混合式项目案例教学在卷积神经网络与图像分类课程中的运用分析

摘要：卷积神经网络是一种新兴的网络构建技术，其技术在应用以及结构建设环节上具有一定专业性，因此为保证卷积神经网络与图像分类课程教学效果，提高学生学习质量，文章根据卷积神经网络与图像分类基础概论，通过线上教学与线下教学两种方式，总结出混合式项目案例教学应用策略。

关键词：混合式项目案例教学；卷积神经网络；图像分类；教学设计

中图分类号：TP311 文献标识码：A文章编号：1009-3044（2023）29-0166-03

人工智能技术作为科学技术创新和发展的主要构成元素之一，该技术的创新和应用将推动国家经济进步，而此种科学技术创新需要大量的技术人才，以此推动人工智能技术发展。对此，各大高校应选择适合的教学方式，基于人工智能技术发展特点，积极开展卷积神经网络与图像分类课程的高质量教学。

1 卷积神经网络与图像分类概论

1.1 卷积神经网络

卷积神经网络是一种包含参数计算的深度结构神经网络，是网络深度学习的一种代表性计算方式，此种网络具有表征学习能力，能够按照计算结构针对所输入的信息进行种类划分；针对卷积神经网络的研究可以追溯到20世纪80年代，其中网络延迟则是最早的卷积神经网络。如图1，卷积神经网络结构。

1.2 图像分类

图像分类主要很具图像中所反映出的不同信息特点，按照不同种类目标进行区分处理，因此此种分类方式主要依靠计算机针对图像结构进行定量分析，从而将图像或者图像中每个像元区域规划为许多种类中的一种，以此有效代替人的视觉判断[1]。如图2，图像分类流程。

2 混合式项目案例教学设计

现阶段混合教学形式主要分为线上以及线下两种教学方式，此种混合的教学形式主要培养学生自主学习能力以及协调能力，当学生在此种教学方式下，可以通过线上预习相关课程，随后回到线下课堂开展综合技术操作训练，从而提高学生学习的主动性与积极性[2]。同时混合教学方式能够有效避免传统教学方式单一化问题，学生通过多种学习形式，其理论知识已经不再局限于书本中，能够更好地将自身所学习的理论知识与实际实践应用项目相互结合，以此培养学生独立思考的能力和解决实际问题的能力。

2.1 线上教学

由于本次课程教学内容主要包含卷积神经网络与图像分类等相关课程，因此其教学项目需要从卷积神经网络的基础概念、网络结构模型建立、数据集构建Python数据处理方式以及图像识别与区分等教学内容出发。

而在线上教学实施过程中，为保证教学效果与质量，在教学方案设计时，其内容主要包含教学周期规划、教学视频制作以及教学案例设计等方面，同时由于线上教学方式主要依靠视频讲解，所以课程时长应根据教学项目特点合理规划，本次所研究的课程时长共计8周左右，其中包含8个图像分类模型构建，2个项目案例讲解。每个教学周期具有多个教学模块，比如：卷积神经网络理论知识、网络构建形式、网络编程、数据集概论与制作讲解、实际项目案例分析、理论知识点测试以及模型实践训练等，每个模块实际教学时间不少于40分钟，由于学生在课程学习时，学习专注时间通常为15分钟，对此开展线上教学时，每个模块所录制的时长不大于10分钟，将所需要教授的模块内容划分为多个视频讲解形式，以此保证学生学习效果。同时实际开展模块教学时，每个模块还需要额外搭配相应的理论知识练习题目，以此巩固学生在线上课堂上学习的理论知识点，并将其作为学生成绩的一个构成部分。

实际案例：本次所研究的教学课程的内容根据教学安排，将教学时间规划为8个周次。

第一周的教学内容主要包含：人体神经网络内部结构的系统控制研究内容，所需要的教学数据为MNIST，并且课堂教学时，需要充分利用人体通过神经控制功能，利用手写文字以及数字操作，有效识别其动作的基础功能、网络神经系统、数字化、信息化触屏识别系统、安卓手写App等教学软件以及案例。

