基于人工智能技術的信息采集模型研究

摘要：隨著機械制造、化工等產業的不斷更新迭代，人工智能技術的發展和應用已經成為我國制造業實現數字化、智能化的驅動核心。在這種背景下，以我國工業產業為例，文章分析了人工智能技術對嵌入式圖像信息識別采集系統圖片識別率的影響。分析結果表明：在圖像分辨率72～87 PPI區間，無論是立式鍋爐還是臥式鍋爐，隨著分辨率的提高，人工智能系統、C聚類系統和多重分割法系統的嵌入式圖像信息識別率均得到提高，且人工智能系統的圖像識別率明顯高于C聚類系統和多重分割法系統。

關鍵詞：人工智能；信息采集；嵌入式圖像；識別率

中圖分類號：TP3文獻標志碼：A

0引言

隨著信息技術的飛速發展，信息采集在各個領域發揮著越來越重要的作用。傳統的信息采集方法通常存在效率低下、準確性不高等問題，難以滿足大規模、復雜數據的需求。因此，基于人工智能技術的信息采集模型成為研究熱點。以我國工業產業為例，采用傳統的圖像信息識別采集設備經常由于環境干擾等因素產生信息識別錯誤最終造成不利影響。為此，國內外工業企業通常采用嵌入式圖像信息識別采集系統。該系統能夠將識別的圖片信息轉變為數字信息，以提高信息準確性進而提高工作效率，通常采集圖片的分辨率為72～87 PPI，但這對嵌入式圖像信息識別采集系統而言分辨率較低［1］。

1基于人工智能技術的嵌入式圖像信息識別采集系統

1.1設計可擴展模塊

人工智能嵌入式圖像信息識別采集系統主要包括可擴展模塊、數據采集模塊2個硬件部分。

其中，可擴展模塊主要由多核處理器、可編程邏輯控制器以及總線協議3個部分構成。文章對多核處理器的型號采用ARM硬核雙核Cortex多核A9處理器，對可編程邏輯控制器采用Zynq-6000可編程邏輯控制器，對可編程邏輯控制器采用AXI4總線協議。

此外，在可擴展模塊中，還要考慮將視頻和音頻接收至數據化傳輸的接口，故文章采用多媒體高清晰度接口進行接收和傳輸數據。多媒體高清晰度接口的最大傳輸速度為18 Gbps，輸出使用芯片的型號為ADV5711，ADV5711的數據處理速度為165 MHz，ADV5711的數據輸出速率為225 MHz，ADV5711的數據接收位數為8～36 Bit，ADV5711的時序控制包括vaild數據有效信號、vsync場同步以及hsync行同步。這樣能夠保證視頻和音頻在傳輸過程中具有速度快、傳輸量大以及視頻音頻數據清晰等優點［2］。

1.2設計數據采集模塊

數據采集模塊主要由4個部分構成，即采集設備、存儲設備、顯示設備和處理設備。其中，采集設備包括攝像機和視頻采集卡，攝像機型號采用P919-W-HC 10moons，分辨率為480×720，數據采集時間為24 h，并帶有紅外槍機600線和雙陣列大功率紅外燈以支持攝像機自動增益、背光補償、自動白平衡的功能。視頻采集卡采用CV3000型，最大分辨率為990×1450，存儲格式為MPEG-4和AVI，采集卡幀率為每秒0～30幀，能夠支持Windows XP和Windows 7系統，且具有實時多路顯示、CPU占用率低的特點［3］。存儲設備采用計算機硬盤，能夠保證對設備對圖像數據處理的準確性。顯示設備采用計算機顯示器。處理設備為計算機主機，主機的處理器為E3400 CPU Celeron（R）@2.6 Hz，內存為2 GB，其集成設備為Windows7操作系統與顯卡。

1.3設計圖像識別模塊

文章所提嵌入式信息識別采集系統的軟件部分包括圖像識別模塊和圖像預處理模塊。其中，圖像識別模塊分為測試階段和訓練階段，測試階段采用支持向量機算法，訓練階段采用BP神經網絡算法［4］。模塊設計流程如下。

