AI圖像識別在高中生物學實驗教學中的應用

[中圖分類號] G633.91 [文獻標識碼] A [文章編號] 1674-6058（2025）20-0081-03

近年來，人工智能（ArtificialIntelligence，以下簡稱AI發展迅猛，越來越多的研究者致力于將AI運用于各行各業。目前，“ AI+ 教學”的研究主要是基于現有AI工具開展教學實踐，包括試題的解答與命制、圖片和視頻等教學資源的生成、教學思路設計和個性化學習方案制訂等。那么，能否根據教學需要打造“人機協同”課堂呢？

一、研究背景及思路

（一）實驗的不足與改進

“觀察根尖分生區組織細胞的有絲分裂”是人教版高中生物學教材必修1中的經典實驗之一。在該實驗中，學生通過觀察處于細胞周期不同階段的細胞，結合有絲分裂模型，描述細胞增殖的主要特征1。教學實踐表明，此實驗存在諸多問題：洋蔥分裂旺盛期較短，取材時間受限；實驗耗時較長，難以在一個課時內完成；操作煩瑣，容易出錯；解離不充分，細胞難分離；染色效果欠佳[2]。針對這些問題，不少教師對該實驗教學進行了改進。例如，采用分裂指數較高的紅蔥替代洋蔥[3]；通過羥基脲同步化處理并改進壓片操作4；利用微課視頻組織學生課前自主學習，提高實驗課堂教學效率5；等等。然而，即便經過這些改進，學生在識別和統計顯微細胞圖像時仍需花費較長時間，影響課后討論活動的開展。

（二）AI與大模型

近年來，AI在文本生成、視頻生成、圖像識別等多個方面展現出驚人的應用價值，這些功能主要是通過數據驅動的大模型來實現。大模型是指參數規模超過10億的神經網絡模型，在內容生成、世界知識理解、代碼理解與生成等方面，能夠完成過去只有人才能完成的任務，被視AI從弱向強躍進的標志[。但AI大模型也存在一些不足：其一，訓練成本高昂，即便DeepSeek-R1大模型經過算法優化、擺脫了算力堆積的制約，其訓練成本仍高達557萬美元；其二，無法在普通計算機上獨立運行。例如，DeepSeek-R1的671b模型需在配置高端顯卡的計算機上運行;其三，大模型主要聚焦于通用生活場景的應用，在高度專業化的細分領域表現相對受限。比如，AI難以精準識別有絲分裂的顯微圖像中細胞所處的分裂時期。

（三）研究思路

本研究基于AI通用大模型，借助其深度學習功能，訓練出可識別洋蔥根尖分生區組織細胞分裂時期的專用“小模型”，并將其運用于實驗教學，構建“人機協同\"的教學模式，使學生從機械性、重復性的操作中解脫出來，將更多精力投人實驗數據的記錄、整理與分析中，實現實驗結果定量表達，促進學生生物學學科核心素養的提升。

二、AI\"小模型\"的訓練與應用

（一）訓練AI“小模型”

首先，利用數碼顯微鏡采集約300幅洋蔥根尖分生區組織細胞有絲分裂的顯微圖像。將采集到的顯微圖像劃分為訓練集（用于模型訓練）驗證集（用于在模型訓練過程中評估模型性能并調整參數）和測試集（用于評估模型的識別能力），三者的比例約為8：1：1。隨后，用標注工具LabelImg框選訓練集中每幅顯微圖像里每個細胞所處的分裂時期，并分配英文標簽（如prophase，metaphase等）。接著，選擇預訓練模型 YOLOv8n 開啟訓練。最后，將訓練完成的模型導出為onnx格式，以便在沒有顯卡的普通電腦上也能進行圖像識別。以上操作步驟可在DeepSeek等AI工具的指引下逐步完成。

（二）AI教學軟件

打開細胞分裂檢測系統，接入顯微圖像之后，該軟件將調用onnx模型對圖像進行識別，并根據學生的選擇，將對應分裂時期的細胞進行定位、標記以及數量統計（如圖1）。具體操作方法如下：

圖1軟件操作界面

1.獲取圖像。確保顯微鏡與計算機正確連接后，輸入scrcpy協議的投屏序列號，點擊“攝像頭取流”，即可看到實時的顯微畫面并進行連續動態識別。此外，也可通過“截圖保存一導入圖片\"的方式識別顯微圖像。

2.選擇有絲分裂時期。有絲分裂可分為間期和分裂期（前期、中期、后期、末期）。在“功能按鈕”中勾選相應時期，“圖像顯示區\"會標記顯示對應時期的所有細胞，并在“檢測結果\"中顯示各時期的細胞數量。由于間期細胞相對較多，為確保顯示清晰，選擇標記間期細胞時，分裂期細胞的標記將被隱藏，反之亦然，

3.置信度設置。實際教學中可能使用臨時裝片，而臨時裝片容易出現細胞重疊、染色不均、雜質較多等情況，影響圖像識別準確率。此時，可適當調低置信度，以保證使用臨時裝片的教學效果。

三、實驗教學實踐

（一）優化實驗步驟

借鑒其他教師的改進方法并結合教學實際，以洋蔥作為實驗材料，在 20～25^°C 環境中培養7天，在早上 8～10 點剪取 0.5cm 根尖，放人卡諾氏液中固定4小時，再放入 70% 酒精溶液中長期保存，以此解決取材時間受限的問題。實驗開始前，先讓學生觀看實驗操作的微課視頻，熟悉實驗流程。正式實驗時，將根尖直接放入 15% 鹽酸中解離2～3min ，再用緩水流沖洗30秒至1分鐘，然后滴加 1～2 滴改良的苯酚品紅溶液染色3分鐘，蓋上蓋玻片，用鑷子輕壓使根尖細胞分散開。用濾紙吸去多余染液后，即可將樣本放到顯微鏡下觀察，大大縮短了染色與制片時間。當學生在顯微鏡下觀察到分生區組織細胞后，教師可引導學生將顯微鏡與軟件相連接，借助AI教學軟件對分生區組織細胞進行識別。

