【本网讯】为全力备战“AI视觉应用赛”，进一步提升学生项目展示与技术答辩能力，近日，大数据管理与应用专业教研室组织召开专题工作会议，围绕两个差异化赛道——银发经济与智慧农业，分别就“基于YOLOv11的居家老人跌倒智能监测系统”和“番茄智眼——番茄病虫害AI视觉识别系统”两个项目，开展了实战化的备赛自述现场演练。2025级大数据管理与应用B2班的学生代表全程参与了模拟汇报与答辩。

本次演练严格对标“AI视觉应用赛”正式流程，要求每位学生在10分钟内完成PPT演讲，并接受5分钟现场提问。演练中，两位学生均存在不同程度的共性问题：对行业痛点描述过于冗长，导致核心技术亮点展示时间不足，整体超时。 其中，银发经济跌倒监测项目演讲时长达到15分钟，番茄智眼项目亦接近14分钟，均超出规定时间。教研室老师对此进行了逐一点评与针对性指导。

一、银发经济跌倒监测项目：压缩痛点篇幅，深挖YOLOv11技术亮点

针对《居家老人跌倒智能监测系统》项目，学生详细阐述了老龄化社会现状、居家跌倒风险隐蔽性、传统监护方式失效等痛点，但用时过长，导致YOLOv11模型的轻量化优化、性能指标、全屋智能联动等创新点未能充分展开。

老师们结合学生提交的项目材料，指出应重点突出的技术亮点包括：

YOLOv11模型居家场景专项优化：采用针对遮挡、光照变化、角度偏差等复杂环境训练的轻量化YOLOv11模型，实现非接触式、无感化跌倒监测，鲁棒性优异。

核心性能指标：跌倒识别AP值达0.931，mAP@0.5为0.885，最优F1分数0.84，误报率控制在5%以内，PR曲线证明高召回下精准度稳定。

全屋智能生态联动：险情触发后，系统可联动扫地机器人避险清理、智能电视播放急救科普、智能音箱紧急拨号、空调地暖恒温调节，形成“监测‑预警‑干预‑救援”完整闭环，为项目核心差异化优势。

二、番茄智眼病虫害识别项目：突出模型精度与轻量化部署优势

针对《番茄智眼——番茄病虫害AI视觉识别系统》项目，学生重点介绍了基层农户“看病难、识病难”的传统痛点，但对YOLOv11模型的迁移学习策略、性能对比数据、边缘端部署方案等技术亮点讲解不足，同样存在痛点介绍过长的问题。

老师们结合项目材料，明确应压缩痛点至2分钟以内，重点展示以下技术成果：

高精度识别能力：综合识别准确率达98%，主要病害（早疫病/晚疫病/灰霉病）识别准确率均>93%，误诊率较传统人工识别降低40%。

极速响应与轻量化部署：单张图片GPU推理时间仅5ms，端到端响应时间<3秒；支持离线推理，弱网环境下仍可用。模型基于YOLOv11迁移学习，大小仅85.4MB，易于嵌入H5网页或移动端。

多维度性能对比：相比传统识别（准确率不足60%）、通用植物识别App（约75%）、专业植保服务（85%-90%），番茄智眼以98%的准确率和<3秒的响应时间全面领先，且支持多模块识别、离线可用、自动匹配防治建议。

三、教研室综合点评与后续打磨计划

老师们强调，在“AI视觉应用赛”中，评委尤为看重技术落地的创新性、量化成果及表达紧凑度。两个项目均具备较强的社会价值和技术可行性，但学生需严格控制痛点描述时长（建议不超过2分钟），将剩余时间用于讲解模型优化策略、性能可视化图表（如PR曲线、置信度阈值分析）、部署成本及场景适配验证。此外，答辩环节需提前准备关于数据标注质量、遮挡/光照极端情况处理、硬件适配成本等常见问题的应答逻辑。

教研室后续将安排系列打磨活动，帮助学生优化演讲节奏、强化技术语言表达、提升现场应变能力。本次演练既是对“AI视觉应用赛”备赛状态的精准“压力测试”，也是对大数据管理与应用专业“以赛促学、以赛促教”理念的生动实践。教研室相关负责人表示，将继续推动YOLOv11等前沿视觉技术与银发经济、智慧农业等垂直场景深度融合，培养“懂技术、会表达、能落地”的高素质应用型大数据人才。

稿件来源：大数据管理与应用专业教研室

撰稿人：孙艳平

摄影：郑冠辉

初审：张 塽

复审：陈海松

终审：梁春树