题并等待回答。简单的问题学生之间可以互相解答，老师只需要查看学生回答正确与否，或者有针对性地回复难题。如需深度讨论，可以再发帖，等待同学或者老师的回答。相对于传统的机器视觉教学平台，以MOOC为授课方式的实验平台更强调自主学习和交流，学生能够更加积极地参与课程中。这种教学方式不仅提高了学习的效率，还能够提高学生的自我思考能力和解决问题的能力。

此外，基于MOOC的实验教学平台还可以随时讨论问题（见图3），这为学生提供了更加便捷的学习方式和更多交流的机会。通过这种方式，学生能够更好地掌握知识，更好地理解机器视觉技术的前沿和应用，更好地解决实践中遇到的问题。同时，这种教学方式也对老师的教学能力提出了更高的要求，需要老师更好地掌握课程知识，更好地引导学生学习，以实现教学质量的提高。

图3 讨论模块示例

3 结束语

在课堂教学中，融入思政教育能够让学生更好地理解机器视觉技术的社会价值和意义，增强学生的社会责任感和使命感。通过课堂讨论、案例分析和实践操作等教学方式，学生能够更加深入地了解机器视觉技术的应用场景和影响，同时也能够更好地认识到技术发展对社会的影响，有利于学生形成正确的技术伦理观和社会责任感。

融入课程思政的机器视觉课堂教学和基于MOOC的机器视觉实验平台的出现，不仅在技术层面提升了学生的学习主动性和编码能力，还在思想层面引导学生树立正确的世界观、人生观和价值观，具有重要的教育意义。这种教学方式有助于培养具备高度社会责任感和创新能力的优秀人才，为机器视觉技术的发展和社会的进步作出贡献。