產教融合背景下的高職數字圖像處理課程建設研究與實踐

摘要：人工智能技術的普及應用催生了高職人工智能專業的建設。作為人工智能專業基礎課程的數字圖像處理等信號處理類課程，在高職層次開設，存在數學背景強，課程內容發散，學習曲線陡峭等問題。為此，本文從產教融合角度出發，研究了高職數字圖像處理面向的問題，同時以工作任務為導向，從課程結構設計、內容組織和項目化教學等方面進行了探索，并在實際教學過程中進行了驗證。

關鍵詞：數字圖像處理；產教融合；課程內容建設

一、研究背景及問題分析

圖像處理是人類獲取和交換信息的主要方式，應用范圍廣泛，涵蓋航空航天、生物醫學、通信編碼、工業工程檢測、軍事公安、文化藝術等多個領域。因此，圖像處理在信息類專業中具有重要地位。隨著人工智能技術的快速發展，相關學科的建設也變得至關重要。為支持人工智能技術的發展，高職院校開始紛紛開設以人工智能應用技術為主的專業，其中包括“數字圖像處理”課程。然而，目前高職層次的“數字圖像處理”課程仍然處于探索階段，一般沿用本科傳統課程體系設計[1-4]。這導致了一些問題的存在：

1.課程概念抽象，算法背后數學原理復雜，學習曲線較陡。數字圖像處理作為信息提取的后處理技術，需要從數據矩陣中分析隱藏的特征和規律。在這一過程中，借助數據工具進行抽象和歸納非常重要。此外，通過多次實驗來驗證算法參數也是必不可少的步驟。但對于高職院校學生而言，分析理解算法甚至設計算法的難度較高，這可能會令他們望而卻步。

2.課程案例圖像來源少，缺乏與實際工作需求的有效聯系，課程內容排布也缺乏連續性。數字圖像處理的核心教學內容包含濾波變換、形態學、圖像分割等不同的技術。在傳統的教學安排中，這些內容通常相對獨立和分散，導致教學單元之間缺乏必要的連續性。這種孤立的教學方法使得每一章節似乎各自為戰，學生往往難以將這些知識與實際工作緊密聯系起來，從而影響了他們的學習積極性。

3.課程內容缺乏與深度學習內容的有效交互與聯合應用。隨著人工智能技術在各行各業的廣泛應用，高職院校專業設置中的“數字圖像處理”課程通常是為了配合人工智能技術應用工程師、機器視覺工程師等崗位的需求而設立的。但是作為一門源于本科教育的傳統課程，其教學內容往往與深度學習的聯系不夠緊密，這在當前技術快速發展的背景下顯得尤為突出。

對于以上問題，以產教融合為導向，研究基于工作任務流程化教學的方法為人們提供了一種解決途徑。

二、產教融合背景下企業項目轉換為教學案例方式的研究

在《國務院辦公廳關于深化產教融合的若干意見》和《中國特色高水平高職學校和專業建設計劃》等政策的引導下，各高職院校積極探索與行業企業合作的新路徑。這些探索包括共建理事會、董事會、專業共建共管委員會，推進職業教育集團化辦學，整合教育資源、謀求多方共贏的局面，實現資源互補。通過這種緊密型合作辦學體制，院校與企業建立了良性互動的關系，共同培養人才，共同管理教育過程，共享教育成果，并共同承擔責任[5-9]。隨著教師參與企業合作科技課題的增多，確實可以使得基于企業實際經驗的項目案例日益增加，這對于提高教學的實踐性和針對性非常有益。然而，直接將這些項目案例轉換為教學案例可能會存在以下問題：

1.企業項目的技術要求通常較為綜合，涉及多學科交叉。以工業視覺檢測項目為例，它融合了機械工程、電氣工程、網絡工程、軟件工程和計算機視覺等領域的知識。由于單一課程內容難以涵蓋整個項目的復雜需求，教師需要對企業的工作流程進行詳細梳理。通過這一過程，復雜的項目需求被分解成流程化的工作任務。接著，可以根據這些具體的工作任務來設計相應的課程內容，確保教學能夠緊密貼合實際工作的需求。

2.在實際的數字圖像處理項目中，技術難度往往較高，算法參數的調整通常需要與特定的工作場景相適應。然而，在教學過程中，由于課時的限制，很難完成一個完整的從零開始的任務開發。

針對以上問題，筆者根據現場圖像進行了圖像簡化，圍繞工作任務流程開展，每個單元解決工作任務中的某個問題，從而使得教學內容前后呼應，整體流程連貫。以噪聲中的輪廓區域提取為例，實際工作圖像與教學對應圖像對比如圖1所示，左圖為工作上需要檢測圖像，難度大細節多，不利于教學，右圖為模擬后圖像，任務式教學流程如圖2所示，知識點包括：①圖像采集，利用OpenCV imread等函數完成圖像讀寫；②圖像去噪，利用高斯濾波、中值濾波等完成卷積操作；③圖像二值化分割，基于OSTU完成基本圖形分割；④圖像形態學操作，基于開運算、閉運算完成圖形毛刺剔除；⑤圖像位置提取，輪廓提取，獲取圖形興趣區域，測量目標大小等。

