面向人工智能課程群的智能視覺實驗平臺建設

王雷全，吳春雷，郭曉菲，孫 冰

（中國石油大學(華東) 計算機與通信工程學院，山東 青島 266580）

1 背 景

人工智能的迅速發展將深刻改變人類社會生活、改變世界。為搶抓人工智能發展的重大戰略機遇，構筑我國人工智能發展的先發優勢，黨中央、國務院制定了《新一代人工智能發展規劃》。我國已成為全球人工智能的發展中心之一，但面臨著巨大的人才缺口。如何通過合理可行的培養方案設計與實施，支撐本科層次人工智能人才培養目標的實現，已成為各高校相關專業面臨的重大挑戰。目前，我國很多高校已開設智能科學與技術專業，著力培養新一代人工智能人才[1]。智能科學與技術專業一般都對培養方案、知識結構、教學內容和實踐體系進行了廣泛的改革和建設。但是，對實踐環節的規劃不成體系，很少有專門的規劃和總體的建設思路。

2 人工智能課程實踐教學面臨的問題

2.1 各課程實驗環節間缺少銜接，缺乏統一的實踐平臺

教學大綱的編制過程中雖已充分考慮了人工智能課程內容應有的前后相繼和彼此支撐的關系，但是這一銜接關系在實踐教學環節卻被忽略，各個課程往往各自割據，尤其是實踐平臺各自獨立制訂，無法形成合力。課程的實驗環境多種多樣，Matlab、Java等不能統一，學生花費大量精力在編程語言上，忽略了人工智能算法本身。因此，迫切需要提供統一的實驗平臺，有效打破課程實踐環節之間的藩籬，提高學習效率，優化實踐效果。

2.2 實驗教學案例落后，缺少與實際相結合的典型應用

傳統實驗教學案例多為模擬問題[2]，很難直觀觀察到算法的效果，導致學生不能全面理解算法的優缺點。此外，實踐內容偏于理論，缺乏與實際相結合的實踐案例。當前人工智能技術，尤其是深度學習[3]發展迅速，需要向學生實時傳授最新技術進展。因此，迫切需要將最新的典型應用案例融入實踐教學中，從而更加清晰地向學生展示專業領域的知識脈絡。

2.3 課堂實踐教學缺乏后續銜接，缺少對課外創新實踐的支持

學生在本科期間要學習大量的知識，隨著互聯網技術和應用的發展，特別是反轉課堂理念逐步被接受和認可，課外學到的知識已經成為課內知識的重要補充。“創新實踐”是高校學術研究和應用研究的重要活力源泉，是實踐教學的進一步延展[4]。如何使學生在創新過程中將精力專注在核心算法上，避免重復勞動，進而降低創新成本，提升創新效率，創造更多創新價值是高校實踐教學面臨的問題。因此，迫切需要提供對創新實踐的全面支持，節約復雜的后端系統配置和維護所帶來的成本消耗，降低創新成本，提高創新效率。

3 面向人工智能課程群的智能視覺實驗平臺

機器視覺是當前人工智能的研究熱點，因此，將人工智能理論與機器視覺相結合，建設面向人工智能課程群的智能視覺實驗平臺具有重要意義。面向人工智能課程群的智能視覺實驗平臺可以為人工智能教學提供前沿的應用場景，在人工智能教學過程中，理論聯系實際，激發學生的學習興趣，同時為人工智能教學、科研、競賽提供堅實的支撐。教學實驗平臺需要在教學過程中與理論教學內容深入結合，通過設計不同的實驗目標，將相關知識點進行整合，實現技術的綜合運用。此外，實驗內容的設置應以技術的實際行業應用為標準，實驗過程盡可能接近于完整的產品開發過程。為此，對智能視覺實驗平臺進行了總體規劃，并制訂了平臺建設方案。

3.1 智能視覺實驗平臺總體規劃

目前人工智能課程群主要包括智能計算基礎、人工智能、機器學習、數據挖掘、視覺物聯網技術、多媒體技術與應用、數字圖像處理、科研實踐等課程。經過廣泛的調研分析與評估，課程組提出以智能視覺為應用背景，構建基于python+Tensorf l ow[5]的多課程共享綜合教學實踐平臺，結合人工智能在機器視覺方面的最新進展，向學生提供覆蓋“人工智能課程群”的基礎實踐資源、科研創新資源與學科競賽資源，力求將“人工智能課程群”的理論知識與實踐項目集成于智能視覺實驗平臺。智能視覺實驗平臺總體規劃如圖1所示。

圖1 智能視覺實驗平臺總體規劃圖

面向人工智能課程群的智能視覺實驗平臺面向實驗教學、科研創新與學科競賽3個層次。智能視覺實驗平臺在統一性、先進性、共享性與高效性4個方面進行規劃，力求支撐本科人工智能人才培養的實踐環節。

