基于物聯網的人工智能圖像檢測系統設計與實現

張 華

(廣州鐵路職業技術學院 信息工程系，廣州 510430)

基于物聯網的人工智能圖像檢測系統設計與實現

張 華

(廣州鐵路職業技術學院 信息工程系，廣州 510430)

在物聯網人工智能發展迅速的環境下，物聯網絡的建立能促使人工智能領域取得飛躍性進展;傳統圖像檢測方法利用小波能算法進行背景與邊緣噪聲劃分，存在分辨率差、圖像檢測精度低、檢測速度慢、缺乏圖像深度分析等一系列問題;針對傳統方法的弊端，提出基于物聯網的人工智能圖像檢測系統設計，采用智能人工像素點特征采集技術(IAPCCT)，對圖像進行逐點特征提取，運用物聯網豐富數據量資源與處理運算能力，對采集圖像像素點進行特征分析回饋，回饋信號經人工智能信號圖像合成模塊(AISIS)，對信號做圖像轉換處理并輸出分析結果完成圖像檢測，完成人工智能圖像檢測系統設計;通過仿真實驗測試證明，基于物聯網的人工智能圖像檢測系統設計具有圖像檢測率高、識別準確度高、運行穩定、處理高效等優點，為圖像檢測系統研究開發領域提供了新的設計思路，具有很好的應用價值。

物聯網；人工智能；特征提取；圖像檢測

0 引言

計算機與互聯網技術飛速發展，將人、機、網緊緊聯系在一起，形成數據資源量豐富、交互量巨大的物聯網絡[1]。物聯網絡的建立證明互聯網技術已達到能夠支持尖端領域技術研發，如人工智能領域。近年來，人工智能技術得到了長足的發展[2]。人工智能技術正悄無聲息的走進大眾生活，如無人機、醫學、生物安全等領域。諸多領域中，圖像作為一種特殊的數據信息表達形式，如何對其包含信息進行解讀，成為圖像檢測領域一直以來研究的問題[3-4]。傳統圖像檢測系統采用小波等算法[5]，對圖像區域背景劃分，圖像噪聲分析等方法實現圖像內容信息識別檢測目的。此種方法存在對圖像清晰度要求高、低像素圖像識別檢測精度低、準確度底、分析處理能力差等一系列問題。

針對傳統圖像檢測系統存在的問題，依托物聯網與人工智能技術提出基于物聯網的人工智能圖像檢測系統設計。采用智能人工像素點特征采集技術(IAPCCT)，對檢測圖像源進行逐點特征提取，轉換成數字信號上傳云端，運用物聯網豐富數據量資源與處理運算能力，對數字信號承載的采集圖像像素點信息數據進行特征分析回饋，回饋信號經人工智能信號圖像合成模塊(AISIS)，對回饋信號做圖像轉換處理并輸出分析結果完成圖像檢測。經仿真實驗測試證明，基于物聯網的人工智能圖像檢測系統設計具有多分辨率支持、檢測識別率高、檢測精確率高、便捷易用等優點，滿足圖像檢測要求。

1 基于物聯網的人工智能圖像檢測系統設計

1.1 云端圖像處理分析模塊

基于物聯網的人工智能圖像檢測系統設計中需要依托互聯網空間內部的豐富數據資源與交互資源。同時，借助物聯網強大的信息處理運算能力來對圖像信息進行分析處理。因此，設計中首先需要搭建物聯網與終端的數據中轉站——云端圖像處理模塊。云端圖像處理模塊具有兩部分職能：

1)信息中轉職能。云端的架設首要職能就是保證設計系統終端所采集的圖像特征信息有處可存，且可隨時與物聯網內信息資源對比分析。

2)物聯網資源調取職能。云端作為與物聯網空間連接的橋梁與媒介，其自身具有調取物聯網內部所需信息數據資源的特性。利用調取數據與上傳圖像特征數據進行對比分析。

滿足上述兩個重要的特性，云端的架設也就意味著成功了。設計中云端架設采用智能數據架構方式進行架設，智能數據架構方式具有數據動態處理能力強，與物聯網信息資源融合度高、數據交互快捷等優點。智能數據架構方式采用的算法具有動態性，關系式如下所示：

