面向計算機類本科生的計算機視覺”課程教學改革探索

中圖分類號：G434 文獻標識碼：A 論文編號：1674—2117（2025）09-0102-04

引言

計算機視覺作為人工智能的重要分支，主要研究如何使機器能夠感知、理解和處理視覺信息。近年來，隨著深度學習的快速發展，計算機視覺技術在圖像分類、目標檢測、語義分割、三維重建等任務中取得了顯著進展，被廣泛應用于自動駕駛、醫療診斷、人臉識別、航天和工業制造等領域。[2]

筆者所在學院面向人工智能專業本科生開設了“計算機視覺專業主干課，共安排64學時，其中理論講授48學時，實踐16學時，旨在培養學生掌握基本的圖像處理技術、計算機視覺算法，以及將理論應用于實際問題的能力。課程內容涵蓋了圖像的基本表示、特征提取與匹配、模型擬合、目標識別與檢測，以及近年來興起的深度學習模型在視覺任務中的應用。這些知識體系融合了統計學、信號處理、圖像處理以及機器學習等多個學科的知識，構成了學生進人相關領域深造或從事相關工作的基礎。

然而，計算機視覺作為前沿科學研究熱點，其技術發展日新月異。深度學習，尤其是卷積神經網絡、Transformers等架構，已成為計算機視覺領域的核心技術。隨著大語言模型的興起，跨模態融合、大規模預訓練模型與微調成為新的研究熱點。而目前教學內容缺乏對前沿技術的擴展，也缺少對跨學科教學場景的挖掘與應用。此外，課程內容往往更注重算法和理論，實踐部分的比例較低，學生難以通過設計與編程深刻理解和掌握知識，在面對復雜工程問題時難以勝任。

計算機視覺課程教學改革方案

為了提升計算機視覺課程的教學效率，培養學生的創新能力和實踐能力，進行課程教育教學改革已成為急需解決的課題。因此，本研究從教學內容、教學模式、實踐環節與評價機制等方面探索改革路徑，以期為計算機視覺課程的教育教學提供可參考的解決方案。

1.更新前沿技術，構建模塊化課程體系

本課程依據計算機類本科生的知識結構和計算機視覺領域的發展，制訂了如下教學內容。

（1）基礎理論

重點講授計算機視覺的基本原理，旨在為學生后續學習打下扎實的理論基礎。首先是圖像基礎與圖像處理，如圖像的數字化表示（像素、分辨率、顏色空間）、灰度圖與彩色圖的差異、卷積操作與濾波、邊緣檢測、圖像增強與變換（直方圖均衡化、傅里葉變換）等。該模塊是整個課程的起點，后續的算法設計和模型實現都依賴對圖像基礎的深刻理解。其次是傳統特征與擬合，包括特征點檢測（角點檢測、斑點檢測）、特征描述子、特征匹配方法估計幾何關系。特征提取是目標跟蹤與識別的基礎。

（2）核心技術

介紹現代計算機視覺的主流算法和深度學習的應用方法，幫助學生掌握解決計算機視覺任務的關鍵技術。圖像分類中介紹傳統基于特征提取的分類（如詞袋模型）和基于深度學習的方法。目標檢測與語義分割中介紹Viola-Jones人臉檢測、Faster R-CNN、YOLO、基于聚類的無監督分割算法、全卷積網絡等。基礎理論模塊中的圖像處理和幾何估計為圖像分類和目標檢測提供了預處理和幾何約束的理論支持。核心技術模塊中的特定任務，如目標檢測和語義分割，常為應用實踐模塊中的工業場景提供技術支撐。

（3）前沿內容

聚焦最新的研究動態，幫助學生了解計算機視覺的發展趨勢和未來方向。例如，深度學習模型的最新進展，包括Transformers在視覺中的應用、遷移學習、自監學習、大規模預訓練模型等；跨模態學習，如圖像生成、圖文匹配和描述生成；模型優化與部署，包括輕量化技術（模型剪枝、量化、知識蒸餾）和嵌入式部署；可解釋性技術如可視化熱圖等。

以上每個模塊相對獨立，模塊之間按照“從基礎到核心，再到前沿與應用”的路徑循序漸進，可定期調整前沿方向模塊內容，引入最新技術和應用案例，保持課程的先進性。通過這種結構化的課程設計，學生可以逐步掌握計算機視覺的理論基礎、技術核心和實際應用能力，為深入研究或工業實踐做好充分準備。

2.引入“分層任務驅動”，改革教學模式

本課程基于各模塊知識點設計分級實踐，通過任務驅動，培養學生解決實際問題的能力。

① 基礎任務旨在幫助學生熟悉計算機視覺基礎理論和常用工具，掌握圖像處理與基本模型實現。例如，使用OpenCV完成圖像平滑、銳化、邊緣檢測，使用卷積神經網絡實現手寫數字分類。該類型任務以工具使用為主，強調概念的理解與實現。

② 中級任務希望學生通過深度學習算法解決更復雜的計算機視覺問題，學會結合理論優化模型性能。例如，基于U-Net實現道路場景語義分割，優化模型的超參數與結構，提高分割精度。該類型任務注重算法的理解、實現、性能優化與結果分析。

