0 引 言
计算机相关学科竞赛在创新实践型本科人才培养中起到举足轻重的作用。学科竞赛，通常以实用性、创新性问题或者学生的兴趣为切入点，结合行业应用最前沿的新技术、新方法，引导学生用组合、优化及创新等方式自主设计参赛作品[1]，是本科生实践能力和创新能力提升的重要抓手[2-4]。文献 [1] 中提到将学科竞赛纳入到教学体系中，形成教学、实践、竞赛一体化体系，这种教、学、实践、创新以及应用统一的模式让本科生真正的“学以致用”，大大调动了学生的学习积极性，提高了他们的学习效率，培养了他们的创新思维和应用实践能力。文献 [5] 中指出学科竞赛体现出“以赛促学、以赛促教、以赛促创、以赛促融”的作用从而提升本科教学质量，促进学科交叉融合与校企合作，进而培养出既具有工程实践能力又具备创新创业能力的复合型人才。总之，学科竞赛在本科人才培养上的作用得到高教界和产业界的一致认可和关注。
1 深度学习技术在学科竞赛中的作用
近几年，数字经济的蓬勃发展使得人工智能已经成为一个不断落地的产业，其中深度学习的产业应用更是飞速发展，初步形成“支撑 + 产品 + 应用”的发展体系，对计算机相关人才的培养和需求提出空前的挑战。
当前人工智能崛起，创新应用需求剧增，产教融合的学科竞赛对创新实践型本科人才培养尤为重要，充分体现出“以赛促融、以赛促学、以赛促创和以赛促研”的作用。
计算机相关学科竞赛通常分为 3 类：程序设计类、项目应用类、行业内数据挖掘及 AI 类，其中后两类的选题多以深度学习应用为主，比如 2022 年中国大学生服务外包创新创业大赛，中兴通讯等企业界提供了诸多选题，其中 80% 涉及深度学习应用；同样，2022 年中国大学生计算机设计大赛中，自主设计的深度学习应用案例也占据大多数。可见，基于深度学习应用场景的创新实践不仅仅备受高校、科研机构以及互联网大厂的关注，更是深受参赛学生的喜爱，更加凸显深度学习技术在学科竞赛中的重要地位。
（1）以赛促融：产业界提供大量的深度学习应用需求，并给予数据和经费支持，参赛学生通过参与此类竞赛，快速了解产业应用需求，紧跟产业发展步伐，把“学以致用”落到实处。学科竞赛的参与促进了参赛者软件开发能力、创新创业能力以及团队合作能力的提升；他们的创意又推动了产业界发展，这种双赢模式构建了高校界和产业界相互交融、相互促进的良性生态环境。
（2）以赛促学：深度学习技术的产业应用白热化，前沿技术应用的选题大量涌现，促使参赛学生必须与时俱进，快速掌握深度学习技术，立足于应用技术最前沿，开发出有创意、易使用、性能佳的作品。同时，开源代码的方便获取也为学生提供了参加各类大赛的可行性。总之，学科竞赛促进了学习热情、激发了学习动力、提高了学习能力。
（3）以赛促创：人工智能崛起时代深度学习的产业应用空前发展，相关学科竞赛的选题具有前瞻性和探索性，无以借鉴，这注定了参赛学生具有创新思维的必要性。他们集思广益、开拓思维，尝试各种新方法新技术新组合，这样的参赛过程锤炼了他们的创新思维和创新能力；同时，产业界通过学科竞赛也获得诸多新创意。
（4）以赛促研：学科竞赛促进了本科生对科学研究的思考、向往和尝试。当前深度学习的产业应用空前发展，而理论和技术相对滞后，为了达到高标准应用需求，开发者研究和改进深度学习技术和算法。学科竞赛前沿应用同样促使参赛学生研究、探索和改进深度学习算法，进而提升他们的科研素养，激发他们参与科学研究的热忱。
2 基于深度学习的竞赛案例设计原则
当前，产业界可以落地的深度学习应用技术大致可以分成 4 类：计算机视觉、自然语言处理、知识图谱以及人机交互。这些深度学习技术广泛应用于智能医疗、智能交通、智能家庭、智能生产、智能通讯等诸多领域，基于深度学习技术的创新实践类竞赛案例设计大多围绕上述应用。
基于深度学习技术的案例设计通常遵循如下三大原则：①紧跟应用前沿，鼓励多学科交叉，提升国民经济和促进社会发展；②技术上有创新，功能上要完善；③数据来源可靠，结果展示和评价合理，文案书写规范流畅。这些原则贯穿整个设计过程，对案例的优劣起着决定性的作用。
