《人工智能與無損檢測課程設計》課程教學大綱

《人工智能與無損檢測課程設計》教學大綱課程名稱：人工智能與無損檢測課程設計課程編號：D047094712英文名稱：Integrateddesignofelectroniccircuit學時：32學時（2周） 學分：2學分開課學期：第5學期適用專業(yè)：光電信息科學與工程專業(yè)課程類別：課程設計課程性質：專業(yè)方向與拓展先修課程：高等數(shù)學、人工智能與無損檢測一、課程的性質及任務《人工智能與無損檢測》課程是光電信息科學與工程專業(yè)學生的專業(yè)方向與拓展課，通過本課程的學習，使學生能夠了解人工智能的基本原理，數(shù)據(jù)預處理、線性神經網絡、多層感知機、卷積神經網絡等知識，并應用到無損檢測的實踐當中。能夠提升學生對非接觸復雜工程問題建立合適的模型并求解的能力，能夠應用計算機的方法正確解決圖像類復雜工程問題。依據(jù)河北工程大學光電信息科學與工程培養(yǎng)計劃，本課程需要培養(yǎng)學生的能力是：1、具備采用現(xiàn)代信息技術領域的新理論、新技術、新方法設計/開發(fā)復雜光電信息科學與工程問題的能力。2、掌握計算機、網絡技術、通信技術、信息檢索等與光電信息科學與工程相關的信息技術工具和有效資源，具備綜合運用上述工具及資源進行系統(tǒng)研究、設計與開發(fā)的能力。二、課程目標與要求2.1課程目標了解神經網絡訓練的基礎知識。熟悉神經網絡的整個訓練過程，包括定義簡單的神經網絡架構、數(shù)據(jù)處理、指定損失函數(shù)和如何訓練模型。特別是熟悉并掌握線性神經網絡。了解多層感知機實現(xiàn)的方法，并能解決常見的問題，比如權重衰減、過擬合和欠擬合等。掌握向前傳播、反向傳播和計算圖等概念和原理。了解并掌握深度學習計算的關鍵組件，即模型構建、參數(shù)訪問與初始化、設計自定義層和塊、將模型讀寫到磁盤，以及利用GPU實現(xiàn)顯著的加速。了解所有卷積網絡主干的基本元素。這包括卷積層本身、填充（padding）和步幅（stride）的基本細節(jié)、用于在相鄰區(qū)域匯聚信息的匯聚層（pooling）、在每一層中多通道（channel）的使用，以及有關現(xiàn)代卷積網絡架構的仔細討論。了解常用網絡的架構和原理。了解并掌握表面缺陷的概念，使用深度學習算法檢測表面缺陷的優(yōu)勢和面臨的常見問題等。

人工智能與無損檢測課程設計教學大綱數(shù)理科學與工程學院本科課程教學大綱.2課程目標與畢業(yè)要求對應關系課程目標畢業(yè)要求二級指標畢業(yè)要求123456●●●●●具備采用現(xiàn)代信息技術領域的新理論、新技術、新方法設計/開發(fā)復雜光電信息科學與工程問題的能力?！裾莆沼嬎銠C、網絡技術、通信技術、信息檢索等與光電信息科學與工程相關的信息技術工具和有效資源，具備綜合運用上述工具及資源進行系統(tǒng)研究、設計與開發(fā)的能力。2.3課程目標與培養(yǎng)環(huán)節(jié)對應矩陣序號課程目標理論教學課內實驗課后作業(yè)1了解神經網絡訓練的基礎知識。熟悉神經網絡的整個訓練過程，包括定義簡單的神經網絡架構、數(shù)據(jù)處理、指定損失函數(shù)和如何訓練模型。特別是熟悉并掌握線性神經網絡。HL2了解多層感知機實現(xiàn)的方法，并能解決常見的問題，比如權重衰減、過擬合和欠擬合等。掌握向前傳播、反向傳播和計算圖等概念和原理。HL3了解并掌握深度學習計算的關鍵組件，即模型構建、參數(shù)訪問與初始化、設計自定義層和塊、將模型讀寫到磁盤，以及利用GPU實現(xiàn)顯著的加速。HL4了解所有卷積網絡主干的基本元素。這包括卷積層本身、填充（padding）和步幅（stride）的基本細節(jié)、用于在相鄰區(qū)域匯聚信息的匯聚層（pooling）、在每一層中多通道（channel）的使用，以及有關現(xiàn)代卷積網絡架構的仔細討論。HL5了解常用網絡的架構和原理。H6了解并掌握表面缺陷的概念，使用深度學習算法檢測表面缺陷的優(yōu)勢和面臨的常見問題等。HM注：H表示該能力的在此環(huán)節(jié)重點培養(yǎng)；M表示該能力在此環(huán)節(jié)有應用要求；L表示該能力在此環(huán)節(jié)有所涉及。