Информатика и физика
Сортировка мусора в школе. От наблюдения — к умному контейнеру. Считаем, проверяем гипотезы, обучаем модель и программируем сортировку.
Перед началом: задача, команда и план урока
Вопрос исследования: как уменьшить количество смешанного мусора в школе и помочь автоматике разделять материалы?
Физика → как?
Исследуем плотность, магнетизм, действие воздушного потока и оптические свойства. Один признак не всегда позволяет определить материал.
Информатика → чем?
Собираем данные, размечаем примеры, проверяем модель и задаём правила роботу. Сравниваем ожидаемый и полученный результат.
Экология → зачем?
Сначала сокращаем ненужные одноразовые вещи, затем организуем раздельный сбор. Эффект оцениваем по повторным наблюдениям.
Маршрут команды на 90 минут
Наблюдения по школе соберите заранее. Если данных пока нет, на уроке используйте демонабор. Физические опыты ниже — виртуальные; для очного опыта учитель подготавливает чистые безопасные образцы.
Распределите роли
Меняйтесь ролями — каждый должен попробовать себя в исследовании.
Что выбрасывает школа?
Посчитайте предметы за один день в выбранных местах. Добавляйте отдельную запись для каждого вида отходов.
В этой работе сравниваем число предметов, а не их массу. Все наблюдения желательно проводить за одинаковый промежуток времени.
Школа в цифрах
Начните с первого наблюдения. Здесь появятся выводы по вашим данным.
Журнал наблюдений
Удаляйте ошибочные записи по одной| Дата | Место | Материал | Шт. | Действие |
|---|
Что меняется день за днём?
Группируем записи из журнала по датам. Цветные сегменты показывают состав отходов, длина строки — общее количество.
Добавьте наблюдения хотя бы за два дня, чтобы сравнить результаты.
В отличие от примера в презентации, здесь считаем предметы, а не килограммы. Отсутствующая дата не означает нулевое количество отходов.
Чем отличаются материалы?
0 из 4 опытовВыберите метод, сделайте прогноз и запустите виртуальный опыт. Результаты заданы для описанных образцов: в реальном эксперименте важны и материал, и форма.
Запись на полях: от свойства к способу разделения
Плотность: ρ = m / V
Массу делят на объём. В опыте с водой сравниваем плотности сплошных образцов. Промышленная флотация может использовать пузырьки воздуха и свойства поверхности — это сложнее нашего опыта.
Магнит и воздушный поток
Магнитная сепарация отделяет притягивающиеся материалы. Воздушная учитывает действие потока на предметы: важны площадь, масса и форма.
Цвет и прозрачность
Оптические признаки можно измерять камерой или датчиком. Цвет не равен материалу: прозрачными бывают и стекло, и пластик. Комбинация признаков надёжнее одного.
В модели следующего этапа «металлический отклик» — условный признак датчика металла, а не притяжение к обычному магниту. Алюминий тоже металл, хотя в нашем опыте магнит его не притягивает.
Обсудите: какие одноразовые вещи можно заменить многоразовыми?
Ты — учитель для алгоритма
Рассмотри признаки предмета и присвой ему класс. Собери хотя бы 8 примеров, включая все четыре класса, затем обучи модель.
Ошибка в метке тоже попадёт в обучающий набор. Проверка на новых предметах покажет последствия.
Примеры → модель
0 / 16Проверим модель на 8 новых предметах. Они не входят в обучающий набор.
А если учить по фотографиям?
Наш классификатор получает готовые признаки. В компьютерном зрении камера передаёт изображение, а модель ищет в нём визуальные закономерности. Спланируйте фотодатасет для следующего проекта: ориентир — 100–200 фотографий четырёх классов.
Планировщик выделяет примерно 20% каждого класса для проверки с округлением вниз. Это расчёт плана: фотографии здесь не загружаются и модель по ним не обучается.
1. Снимите разнообразие
Разные предметы, ракурсы, освещение и фон. Если бумага всегда на синем столе, модель может запомнить стол вместо материала.
2. Разделите предметы
Все фото одного предмета держите в одной части набора. Для проверки оставьте другие предметы: соседние кадры той же бутылки дают слишком лёгкую проверку.