（1）統一性，構建統一的基于python+tensorf l ow的人工智能實踐平臺，實現人工智能課程群的實踐教學資源整合；

（2）先進性，以智能視覺為應用案例，將人工智能實踐內容與實際結合，實時補充最新的人工智能進展；

（3）共享性，開放學生與老師的解決方案，達到開放式實驗的目的；

（4）高效性，使學生的精力專注在核心算法，避免重復勞動。

3.2 智能視覺實驗平臺建設方案

3.2.1 智能視覺實驗平臺設計

依照對智能視覺實驗平臺的總體規劃，課題組設計了如圖2所示的智能視覺實驗平臺。智能視覺實驗平臺的研發，能夠將相關課程的實驗項目進行改寫，統一集成于python+TensorFlow平臺，通過設置應用場景，各模型算法的執行結果可以從視覺應用中觀察到。智能視覺實驗平臺分為基礎框架層、模型算法層、視覺應用層以及綜合評價層。

圖2 智能視覺實驗平臺框架圖

（1）基礎框架層：為了實現智能視覺實驗平臺的高效性，避免學生重復搭建、配置實驗環境，平臺采用Linux操作系統，并使用容器化技術Docker實現虛擬化環境。在Docker環境下可以調用CPU、GPU等硬件資源，并在此技術上搭建基于python的TensorFlow實驗開發平臺，同時配置模板、制作鏡像以供使用。

（2）模型算法層：模型算法層是智能視覺實驗平臺的核心，其包括數據預處理、特征提取以及機器學習、數據挖掘等算法。學生可以將完成的算法放入模型算法層，向下可以調用基礎框架層的硬件資源，向上可以向視覺應用層提供核心算法。所有算法模型依托于TensorFlow平臺，供視覺應用層調用，并可以展示算法效果。

（3）視覺應用層：視覺應用層以技術綜合運用為目標，設置與實際相結合的最新應用案例，例如基于深度學習的人臉識別、物體檢測與視頻分析等智能視覺應用實驗項目。視覺應用層可以調用模型算法層的相關算法，提高實驗和創新效率。

（4）綜合評價層：提供客觀與主觀的學生評測機制。客觀評測按照算法執行的效果，如準確率等評測標準。主觀評測從算法的理論水平、先進性等方面對學生進行評測。

3.2.2 智能視覺實驗平臺實驗內容

智能視覺實驗平臺面向課內實驗教學、綜合設計、課外競賽與科研創新。一方面，課程組通過對傳統實驗內容進行改進、改寫使之能夠融入TensorFlow平臺。另一方面，根據人工智能技術最新進展，加入新的實驗內容，例如卷積神經網絡、物體檢測等最新人工智能進展。智能視覺實驗平臺將實驗內容劃分為基礎實驗、進階實驗與綜合實驗3個層次。

基礎實驗與課程內容密切相關，其面向課內實驗教學，強化對課程基本理論的理解。此過程能夠使學生掌握一定的操作技能和實踐知識，引導學生在學習過程中發現問題和提出問題。基礎實驗包括傳統圖像特征提取、視頻光流提取、Apriori算法、最大期望（EM）算法、分類與回歸樹、聚類、AdaBoost、決策樹、神經網絡、降維與度量學習、特征選擇與稀疏表示、概率圖模型、SVM、K-NN等。

進階實驗將部分課程設計與具體課程分離，面向綜合設計，按照國內外高校的先進教學模式，強調學生的選題先進性和實踐環節的連貫性，鼓勵學生將實踐環節與最新科學進展結合。在進階實驗部分，設置的實驗內容包括卷積神經網 絡 CNN（AlexNet、VggNet、ResNet）、 長 短時記憶網絡LSTM、生成對抗網絡GAN、物體檢測（Faster-Rcnn、SSD、YOLO）與強化學習等。

綜合實驗根據人工智能方向設置實驗內容，面向課外競賽與科研創新，側重工程開發能力、創新能力的培養，使學生能夠得到創新意識與實踐能力的雙重培養。在綜合實驗部分，設置實驗內容包含圖像語言描述（如CNN+LSTM+Attention）、視頻行為識別（如DTPP、TSN）、人臉識別（如Facenet）、基于視覺的自動駕駛等綜合應用。

4 結 語

本文對人工智能課程群的實驗教學平臺的建設規劃、建設方案與方法進行了深入的思考與研究，提出了面向人工智能課程群的智能視覺實驗平臺的建設思路，并給出了具體的平臺建設內容與實驗項目。智能視覺實驗平臺的建設，可以向學生提供完整的智能視覺處理框架，包括數據預處理、特征提取、算法模型及評價機制，能夠提高學生的實驗與科研效率，為人工智能教學提供必要的實驗條件，較好滿足人工智能方向人才培養的需求。