首先，當數據處于測試階段時，系統主要利用測試圖像數據進行分析和評估，了解模型在未經訓練時的數據性能。

其次，系統進入訓練階段。在這一階段，系統使用訓練圖像數據來優化和調整模型參數。這個過程包含對圖像的預處理，如調整大小、歸一化等，以便更好地提取特征。

再次，運用BP神經網絡算法進行特征提取，這些特征能夠幫助模型更好地理解和識別圖像。

完成訓練后，系統可以得到一個訓練好的分類模型。該模型可以生成一個分類器，能夠將新的、未經訓練的圖像數據轉化為具體的識別結果。

最后，文章將這個分類器應用到新的測試圖像上，從而得到最終的識別結果。

該過程是圖像處理和機器學習中常見的流程，通過不斷測試和優化，文章可以得到一個性能優異的模型，實現對圖像的準確識別。

1.4設計圖像預處理模塊

圖像預處理主要對圖像濾波處理、圖像二值化處理和邊緣檢測處理3個板塊建立模型［5］，根據模型結果得出最優方案。文章對圖像濾波處理采用均值濾波算法，其公式如下：

g（x，y）=1N∑f∈Sf（x，y）（1）

其中， f（x，y）為待處理像素點，g（x，y）為處理f（x，y）像素點后的灰度值，N為全像素數量，S為濾波模板。

對圖像二值化處理采用最大類間方差法計算，公式如下：

g=w0×w1×（μ0-μ1）2（2）

其中，g為類間方差，w0為目標像素點占據整體圖像像素點的比例，w1為背景像素點占據整體圖像像素點的比例，μ0為目標像素點的平均灰度，μ1為背景像素點的平均灰度。對邊緣檢測處理采用Sobel算子法，并將其分為水平和垂直方向，其計算公式分別如式（3）（4）所示。

Gx=-10+1

-20+2

-10+1（3）

Gy=-1-2+1

000

+1+2+1（4）

其中，Gx、Gy分別為水平、垂直方向算子法模型。

2實驗準備與結果分析

2.1實驗準備

為了準確分析嵌入式人工智能信息識別采集系統的相關指標，文章對立式鍋爐和臥式鍋爐進行了信息識別采集技術實驗。文章建立的數據分析網絡拓撲模型如圖1所示。

圖1展示了各服務器和路由器之間的連接關系以及數據流動的方向。圖中最上方“文件服務器”的節點是存儲和管理文件的主要設備；“數據庫服務器”是用于存儲、檢索和管理數據庫的重要組件，此外還有另一個并列顯示的“數據庫服務器”，其用于增加數據的冗余性和備份功能?！皩崟r通信服務器”通過一個“內部管理服務器”相連，“實時通信服務器”通常用于處理即時消息傳遞、在線聊天等實時通信功能，而“內部管理服務器”則可用于內部網絡的監控和管理。將右側的3個“Web服務器”通過2個“路由器”（標記為Router1和Router2）相互連接?！癢eb服務器”負責托管網站和Web應用程序，確保用戶可以通過互聯網訪問相關內容。路由器起到連接不同網絡段和轉發數據包的作用。在拓撲結構底部，2個“應用程序服務器”通過1個路由器連接?！皯贸绦蚍掌鳌蓖ǔＳ糜趫绦刑囟ǖ能浖贸绦蜻壿?，比如電子商務平臺的后端處理或企業資源規劃系統的執行。

整體上，這個網絡拓撲結構展現了一個復雜而精細的網絡配置，其體現了不同服務器之間如何通過路由器相互連接以及數據如何在這些服務器之間流動。這樣的網絡結構對于網絡管理員和IT專家而言是非常有價值的，其可以幫助他們更好地理解和管理網絡架構，確保網絡的穩定性和安全性。

