以项目为牵引，以实战育英才：硕士生《深度学习案例》课程项目汇报
为进一步深化研究生教学改革，推动“理论教学+项目实践”深度融合，近日，信息与智能工程学院硕士研究生课程《深度学习案例》项目式教学成果阶段性展示汇报会顺利举行。本次汇报会旨在展示学生将深度学习前沿技术应用于真实场景问题的创新能力与实践成果，来自不同研究方向的学生团队依次登台，展示了多个富有现实应用价值的项目成果。
聚焦工业安全：安全帽佩戴与违规人数智能检测
首个登场的团队展示了“基于深度学习的工地安全帽佩戴与违规人数检测系统”。建筑工地、工厂车间等高危作业环境中，安全帽的正确佩戴是保障人员安全的第一道防线。然而，传统人工巡检存在效率低、覆盖不全、难以实时监管等痛点。该团队基于YOLO系列目标检测算法，构建了一套高效、准确的安全帽检测模型。
项目的核心创新在于双重任务协同：一方面，模型能够实时识别画面中每一位工人是否正确佩戴安全帽；另一方面，系统还能自动统计未佩戴安全帽的违规人数，并生成告警信息。团队负责人介绍，为了提升模型在实际复杂场景中的鲁棒性，他们采集并标注了涵盖不同光照条件、不同遮挡程度、多人交错场景的工地图像数据。经过多轮模型迭代与优化，最终模型在测试集上的平均精度达到90%以上，检测速度达到实时要求。
打造智慧课堂：人脸识别与实时人数统计系统
第二组学生带来了“智慧课堂场景下的人脸识别与人数统计系统”项目。随着教育信息化的深入推进，如何实现课堂考勤自动化、学生出勤状态精准化，成为高校教学管理关注的热点。该团队基于深度学习人脸识别技术，设计并实现了一套适用于课堂场景的智能检测系统。
项目的技术路线包括人脸检测、人脸对齐、特征提取与身份匹配四个核心模块。团队采用MTCNN或RetinaFace进行人脸检测，结合FaceNet等经典人脸识别网络提取面部特征，并利用余弦相似度完成身份匹配。同时，系统还能实时统计教室内总人数、已签到人数及未识别人员数量，为课堂管理提供直观的数据看板。
团队特别指出，实际课堂场景中存在光照变化、侧脸、遮挡、后排人脸模糊等挑战。为此，他们引入了数据增强策略和多尺度特征融合技术，显著提升了模型在复杂条件下的识别准确率。现场演示环节，系统能够快速识别多张人脸并标注身份信息，实时更新人数统计界面，展示了较高的实用价值。
赋能智慧交通：行人车辆计数与速度检测系统
第三组学生聚焦智能交通领域，带来了“基于深度学习的行人车辆计数与速度检测系统”项目。随着城市化进程加快，交通流量监测与车速管理成为智慧城市建设的重要环节。传统检测手段如地感线圈、雷达测速等存在安装成本高、维护困难、覆盖范围有限等问题。该团队基于计算机视觉技术，探索了一种低成本、易部署、全天候的交通感知方案。
项目核心技术包括目标检测、多目标跟踪与速度估算三个模块。团队采用YOLOv8等高效目标检测算法对视频流中的行人、车辆（汽车、摩托车、自行车等）进行实时检测与分类；在此基础上，引入DeepSORT或ByteTrack等多目标跟踪算法，为每个目标分配唯一ID并持续跟踪其运动轨迹；最后，结合相机标定参数与帧间位移关系，计算目标的瞬时速度与平均速度。
团队成员介绍，项目面临的主要挑战包括：遮挡情况下的目标ID切换、远近尺度差异、夜间或恶劣天气下的检测精度下降等。为此，他们通过数据增广、模型轻量化、跟踪算法参数调优等方式逐一攻克。最终系统能够实时显示画面中的行人数量、各类车辆数量，并对超速车辆进行标记和报警。现场演示中，系统对一段城市道路监控视频进行分析，准确统计了双向车道的车流量，并成功识别出超速车辆，展现了良好测试效果。
赋能办公场景：发票智能检测与识别系统
第四组学生聚焦财务自动化处理需求，展示了“基于深度学习的发票检测与识别系统”。在企事业单位日常办公中，发票信息的录入、核对与归档耗费大量人力。如何利用深度学习技术实现发票关键信息的自动提取，是该项目着力解决的问题。
团队构建了“目标检测+文字识别”的两阶段处理流程：首先采用DBNet或PSENet等文本检测算法定位发票中的关键字段区域（如发票代码、发票号码、金额、开票日期等）；随后采用CRNN+CTC或Attention-based OCR模型对检测到的文本区域进行端到端识别。为提升模型的泛化能力，团队收集了多种类型、不同版式、不同拍摄条件下的发票图像，并进行了充分的预处理与数据增广。
项目成果展示了系统对增值税发票、电子发票等多种票种的识别能力，关键字段识别准确率达到95%以上，且支持批量处理与结果导出。该技术可显著提升财务处理效率，降低人工录入误差。
守护粮食安全：农业虫害智能检测与识别系统
第五组学生关注农业生产领域，带来了“基于深度学习的农业虫害智能检测与识别系统”项目。农业虫害是威胁粮食安全和作物产量的重要因素，传统的虫害识别依赖人工巡查与经验判断，效率低且时效性差。该团队致力于构建一套能够自动检测并识别田间常见虫害的智能系统。
项目以多种常见农业害虫为研究对象，基于改进的目标检测网络构建检测模型。团队在数据采集方面下了大量功夫，通过网络爬取、公开数据集筛选、实地拍摄等多种渠道构建了涵盖不同光照、不同背景、不同虫龄的多类别虫害图像数据集。针对虫害目标小、密集、形态相似等难点，团队引入了注意力机制和多尺度特征融合策略，显著提升了小目标虫害的检出率。
在汇报中，团队演示了系统对田间虫害图像的实时检测效果：系统能够准确框出虫害位置并给出类别标签，同时支持单张图像和批量图像的处理模式。该成果可为精准农业中的虫情预警、科学施药提供决策支持，助力农业生产的数字化与智能化转型。
以评促学，以践促创：项目式教学成效显著
在每组汇报结束后，现场教师从选题价值、技术路线、模型性能、工程实现、创新点与改进空间等多个维度进行了点评与指导。肖老师坚持“以学生为中心、以项目为载体”的教学理念，鼓励学生从真实场景需求出发，独立完成从问题定义、数据采集、模型设计到系统演示的全流程实践。本次汇报的项目涵盖工业安全、智慧教育、智慧交通、智慧办公、智慧农业等多个领域，充分体现了学生扎实的理论功底与较强的动手能力。未来，信息与智能工程学院将继续深化研究生课程教学改革，推动更多前沿技术课程采用项目式、案例式教学模式，为培养具有创新精神和实践能力的高层次应用型人才持续发力。
一审一校 | 肖衡
二审二校 | 王景泽 周显春
三审三校 | 李成名 尹娜
