張 華

(廣州鐵路職業(yè)技術(shù)學(xué)院 信息工程系，廣州 510430)

基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計與實現(xiàn)

張 華

(廣州鐵路職業(yè)技術(shù)學(xué)院 信息工程系，廣州 510430)

在物聯(lián)網(wǎng)人工智能發(fā)展迅速的環(huán)境下，物聯(lián)網(wǎng)絡(luò)的建立能促使人工智能領(lǐng)域取得飛躍性進展;傳統(tǒng)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(tǒng)方法的弊端，提出基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計，采用智能人工像素點特征采集技術(shù)(IAPCCT)，對圖像進行逐點特征提取，運用物聯(lián)網(wǎng)豐富數(shù)據(jù)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(jīng)人工智能信號圖像合成模塊(AISIS)，對信號做圖像轉(zhuǎn)換處理并輸出分析結(jié)果完成圖像檢測，完成人工智能圖像檢測系統(tǒng)設(shè)計;通過仿真實驗測試證明，基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計具有圖像檢測率高、識別準確度高、運行穩(wěn)定、處理高效等優(yōu)點，為圖像檢測系統(tǒng)研究開發(fā)領(lǐng)域提供了新的設(shè)計思路，具有很好的應(yīng)用價值。

物聯(lián)網(wǎng)；人工智能；特征提??；圖像檢測

0 引言

計算機與互聯(lián)網(wǎng)技術(shù)飛速發(fā)展，將人、機、網(wǎng)緊緊聯(lián)系在一起，形成數(shù)據(jù)資源量豐富、交互量巨大的物聯(lián)網(wǎng)絡(luò)[1]。物聯(lián)網(wǎng)絡(luò)的建立證明互聯(lián)網(wǎng)技術(shù)已達到能夠支持尖端領(lǐng)域技術(shù)研發(fā)，如人工智能領(lǐng)域。近年來，人工智能技術(shù)得到了長足的發(fā)展[2]。人工智能技術(shù)正悄無聲息的走進大眾生活，如無人機、醫(yī)學(xué)、生物安全等領(lǐng)域。諸多領(lǐng)域中，圖像作為一種特殊的數(shù)據(jù)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(lǐng)域一直以來研究的問題[3-4]。傳統(tǒng)圖像檢測系統(tǒng)采用小波等算法[5]，對圖像區(qū)域背景劃分，圖像噪聲分析等方法實現(xiàn)圖像內(nèi)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(tǒng)圖像檢測系統(tǒng)存在的問題，依托物聯(lián)網(wǎng)與人工智能技術(shù)提出基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計。采用智能人工像素點特征采集技術(shù)(IAPCCT)，對檢測圖像源進行逐點特征提取，轉(zhuǎn)換成數(shù)字信號上傳云端，運用物聯(lián)網(wǎng)豐富數(shù)據(jù)量資源與處理運算能力，對數(shù)字信號承載的采集圖像像素點信息數(shù)據(jù)進行特征分析回饋，回饋信號經(jīng)人工智能信號圖像合成模塊(AISIS)，對回饋信號做圖像轉(zhuǎn)換處理并輸出分析結(jié)果完成圖像檢測。經(jīng)仿真實驗測試證明，基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)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(yōu)點，滿足圖像檢測要求。

1 基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計

1.1 云端圖像處理分析模塊

基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計中需要依托互聯(lián)網(wǎng)空間內(nèi)部的豐富數(shù)據(jù)資源與交互資源。同時，借助物聯(lián)網(wǎng)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(shè)計中首先需要搭建物聯(lián)網(wǎng)與終端的數(shù)據(jù)中轉(zhuǎn)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(zhuǎn)職能。云端的架設(shè)首要職能就是保證設(shè)計系統(tǒng)終端所采集的圖像特征信息有處可存，且可隨時與物聯(lián)網(wǎng)內(nèi)信息資源對比分析。

2)物聯(lián)網(wǎng)資源調(diào)取職能。云端作為與物聯(lián)網(wǎng)空間連接的橋梁與媒介，其自身具有調(diào)取物聯(lián)網(wǎng)內(nèi)部所需信息數(shù)據(jù)資源的特性。利用調(diào)取數(shù)據(jù)與上傳圖像特征數(shù)據(jù)進行對比分析。