(1)

(2)

(3)

式中，a,b,c,a′,b′,c′均為云端架構構成動態點；i為架構空間尺度，i隨a,b,c,a′,b′,c′動態變化而改變，云端數據交互量受i值影響。

云端架構算法采用ALTER語法[6]進行編寫構建，ALTER語法具有架構穩定，語言簡潔、后期維護開銷小能特點，架構偽代碼如下所示：

CREATE TABLE Persons

/CREATE TABLE Persons

LastName varchar(255) NOT NULL,

Address varchar(255)/909 port,

City varchar(295)

LastName varchar(255) NOT NULL,

FirstName varchar(255),

Address varchar(255),

PRIMARY KEY (P_Id)

CREATE TABLE Persons

/P_Id int PRIMARY KEY IDENTITY,

Address varchar(295),

SELECT ProductName,UnitPrice

FROM Products

/P_Id int PRIMARY KEY AUTOINCREMENT,

LastName varchar(255) NOT NULL,

WHERE UnitPrice>(SELECT AVG(UnitPrice) FROM Products)

City varchar(255)

)**

FirstName varchar(255),

REATE VIEW [Products Above Average Price] AS

代碼中包含算法方程式與云端各項數據參數，同時包含與物聯網之間數據交互所需的權限代碼等數據信息。云端空間搭建代碼中含有數據交互通道創建執行代碼，云端會自行建立終端與物聯網空間數據交互通道，完成物聯網圖像特征數據對比資源調取，并對采集上傳圖像特征數據進行對比。云端圖像處理分析模塊工作流程如圖1所示。

圖1 云端圖像處理分析模塊工作流程

1.2 圖像特征采集模塊創建

基于物聯網的人工智能圖像檢測系統設計中云端平臺圖像處理模塊搭建歸根結底是為系統中圖像特征采集模塊服務。圖像特征采集模塊與傳統圖像檢測系統中圖像信息采集模塊區別在于圖像特征采集模塊采用了智能人工像素點特征采集技術(IAPCCT)。針對圖像特征區域進行特征采集，重點分析采集圖像源特征組成數據。通過圖像特征采集優化數據結構，解決傳統整幅圖像信息上傳帶來的數據源冗長，利用率低與圖像源分辨率低導致的數據信息錯誤、無效的問題。

圖像信息是由若干數據載點組成，每個載點由于數據信息不同所呈現出的像化因子也就不同。像化因子按照一定的排列順序進行排列構成像素,像素是若干數據信息的像化集合。在像化集合中數據特征信息構成的像化點(像素)會呈現出與其他像素不同的排列效果，使圖像視覺性突出，比如房屋、高山、河流等圖像輪廓，色差，對比度等視覺效果，都是基于特征化數據像化排列的結果。智能人工像素點特征采集技術(IAPCCT)運用特普勒特征抓取算法，對圖像特征數據進行抓取。特普勒特征抓取算法關系式如下所示:

(4)

特普勒特征抓取算法與傳統圖像信息采集曲線區別如圖2所示。

圖2 曲線區別圖

通過圖2(a)、(b)的對比可以看出，特普勒特征抓取算法對圖像特征點數據抓取穩定，特征點連續性好，特征差異性小。表明算法具有準確的圖像像素點深度分析能力，表現出人工智能化特性。

圖像特征采集模塊代碼設計寫入程序核心程序文件，便于程序前端調取。偽代碼如下所示:

CREATE VIEW [Current Product List] AS

ProductName,UnitPrice*(UnitsInStock+ISNULL(UnitsOnOrder,0))

ProductName,UnitPrice*(UnitsInStock+COALESCE(UnitsOnOrder,0))

FROM Products

SELECT ProductID,ProductName,Category

SELECT

ProductName,UnitPrice*(UnitsInStock+NVL(UnitsOnOrder,0))

SELECT

/

SELECT Company, OrderNumber FROM Orders ORDER BY Company, OrderNumber

ELECT/ FROM Productsfafe

ProductName,UnitPrice*(UnitsInStock+IFNULL(UnitsOnOrder,0))