第二周所教学的内容为人通过手写，实现文字以及数字的有效识别和区分；教学数据为MNIST。教学案例为人通过手写，将所展现的文字以及数字建立相关的信息和数据模型，导入数字化照片识别安卓App。

第三周所开展的教学内容主要包含：常见动物品种以及宠物狗品种的识别和区分；所需要的数据为Dogs VS Cats，并且所使用的教学软件以及案例为常见动物品种以及宠物狗品种的识别和区分系统、宠物品种识别安卓App。

第四周开展的教学内容为人类动作以及面部微表情的识别以及区分，所使用的数据则是FER 2013，以此实现人类动作以及面部微表情的识别以及区分信息模型、人类微表情识别应用程序的教学目标。

第五周开展的教学内容主要为国内以及国外车辆品牌标识的识别以及区分，所使用的数据为国产以及外资宝马车辆品牌数据集合系统。其教学案例为国内以及国外车辆品牌标识的识别以及区分信息模型、车辆品牌识别软件以及App。

第六周所开展的教学内容为国内常见宠物猫品种的识别以及区分，所需要的数据为The Oxford-IITPet Dataset。其教学案例为国内常见宠物猫品种的识别以及区分模型、宠物猫狗品种识别安卓App。

第七周的教学内容包含新疆普通水果梨的品种识别以及区分，所需要的教学数据为新疆水果——梨的品种数据集合系统，所使用的教学案例为新疆普通水果梨的品种识别以及区分信息模型。

第八周教学案例为新疆普通水果葡萄的品种识别以及有效区分，使用的数据为新疆水果——葡萄的品种数据集合系统，其案例为新疆普通水果葡萄的品种识别以及有效区分信息模型[3]。

在线上课堂教学实施过程中，网络知识模块以及网络模型结构的教学，其教学内容主要为理论知识点的讲解，针对此种教学要求，利用实践操作视频或者演示动画能够让学生更加清晰且直观地了解到相关理论知识点；而学生如果单纯地阅读教学资料，资料中复杂的推导公式会导致学生在学习卷积神经网络理论模型时无法快速理解和掌握，对此线上教学需要借助教学视频，利用基础教学模块对模型中所涉及的数学知识进行推导，最终通过数字代码完成数学知识的演算，以此有效解决由于学生自身学习能力不平衡所导致的学习效率低问题[4]。

在数据集教学模块开展线上教学时，由于该模块主要作用是用于讲解网络模型训练时数据格式、数据结构等方面的预处理，因此数据集的构建速度直接决定了卷积神经网络运行效率。对此本次所研究的教学案例选择相对轻量的数据集，以此实现网络模型训练课程。

项目训练模块主要包含模型项目训练以及项目开发等环节，因此实际开展线上教学时，教师应根据教学内容，从教学案例的问题描述、问题要求、问题解决方式以及评价标准等方面入手，以此作为基础条件，通过线上视频教学帮助学生学习建立源代码、网络运行结构等，随后将实践操作结果上传至MOOC平台，由教师逐一检查并给予学生反馈。

2.2 线下教学

线下教学在教学内容和时间上根据教学项目实际情况以及课堂教学需求，划分为理论知识讲解、代码知识讲解、代码实践操作以及学生项目案例展示等[5]。

首先教师根据教学模块利用PPT的方式进行知识点讲解，随后根据课堂教学需求以及项目案例的实际情况，针对案例中每一个教学环节进行详细讲解与分析，并且根据案例对于数据和编码的基础要求，在线下的课堂教学上针对项目开展编码的重新编写，等待编码讲解完成后，还应从项目运行需求出发，结合所编写的代码内容以及特点，向同学全面讲解并且做出基础的编码测试，等待测试通过并无出现漏洞或者问题时，教师应带领学生开展项目案例的运行演示环节，以此保证项目案例能够正常运转，有效提高课堂教学质量和效果。

