🎯 教学目标（四大核心素养）
🔍
信息意识
借助VR/AR仿真观察AI图像识别流程，认识图像数据与视觉特征的核心要素，感知数据质量对识别结果的影响
🧮
计算思维
梳理CNN输入→卷积→池化→全连接标准化流程，通过MR建模+AI实验归纳数据集与迭代次数对准确率的影响
💻
数字化学习与创新
熟练操作六类数字化工具，双人协作完成数据集标注、模型搭建、参数调试完整探究项目
⚖️
信息社会责任
辩证分析AI图像识别技术的便利与隐私风险，树立合法合规使用图像智能识别技术的意识
🛠️ 数字化工具矩阵
🥽
VR 3D漫游
卷积神经网络
三维仿真探究
VR
📋 45分钟教学流程 · 学生互动任务导航
📷 AR导入3'
🥽 VR漫游12'
📷 AR实操8'
🔗 MR建模6'
☁️ AI训练8'
🏆 成果思辨5'
📝 总结3'
📷
环节一
AR导入
3 min
AR情境导入 + AI学情定位
1
打开AR工具，启动AR演示，对比人类/机器识别差异
2
填写任务单：人类识别依据 ＿＿；机器识别依据 ＿＿
3
点击【AI答疑】，截图或文字提问，获取实时解析
4
完成微习题（3道单选），AI自动批改，同桌核对解析
AR技术
AI学情定位
🤝 双人核对
🥽
环节二
VR漫游
12 min
VR虚拟漫游 · 探究CNN层级原理
1
依次点击输入层→卷积层→池化层→全连接层，播放动画
2
同桌互相抽查各层功能，填写任务单表格
3
一键呼叫AI答疑，获取动态示意图讲解
4
完成VR填空习题（4道），提交AI批改，错题截图留存
VR技术
CNN四层结构
🤝 同桌互查
📷
环节三
AR实操
8 min
AR增强现实实操 · 图像特征提取微观原理
1
上传校园实景图，切换：原图→灰度图→边缘特征图→纹理图
2
拖动卷积滤镜横/纵向滑动，观察特征强化/弱化变化
3
双人研讨2分钟：为何灰度化？卷积提取哪两类特征？
4
完成选择+简答习题（3道），AI批改标注得分点
AR实操
特征提取原理
🤝 双人研讨
🔗
环节四
MR建模
6 min
MR虚实建模 · 神经网络结构拼接
1
【操作员】拖拽：输入层→卷积层→池化层→全连接层，拼接CNN
2
【记录员】检查层级顺序，点击运行，记录数据流转过程
3
双人协作完成MR建模任务，截图保存建模结果
4
准备切换到AI训练平台，设置实验参数
MR建模
🤝 双人协作
☁️
环节五
AI训练
8 min
AI云端训练 · 控制变量对比实验
1
设置三组对比实验（迭代5/30/100次），观察准确率变化
2
记录实验数据，分析欠拟合/适中/过拟合现象
3
填写对比实验记录表，总结最佳迭代次数
4
完成实验结论填空，点击显示答案验证理解
AI训练
控制变量实验
🤝 数据分析
🏆
环节六
成果思辨
5 min
成果展示 · 价值思辨 · 信息社会责任
1
展示MR建模和AI训练实验结果，对比分析
2
完成综合习题（选择+简答），AI批改
3
价值思辨：AI图像采集的隐私隐患与防范措施
4
讨论AI伦理问题，培养信息社会责任感
成果展示
价值思辨
🤝 全班讨论
📝
环节七
总结评价
3 min
课堂总结 · 课后作业布置
1
总结本节课知识点：CNN四层结构、特征提取、训练过程
2
布置课后作业，说明作业要求和提交方式
3
学生自评+互评，填写学习反馈表
4
预习下一节课内容，提前了解相关知识点
