#第三届掌控板杯教学应用设计大赛#《掌控板应用案例-AI助力垃圾分类》教学设计

作者简介：中学一级教师，长期执教初、高中信息技术学科教学工作和学校科技机器人社团辅导员工作，对开源硬件应用于信息技术学科教学有丰富的经验，已把掌控板等开源硬件引入信息技术课堂中开展学科教学一年多，在社团中辅导学生参加市、区科技节活动，并取得了一定成绩。

单元（或主题）名称 ：AI助力垃圾分类

学科：信息科技 学段：初中    年级：八年级

相关领域 信息科技 人工智能

参考教材 《人工智能初中部》初探AI   樊磊 梁森善主编   清华大学出版社

                       《人工智能初中版》         任友群主编         上海教育出版社

                       《人工智能设计》高中版     杨晓哲主编         华东师范大学出版社

本单元（或主题）设计《课程标准》内容要求:

      1.1通过认识身边的人工智能应用，体会人工智能技术正在帮助人们以更便捷的方式投入学习、生活和工作中，感受人工智能技术发展给人类社会带来的深刻影响。

      1.2通过分析典型的人工智能应用场景，初步理解人类让机器通过“学习在大数据的训练中模拟人的感觉、思考和行为等告知能力，向机器赋能的过程。通过让机器如何学会“看”、机器如何学会“听和说”和机器如何学会“想”，了解计算机视觉技术、智能语音技术、自然语言处理等人工智能研究和应用的众多领域的知识。

      1.3 通过对比不同的人工智能应用场景，初步了解机器学习如何模拟和实现人类的学习行为，以及机器学习的方法和机器在各种模式识别中常见的算法。

      1.4通过分析AI助力垃圾分类的案例，对比计算机传统方法和人工智能方法处理同类问题的不同效果。

     1.5 在体验人工智能应用的场景中，了解人工智能带来的伦理与安全挑战，增强自我判断意识和责任感，与人工智能良好共处。

     1.6通过各个领域的人工智能应用，认识到智慧社会是一种新型社会形态，人类要不断的提升自身素养，才能负责任地掌握智能工具的使用。

本单元（或主题）设计学业要求:

          学生能识别身边的人工智能应用，理解人工智能与现实社会的联系（信息意识）；能列举人工智能的主要术语，了解人工智能的三大技术基础，知道目前常见的人工智能机器学习的实现方式和常用的算法（计算思维）；知道人工智能可能的科技发展方向和安全挑战，了解智慧社会（数字化学习与创新、信息社会责任）。

单元（或主题）指导思想与理论依据

           本课程的学习是在项目学习理论的指导下设计的一个单元的关于AI助力垃圾分类主题的学习内容。项目学习的实质是学生从现实生活中的基本问题出发，围绕来自真实情境的主题，以小组为单位进行开放性探究活动，完成一系列诸如设计、计划、问题解决、决策、作品创作以及成果交流等学习任务，最终达到建构知识、能力提升、思维发展的目标。项目学习很大程度上还原了学习的本质，为学生提供了一个学习和实践综合解决问题能力的培养环境，学生在项目实施过程中各种能力都得到了提升，促进了学生信息技术学科核心素养的形成。

在项目学习中基于问题学习可以更好的引导学生开展自主学习。基于问题的学习强调把学习设置到机构不良的复杂的、有意义的问题情境中，通过让学生合作解决真实性问题，来学习隐含于问题背后的科学知识，形成解决问题的技能，并提升自主学习能力。

单元主题教学背景分析:

        一、教学内容分析及课时分配

         本单元教学设计是围绕AI助力垃圾分类展开的整体单元设计课，具体设计了5个课时，主要涉及程序设计和人工智能机器学习相关知识。具体课时分配如下图：

         二、学生情况分析

         在课前对学生人工智能相关知识的调查访谈，了解到学生对人工智能有所了解，能说出涉及人工智能的很多产品和应用案例，比如智能音箱、智能手机、智能导航和无人驾驶等，从而看出学生对于人工智能的技术应用有了一定的接触和应用，但是说到机器学习问题、神经网络等人工智能背后的原理和技术都不甚了解。人工智能先进技术和应用知识的传播未来将成为社会和经济发展的重要推动力因此，让中学生尽早的认识和了解人工智能技术非常关键。中学生已经足够成熟，可以应对和研究科学性问题，可以让他们尽早熟悉先进技术的背景、基本概念和应用理论，为以后的学习和未来的职业选择打下坚实的基础。在之前的编程学习中，学生未进行过项目学习，在程序软件中，编写程序完成一个多步骤的复杂问题时，学生需要在教师的引导下完成，而且后期程序应用拓展基本上没有。

