种植园AI哨兵 · 第三阶梯「橙」察秋毫：用 YOLOv5 深度学习检测橙子疾病

驱动问题：为何深度学习准确率更高？

通过对比传统方法（约 65% 准确率）与深度学习方法（约 95% 准确率）的检测结果，引发认知冲突，进入深度学习的端到端学习。

核心内容

• 深度学习原理：借助 TensorFlow Playground 交互式探究神经网络结构，理解"数据驱动"核心思想
• 目标检测：YOLOv5 目标检测算法的原理与应用
• 全流程实践：依托 Feelink（飞令）完成数据标注 → 模型训练 → 参数调优 → 评估 → 部署
• 超参数探究：运用控制变量法，借助生成式 AI 工具探究图片像素、批次大小、训练轮数对模型性能的影响

双阶实践闭环

课堂标准化案例验证 → 种植园真实场景迁移：学生深入 4000㎡ 种植园，完成从实地数据采集、模型优化到部署监测的完整实战，实现从"技术学习者"到"方案设计者"的转变。

学习任务

1. 探究任务：解码 YOLOv5，理解深度学习如何"看懂"橙子病害
2. 实操任务：借助 Feelink 完成数据集采集、模型训练、评估到部署全流程
3. 拓展任务：深入种植园实践，将模型应用于真实果园，检验实战效果

学习评价

"教学评"一体化贯穿全流程：过程性评价（学习任务单贯穿全程、教师实时点评）+ 总结性评价（师评、自评、互评 1~5 分量表），从"人智观念、技术实现、智能思维、伦理责任"四个维度展开。

学习反思

① 实地数据中的复杂光影、遮挡与"干净"数据形成鲜明对比，提示数据采集阶段须注重场景的多样性与代表性；② 机器视觉虽高效，能否完全替代农人的经验判断？人类专家与 AI 算法应如何分工协作实现"1+1>2"；③ 技术应用应秉持"必要、精准、适度"原则，优先考虑生态友好方案。