课堂总结
作业布置
🤝 自评互评
✨ 设计核心亮点
🖥️ 网页轻量化·零硬件成本
🥽 VR/AR/MR/AI 四项融合
🤖 全流程AI智能答疑
📝 分层阶梯式习题体系
👥 双人协作·深度学习
🔄 环环相扣·逻辑闭环
📊 可量化过程数据
🏫 适配县域薄弱条件
📱 AR大屏演示（AR技术落地）
⏳ 等待启动
● 实时识别中
AR ENGINE v2.0
💡 认知冲突
人类凭经验"看"整体外形 → 绿色植物；机器通过像素数据逐层分析颜色、边缘、纹理特征 → 机器到底如何"看懂"图像？
📋 学生任务清单 （2人一组）
📋 待填写
1
打开AR工具，启动AR演示，对比人类/机器识别差异
观察上方AR大屏中人类识别方式与机器逐像素识别方式的差异，思考认知冲突。
2
填写任务单：对比人类与机器的识别方式
3
点击【AI答疑】，截图或文字提问，获取实时解析
如有疑问，随时点击下方按钮唤起AI答疑助手，上传AR演示截图或输入文字问题，AI将实时解析人类识别与机器识别的核心差异。
4
完成微习题（3道单选），AI自动批改，同桌核对解析
进入课堂测评系统 → 选择"环节一·导入巩固" → 完成3道基础单选题 → 系统自动批改 → 与同桌核对答案和解析。
💡 育人价值：依托AR实景虚实叠加快速聚焦重难点，AI学情诊断实现精准分层教学，落实学生主动思考。
🔬 卷积神经网络 (CNN) 四层结构
💡 点击3D模型中的彩色立方体 或 点击下方列表，查看各层动画演示
输入层
彩色图像 → 像素数字矩阵
卷积层
滤镜滑动扫描，提取边缘、纹理特征
池化层
合并像素区域，压缩数据、降低算力
全连接层
汇总特征，输出分类概率
👆 点击3D立方体 或 点击左侧列表即可查看动画演示
📋 学生自主探究任务（分步执行）
-
Step 1
观察彩色图像转化为像素数字矩阵的动画
-
Step 2
旋转3D模型，观察滤镜滑动扫描像素的卷积运算动画
-
Step 3
观察像素区域合并精简（Max Pooling最大池化）动画
-
Step 4
观察特征汇总、权重计算和概率输出全流程
👥
同桌互相抽查各层功能，无法回答的记录在任务单，等待集中答疑
📝
探究完成后前往
（4道填空题，AI自动批改）
📋 环节三 · 学生操作流程
① 上传校园实景图片
→
② 切换四个图层，记录变化
→
③ 拖动卷积滤镜，观察特征强化
→
④ 双人研讨2分钟
→
⑤ 完成AR习题
📐 特征图层切换
🖼️ 原图：观察彩色图像原始状态
⚫ 灰度图：记录色彩信息被简化后的变化，思考为何要灰度化？
📏 边缘特征图：观察卷积滤镜强化了哪类特征？填写到任务单
🧶 纹理特征图：与边缘图对比，纹理热力图突出了什么？
📝 实验观察记录
💬 双人研讨（2分钟）— 结合VR环节所学卷积层知识
① 机器为何将彩色图像转为灰度图像？（提示：想想数据量与运算复杂度）
② 卷积滤镜滑动扫描，主要能提取图像哪两类关键特征？
📝
实操完成后前往
（选择+简答，AI批改标注得分点）
📋 环节四 · 双人协作分工
🖱️ 操作员：拖拽建模 → 启动训练 → 观察数据流
📝 记录员：检查层级顺序 → 记录准确率数据 → 填写习题
🧩 网络模块库
🟢
输入层
图像→数字矩阵
🔵
卷积层
滤镜提取特征
🟠
池化层
压缩降低算力
🔴
全连接层
汇总输出概率
🎯 建模任务
按正确顺序将四个模块拖入右侧区域，搭建完整CNN网络