WHERE Discontinued=No

SELECT

FROM Products

SELECT

*FROM Products

LastName,FirstName,Address FROM PersonsWHERE Address IS NOT NULL

FROM Products

代碼中加入了智能人工學習代碼，使特征采集模塊具有特征積累分析能力，提升圖像特征數據采集準確度。同時，采集模塊與云端圖像處理分析模塊建立有底層數據交互協議，實時上傳圖像特征采集數據，交互數據資源。至此，圖像特征采集模塊設計全部完成。圖像特征采集模塊工作結構如圖3所示。

圖3 圖像特征采集模塊工作結構

1.3 人工智能信號圖像合成模塊

人工智能信號圖像合成模塊(AISIS)是基于物聯網人工智能圖像檢測系統中數據結果輸出模塊。人工智能信號圖像合成模塊將云端架構平臺處理下放的物聯網分析回饋結果數字信號進行圖像編碼轉換處理，還原圖像原貌，解讀圖像承載數據信息，達到圖像檢測目的。

人工智能信號圖像合成模塊設計分為兩個通道，數字信號輸入通道與圖像轉換通道。兩個通道之間通過人工智能轉換式進行數據交互。通道內數據為單向數據交互通道，即數字信號到圖像信號的單向轉換。人工智能轉換式如下所示:

(5)

(6)

根據上述關系式(5)和關系式(6)得出信號轉換數據點排列結構，已知x1+x2=1，根據關系式(6)可推導出人工智能轉換結果排列式，如下所示:

(7)

(8)

得出人工智能轉換結果排列式(8)后，設定數字信號中圖像特征信息數據閾值為η，就能夠通過特定條件對信號轉換準確率進行計算求證。即，若w取值系數大于η取值系數，代表數字信號內特征數據排列穩定，圖像編碼轉換準確率高；反之，若w取值系數小于或等于η取值系數，表示數字信號承載的特征數據排列構成不穩定，圖像轉換處理算法會動態調取云端物聯網數據資源，發揮人工智能技術優勢，調整轉換參數。使承載數據穩定轉換為圖像編碼數據。

人工智能信號圖像合成模塊(AISIS)代碼與前端窗口化代碼捆綁寫入，具有代碼輕便靈活、學習性強，算法執行率高的特點。具體代碼如下所示:

ALTER TABLE table

{ [ ALTER COLUMN column_name

< column_definition > ::=

[ < column_constraint > ] [ ...n ]

[ CONSTRAINT constraint_name ]

{ column_name data_type }

[ [ DEFAULT constant_expression ] [ WITH VALUES ]

[ COLLATE < collation_name > ]

{ [ CONSTRAINT ] constraint_name

{ new_data_type [ ( precision [ , scale ] ) ]

< column_constraint > ::=

[ COLLATE < collation_name > ]

| COLUMN column } [ ,...n ]

[ NULL | NOT NULL ]

[ ON UPDATE { CASCADE | NO ACTION } ]

| {ADD | DROP } ROWGUIDCOL }

]

| [ IDENTITY [ ( seed , increment ) [ NOT FOR REPLICATION ] ] ]

]

| { CHECK | NOCHECK } CONSTRAINT

{ [ NULL | NOT NULL ]

| [ { PRIMARY KEY | UNIQUE }

| [ WITH CHECK | WITH NOCHECK ] ADD

{ < table_constraint > } [ ,...n ]

{ [ < column_definition > ]

| column_name AS computed_column_expression

[ CLUSTERED | NONCLUSTERED

{ ALL | constraint_name [ ,...n ] }

| DROP

| { ENABLE | DISABLE } TRIGGER

{ ALL | trigger_name [ ,...n ] }

}

| ADD

} [ ,...n ]

2 實驗與結論

對設計的基于物聯網的人工智能圖像檢測系統進行仿真實驗測試。與傳統圖像檢測系統進行檢測結果對比。測試平臺計算機配置為：CPU 6200M 主頻3.4 Hz，內存DDR3 1600 4G，系統windows 7 64bit 旗艦版。具體測試參數如表1所示。

