计算机机器人兴趣小组活动总结,机器人兴趣小组活动总结与反思-20210709042800.docx-原创力文档...

Jenny was compiled in January 2021

Jenny was compiled in January 2021

机器人兴趣小组活动总结与反思

机器人兴趣小组活动总结与反思

时间过的真快,转眼就又到学年底了,经过了一学年机器人活动社团的教学,感觉大家的收获还是很大的。

这学期的机器人活动社团班主要是由七、八年级的学生所组成的。对于七年级的学生来讲,学习操作机器人还是有些困难,难能可贵的是,这帮孩子很听话,很好学,很乐学,进步令人欣慰。

要想操控好机器人必须具备三个条件,一是要有好的遥控操作基础,能够熟练地操控遥控器;二是要对机器人的结构比较熟悉和了解;三是还要有理解程序能力与善于动手维修的能力。本来以为四年级的学生在这些方面都比较陌生,可是令我意外的是,每当讲解过后,他们也能知晓一二,并且兴趣很浓厚。于是,我在接下来的培训活动中间,着意对七年级孩子们多倾斜了点,希望他们早日成长。

这次与孩子们一起开展机器人兴趣活动,没有像以前那样先教孩子们一个个熟悉机器人软件的使用,也没有谈太多的理论知识。因为总结以前的经验,我发现这些对于初中阶段的的孩子们都不太适合,在他们这个好奇心强、持续性短的年龄阶段,他们习惯的就是见识真实的、能看的见、摸得着的机器人,并且有机会能很快自己动手做出来,亲自操控它。根据孩子们的这种年龄和知识特点,我选择了这样的教学方法,那就是不直接讲解程序的设计与程序的意图,而是在一次次简单的机器人操作中让孩子们来感知程序的存在和重要性,并想知道程序到底是怎么样来帮助人实现自己的意图,让机器人按照自己的意图行动和完成任务的。用任务驱动式的教学方法来引导孩子们参与机器人活动,激发兴趣,保持兴趣。

经过这学期的学习活动,孩子们从刚开始时自己头脑中想象的、不具体的机器人开始,到现在都已经掌握了操控机器人的方法与知识。如对机器人结构的了解,对遥控器与机器人运动方式的掌握,对竞赛规则的学习,对竞赛实战的模拟。还有个别孩子表现很是突出,在数百人的观摩现场都能游刃有余的操控机器人进行比赛,真是很棒的。

当然,活动小组也有些准备不充分、考虑欠周到的地方,比如,刚开始时,时间定在周二、周三、周四中午,但是由于后来我要参与学校的培训学习,又不得不改在了周三和周五的中午,看到现在孩子们的表现,又自责刚开始时对四年的孩子们估计过低,不过,两位高年级的老队员表现很不错,为活动的开展做了不少的贡献,看着孩子们一天天的成长起来,为这些聪明的孩子感到骄傲的同时,也感觉到自己肩膀上的担子的分量日益加重,在接下来的一学期里我将继续努力准备与组织好孩子们参与和学习机器人的活动,同时也要积极更新自己的知识与技能,与孩子们一起成长。

机器人兴趣小组活动总结与反思

石埠初中

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值