基于深度学习的林业图像处理“金课”教学研究

2020-06-02程玉柱

林业机械与木工设备 2020年5期

程玉柱

(南京林业大学机械电子工程学院，江苏南京 210037)

2018年6月召开的高等学校本科教育会议启动了一流本科教育工程。本科教育的主体是专业，课程是核心。加强课程建设，变“水课”为“金课”是提高课程教学质量的关键。“金课”的指标为“两性一度”，即“高阶性、创新性、挑战度”。“金课”是以有难度的课程内容为抓手，体现前沿性、互动性、个性化，培养学生面对复杂问题时的解决能力和思维，将知识能力和素质有机融合。“金课”有线上、线下、线上线下、虚拟仿真、社会实践五种类型[1-4]。

随着计算机硬件的发展，深度学习变成当前人工智能的研究热点之一[5-8]。它包括卷积神经网络、生成对抗网络、受限玻尔兹曼机、自动编码器、稀疏编码等，在信号与图像处理、计算机游戏、大数据管理、机器人智能化等方面得到广泛的研究和应用。因此，有必要把深度学习引入到图像处理课程教学当中来。针对林业图像处理课程，提出一种以深度学习为主线，以林业为处理对象，实施教学全过程林业图像处理“金课”教学模式。

1 “金课”教学模式

1.1 林业图像处理“金课”模式

本研究将林业数字图像处理课程打造成为“金课”，对照“两性一度”的要求，提出了一种基于深度学习的林业图像处理“金课”模式，具体建设思路流程如图1所示。首先确立“金课”课程教学目标，以深度学习为主线贯穿于教学的整个过程，包括课前预习、课堂讲解、案例剖析、课后复习巩固等。“高阶性”主要提高图像处理内容的深度，将深度学习理论应用于图像处理的各个章节，如图像变换、图像预处理、图像分割、图像特征提取、图像模式识别等。“创新性”利用线上线下模式，充分利用网络上的人工智能及深度学习资料，让学生加强理论学习、练习、提升，进而和老师进行网上互动，教学相长，共同提高。“挑战度”突出利用多开发平台与OpenCV的结合，多平台包括Windows、Linux、MacOS等操作系统，多编程语言主要有C++、Python、Java等，利用多平台开发深度学习的图像处理程序和模块。

图1 林业图像处理“金课”模式

1.2 两性一度

一流专业需要一流课程来支撑，一流课程的目标就是“金课”，而“金课”的评价标准就是“两性一度”。其核心思想和内涵是教育部2018年6月提出的，主要是培养创新型、高素质的高层次人才，以学生、学习、专业为中心，“高标准、严要求”是其重要特点，对教师和学生都提出了新要求和新挑战。根据评价标准，制定林业图像处理课程实践流程，如图2所示，首先确定教学内容、教学方法及教学考核，然后多次实践，评价合格则结束此次教学过程，否则从新核定教学规划，多次迭代后，得到最优的教学效果。根据高阶性要求，结合专业认证需要，培养学生解决复杂问题的能力，掌握图像处理的基本概念、原理，了解林业方面的应用需求，并利用深度学习的方法实现对林业图像处理，将前期《复变函数与积分变换》《概率与统计》以及《机器学习》等课程结合起来，综合运用，消除课程间衔接不畅、知识支离破碎的缺陷。根据创新性要求，以学生为主体，线上线下结合，利用网络信息技术，以项目驱动教学，课前布置小项目，课堂学生讲解，老师解答，课后学生复习。根据挑战度要求，图像处理采用基于OpenCV的多种开发平台和工具，要求广泛的适应性，增强学生的动手编程能力。

图2 林业图像处理“金课”评价标准

1.3 深度学习

机器学习是人工智能的一部分，而深度学习是机器学习的一部分，也是神经网络的一种，即多层神经网络，每层神经网络实质上是一个非线性变换，将多层非线性变换叠加在一起，就变成了深度的变换，利用这个变换实现图像特征的提取或者分类识别等。深度学习方法分类及用于图像处理各环节如图3所示。

图3 深度学习方法分类及图像处理

深度学习主要包括卷积神经网络、自动编码器、深度玻尔兹曼机、生成对抗网络、混合模型以及以上的各种组合网络等，可用于图像复原、图像增强、图像分割、图像特征提取、图像识别等。

2 林业图像处理“金课”实践

将“金课”的“两性一度”标准应用于林业图像处理课程，从林业图像处理教学内容看高阶性，从教学方法和手段看创新性，从开发平台及考核结果看挑战度。从图像处理的教学内容出发，紧扣高标准、严要求、精把关，提升教学质量，有助于学生学习效率的提升。