表1 測試對比參數

通過表1測試對比數據可以看出，基于物聯網的人工智能圖像檢測系統設計在圖像檢測測試中表現出色。具有檢測圖片分辨率0要求的特點，充分體現了人工智能技術的優勢。同時，運行速度快、識別準確率高，發揮了物聯網的大數據整合分析優勢。系統設計資源開銷小，滿足任意配置計算機平臺運行使用。

對基于物聯網的人工智能圖像檢測系統進行180天穩定性測試。測試平臺計算機配置為：CPU 6200M 主頻3.4 Hz，內存DDR3 1600 4G，系統windows 7 64bit 旗艦版。測試曲線如圖4所示。

圖4 穩定性測試曲線

通過圖4穩定性曲線可以證明基于物聯網的人工智能圖像檢測系統具有很好的穩定性能和可實施性。滿足設計要求。

3 結束語

針對傳統圖像檢測系統存在的問題，依托網聯網與人工智能技術，提出基于物聯網的人工智能圖像檢測系統設計，采用云端模塊、圖像特征采集模塊、人工智能信號圖像合成模塊(AISIS)的架構設計，充分運用物聯網資源能力與人工智能技術。通過仿真實驗證明，基于物聯網的人工智能圖像檢測系統設計各項性能指標優異，滿足圖像檢測使用要求。基于物聯網的人工智能圖像檢測系統設計為圖像檢測系統研究開發領域提供了新的設計思路。

[1] 王 珂,翟婷婷.人工智能及計算智能在物聯網方面的應用[J].數字技術與應用,2014，2(8):93-94.

[2] 王 艷.基于磨光函數的ICA在交通物聯網圖像處理中的應用研究[J].電腦知識與技術,2015，20(3):187-189.

[3] 程 姝,周志強.圖像處理及物聯網技術在智能交通系統中的探索及應用[J].科技視界,2015,3(35):58-59.

[4] 張景虎,孔 芳.人工智能算法在圖像處理中的應用[J].電子技術與軟件工程,2014,25(8):96-96.

[5] 蔡燕偉, 崔紅霞. 基于彩色空間的二維OSTU的圖像分割算法[J]. 電子設計工程, 2014, 22(5):131-133.

[6] 胡 猛, 張 翔, 錢東海. 基于 Matrox Concord圖像處理卡的圖像處理系統[J]. 計算機測量與控制, 2014，22(1)：156-162.

Image Detection System Design and Implementation of Artificial Intelligence Based on Internet of Things

Zhang Hua

(Department of Information Engineering, Guangzhou Railway Polytechnic,Guangzhou 510430,China)

In Internet artificial intelligence has been developing rapidly，the establish of Internet can prompt artificial intelligence field. Traditional algorithms of image detection method using wavelet can classify background noise and the edge image detection,existing poor resolution ,low detecting precision and slow test speed, lacking of depth image analysis and a series of problems. Internet environment, the rapid development in artificial intelligence is proposed based on IOT image detection system design of artificial intelligence. Aimed at the disadvantages of traditional methods,artificial intelligence image detection system design based on Internet is proposed.Using intelligent artificial pixel characteristic collection technology (IAPCCT), to point to the image feature extraction, using Internet of rich data resources and deal with the power of collecting image pixel features analysis feedback, feedback signals by artificial intelligence image synthesis module (AISIS), the signal to do image conversion processing complete results of the analysis and the output image detection,to complete artificial intelligence image detection system design. Through the simulation test proves that the artificial intelligence image detection system design based on Internet of things has high image detection rate, high identification accuracy and stable operation, processing efficiency, it can provide a new design idea for image detection system research and development,and has better application value.

internet of things; artificial intelligence; feature extraction; image detection

2016-09-14；

2016-10-11。

2015年廣東省公益研究與能力建設專項資金(2015A010103001)。

張 華(1977-)，男，湖南益陽人，碩士，副教授，主要從事物聯網應用技術、算法分析等方向的研究。

1671-4598(2017)02-0015-04

10.16526/j.cnki.11-4762/tp.2017.02.004

TP18

A