搭建后点击【验证结构】，结构正确后点击【运行数据流】
👥 小组协作记录
🖱️ 操作员：拖拽建模
📝 记录员：检查结构
任务1
拼接CNN网络后，点击运行，观察校园图像数据流在虚拟网络中流动的过程
任务2
切换到「AI训练」标签页，进行云端控制变量对比实验（迭代次数：过少/适中/过多）
记录
在下方文本框填写数据流转过程与搭建中遇到的问题
📝
实验完成后前往
（排序+分析+简答，AI批改）
🔍 对比中
💡 先训一组，再改参数对比观察
🔴 A组：迭代过少
迭代次数：过少（5次）
预期现象：准确率偏低，属于 欠拟合
记录准确率：
🟢 B组：迭代适中
迭代次数：适中（30次）
预期现象：准确率最优，属于 良好拟合
记录准确率：
🟡 C组：迭代过多
迭代次数：过多（100次）
预期现象：准确率下降，属于 过拟合
记录准确率：
💡 设置参数后点击「🚀 启动云端训练」，准确率·损失双曲线将在此逐帧呈现
💡
训练洞察
—
Training Insight
🧪 对比实验记录表
| 编号 |
📊 数据集 |
🔄 迭代次数 |
🎯 准确率 |
对比 |
📐 拟合状态 |
💡 洞察结论 |
| 尚未进行实验，请设置参数并启动训练 |
📊 成果对比1min
📝 综合习题3min
💬 价值思辨2min
0/6
已完成环节
—
平均正确率
0
已作答题目
👤
AR人脸识别演示区
上传人脸图片 → AR叠加识别框、特征点、置信度
📋 识别结果分析
⚠️
隐私风险提醒
人脸图像属于个人敏感生物特征数据，采集前须获得本人明示同意，数据存储须加密且不得随意共享。
✅ AI图像识别技术带来的便利
- 🚪 校园门禁人脸识别：无接触快速通行
- 📷 垃圾分类识别：智能环保辅助
- 🏥 医疗影像分析：辅助疾病早期诊断
- 🚗 自动驾驶视觉：提升道路安全性
- 📱 手机相册分类：智能整理个人照片
⚠️ 图像采集引发的隐私隐患
- 📡 未经同意采集人脸数据，侵犯个人权益
- 💾 生物特征数据存储不当，易遭泄露或滥用
- 👁️ 公共场所大规模监控，引发"全景敞视"担忧
- 🎯 算法偏见导致特定群体被歧视性识别
- 🔗 多源数据关联分析，推测个人敏感信息
💬 小组思辨讨论 （建议2分钟）
Q1
校园人脸识别门禁提升了通行效率，但是否存在学生生物数据被滥用的风险？如何平衡便利与安全？
Q2
AI图像识别技术依赖大量训练数据，这些数据该由谁授权、由谁监管？作为使用者，我们该如何保护自己的图像隐私？
Q3
如果AI图像分类系统出现歧视性错误（如错误识别某类人群），应该由谁承担责任？如何从技术设计层面避免此类问题？
📜
法律法规
《个人信息保护法》规定：生物识别信息属于敏感个人信息，处理前须取得个人单独同意。
🔐
数据安全
图像数据须加密存储，设定访问权限，定期审计，防止数据泄露与滥用。
⚖️
算法公平
训练数据须涵盖多元群体，定期检测算法偏见，确保AI系统公平对待所有用户。
🧠
个人自律
谨慎上传个人图像至不明平台，关注App隐私政策，主动维护自身数字权益。
📢 课后行动倡议
☐
检查手机App相机权限，关闭不必要的图像采集授权
☐
了解学校/社区人脸识别系统的数据管理政策
☐
向家人普及AI图像隐私风险与自我保护方法
☐
在设计AI图像应用时，主动加入隐私保护设计方案
📝
完成本环节思辨讨论后，前往习题系统查看综合巩固题：