滿足上述兩個重要的特性，云端的架設(shè)也就意味著成功了。設(shè)計中云端架設(shè)采用智能數(shù)據(jù)架構(gòu)方式進行架設(shè)，智能數(shù)據(jù)架構(gòu)方式具有數(shù)據(jù)動態(tài)處理能力強，與物聯(lián)網(wǎng)信息資源融合度高、數(shù)據(jù)交互快捷等優(yōu)點。智能數(shù)據(jù)架構(gòu)方式采用的算法具有動態(tài)性，關(guān)系式如下所示：

(1)

(2)

(3)

式中，a,b,c,a′,b′,c′均為云端架構(gòu)構(gòu)成動態(tài)點；i為架構(gòu)空間尺度，i隨a,b,c,a′,b′,c′動態(tài)變化而改變，云端數(shù)據(jù)交互量受i值影響。

云端架構(gòu)算法采用ALTER語法[6]進行編寫構(gòu)建，ALTER語法具有架構(gòu)穩(wěn)定，語言簡潔、后期維護開銷小能特點，架構(gòu)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(shù)據(jù)參數(shù)，同時包含與物聯(lián)網(wǎng)之間數(shù)據(jù)交互所需的權(quán)限代碼等數(shù)據(jù)信息。云端空間搭建代碼中含有數(shù)據(jù)交互通道創(chuàng)建執(zhí)行代碼，云端會自行建立終端與物聯(lián)網(wǎng)空間數(shù)據(jù)交互通道，完成物聯(lián)網(wǎng)圖像特征數(shù)據(jù)對比資源調(diào)取，并對采集上傳圖像特征數(shù)據(jù)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(chuàng)建

基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計中云端平臺圖像處理模塊搭建歸根結(jié)底是為系統(tǒng)中圖像特征采集模塊服務(wù)。圖像特征采集模塊與傳統(tǒng)圖像檢測系統(tǒng)中圖像信息采集模塊區(qū)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(shù)(IAPCCT)。針對圖像特征區(qū)域進行特征采集，重點分析采集圖像源特征組成數(shù)據(jù)。通過圖像特征采集優(yōu)化數(shù)據(jù)結(jié)構(gòu)，解決傳統(tǒng)整幅圖像信息上傳帶來的數(shù)據(jù)源冗長，利用率低與圖像源分辨率低導(dǎo)致的數(shù)據(jù)信息錯誤、無效的問題。

圖像信息是由若干數(shù)據(jù)載點組成，每個載點由于數(shù)據(jù)信息不同所呈現(xiàn)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(gòu)成像素,像素是若干數(shù)據(jù)信息的像化集合。在像化集合中數(shù)據(jù)特征信息構(gòu)成的像化點(像素)會呈現(xiàn)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(shù)據(jù)像化排列的結(jié)果。智能人工像素點特征采集技術(shù)(IAPCCT)運用特普勒特征抓取算法，對圖像特征數(shù)據(jù)進行抓取。特普勒特征抓取算法關(guān)系式如下所示:

(4)

特普勒特征抓取算法與傳統(tǒng)圖像信息采集曲線區(qū)別如圖2所示。

圖2 曲線區(qū)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(shù)據(jù)抓取穩(wěn)定，特征點連續(xù)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(xiàn)出人工智能化特性。

圖像特征采集模塊代碼設(shè)計寫入程序核心程序文件，便于程序前端調(diào)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(xué)習(xí)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(shù)據(jù)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(shù)據(jù)交互協(xié)議，實時上傳圖像特征采集數(shù)據(jù)，交互數(shù)據(jù)資源。至此，圖像特征采集模塊設(shè)計全部完成。圖像特征采集模塊工作結(jié)構(gòu)如圖3所示。

圖3 圖像特征采集模塊工作結(jié)構(gòu)

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(lián)網(wǎng)人工智能圖像檢測系統(tǒng)中數(shù)據(jù)結(jié)果輸出模塊。人工智能信號圖像合成模塊將云端架構(gòu)平臺處理下放的物聯(lián)網(wǎng)分析回饋結(jié)果數(shù)字信號進行圖像編碼轉(zhuǎn)換處理，還原圖像原貌，解讀圖像承載數(shù)據(jù)信息，達到圖像檢測目的。