三、數字圖像處理課程內容設計與實踐

數字圖像處理是一個廣泛而復雜的領域，學生往往需要逐步掌握其基礎概念和技能。因此，教學內容應以漸進式的方式組織，確保學生能夠循序漸進地學習。同時，引入真實項目需求至教學內容中，有助于學生將所學知識應用于解決實際問題。為此，課程流程化教學內容設計根據工作任務，應分為圖像采集、圖像處理、圖像分析、圖像輸出等模塊，如圖3所示。

在項目實戰安排上，通過6個從實際工作任務中抽象出來的項目案例貫穿《數字圖像處理》的教學過程，這些案例對應了包括圖像標注工程師、圖像處理工程師人工智能訓練師和人工智能測試工程師等在內的就業崗位。總課時計劃為64課時，其中項目結構組織如下：

項目1為常見圖像的采集及其幾何變換，主要涵蓋OpenCV基礎、開發環境搭建、數字圖像格式、色彩空間、通道的分離合并、圖像及視頻的加載展示、圖像的運算和變換等內容，勝任圖像標注工程師和數據管理員等崗位要求；項目2為工業X光圖像的增強處理，來自實際開發項目，包括均值和高斯等低通濾波、梯度及邊緣查找、直方圖及其均衡化、圖像亮度及對比度等圖像增強操作；項目3為集成電路芯片上的錫球檢測，來自實際開發項目，主要包括形態學腐蝕和膨脹、開閉操作、頂帽和黑帽操作、霍夫曼直線檢測和圓行檢測、查找輪廓等技術；項目4為焊接區域提取，主要包括圖像的分割與修復，涵蓋閾值分割、分水嶺分割、Grabcut分割、MeanShift聚類等技術；項目5為音響設備缺陷X光檢測，主要涵蓋特征檢測、角點檢測、SIFT特征點檢測、SURF特征點檢測、ORB特征點檢測和特征點匹配等技術；項目6為設備規格文本識別，涵蓋深度學習概念、深度學習常見庫在OpenCV調用第三方庫模型等技術內容。

以上項目中，項目1對應圖3工作流程化教學中的圖像采集模塊，項目2和項目3對應圖像處理模塊，項目4、項目5、項目6對應圖像分析模塊，圖像可視化輸出模塊貫穿于每個項目開發。

四、教學過程及評價

在教學過程中，結合了多種產教融合方式，如邀請企業講師授課、組織企業實地交流、安排課外實際工作任務等。此外，還利用了多媒體案例庫和教學網站等多樣化的教學形式。課程評價標準以學生參與企業項目為主，通過工作過程的引導和真實項目的驅動，讓學生在實踐中學習和成長。在課題組所在的人工智能應用技術專業中，開設的“數字圖像處理”課程共有103名學生。其中，參與實際企業課題人數40名，項目參與超過40%。這種教學模式有效推動了企業的工作崗位重構，提升了專業對口就業率。

五、結束語

數字圖像處理涉及的數學背景復雜，內容廣泛，包括圖像變換、增強、恢復和重建、圖像壓縮、圖像分割、形態學處理、圖像特征描述、圖像分析和圖像識別，以及彩色圖像處理等，因此學習曲線陡峭。鑒于此，對課程內容進行梳理，實現工作任務導向化和教學內容系統化尤為重要。本文針對高職“數字圖像處理”課程的內容建設進行了整體設計，提煉出符合實際項目需求的工作流程化教學內容。同時，探討了在人工智能技術普及的現狀下，如何更有效地在高職層面教授數學背景較強的學科，包括工作流程建模、課程內容組織和課程項目化教學等方面的研究與探索。從實踐評價來看，這些研究對于產教融合背景下的相關課程教學具有一定的借鑒意義。

作者單位：宋桂嶺 無錫科技職業學院物聯網與人工智能學院

參考文獻

[1] 侯麗玲.基于Halcon軟件的《數字圖像處理》課程教學探索[J].科技資訊，2020，18（23）：14-17.

[2]孟祥超，符冉迪，邵楓，等.《數字圖像處理》立體式教學方法改革與實踐[J].高教學刊，2019 （23）：136-138.

[3]田學軍，趙娟.數字圖像處理實驗教學改革與實踐[J].科技資訊，2016，14（30）：108-109.

[4]胡彬.面向實踐創新能力培養的數字圖像處理教學[J].中國教育技術設備，2016（4）：118-119.

[5]許艷麗，蔡璇.基于網絡DEA模型的“雙高計劃”院校產教融合建設成效評價研究[J].現代教育管理，2023，（02）：82-93.

[6] 劉丹青，王宇寧，謝平.新工科背景下產教融合育人的原則、問題及對策[J].中國科技產業，2023（01）：71-73.

[7] 穆龍濤，王建軍，張文帥，等.雙高計劃下校企產教融合的運行機制實踐研究[J].南方農機，2023，54（02）：174-175+181.

[8] 耿樂樂.產教融合：政策目標、政策偏好與工具選擇[J].科教發展研究，2022，2（04）：62-83.

[9] 黎菲，譚夢娜.省級產教融合型企業遴選培育：實然考察、實踐表征、問題透視與應然路徑[J].職業技術教育，2022，43（36）：65-70.