（二）設計探究活動

活動1：觀察洋蔥根尖分生區組織細胞的有絲分裂

學生兩人一組，相互配合，先在軟件中選好分裂時期，再移動裝片進行觀察。當視野中出現相應時期的細胞時，軟件會以紅框提醒。此時，學生需著重觀察對應時期細胞內染色體的形態和分布特征，并用自己的語言歸納該時期的特點。對于存在疑問的細胞圖像，學生可對比教材中有絲分裂的模式圖與顯微圖像，參考染色體的形態變化特征確認細胞所處的分裂時期。如果是AI識別錯誤的圖像，則要求學生說出判斷依據。最后，學生借助扭扭棒模擬染色體，推演有絲分裂的動態變化過程。通過“顯微圖一模式圖一動態圖\"三者的有機結合，加深學生對有絲分裂連續性變化的認知，使學生理解有絲分裂對于遺傳穩定性的意義，認同生命過程之精妙，形成生命觀念。

活動2：統計細胞周期中不同時期的持續時間

首先，教師通過以下問題引導，幫助學生建立分裂時期的細胞數量與持續時間之間的聯系：

（1）在顯微圖像中，哪一個時期的細胞數量最多？為什么？（間期，因為持續時間最長）（2）每個視野中，分裂期的細胞數量為何遠少于間期的細胞數量？（因為分裂期持續時間短，所以細胞數量少）（3）能否通過統計不同分裂時期的細胞數量，推算出各時期的持續時間？接著，教師告知學生洋蔥根尖分生區組織細胞的細胞周期為12.7小時，隨后組織學生借助AI教學軟件隨機選取多個視野進行統計。最后，教師匯總每個小組的統計結果并輸入Excel表格中，利用Excel的函數功能自動計算每個分裂時期的持續時間。該活動通過問題驅動、構建可視化數學模型，使整節課形成“現象觀察一數學建模一理論驗證”的完整證據鏈，培養學生在真實情境下融合多學科知識解決問題的綜合能力和科學思維。

四、結果與討論

（一）圖像識別賦能實驗教學

在教學實踐中發現，本年級所有使用AI教學軟件的實驗班級，學生在實驗后期的顯微圖像識別和分裂時期統計時，都表現出極大的興趣和熱情，高效完成了相關學習任務。而未使用AI教學軟件的對照班級，細胞分裂時期的識別仍需教師介入指導；統計不同時期細胞數量時，部分學生因覺得工作量大、操作煩瑣、存疑細胞數量過多，導致任務完成效果不佳。這表明，該AI教學軟件能有效提高實驗教學效率，使教師將教學重心轉向引導學生思考實驗原理、提升實驗技能、分析整理數據等。這不僅能有效培養學生的科學思維和問題解決能力，還有利于提升學生的信息素養，促進學生生物學學科核心素養的綜合發展。

（二）精準識別突破計數瓶頸

AI\"小模型”是基于洋蔥根尖分生區組織細胞的固定裝片開發而成的，實驗教學中即便采用其他植物材料（如紅蔥、大蒜等）或不同的染色方法（如用甲紫或改良的苯酚品紅溶液染色），該模型仍能取得良好的識別效果。通過隨機選取30個顯微圖像進行統計（見表1），發現該AI工具的有效識別率為 95.89% [正確識別的數量 （a-b） 在該時期所有細胞數量 （a-b+c） 中的占比]，極大地降低了細胞數量分類統計的難度。不過，末期細胞識別錯誤率較高，原因是末期細胞的同源染色體已分離，并在細胞兩極逐漸形成新的細胞核，容易被識別為兩個間期細胞，這間接導致間期細胞識別錯誤數量增多。未來，將通過增加訓練集、旋轉顯微圖像等方式進一步優化AI模型，提升識別準確率。

表1顯微圖像抽樣識別結果統計（單位：個）

（三）\"AI+生物\"協同育人

在研究過程中，AI模型的訓練方法、識別軟件的開發、應用場景的構建逐步得以完善。后續，教師可組織學生參與減數分裂、細胞器識別等顯微圖像的采集、標記和AI模型訓練，指導學生掌握用計算機對圖像進行標記分類、優化AI模型的訓練效果以提高圖像識別準確率，以及將AI模型運用于生產生活的方法。通過這些活動，開發“AI+生物學實驗”的跨學科活動，既能加深學生對細胞結構和生命過程的理解，又能培養學生運用AI解決實際問題的能力，激發學生對生物學實驗和AI的興趣。

[參考文獻]

[1］中華人民共和國教育部.普通高中生物學課程標準：2017年版2020年修訂[M].北京：人民教育出版社，2020.

[2]范云云，董文.在生物教學中培養學生的生物核心素養：以“觀察根尖分生區組織細胞的有絲分裂”實驗教學為例[J].實驗教學與儀器，2022，39（10）：24-26.

[3]張云，林凡.觀察根尖分生組織細胞有絲分裂的好材料：紅蔥[J].生物學通報，2013，48（12）：47-49，63.

[4]陳翼星，程疊，陳民管，等.“觀察植物細胞有絲分裂\"的實驗改進[J].中學生物教學，2020（3）：53-56.

[5]齊瑞.微課在高中生物學實驗教學中的應用與實踐[D].濟南：山東師范大學，2018.

[6]鄭慶華.人工智能從弱到強的路徑分析[J].智能系統學報，2025，20（1）：1.

（責任編輯 羅艷）