3 基于深度学习技术的竞赛案例设计
3.1 人工智能应用案例设计
作为常见的深度学习技术，计算机视觉广泛应用于智能生产中。传统工业质检依靠人力，效率低、出错率高以及成本高，难以满足智能化工业生产的要求，以机器视觉质检代替人工质检，实现产品缺陷快速准确识别及分类迫在眉睫。近年来，基于计算机视觉的 PCB 质量检测系统顺势而出，其中文献 [6—9] 中提出了相关 PCB 检测的解决方案，在检测准确率上有所提升。
鉴于当前落地可行的 PCB 质量检测系统并不完善，笔者与参赛选手反复交流讨论，决定打造一款能被工业界认可的 PCB 质量检测系统。参赛作品“基于计算机视觉的 PCB 质量检测系统 PD-QC”在软件方面以标注化样本数据进行模型训练和部署，对 PCB 缺陷进行高准确率检测；在硬件方面，联动摄像头等硬件设备获取 PCB
，从而实现软硬一体，全面助力 AI 技术在工业质检场景中的落地应用，加速工业智能化发展步伐。
PD-QC 系统按照功能划分为图 1 所示的 3 个模块：①可视化操作的前端 UI：主要包括摄像头控制、上传
、
检查、查询报表等相关功能；②质量检测模块：对用户上传或摄像头拍摄的 PCB
进行质量检测，检测 PCB 的各类质量问题并对其进行标注；③报表存储和生成模块：存储质检数据，便于前端查询，并生成可视化报表。其中，质量检测模块是本系统的核心模块，其重点是在保证检测速度的同时提高 PCB 各类小缺陷的检测准确率。
计算机视觉应用于 PCB 质量检测已得到学术界和工业界的广泛关注。由于 PCB 待检目标大部分是小目标，为了提高其检测准确率，笔者引导学生深入研究，通过查资料、读文献、写代码、预训练、看效果和再训练，确定出 PD-QC 系统质量检测模块的 3 层结构：数据增强层、预采样层以及目标检测层，其中的预采样层自适应生成锚框，传入目标检测层 yolov5 进行识别和定位 PCB 缺陷，大大提高了小缺陷的检测和分类准确率。
PD-QC 数据来源于 PKU-Market-PCB[11]公共合成数据集，该数据集原始数据共 693 张图像，包括 6 种缺陷（漏孔、鼠咬、开路、短路、杂散、杂铜）。由于原始数据集数量较少，参赛选手对其采用镜像、旋转以及微调等方式进行数据增强，最终扩充到 1 386 张瑕疵图像，以提升模型训练准确率和效率。相比其他 PCB 检测系统，PD-QC 系统在一次产品检测的时间不超过 200ms 的情况下，使用 yolov5s 架构模型训练后测试集的 mAP_0.5 达到如图 2 所示的 0.930，其他各类缺陷的 mAP 也如图 2 所示。
PD-QC 系统成功完成 PCB 质量检测功能，不仅能快速准确地检测出 PCB 中存在的各类缺陷并进行标注和分类，还以报表形式输出各类缺陷数据记录，其前端界面简洁明了、功能完善、使用便捷，是目标检测技术在智能生产中行之有效的应用案例，助力计算机视觉在产业界的应用推广。
3.2 智能垃圾分类微信小程序设计
随着社会的快速发展，人们的生活水平大大提高，生活垃圾数量随之飞速增长，“垃圾围城”“垃圾围村”正日益困扰着各大城市和乡村。为了解决上述问题，建立分类投放、分类收集、分类运输以及分类处理的生活垃圾处理系统迫在眉睫。国家发展改革委、住房和城乡建设部组织编制了《“十四五”城镇生活垃圾分类和处理设施发展规划》，随之各种解决垃圾分类处理的方案和产品涌现出来。
当前垃圾分类的难点是：①生活垃圾分类科普力度较弱；②生活垃圾种类繁杂，要求居民准确分类投放难度较大；③居民分类意识淡薄，缺乏分类投放积极性。参赛选手在与笔者多次交流后，迅速捕捉当前垃圾分类的热点和需求，为解决上述 3 个难点问题，采用具有高效便捷、简约美观、贴近生活、易于落地等特性而深受广大用户喜爱的微信小程序来实现垃圾分类，从而设计了 “蓝巢——基于 ConvNeXt 和 YOLOv5 的智能垃圾分类小程序”。该作品致力于打造一款整合全国多达 46 个城市的垃圾分类政策，集成垃圾单目标分类和多目标检测两大核心任务，能快速准确识别和检测垃圾，同时具有简约、美观、老少皆宜的 UI 设计于一体的智能垃圾分类小程序。
