工程伦理融入专业课程建设的探索与实践——以机器视觉算法与应用为例

罗 元 袁素真 胡章芳

（重庆邮电大学光电工程学院 重庆 400065）

1 工程伦理教育

对于工科专业建设，当前以新工科专业为核心，通过工程专业认证，来进行有竞争力的一流专业建设成为重要任务。无论是新工科，还是工程认证，都在强调培养学生解决复杂工程问题的能力。对于工程，戴维斯曾经从实践的角度，对工程下过定义，认为工程是一项如何使人和物更好合作的实践性研究，像艺术一样具有创造性，像法律一样具有政治性，向艺术和法律那样，不再只是对科学的应用。也就是说，工程是一种实践性研究，研究如何利用各种科学方法使得人和物以及环境以更健康、更安全、更高效的方式相结合，从而赋能个人，促进社会的福祉。

由此我们可以看到，工程活动蕴含着有意识、有目的的设计，工程设计和实施过程中人们的知识与技术总是不完备的，工程实践的后果往往会超出预期，因此工程实践过程面临着多重风险，包括多种技术集成后应用于自然界带来的环境风险；利用技术建造人工物的质量和安全风险；工程应用于社会所导致的部分群体利益冲突和受损的风险，因此，在强调学生解决复杂工程问题的培养中，需要对学生进行工程伦理教育，以提高工程师伦理素养，加强工程从业者的社会责任，推动可持续发展，实现人与自然的协同进化，协调社会各群体之间的利益关系，确保社会稳定和谐。

2 新工科建设中工程伦理教育的不足

在新工科建设中，当前我校工科专业均开设了《工程与工程伦理》或者《工程伦理》课程，授课的教师通常是专业的骨干教师，并且接受了全国高校《工程伦理》课程师资的相应研修和培训，能通过16/32学时完成工程伦理基本理论和部分领域工程伦理的案例剖析，培养学生工程伦理意识和责任感，使学生掌握工程伦理的基本规范，并能提高工程伦理的决策能力，使培养的新工科人才不仅是技术卓越，还具有相应的道德认知和实践能力，能够正确面对未来工程活动中不可预测的利益冲突和潜在风险。而在教学中发现，工程伦理意识和责任感以及基本规范的目标达成良好，但是由于在授课中采用的案例通常来源于其他专业，如化工伦理、核伦理、环境伦理、信息与大数据伦理、医学伦理、生物伦理，与本专业的结合性还待进一步提升，因此造成了对于实践中急需的工程伦理决策能力则由于缺乏具体专业的环境，还需要通过专业课程的支持来满足这一培养要求，因此进行工程伦理融入专业课程建设的探索与实践是非常必要的，这也是专业课程思政建设的重要内容。

3 机器视觉算法与应用课程特点

机器视觉是人工智能正在快速发展的一个分支。机器视觉算法与应用课程是电子科学与技术和光学工程研究生的专业课程，从开设至今已近10年。课程一直紧跟机器视觉发展，面向基于视觉的人机交互，讲授图像采集、摄像机标定、图像增强、几何变换、图像分割、特征提取、图像形态学处理、图像拟合、图像重构、图像匹配、图像OCR以及机器视觉的应用技术。课程从开设至今，一直受到研究生的欢迎。随着国家《新一代人工智能发展规划》的发布，在抢抓人工智能发展的重大战略机遇，构筑我国人工智能发展的先发优势的今天，机器视觉算法与应用课程的建设与发展具有重要的意义。

机器视觉算法与应用的课程目标是结合研究团队最新的机器视觉研究案例，使研究生掌握机器视觉主要的算法流程和算法，为后续进行基于视觉的人机交互、图像处理等领域的研究奠定基础。由于机器视觉是人工智能正在快速发展的一个分支，本课程对接重庆市大数据智能化战略，具有很强的专业性、系统性、示范性和前瞻性，其相应内容与人工智能领域的工程伦理建设密切相关，因此，对该课程的工程伦理融入进行研究具有必要性。

4 机器视觉算法与应用的工程伦理融入

4.1 课程目标中明确工程伦理的要求

课程目标中增加“在机器视觉的应用技术研究中强化算法伦理和算法道德，并明确所有的视觉智能算法均符合工程伦理基本原则要求，并以现实的行动实践伦理规范，进而真正实现工程实践最大善的伦理追求。”