③ 工程型任務通過模擬實際落地場景，培養學生解決復雜問題的能力，包括數據處理、算法設計、模型優化和部署。需綜合運用多種技術和工具，強調全流程實踐，貼近工程需求。

表1列舉了本研究構建的典型分層任務，可以看到基礎任務中對圖像處理、特征提取等基本技術的掌握，為中級任務中目標檢測、分割、圖像生成等深度學習算法的應用奠定理論和技術基礎。中級任務中的深度學習模型訓練經驗，為工程型任務中的模型優化和部署提供支持。工程型任務將基礎任務中的理論知識和中級任務中的深度學習技術融為一體，實現從理論到應用的完整閉環。通過這些任務設計，學生能夠逐步掌握從基礎知識到實際工程開發的完整技能鏈，強化對理論知識的應用能力，為學生的科研或職業發展提供工程經驗。

3.面向產業需求，深化學科交叉融合

（1）跨學科知識點的梳理與融合

計算機視覺的核心技術需要多學科知識的支撐，如圖像處理中的旋轉、縮放，投影中涉及線性代數的矩陣變換，圖像生成中概率模型的構建和推理，深度模型訓練中的參數優化涉及最優化方法的梯度下降法等。教師可以將以上學科內容以專題或課外資料形式嵌入計算機視覺課程，逐步引導學生掌握知識的交叉與轉化。

（2）以產業需求為導向設計課程案例

結合智能制造、智慧醫療、智能交通等領域的需求，將核心算法與實際場景相結合。例如，在目標檢測模塊，引入自動駕駛中的行人檢測案例；在圖像分割模塊，融人醫學圖像腫瘤識別任務。通過將最新的研究動態（如生成對抗網絡、擴散模型）與企業真實需求（如無人機巡檢、智慧農業監控）納人教學案例，能夠使學生感受到計算機視覺技術的實際價值。

（3）挖掘跨學科場景的應用價值

通過跨學科場景的設計，培養學生從問題需求出發，綜合運用多學科知識分析和解決實際問題的能力。表2展示了跨學科場景應用的典型案例以及背后的主要技術。這些案例不僅涵蓋了計算機視覺技術的多樣化應用，還強調了跨學科知識的整合，幫助學生從多個角度分析和解決實際問題。例如，工業產品表面缺陷檢測中可基于仿真平臺模擬實際工業場景，使學生能夠完成從工業數據處理到工程部署的跨學科實踐，構建跨學科協同培養新模式。

4.加強教學過程性評估，弱化 期末考試分數占比

為全面評估學生在計算機視覺課程中的學習效果，結合理論與實踐特點，本研究設計了多元化的考核方式，關注學習過程與學習結果。

（1）考核方式多元化

期中平時成績占總成績的1 0 % ，主要包括課內討論和隨堂測驗。小組實踐占比 4 0 % ，要求學生分組完成一個具有實際意義或能解決行業痛點的計算機視覺項目，考核內容包括需求分析與方案設計、算法改進與模型訓練、工作陳述與報告撰寫。期末考試占比 5 0 % ，包括基礎知識考核（如理論概念、數學推導、經典模型結構分析等）和開放性問題考核（如實際落地問題的解決方案，答案不唯一）。

（2）增加過程性評估

將大任務拆分為若干小任務，需要定期提交階段性成果，便于跟蹤學生的學習進度與任務完成情況。進行中期展示與期末答辯，通過課堂展示或研討，接受教師與同學的提問和建議，從而促進學生對所學內容的反思與優化。

（3）使用多種評價形式

除教師評分外，分配固定分值作為同學互評分，防止評價主觀性過強。通過學生之間的相互評價，提供改進建議，同時培養其批判性思維和學習能力。引入自動評分平臺（如Kaggle的代碼競賽環境）、自定義測試集進行代碼規范性、運行效率與結果自動化性能評價。

結語

本文針對本科生計算機視覺課程的教學現狀，從教學內容、教學模式、實踐環節、考核方式以及跨學科融合等方面提出了全面的教學改革方案，力求實現理論與實踐、學科與產業、基礎與前沿的有機結合。盡管本文的教學改革措施已初見成效，但仍存在進一步探索的空間。例如，在不斷更新教學內容以緊跟技術前沿的同時，如何有效平衡基礎知識和最新進展之間的比例，確保課程的學術深度和工程廣度并重；如何結合智能化教學工具實現個性化學習路徑，提升教學效率；如何更廣泛地推動教學改革成果在其他學科和院校的推廣應用。這些都是未來值得深入研究的方向。

參考文獻：

[1王鐵勝.計算機視覺技術的發展及應用[J].信息系統工程，2022（04）.63-66.

[2]蘇穎娜.“以研哺教”在計算機視覺應用教學中的實踐探索[J.信息與電腦：理論版，2024，36（16）.35-38.

[3]武阿明，姜品，韓亞洪.基于視覺和語言的跨媒體問答與推理研究綜述[J].計算機科學，2021，48（03）：71-78.

[4]王鵬，高剛.基于項目驅動的計算機視覺教學改革探索[J].科教文匯，2024（19）.95-98.

[5]凌菁，劉世安，鐘君柳，等.面向新工科的“人工智能”課程精準分層式教學研究[J.中國信息技術教育，2024（08）.97-100[邵思程，劉明杰.基于數字孿生技術下軸承表面缺陷檢測與分揀系統設計[J.農機使用與維修，2024（04）.24-26.e

作者簡介：閆亞萍，女，副研究員，碩士生導師，本文通訊作者，主要從事計算機視覺方向的算法研究及其在圖像異常檢測、視覺質量評估等領域的應用研究，承擔面向人工智能專業本科生的“計算機視覺”課程教學，主持及參與多項國家自然科學基金和江蘇省自然科學基金項目。