為了確保數據的可靠準確性，文章分別基于人工智能、基于C聚類、基于多重分割法3個系統，將立式鍋爐和臥式鍋爐的嵌入式圖像信息進行對比分析。

2.2實驗結果分析

文章首先對立式鍋爐3個系統的嵌入式圖像信息識別采集進行分析，立式鍋爐基于人工智能系統、C聚類系統和多重分割法系統的嵌入式圖像信息識別率如表1所示。

從表中可以看出，隨著圖像分辨率的提高，3個系統的圖像識別率均能得到提升。但從3個系統的對比結果來看，無論在何種分辨率下人工智能系統的圖像識別率均明顯高于C聚類系統和多重分割法系統。這是由于人工智能系統的立式鍋爐在進行圖片識別訓練時，其圖像信息特征向量所獲取的分類模型均是通過分類器獲得的。在測試階段，人工智能系統利用BP神經網絡算法優化圖像數據和調整模型參數，對圖像數據信息進行特征提取獲得分類模型，這樣能夠提高立式鍋爐的嵌入式圖像信息識別率。

根據以上計算方式，文章將對臥式鍋爐嵌入式圖像信息識別率進行計算，臥式鍋爐基于人工智能系統、C聚類系統和多重分割法系統的嵌入式圖像信息識別率如表2所示。

從表中可以看出，隨著圖像分辨率的提高，3個系統的圖像識別率也均得到提升。與立式鍋爐結果相同，人工智能系統的圖像識別率均明顯高于C聚類系統和多重分割法系統。這是因為，相較于C聚類系統和多重分割法系統，人工智能系統臥式鍋爐多媒體高清晰度接口的視頻和音頻在傳輸過程中具有速度更快、傳輸量更大、視頻音頻數據更清晰等優點，因此該系統提高了臥式鍋爐的嵌入式圖像信息識別率。

3結語

以工業中立式鍋爐和臥式鍋爐為例，文章通過建立相關模型分析了人工智能嵌入式圖像信息識別采集系統對圖片識別率的影響，得到以下結論。

（1）在圖像分辨率72～87 PPI區間，隨著分辨率的提高，在人工智能系統、C聚類系統和多重分割法系統中，立式鍋爐和臥式鍋爐的嵌入式圖像信息識別率均得到提高。

（2）無論是立式鍋爐還是臥式鍋爐，人工智能系統的圖像識別率均明顯高于C聚類系統和多重分割法系統。

文章針對人工智能嵌入式圖像信息識別采集系統進行了分析敘述，綜合以上分析結論能夠看出，在工業領域人工智能圖像信息采集識別具有準確性和高效性。未來以人工智能主導的智能制造產品持有數字化、網絡共享化、流程自動化的優點，將引領著產業的第四次工業革命。

參考文獻

［1］文化，張田劍南.基于人工智能的嵌入式圖像識別信息采集系統［J］.信息技術，2021（7）：114-118.

［2］陳康，朱威，任振峰，等.基于深度殘差網絡的布匹疵點檢測方法［J］.小型微型計算機系統，2020（4）：800-806.

［3］王龍鋼，劉世杰，馮珊珊，等.基于時間誤差的循環神經網絡參數壓縮［J］.計算機工程與應用，2020（3）：134-138.

［4］陳朋，姜立，王海霞，等.基于散射卷積網絡的手指靜脈識別方法研究［J］.浙江工業大學學報，2018（1）：56-60.

［5］姚志生，許四祥，翟健健，等.基于嵌入式圖像處理與運動控制的測控系統設計［J］.火力與指揮控制，2018（5）：125-128.

（編輯王永超編輯）

Research on information acquisition model based on artificial intelligence technology

HE" Fengying

（Department of Computer Science， Yunnan Technology and Business University， Kunming 650000， China）

Abstract： With the continuous update and iteration of machinery manufacturing， chemical industry and other industries， the development and application of artificial intelligence technology has become the driving core of China’s manufacturing industry. In this context， taking China’s industrial industry as an example， this paper analyzes the influence of artificial intelligence technology on the image recognition rate of the embedded image information recognition system. The analysis results show that in the image recognition range of 72～87 PPI， with the improvement of the recognition rate， the image recognition rates of the embedded image information of the AI system， C clustering system and multiple segmentation system in the vertical boiler and horizontal boiler are improved， and the image recognition rate of AI system is significantly higher than that of C clustering system and multiple segmentation system.

Key words： artificial intelligence; information collection; embedded image; recognition rate