2.4目標達成度的評價課程目標1、2、3、4主要通過實驗教學環(huán)節(jié)進行培養(yǎng)，在課后作業(yè)中有所涉及。主要通過課堂測試、課后作業(yè)和期末考試中概念性、原理性題目進行考核。目標達成綜合以上內容進行評價。課程目標5、6主要通過實驗教學環(huán)節(jié)、課后作業(yè)進行培養(yǎng)。主要通過課堂測試，課后作業(yè)和期末考查中，進行考核，目標達成以上內容進行評價。三、教學方法及手段教學方法：課堂講授中要重點對基本概念、基本方法的講解；采用啟發(fā)式教學，培養(yǎng)學生思考問題、分析問題和解決問題的能力；引導和鼓勵學生通過實踐和自學獲取知識，培養(yǎng)學生的自學能力；增加討論課，調動學生學習的主觀能動性；注意培養(yǎng)學生提高利用標準、規(guī)范及手冊等技術資料的能力。講課要聯(lián)系實際并注重培養(yǎng)學生的創(chuàng)新能力。教學手段：本課程屬于專業(yè)基礎課，在教學中采用電子教案、CAI課件及多媒體教學系統(tǒng)等先進教學手段，以確保在有限的學時內，全面、高質量地完成課程教學任務。四、課程的基本內容與教學要求第1部分線性神經網絡[教學目的與要求]：了解神經網絡訓練的基礎知識。熟悉神經網絡的整個訓練過程，包括定義簡單的神經網絡架構、數(shù)據(jù)處理、指定損失函數(shù)和如何訓練模型。特別是熟悉并掌握線性神經網絡。[本章主要內容]：3.1線性回歸3.2線性回歸的從零開始實現(xiàn)3.3線性回歸的簡潔實現(xiàn)3.4softmax回歸3.5圖像分類數(shù)據(jù)集3.6softmax回歸的從零開始實現(xiàn)3.7softmax回歸的簡潔實現(xiàn)[本章重點]：1.線性回歸的從零開始實現(xiàn)2.線性回歸的簡潔實現(xiàn)3.softmax回歸的從零開始實現(xiàn)4.softmax回歸的簡潔實現(xiàn)[本章難點]：1.線性回歸的從零開始實現(xiàn)。2.softmax回歸的從零開始實現(xiàn)。第2部分多層感知機[教學目的與要求]：了解多層感知機實現(xiàn)的方法，并能解決常見的問題，比如權重衰減、過擬合和欠擬合等。掌握向前傳播、反向傳播和計算圖等概念和原理。[本章主要內容]：4.1多層感知機4.2多層感知機的從零開始實現(xiàn)4.3多層感知機的簡潔實現(xiàn)4.4模型選擇、欠擬合和過擬合4.5權重衰減4.6暫退法4.7向前傳播、反向傳播和計算圖4.8數(shù)值穩(wěn)定性和模型初始化[本章重點]：1.多層感知機的從零開始實現(xiàn)2.多層感知機的簡潔實現(xiàn)[本章難點]：1.多層感知機的從零開始實現(xiàn)。2.模型選擇、欠擬合和過擬合。第3部分深度學習計算[教學目的與要求]：了解并掌握深度學習計算的關鍵組件，即模型構建、參數(shù)訪問與初始化、設計自定義層和塊、將模型讀寫到磁盤，以及利用GPU實現(xiàn)顯著的加速。[本章主要內容]：5.1層和塊5.2參數(shù)管理5.3延后初始化5.4自定義層5.5讀寫文件5.6GPU[本章重點]：1.層和塊。2.自定義層3.讀寫文件[本章難點]：1.層和塊。2.自定義層3.讀寫文件第4部分卷積神經網絡[教學目的與要求]：了解所有卷積網絡主干的基本元素。這包括卷積層本身、填充（padding）和步幅（stride）的基本細節(jié)、用于在相鄰區(qū)域匯聚信息的匯聚層（pooling）、在每一層中多通道（channel）的使用，以及有關現(xiàn)代卷積網絡架構的仔細討論。[本章主要內容]：6.1從全連接層到卷積6.2圖像卷積6.3填充和步幅6.4多輸入多輸出通道6.5匯聚層6.6卷積神經網絡（LeNet）[本章重點]：圖像卷積。2.填充和步幅。3.匯聚層。[本章難點]：圖像卷積。2.填充和步幅。3.匯聚層。第5部分現(xiàn)代卷積神經網絡[教學目的與要求]：了解常用網絡的架構和原理，它們是AlexNet。它是第一個在大規(guī)模視覺競賽中擊敗傳統(tǒng)計算機視覺模型的大型神經網絡；使用重復塊的網絡（VGG）。它利用許多重復的神經網絡塊；網絡中的網絡（NiN）。