人工智能与开源硬件

　　《人工智能与开源硬件/科技教师能力提升丛书》将人工智能与开源硬件紧密结合，尝试用开源硬件实现人工智能的功能，为科技教师提供人工智能课程资源。《人工智能与开源硬件/科技教师能力提升丛书》选取了在人工智能领域较为典型的应用，包括语音识别、图像识别、无人驾驶、物联网等，并以项目式教学（project-based learning，PBL）的形式将知识的讲解和学习融入项目中。《人工智能与开源硬件/科技教师能力提升丛书》中的案例具有一定的可拓展性，教师在学习了基本知识和项目以后，能够根据本校学生的特点进行拓展，《人工智能与开源硬件/科技教师能力提升丛书》配有丰富的课程案例与资源。可以说，《人工智能与开源硬件/科技教师能力提升丛书》更像是一个“引子”，引导更多教师参与到人工智能的教育中来。《人工智能与开源硬件/科技教师能力提升丛书》可作为中小学校、校外培训机构、科技馆所等科技教师和科技辅导员的培训用书，也可作为教师提升科学素养，提高专业能力，开展教学活动的参考用书。

　　科技教师能力提升用书，用开源硬件实现人工智能技术体验，为学校开展人工智能课程提供资料参考。

目　录

第 1 章 C H A P T E R 1

人工智能的

发展和相关

概念

1.1　人工智能发展概述　/ 2

1.1.1　人工智能发展大事件　/ 2

1.1.2　达特茅斯会议　/ 12

1.1.3　人工智能的高潮与低谷　/ 12

1.1.4　人工智能与未来发展　/ 14

1.2　人工智能概念解析　/ 15

1.2.1　什么是人工智能　/ 15

1.2.2　什么是语音识别　/ 19

1.2.3　什么是图像识别　/ 20

1.2.4　什么是无人驾驶　/ 22

1.2.5　什么是SLAM　/ 23

第 2 章 C H A P T E R 2

“能听会说”

的机器——

语音识别及

语音合成

25

2.1　认识语音　/ 27

2.1.1　人类对声音的处理　/ 27

2.1.2　声音的特征　/ 27

2.1.3　计算机处理声音的方式　/ 30

2.2　语音识别技术　/ 34

2.2.1　语音识别原理　/ 34

2.2.2　语音识别模型的训练和再认　/ 36

2.2.3　体验语音转写功能　/ 37

2.2.4　语音识别的应用　/ 39

2.3　语音合成技术　/ 41

2.3.1　语音合成技术的发展　/ 41

2.3.2　语音合成技术的原理　/ 42

2.3.3　语音合成技术的实践　/ 46

2.3.4　语音合成技术的应用　/ 47

第 3 章 C H A P T E R 3

“能看” 的

机器人——

颜色及图像

识别51

3.1　识别黑白色　/ 52

3.1.1　巡线传感器　/ 52

3.1.2　红外线接近开关　/ 53

3.1.3　任务实践　/ 53

3.2　颜色识别　/ 57

3.2.1　颜色识别传感器及原理　/ 57

3.2.2　Pixy2 颜色识别传感器　/ 57

3.2.3　任务实践　/ 58

3.3　图像识别和人脸识别　/ 60

3.3.1　图像的数字化　/ 61

3.3.2　颜色识别与HSV 颜色空间　/ 62

3.3.3　卷积运算与边缘提取　/ 64

3.3.4　任务实践——人脸识别　/ 68

C H A P T E R 4

第4 章

71

“能动” 的

机器人——

无人驾驶

体验

4.1　设计制作一辆自动运行小车　/ 72

4.1.1　实验器材　/ 72

4.1.2　实验电路　/ 73

4.1.3　程序清单　/ 73

4.2　闭环控制小车　/ 75

4.2.1　实验器材　/ 75

4.2.2　实验电路　/ 75

4.2.3　程序清单　/ 76

4.2.4　程序说明　/ 76

4.3　基于图像识别技术自动驾驶小车　/ 78

4.3.1　实验器材　/ 78

4.3.2　实验电路　/ 78

4.3.3　实验原理　/ 79

4.3.4　操作流程　/ 79

第 5 章 C H A P T E R 5

“能互联”的

智能家居——

物联网及智能

家居技术87

5.1　蓝牙及无线通信　/ 88

5.1.1　蓝牙技术的基本知识　/ 88

5.1.2　常见的无线通信方式　/ 91

5.1.3　5G 与未来生活　/ 92

5.2　智能家居　/ 92

5.2.1　物联网及智能家居　/ 92

5.2.2　制作智能家居模型　/ 99

C H A P T E R 6

第6 章

103

“能学习”

的机器

6.1　从观察到预测　/ 104

6.1.1　机器学习　/ 105

6.1.2　从预测说起　/ 105

6.1.3　数字化：建立机器与现实世界的连接　/ 106

6.1.4　预测函数：从观察到结论的映射　/ 107

6.1.5　任务实践　/ 108

6.2　从数据中学习　/ 111

6.2.1　监督学习　/ 111

6.2.2　试验与修正：一种简单的学习策略　/ 112

6.2.3　任务实践　/ 113

6.3　分类函数的调用　/ 116

6.3.1　提取特征　/ 117

6.3.2　特征向量与特征空间　/ 118

6.3.3　分类器　/ 119

6.3.4　感知器　/ 120

6.3.5　任务实践　/ 121

6.4　卷积神经网络　/ 124

6.4.1　深度神经网络的特点　/ 124

6.4.2　深度神经网络的结构　/ 125

6.4.3　卷积层　/ 126

6.4.4　全连接层、归一化指数层与非线性激活层　/ 127

6.4.5　池化层　/ 127

6.4.6　人工神经网络　/ 128

6.4.7　任务实践　/ 129

参考文献　/ 133

附录　《人工智能与开源硬件》课程实施建议　/ 134