单元（或主题）教学目标:

        1、从技术角度了解基本的人工智能的原理，从机器会看、会听、会说和会做等多个维度来学习体验人工智能技术的广泛用途。

        2、着重于人工智能基本及时和基本能力的训练，在“动手”和“动脑”紧密集合的课堂实践中，养成计算思维的习惯，提高数字化实践能力和增进信息社会责任感。

        3、能运用学会的原理和技术编创出简单的人工智能作品，通过完成带有任务的项目的过程，提升编程的基本能力，并形成新的意识和技能，完成初中人工智能课程学习的挑战。

单元（或主题）教学过程设计:

本单元（或主题）教学特色分析:

      1、项目学习的方式，发挥学生自主学习的能动性，充分锻炼学生的创新思维。项目学习以终为始，学生为达成项目目标必须进行的一系列任务活动，在这一系列活动中学生掌握了知识，也锻炼了自己的自主学习能力。在项目学习的理论指导下，学生能够更好的锻炼创新思维能力。

     2、基于问题的学习，用问题引领，引发学生思考，引领学生主动探究。

     3.丰富的项目学习资源（微课，参考案例，项目计划书，项目活动记录，评价量规），为学生自主学生提供了课程支撑。

以下为其中一个课时的教学设计

第4课《AI助力垃圾分类之让机器学会“看”和“辨”》

教学目标：

    1.通过实例深入理解计算机视觉技术图像识别的一般过程，理解KNN算法，并将知识应用到生活中，让人工智能技术正在帮助人们的生活中，体验计算机视觉技术的应用和发展，感受人工智能技术发展给人类社会带来的深刻影响。

   2.通过手写数字图像的识别过程的多次体验，逐步深入的理解图像识别的过程，深入的理解KNN算法的步骤，培养学生的逻辑思维能力。

   3.感受计算机视觉技术的魅力，客观认识计算机视觉技术对生活的影响，增强利用人工智能技术改变生活的意识和能力。

教学重点：

        KNN算法、图像识别的基本过程和方法 计算机视觉技术助力改变生活的方法

教学难点：

          KNN算法

教学过程：

一、导入

1、回顾：上节课，我们学习了计算机视觉技术的概念，知道了图像识别过程。本节课，我们一起来重点探究一下图像识别过程中图像分类环节中的一些知识，然后，完成计算机视觉技术帮助我们实现垃圾分类的项目。

       2、识别手写数字的实例初体验   介绍手写数字识别程序运行的操作方法和注意事项，让学生体验数字识别过程。

      体验说明：

         1、舞台全屏，   运行程序，鼠标书写，“空格键”开始。

         2、手写输入0~9的数字 “1位数”数字。

         3、学习和分类两种模式切换体验，体验分类过程时， 按“R”键，可完成多次体验。

          4、观察识别过程和过程中变量“当前图像  ”记录值。

      体验后思考：在分类环节，机器识别并辨别“手写”数字图像识别准确吗？影响准确的可能原因是什么？要了解原因，我们先学习一个新的知识，机器学习的一个算法。

设计意图：激发学生的兴趣，吸引学生的注意力，通过手写数字识别的案例，初步体验，回顾计算机视觉技术的原理和过程。

二、新授

（一）新授一 1、图像分类常用的算法——K 近邻算法

  《孟母三迁》的故事引入，找一个邻居的重要性，近朱者赤，近墨者黑。

概念：机器学习中，给需要分类的对象找几个“邻居”，根据k个邻居的类别给新对象进行分类，这叫K 近邻算法 (k-nearest neighbors)，简称KNN算法。