2.1 高阶性

“金课”的“高阶性”由三个维度构成，即广度、深度、高度。广度是图像处理的内容要广泛拓展，不能仅局限于书本；深度是广度的升华和发掘，要介绍新的算法和应用对象；高度是深度的总结，将新算法提炼成某一类共性的问题，去指导实践。“金课”的“高阶性”以学生为中心，转变学习思路和方法，让学生在教学过程中成为主体，发现问题，分析问题，解决问题。针对林业对象[9-12]的图像处理课程，以深度学习为主线，加深广度、深度、高度，见表1，从拍摄距离、采集设备、研究对象、研究内容、深度学习等几个方面对图像处理在林业方面的应用作了总结，表中“-”表示有待学者研究，尚为空白。

表1 林业图像处理

拍摄距离采集设备研究对象研究内容深度学习远景遥感卫星无人机森林资源调查森林面积林木生长树种分类深度置信网络近景单目相机立体相机测树学木材学人造板加工林业机械树木直径树高树冠细胞尺寸、密度、年轮木材缺陷、节子、腐蚀、裂纹等森林保护机械--卷积神经网络-

2.2 创新性

传统教学是老师讲课、学生听课，老师为主、学生为辅，老师通过课后作业和上课提问来进行互动交流，如果教师和学生有一方准备不充分，教学质量都会降低。创新性主要体现在“新”上面。通过创新，转变为以“学生”为中心，采用线上线下的教学模型，如图4所示。课前进行线上学习，布置“深度学习的图像处理”题目，让学生自主预习，个性化地选择适合自己难度和层次的任务，独立或协作完成自主学习。通过网络平台的检测，时刻了解学生学习进度和知识的掌握情况，让学生自由学习。课堂主要为老师讲解“深度学习”知识的基本原理及应用，引导学生思考、探索、有针对性地分析和解决问题。根据预习的疑问进行有目的的解答。课后进行“深度学习”题目复习，学生提交作业，教师进行考核，师生互动，帮助学生拓宽思路，提高能力。

图4 线上线下教学模型

2.3 挑战度

通过改变考核评价机制，以考促学，将知识点的闭卷考核改为实践能力和知识运用能力为主的考核。将图像处理的平台开发与编程能力考核作为重点，以最新版OpenCV4.2.0的学习与考核为例，见表2，在三个流行的操作系统下，即Windows、MacOS、Linux，学习三种编程语言C++、Python、Java，开发工具分别有QT、Visual C++、Anaconda、Xcode、PyDev、Eclipse等。学生可以根据自己的兴趣和特长选择相应的操作系统、编程语言、开发工具，完成相应基于深度学习的林业图像处理问题。新版本的OpenCV[13-15]可以支持调用深度学习模型，如Caffe、Tensorflow、Darknet等，将图像处理与机器视觉的函数库与深度学习模型的函数库融合运用，增加学习的难度。通过对编程实现的结果及软件开发文档进行考核，培养学生解决复杂问题的能力，给予每个学生分数。

表2 OpenCV的学习与考核

版本操作系统编程语言开发工具4.2.0WindowsC++QT/VisualC++2019年12月pythonAnaconda23日发布javaAndroidStudioMacOSC++XcodepythonPyDevjavaEclipseLinuxC++QTpythonPycharmjavaEclipse

3 教学效果对比分析

本课程按照“两性一度”的要求，进行教学实践，与传统教学方法进行对比，来说明林业图像处理“金课”的内涵和优点。本研究以木材表面缺陷图像分割与检测问题为例，从教学内容、教学方法、教学评价等方面对教学效果进行分析。木材缺陷图像分割，主要通过对图像低级像素及超像素的低级特征进行分割，实现像素标签属性的分配，主要方法有阈值分割、边缘检测、分水岭、主动轮廓、浅层神经网络、支持向量机等。上课主要以讲授为主，进行PPT讲解，课后利用Matlab图像处理工具箱实现。进行“金课”改革后，要添加深度学习内容，利用全卷积神经网络归纳出图像中具有相同语义的像素点，将图像分割升级为语义分割，能获得更高的精度和效率，对不同类型的木材缺陷进行语义标注，同时实现目标分割与检测。线上线下同时进行教学，充分利用网络资源和工具，提高学习效果，可以利用OpenCV和Python编程工具，实现林业图像处理。对比后发现，“金课”对教师和学生都提出了更高的要求，教学效果得到了提升，同时学校必须加大投入，便于教学。