它重復使用由卷積層和1×1卷積層（用來代替全連接層）來構建深層網絡;含并行連結的網絡（GoogLeNet）。它使用并行連結的網絡，通過不同窗口大小的卷積層和最大匯聚層來并行抽取信息；殘差網絡（ResNet）。它通過殘差塊構建跨層的數(shù)據(jù)通道，是計算機視覺中最流行的體系架構；稠密連接網絡（DenseNet）。它的計算成本很高，但給我們帶來了更好的效果。[本章主要內容]：7.1深度卷積神經網絡（AlexNet）7.2使用塊的網絡（VGG）7.3網絡中的網絡（NiN）7.4含并行連接網絡（GoogLeNet）7.5批量規(guī)范化7.6殘差網絡（ResNet）7.7稠密連接網絡（DenseNet）[本章重點]：1.深度卷積神經網絡（AlexNet）2.使用塊的網絡（VGG）3.網絡中的網絡（NiN）[本章難點]：1.深度卷積神經網絡（AlexNet）2.使用塊的網絡（VGG）3.網絡中的網絡（NiN）第6部分人工智能與無損檢測[教學目的與要求]：了解并掌握表面缺陷的概念，使用深度學習算法檢測表面缺陷的優(yōu)勢和面臨的常見問題等。[本章主要內容]：8.1表面缺陷檢測的概念8.2表面缺陷檢測深度學習方法8.3關鍵問題/痛點8.4缺陷數(shù)據(jù)集[本章重點]：1.表面缺陷檢測深度學習方法2.關鍵問題/痛點[本章難點]：1.表面缺陷檢測深度學習方法2.關鍵問題/痛點五、課內實驗無

六、課程學時分配教學課次教學內容教學環(huán)節(jié)與計劃時數(shù)教學環(huán)節(jié)計劃時數(shù)1線性神經網絡實驗課42多層感知機實驗課43深度學習計算實驗課4４卷積神經網絡實驗課65現(xiàn)代卷積神經網絡實驗課86人工智能與無損檢測實驗課6七、課程考核與成績評定7.1考核方式考核環(huán)節(jié)包括課程學習過程考核和期末考核考試，其中課程過程考核占總成績的60%，分別由課堂表現(xiàn)、課后作業(yè)進行評定；期末提交課程設計報告占總成績的40%。各環(huán)節(jié)的比重如下?？己谁h(huán)節(jié)比重合計過程考核（平時成績）課堂表現(xiàn)20%60%作業(yè)40%期末成績課程設計報告40%40%總計100%100%7.2考核內容及要求本課程為考查課?？己藘热菁胺种捣峙淙缦??？己朔绞娇己藘热莘种嫡n程目標總分值期末考查40%提交課程設計報告40目標1、2、3、4、540分過程考核60%課堂表現(xiàn)課堂測試、出勤情況20目標1、2、3、4、520分課后作業(yè)作業(yè)完成情況40目標1、2、3、4、540分7.3成績評定1.課堂表現(xiàn)課堂表現(xiàn)總分20分，由課堂測試與課堂出勤情況評定。其中，課堂測試滿分10分，以客觀題（填空、選擇、判斷）為主，每學期隨堂測試15~20次，每次測試1~2道題目，每答錯一道題目扣0.5分（直到扣滿10分為止）；課堂出勤滿分10分，缺勤一次扣1分，遲到或請假扣0.5分。2.課后作業(yè)課后作業(yè)總分40分，由作業(yè)完成情況評定。每學期布置作業(yè)4次，每次作業(yè)占10分，評分標準如下；評分標準分值標準描述課后作業(yè)10能夠按時認真完成作業(yè)、作業(yè)態(tài)度認真、書寫清楚、分析計算正確。8能夠按時完成作業(yè)、作業(yè)態(tài)度較好、書寫較清楚、分析計算基本正確5能夠按時完成作業(yè)、作業(yè)態(tài)度一般、書寫不清楚、分析計算錯誤較多0不交作業(yè)或作業(yè)態(tài)度不認真、抄襲他人作業(yè)3.期末考查期末考查方式為提交課程設計報告，計入總成績時乘以60%，在綜合教務系統(tǒng)中按照設定的占比系數(shù)錄入成績。八、課程評價與持續(xù)改進8.1課程評價課程評價周期定為每1年評價一次。設置達成情況目標值，采用成績分析法進行評價。課程達成評價根據(jù)光電信息科學與工程專業(yè)課程達成評價方法進行計算，評價結果用于持續(xù)改進。光電系負責人組織教師實施課程評價，制定持續(xù)改進措施，監(jiān)督持續(xù)改進過程。課程負責人負責撰寫課程考核總結報告，實施課程評價持續(xù)改進。8.2持續(xù)改進1）日常教