K 近邻算法 (k-nearest neighbors)步骤，以电影类型分类为例。  

(1).获取学习数据.让机器学会分类，需要先给机器提供学习的数据，监督学习中，提供的学习数据已经标记好特征和类别。

(2).待测试数据进入散点图，根据历史数据，可以划分出两类电影，将待测数据放入散点图。

(3)计算距离并排序, 计算待测试点和其他点的距离。计算出的距离按由大到小的顺序排序。计算距离一般用欧几里得距离和曼哈顿距离

(4).选择K个点, 选取与待测点距离最近的K个点，统计这几个点所在类别出现的频率。

(5).给待测点分类, 将前K（3）个点出现频率最高的类别作出待测点的类别。

学生活动：观看PPT，体会理解

设计意图：对比的方法理解算法。实例理解KNN算法的步骤

（二）探究一：识别手写数字图像的过程中KNN算法的应用

1、将程序中的变量和列表等信息可视化勾选变量（3项）：出现最多的数字、当前图像  、曼哈顿距离 勾选列表（2项）： 标签和最近标签

2、让学生运行程序、观察学习和分类两个过程中各项变量和列表的数值变化情况，加深理解knn算法在图像识别的过程应用。

3、教师强调和分析，再次把项目拆解复述

手写数字识别的过程分类：(1)、手写数字输入；(2)、图像预处理（裁切、像素化、二值化）；(3)、距离计算（曼哈顿距离）；(4)、插入排序记录最近的K个邻居（最近标签）；(5)、判断类别（出现最多的数字）。

4、难点解析：距离计算\插入排序记录最近的K个邻居：分类过程中的，距离计算（曼哈顿）和插入排序（记录最近的K个邻居）两个环节再次阐述和演示，加深理解。

5、探究二:KNN中的k值取多少？   KNN是当预测一个新的值x的时候，根据它距离最近的K个点是什么类别来判断x属于哪个类别。

K=5的时候，判定就变成不一样了。那么该如何确定K取多少值好呢？答案是通过交叉验证，从选取一个较小的K值开始，不断增加K的值，然后计算验证集合的方差，最终找到一个比较合适的K值。通过交叉验证计算方差后大致得到下图：

注意：使用kNN算法时，K值一般会选择奇数。因为选择偶数时，有可能出现平手的情况，这时就没法或者随机返回一个分类，具有不确定性。一般避免这种情况，采用k奇数.

6、实践体验：修改参数（K值），测试手写识别分类结果

设计意图：自己运行程序体验，通过真实的案例，体验监督学习的一般过程，深入理解先建立模型和训练模型，然后实现分类过程。

（三）项目实践

        项目实现过程：

          1、准备工作：电脑，安装mind+软件，准备一个摄像头（电脑自带），掌控板

          2、加载插件：实时模式，点击扩展，功能模块，点击机器学习(ML5）

          3、编程准备：代码模块说明 用于初始化-摄像头及KNN分类器采集画面，识别和分类训练用于提示语、多次执行和触发执行

          4、程序流程说明：

          5、程序编写：

             （1） 初始化摄像头及KNN

             （2）将两种不同的垃圾，分别对应不同的分类标签，学习训练多个分类器，利用事先教师准备好的垃圾分类好的照片。（16000余张垃圾照片，分为四大类，44小类，分别存放，标注类别名称）教师事先给出代码块，学生根据程序流程自己拼合代码块

             （3）训练+识别（根据程序提示进行操作）

学生活动：聆听教师讲解，进行操作练习体验操作编写代码，完成初始化的操作，完善程序，根据分类逻辑思维，拼合代码块，并运行程序。分别训练两种种类的垃圾图片。

设计意图：完成程序，测试训练模型的效果 应用学习的KNN算法，实现项目，让机器学会看和分类。根据教师事先给出代码块，根据程序流程自己拼合代码块，降低难度，让学生快速的完成程序代码模块的拼搭，提高学生体验成果的效率。完成测试程序，训练模型，测试程序，让学生获得成果。

三、小结和拓展：

       1、回顾本节课学习的计算机视觉技术的概念，已经图像识别的一般过程。

       2、通过体验手写图像识别的程序，进一步的理解KNN算法。

       3、完成了视觉技术识别垃圾的分类过程

拓展：

  这是借助于摄像头完成了计算机视觉技术的应用，我们最终设计垃圾自动分类装置的不能用电脑的摄像头，要用视觉传感器来完后，但是方法类似，只不过我们要学习视觉传感器的使用方法，同学们课后自行了解一下视觉传感器的一些知识吧。