2.3 教学考核

对于学生学习来说，考核是课堂教学过程中验证学习效果的重要环节，随着现代化网络平台的不断发展，传统笔试考核形式已经无法全面反映出学生学习质量，经常出现学生为了应付考核而学习课程，长此以往造成课堂教学内容与考核内容脱节[6]。教师在课堂教学过程中，想要有效控制和管理学生在该阶段的学习成绩，本次研究所使用的课堂教学方式以及教学内容，将使用线上视频连线教学方式以及线下课堂教学方式相互结合的教学模式以及课程考核方式，从学生学习状态出发，结合学生所上交的学习作业，有效制定出一系列考核题目和内容，此种考核方式不仅有利于教师对学生学习知识的指导，还可以提高学生主动学习积极性。

除此之外，由于项目实际开展知识教学以及案例实践操作时，技术人员应按照标准时间内，根据案例实际情况开展相对应的参数检测，项目开发等测试内容，因此此种教学方式保证学生考核水平的同时，还可以让学生随时随地查看自身的学习测验结果，以此有利于学生有针对性地提高自身能力，获得更高水平的学习效果。

3 混合式项目案例教学实践

本次课程根据学生学习情况，将使用混合式项目案例教学方式，并且将课堂教学划分为线上教学以及线下教学。如表1，教学流程。

第一，课堂实际开展线上知识教学时，教师应积极引导学生观看线上平台上的教学内容和视频，同时结合线上教学内容积极开展项目案例的测验，等待学生完成所有的检测内容后，教师要针对所检测和学习的结果进行详细分析和系统化的总结。

第二，线下教学环节主要根据课程时间分为两个课时，其一主要依靠教师对卷积神经网络与图像分类课程等相关知识点进行讲解，并根据项目实际案例，进一步延时代码编写流程，确保学生通过直观的操作流程加深对知识点的理解。其二，主要由学生演示各自的项目方案代码以及运行结果，此时教师应结合学生所完成的项目案例针对所出现的问题进行重点讲解，并且向学生推荐相关的理论知识点。其三，学生完成线下教学内容后，将所制作的案例上传至MOOC 平台，教师在课下进行分析和总结，并且根据教学效果积极调整线上的教学视频[7]。

4 结束语

总之，现阶段卷积神经网络与图像分类课程是新兴的热门学科，是人工智能中重要的研究方向，由于其专业性较高，因此要求学生自身需要具有较强的学习能力和理解能力，对此教师应根据教学特点选择混合式项目案例教学方式，通过线上与线下相互结合，加强学生的实践能力，为学生后续学习研究打好知识基础。

参考文献：

[1] 张泽宇，郭钊汝，徐金，等.混合式项目案例教学在卷积神经

网络与图像分类课程中的实践[J].信息与电脑，2022（4）：245-

247.

[2] 苏腾飞，罗艳云，翟涌光，等.随机森林遥感图像分类实验教

学软件开发研究[J].测绘与空间地理信息，2021，44（11）：80-

83，86.

[3] 秦龙，李晓戈，穆诤辉，等.基于网页图像分类的自动化网页

正文抽取模型[J].计算机工程与设计，2023，44（2）：386-392.

[4] 刘羿漩，齐振岭，董苗苗，等.基于改进DenseNet的刺绣图像

分类识别的研究[J].计算机测量与控制，2023，31（1）：194-201.

[6] 侯星晨，杨玉.基于卷积神经网络的图像分类研究与应用[J].

电子元器件与信息技术，2022，6（11）：109-110.

[7] 林朋雨，郭杰.基于FPGA的卷积神经网络加速优化方法[J].

计算机仿真，2022，39（7）：371-374，450.【通联编辑：闻翔军】