3. Измерьте качество
Точность = верные ответы ÷ все проверенные примеры × 100%. Посмотрите, какие классы путаются. 80% — возможная учебная цель, а не обещание.
Что означают CNN и перенос обучения?
Свёрточная нейросеть (CNN) обрабатывает изображение небольшими участками и строит признаки — от простых деталей до более сложных сочетаний. Перенос обучения позволяет использовать уже обученную модель как основу для новой задачи.
В отдельном проекте можно исследовать Teachable Machine. Внешнему сервису нужен интернет. Сравните такую модель с нашим алгоритмом ближайшего соседа: какие данные нужны каждому и где он ошибается?
Исследуй: что меняется, если исправить неверные метки?
Собери логику сортировки
Датчик получает признаки, модель определяет класс, а контроллер отправляет команду манипулятору.
Начните с учебного датчика, чтобы проверить только правила робота.
От экранного робота — к умному контейнеру
Сформулируйте концепцию устройства. Реальное оборудование подключать не нужно: достаточно схемы на бумаге и объяснения, как связаны модули.
Как связаны физика, программа и исполнительный механизм?
Датчик → измерение
Камера, датчик металла или весы дают сигналы о предмете. Обычный магнит и электронный датчик металла — разные устройства.
Контроллер → команда
Программа получает класс модели, проверяет условие и выбирает выход. Arduino — один из вариантов контроллера для учебного прототипа.
Сервопривод → движение
Привод поворачивает заслонку в заданное положение. Скорость и надёжность выясняют испытаниями. В нашем файле эту работу показывает анимация.
Для схемы на А3: начало → обнаружить предмет → получить признаки → определить класс → выбрать контейнер → записать результат.
Ветку неизвестного класса и остановку при застревании добавьте в проект команды. Они важны для реального устройства.
Добавьте в блок-схему ветку «Не удалось определить → отдельная проверка». Высокая точность на маленьком наборе не делает устройство безошибочным.
Как развить прототип после урока
Камера и модель
Для отдельного проекта соберите 100–200 фотографий чистых образцов, включая все классы и разные ракурсы. Часть предметов оставьте только для проверки. Можно исследовать Teachable Machine; для внешнего сервиса понадобится интернет.
Arduino и привод
На занятии с учителем разработайте прототип с датчиком и сервоприводом. Продумайте питание, защиту движущихся частей и кнопку остановки. Этот файл не управляет оборудованием.
Таблицы и игры
Откройте CSV в табличном редакторе: группируйте записи, изучайте СУММЕСЛИ и СЧЁТЕСЛИ, сравнивайте даты. Создайте в Scratch игру с четырьмя корзинами для младших классов.
Компьютерное зрение анализирует изображения; свёрточные нейросети (CNN) ищут в них признаки. Перенос обучения использует ранее обученную модель. В нашем автономном тренажёре применяется более простой алгоритм ближайшего соседа по готовым признакам.
Что получилось: чек-лист и оценка команды
| Критерий | Показатель | Балл |
|---|
Самооценка команды: 0 / 20. Обсудите баллы с учителем.
Баллы за проект выставляются командой и учителем. Итоговый тест оценивается отдельно. Важны корректная проверка и объяснение ошибок, а не обещание заданной точности модели.
Продолжение исследования и домашнее задание
Выберите одну задачу
01 · ИсследованиеНайдите пример автоматической сортировочной станции. Подготовьте страницу с описанием методов и источниками информации.
02 · ИнженерияПредложите датчик для различения материалов. Что он измеряет? Какие предметы может перепутать? Как проверить идею?
03 · ПроектированиеНарисуйте схему раздельного сбора для дома. Укажите контейнеры, путь отходов и местные правила приёма.
Попробуйте использовать обе стороны бумаги или заменить одноразовые стаканчики многоразовой посудой. Повторите наблюдения в сопоставимых условиях. Экономию ресурсов и углеродный след рассчитывают только по обоснованной методике, а не по числу предметов.
Найди источник ошибки: модель распознала неверно или робот выбрал не тот контейнер?
Школа будущего начинается с тебя
8 ситуаций из проекта. Выбери решение и узнай, почему оно работает.