蓝巢智能垃圾分类小程序实现了四大功能：①垃圾单目标分类识别和多目标检测两大核心任务；②垃圾分类投放查询功能；③垃圾分类知识线上答题功能；④对用户垃圾分类知识了解情况进行动态分析，并以图表展示给用户。
蓝巢总体逻辑架构如图 3 所示，由垃圾
识别模块、垃圾分类科普模块以及用户中心模块 3 部分组成，其中核心模块——垃圾
识别模块由 ConvNeXt 和 YOLOv5 模型通过工程化部署而成，蓝巢根据不同的用户请求调用不同模型来进行单目标分类或多目标检测。
该案例数据来源于百度飞桨平台的垃圾分类公开数据集，经过整合、筛选、清洗以及数据增强，最终建立囊括四大类 173 种常见垃圾超过 60 000 张
用于分类，四大类 44 种生活垃圾共 14 964 张
用于检测。案例实施中采用 Windows 系统 +python3.8+PyTorch GPU1.11+ NVIDIA 3080 的训练环境，分类和检测都进行 80 个 epoch 训练，其中检测中测试集的 mAP_0.5和mAP_0.5:0.95 如图 4 所示，分别达到 75% 和 65%，最后将 80 次迭代的模型作为最终模型部署在后台服务器。
蓝巢垃圾分类小程序成功实现垃圾分类检测、查询、答题以及动态分析功能。蓝巢垃圾分类小程序适配各地政策，集图像识别检测、随手查询与垃圾分类知识科普于一体，该作品的开发，响应了国家政策号召和社会需求，将深度学习前沿技术和微信相结合应用到百姓日常生活，能助力简化居民垃圾分类流程，最终推进全国垃圾分类工作进展。
3.3 基于深度学习技术的竞赛案例设计要点
1）前期引导和培训。
笔者所在指导团队非常重视本科生学科竞赛的前期指导，提供了多个开放实验项目，吸收了诸多本科生进入实验室参与培训和学习，为创新实践类竞赛做好充分准备。深度学习应用前期知识的积累非常重要，而机器学习、神经网络、卷积神经网络、深度学习应用技术等相关知识的教学在多数高校计科专业以及软件工程专业培养体系中没有系统地安排，所以深度学习相关知识的课外引导和培训尤为重要。另外，笔者所在实验室拥有 70 台高性能 GPU 电脑，为本科生深度学习相关知识积累和应用奠定了坚实的基础。
2）善于抓住社会热点。
深度学习的相关选题要注重抓社会热点，上述两案例分别以深度学习在智能生产和“十四五”国家重大发展规划中的应用热点为背景，助力工业界提高生产力，确保国家提高垃圾利用价值、减少土地消耗等发展规划的实施，迅速赢得参赛者的热情并吸引了专家的关注。
3）参赛队员分工明确、配合默契。
参赛队员往往各有所长，有的选手擅长深度学习算法的改进，有的选手擅长模型框架的总控，而有的则擅长前端界面美化和文案撰写，笔者的经验是按照队员的特长进行分工，并经常组织交流探讨，为最终完成功能强大、性能良好、文案优美的作品合作努力。
4）技术上有创新、性能效果有提升。
确定选题后，查阅资料，获取有用文献，充分了解同类或相似作品。当然大多数情况下很难找到类似作品，但是相关的科研文章倒不少，比如，参赛选手实现作品 PD-QC 前，阅读了 PCB 检测相关文献 [5—9]，熟练掌握了文献中的目标检测算法思路、改进策略及最终效果等，并在此基础上提出自己的创新以提升检测准确率和时间效率，从而优化性能效果。
5）作品界面和文案上下工夫。
有些作品本来功能齐全、性能良好，可是最后成绩不佳，究其原因，除了界面不够吸引人外，更主要的是文案写作平铺直叙，亮点不突出。这方面需要加强学生科技写作训练，另外笔者也会给选手们提供以往优秀的案例作为参考。
6）重视答辩展示。
创新实践类竞赛后期除了文案，最重要的就是答辩。在各级比赛前，笔者所在指导团队会多次组织队员集中预答辩，并邀请专家对项目进行评价与指导，得以训练选手们的答辩能力，为最后不骄不躁、平稳踏实地应对答辩做充分的准备。
4 实施效果
