### 一、课程定位
本课程是计算机科学与技术、人工智能、软件工程等相关专业的**专业核心实践课程**，面向本科高年级或研究生低年级学生开设。课程以“理论+实践”深度融合为导向，衔接《数字图像处理》《机器学习》《Python编程》等前置课程，为智能安防、工业质检、医疗影像分析等行业实践及《人工智能应用》《嵌入式视觉系统开发》等后续课程奠定技术应用能力基础。

### 二、课程目标
#### （一）知识目标
1. 掌握计算机视觉核心技术体系（图像预处理、特征提取、目标检测、图像分割、三维重建等）；
2. 熟悉OpenCV、TensorFlow、PyTorch等主流视觉框架的工具链与开发流程；
3. 理解深度学习在视觉任务中的典型应用（如CNN、Transformer模型的图像分类、目标检测）。

#### （二）能力目标
1. 能独立完成图像预处理、特征提取等基础视觉任务的算法实现与优化；
2. 具备基于开源框架开发视觉系统（如目标检测、图像分割系统）的工程实践能力；
3. 能结合行业需求（如工业缺陷检测、医疗影像分析）设计并实现视觉解决方案，具备团队协作与问题解决能力。

#### （三）素质目标
1. 培养工程思维与创新意识，能针对复杂视觉问题提出优化思路；
2. 强化职业道德与合规意识，理解视觉技术在隐私保护、伦理应用中的责任边界；
3. 提升跨学科协作能力，适应“视觉+行业”（医疗、工业、安防等）的复合型应用需求。

### 三、课程内容与学时安排
总学时建议为**72学时**（理论36学时+实践36学时），模块与学时分配如下：

#### （一）理论模块（36学时）
1. **计算机视觉基础**（6学时）：图像数字化表示、色彩空间、滤波/增强等预处理技术；
2. **传统视觉算法**（12学时）：SIFT/HOG等特征提取、Haar级联/DPM目标检测、阈值分割/轮廓提取等图像分割方法；
3. **深度学习与视觉应用**（18学时）：CNN原理与图像分类（LeNet、ResNet）、目标检测（YOLO、Faster R-CNN）、图像分割（U-Net、Mask R-CNN）、Transformer视觉模型（ViT、DETR）。

#### （二）实践模块（36学时）
1. **基础实验**（12学时）：
– 图像预处理（滤波、直方图均衡化）；
– 特征提取与匹配（SIFT+FLANN）；
– 传统目标检测（Haar级联人脸检测）；
– 三维点云可视化（PCL库基础）。

2. **综合实验**（18学时）：
– 基于CNN的图像分类（CIFAR-10/ImageNet子集训练）；
– 目标检测系统开发（YOLOv5训练自定义数据集）；
– 医学图像分割（U-Net分割MRI影像）。

3. **项目实战**（6学时）：
团队协作完成真实场景项目（如工业缺陷检测、智能安防监控），涵盖需求分析、模型设计、系统部署全流程，提交项目报告与演示视频。

### 四、教学实施建议
#### （一）教学方法
采用**“项目驱动+案例教学+翻转课堂”**融合模式：
– 项目驱动：以“工业质检系统”“医疗影像辅助诊断”等真实场景为项目载体，贯穿教学；
– 案例教学：结合Kaggle竞赛、企业案例（如特斯拉Autopilot视觉方案）解析技术逻辑；
– 翻转课堂：学生分组汇报CVPR顶会论文，教师点评拓展前沿方向。

#### （二）教学条件
1. **硬件**：GPU服务器（单卡≥8GB显存）、双目相机、深度相机（Kinect/RealSense）；
2. **软件**：Python 3.8+、OpenCV 4.x、TensorFlow/PyTorch、Docker（环境隔离）；
3. **平台**：校内GPU集群、Google Colab/Kaggle Kernel等云端算力平台。

#### （三）师资要求
教师需具备：
– 计算机视觉领域博士学历或中级以上职称，熟悉主流视觉框架；
– 3年以上工程实践经验（如参与过视觉系统开发、算法优化项目）；
– “双师型”教学能力，能将技术细节与工程痛点转化为教学案例。

### 五、考核评价方式
采用**“过程性评价+终结性评价”**的多元化考核体系：

#### （一）过程性评价（占比60%）
1. 实验评价（30%）：实验报告的规范性、代码可读性、结果创新性（如算法优化后的精度提升）；
2. 课堂表现（10%）：论文汇报质量、小组讨论参与度、技术问题答疑；
3. 阶段项目（20%）：小组实验项目的完成度、团队协作贡献度（peer review机制）。

#### （二）终结性评价（占比40%）
1. 理论考核（15%）：闭卷考试，考查核心概念、算法原理、模型设计思路；
2. 实践考核（15%）：上机操作，限时完成“图像预处理+目标检测”全流程任务；
3. 综合答辩（10%）：项目实战的方案设计、成果演示、问题答辩（企业工程师参与评审）。

### 六、课程资源建设
#### （一）教材与参考书
– 核心教材：《Computer Vision: Algorithms and Applications》（Richard Szeliski）、《深度学习之计算机视觉》（何凯明等译）；
– 参考书：《OpenCV实战》《PyTorch深度学习实战》《目标检测入门与实战》。

#### （二）数字资源
– MOOC：Coursera《Computer Vision》（Georgia Tech）、B站“李沐老师深度学习课程”；
– 开源项目：GitHub（MMDetection、Detectron2、MONAI等视觉开源库）；
– 数据集：COCO、ImageNet、KITTI、MICCAI医学影像数据集。

#### （三）实验平台
– 校内：建设“计算机视觉实验室”，部署GPU集群与视觉传感器；
– 校外：与企业共建“视觉技术联合实验室”，提供真实场景数据集与工程化测试环境。

### 七、课程适用范围
– **适用专业**：计算机科学与技术、人工智能、软件工程、物联网工程、数字媒体技术；
– **前置课程**：《Python编程》《数字图像处理》《机器学习》《线性代数》；
– **后续课程**：《嵌入式视觉系统》《人工智能应用开发》《边缘计算与视觉融合》。

本课程标准以“技术应用能力”为核心，通过“理论深耕+实践闭环”的教学模式，培养兼具学术视野与工程素养的计算机视觉人才，助力学生对接智能安防、自动驾驶、医疗AI等前沿行业需求。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。