围绕该课程目标，在课程涉及的相关算法中，要进一步增强算法在本质上是“以数学方式或者计算机代码表达的意见”的意识，明确算法包括其设计、目的、成功标准、数据使用等等都与设计开发人员的主观选择密切相关，与设计开发人员的背景、经历、观点等有千丝万缕的联系，因此存在设计开发者可能将个人偏见嵌入算法系统。另一方面，数据的有效性、准确性，也会影响整个算法决策和预测的准确性。机器视觉高度关联的AI，当前常采用包括深度学习在内的大数据智能化算法，而当前，大数据智能化信息技术具有强大社会变革力和颠覆性，网络空间与现实生活已经深度交织交错，甚至影响认知过程、价值判断，因此，平等、自由、安全、公正、责任等伦理原则，不仅是大数据智能化应用之必须，也是机器视觉AI应用系统在设计完成中必须遵循的原则。

特别要注意的是，在机器视觉算法中，算法有效性需要在不同的数据库中进行验证，而验证所需的大数据获取，也存在伦理风险。当前主要的大数据采集方法包括收集公开数据、公开收集数据、日志、隐藏式收集、攻击、破解、买卖、关联、推断等，在采集中可能存在知情同意、隐私、超范围应用等伦理问题，因此在机器视觉算法与应用中，要加强对大数据的获取、使用的管理，强调采用业界公认的、公开的可用的数据，在根据具体研究目标构建的数据库中，也需要强调数据获取的伦理问题。

4.2 课程教学内容中强化工程伦理的内容

本课程的特色是源于科研，案例教学，面向本领域最新技术，与学生研究方向高度契合，教学中大量引入案例，进行微项目库建设，采用讨论式教学，具有很好创新性。在教学中关于工程伦理的融入主要内容包括：通过案例（生物信息识别及其应用、科勒门店人脸识别摄像头事件等），看到机器视觉的应用场景越来越多，在给人们生活带来很多便捷，但是也存在类似违规采集人脸信息等带来的隐私暴露等伦理问题等，强调机器视觉算法的设计责任、应用和监督责任，强化学生工程伦理责任教育，使学生具有正确的工程伦理意识，在后续工作中的工程伦理决策能力能够一定程度提高；通过具体的研发案例形成的经验，例如智能轮椅的视觉导航等，培养学生社会伦理责任实践能力；通过课外的讲座报告、研发交流等环节，进一步强化学生的伦理意识和应对复杂工程问题的能力。在具体的课程研讨及作业中，通过真实的研发案例，使学生能够结合工程伦理要素，根据工程伦理的原则，进行算法的技术分析、伦理思考，形成相应解决方案。

4.3 课程考核中强化工程伦理的要求

本课程的考核包括过程考核和期末考核，在过程考核中，通过问题抢答，小组讨论，小组作业等方式进行，期末考核通过综合试卷与案例结合完成，在相关考核任务内容中，通过小项目的方式，完成一个机器视觉处理系统的设计，要求中，除了有技术方案方面的内容，包括需求分析、技术方案、技术路线、算法设计、应用领域，还增加了对技术及应用的伦理分析，技术的经济和社会效益的剖析等要求，以强化解决方案中的工程伦理目标的达成。

4.4 课程教师团队的建设

机器视觉算法与应用课程是一门实践性很强的专业课程，在实际教与学的过程中，需要教师除了在本技术领域具有良好的基础之外，还要求教师具有工程伦理的良好的基本理论基础，具有对社会、经济、环境和各方面利益等因素的综合考虑的能力，因此本课程教师除了必须主持承担机器视觉与算法相关的省部级以上科研项目之外，还要求系统学习《工程伦理》，并获得全国高校《工程伦理》课程师资的研修和培训证书，以保证课程建设效果。

5 课程建设成果

目前，机器视觉算法与应用课程已成为重庆市研究生优质课程，课程组成员均为光电器件及系统重庆市研究生导师团队骨干成员，出版了本课程相关的“光电专业实验教程”“量子图像处理及其实现方法”等教材和专著，通过教学研究，发表课程思政相关教改论文4篇，形成多模人机交互、基于机器视觉的人脸表情识别等一系列高水平案例，通过课程实践，为工程伦理教育与专业结合的问题的解决提供了经验，教学成效显著，课程得到学生好评。