学科竞赛是本科人才培养的重要环节。优秀的竞赛案例并非一蹴而就，而是大量学科知识积累后的飞跃。为了完成本文案例，笔者所在指导团队引导和培训参赛选手熟练掌握并灵活运用深度学习相关知识，此外，从作品选题、方案设计到编程实施，从文案撰写、修改讨论到预答辩，指导团队一直扮演着不可或缺的角色。
竞赛作品 PD-QC、蓝巢以及“e 丢”——基于物联网云计算的智能分类垃圾桶分别获得 2022 年全国计算机设计大赛人工智能赛道省赛一等奖、软件应用与开发赛道国赛一等奖以及物联网应用赛道国赛一等奖，其他基于深度学习的作品也在各类学科竞赛中获得国赛奖项。
参与竞赛不仅仅收获奖项，更是收获了“以赛促融、以赛促学、以赛促创、以赛促研”的效果。上述两个案例选手们为了达到预期，阅读了大量的文献，对已有算法做了创新性改进，体会到了科学研究的乐趣，也培养了他们对科学研究的热忱，树立了投身科学研究的目标，笔者团队所指导学生均获得各大名校暑期夏令营优秀营员称号并被推荐免试研究生。
5 结 语
人工智能时代，基于深度学习的产业应用对创新实践型人才需求的剧增，必然引起高校的重视，学科竞赛对常规本科教学起到督促、补充和检验的作用。创新实践类竞赛，将本科课堂基本知识、创新应用技术以及科学研究前沿贯穿在一起，让一个只了解课堂知识的“菜鸟”迅速成长为既能应对深度学习应用实践需求又能沉浸于科学研究的“大咖”，为培养既具备工程实践能力又具备科研探究能力的本科拔尖人才奠定了坚实的基础。
参考文献：
[1] 李华玮, 张沪寅, 彭红梅, 等.“新工科”背景下计算机实践类竞赛案例设计[J]. 计算机教育, 2021(6): 32-35, 41.
[2] 李国锋, 张世英. 论基于学科竞赛的大学生创新能力培养模式[J]. 实验技术与管理, 2013, 30(3): 24-26, 34.
[3] 黄建忠, 杜博, 张沪寅, 等. 竞赛驱动的计算机实践教学体系设计[J]. 实验室研究与探索, 2018, 37(4): 162-165.
[4] 王毅, 张沪寅, 黄建忠. 新工科人才培养导向的竞赛类实践课程设计[J]. 实验技术与管理, 2020, 37(8): 167-171.
[5] 赵小刚, 王峰, 汪鼎文, 等. 以学科竞赛为抓手的产学协同育人模式研究[J]. 计算机教育, 2021(4): 46-50.
[6] 王永利, 曹江涛, 姬晓飞. 基于卷积神经网络的PCB缺陷检测与识别算法[J]. 电子测量与仪器学报, 2019, 33(8): 78-84.
[7] 何国忠, 梁宇. 基于卷积神经网络的PCB缺陷检测[J]. 图学学报, 2022, 43(1): 21-27.
[8] 郭磊, 王邱龙, 薛伟, 等. 基于改进YOLOv5的小目标检测算法[J]. 电子科技大学学报, 2022, 51(2): 251-258.
[9] 王恒涛, 张上, 张朝阳, 等. 基于YOLOv5的轻量化PCB缺陷检测[EB/OL]. (2022-05-09)[2022-12-23]. http://kns.cnki.net/kcms/detail/13.1097.TN.20220509.1015.004.html.
基金项目：国家自然科学基金项目“面向灵活性行人重识别关键技术研究”（ 62171325 ）；湖北省重点研发计划项目“复杂条件下长程行人重识别与多元分析”（ 2022BAA033 ）；武汉大学实验技术项目“基于人工智能实验室的创新实践课程改进”（ WHU-2022-SYJS-11 ）；武汉大学实验技术项目“虚实结合的机械臂智能抓取实验平台”（ WHU-2021-SYJS-13 ）。
第一作者简介：方颖，女，武汉大学讲师，研究方向为数据管理、机器学习、深度学习及应用等，fangying@whu.edu.cn。
引文格式: 方颖, 王正, 张沪寅, 等. 基于深度学习的创新实践类竞赛案例设计 [J]. 计算机教育, 2023(7): 123-127.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