人工智能信號圖像合成模塊設(shè)計分為兩個通道，數(shù)字信號輸入通道與圖像轉(zhuǎn)換通道。兩個通道之間通過人工智能轉(zhuǎn)換式進行數(shù)據(jù)交互。通道內(nèi)數(shù)據(jù)為單向數(shù)據(jù)交互通道，即數(shù)字信號到圖像信號的單向轉(zhuǎn)換。人工智能轉(zhuǎn)換式如下所示:

(5)

(6)

根據(jù)上述關(guān)系式(5)和關(guān)系式(6)得出信號轉(zhuǎn)換數(shù)據(jù)點排列結(jié)構(gòu)，已知x1+x2=1，根據(jù)關(guān)系式(6)可推導(dǎo)出人工智能轉(zhuǎn)換結(jié)果排列式，如下所示:

(7)

(8)

得出人工智能轉(zhuǎn)換結(jié)果排列式(8)后，設(shè)定數(shù)字信號中圖像特征信息數(shù)據(jù)閾值為η，就能夠通過特定條件對信號轉(zhuǎn)換準確率進行計算求證。即，若w取值系數(shù)大于η取值系數(shù)，代表數(shù)字信號內(nèi)特征數(shù)據(jù)排列穩(wěn)定，圖像編碼轉(zhuǎn)換準確率高；反之，若w取值系數(shù)小于或等于η取值系數(shù)，表示數(shù)字信號承載的特征數(shù)據(jù)排列構(gòu)成不穩(wěn)定，圖像轉(zhuǎn)換處理算法會動態(tài)調(diào)取云端物聯(lián)網(wǎng)數(shù)據(jù)資源，發(fā)揮人工智能技術(shù)優(yōu)勢，調(diào)整轉(zhuǎn)換參數(shù)。使承載數(shù)據(jù)穩(wěn)定轉(zhuǎn)換為圖像編碼數(shù)據(jù)。

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(xué)習(xí)性強，算法執(zhí)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(jié)論

對設(shè)計的基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)進行仿真實驗測試。與傳統(tǒng)圖像檢測系統(tǒng)進行檢測結(jié)果對比。測試平臺計算機配置為：CPU 6200M 主頻3.4 Hz，內(nèi)存DDR3 1600 4G，系統(tǒng)windows 7 64bit 旗艦版。具體測試參數(shù)如表1所示。

表1 測試對比參數(shù)

通過表1測試對比數(shù)據(jù)可以看出，基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計在圖像檢測測試中表現(xiàn)出色。具有檢測圖片分辨率0要求的特點，充分體現(xiàn)了人工智能技術(shù)的優(yōu)勢。同時，運行速度快、識別準確率高，發(fā)揮了物聯(lián)網(wǎng)的大數(shù)據(jù)整合分析優(yōu)勢。系統(tǒng)設(shè)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(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)進行180天穩(wěn)定性測試。測試平臺計算機配置為：CPU 6200M 主頻3.4 Hz，內(nèi)存DDR3 1600 4G，系統(tǒng)windows 7 64bit 旗艦版。測試曲線如圖4所示。

圖4 穩(wěn)定性測試曲線

通過圖4穩(wěn)定性曲線可以證明基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)具有很好的穩(wěn)定性能和可實施性。滿足設(shè)計要求。

3 結(jié)束語

針對傳統(tǒng)圖像檢測系統(tǒng)存在的問題，依托網(wǎng)聯(lián)網(wǎng)與人工智能技術(shù)，提出基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)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(gòu)設(shè)計，充分運用物聯(lián)網(wǎng)資源能力與人工智能技術(shù)。通過仿真實驗證明，基于物聯(lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計各項性能指標優(yōu)異，滿足圖像檢測使用要求?；谖锫?lián)網(wǎng)的人工智能圖像檢測系統(tǒng)設(shè)計為圖像檢測系統(tǒng)研究開發(fā)領(lǐng)域提供了新的設(shè)計思路。

[1] 王 珂,翟婷婷.人工智能及計算智能在物聯(lián)網(wǎng)方面的應(yīng)用[J].數(shù)字技術(shù)與應(yīng)用,2014，2(8):93-94.

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

[3] 程 姝,周志強.圖像處理及物聯(lián)網(wǎng)技術(shù)在智能交通系統(tǒng)中的探索及應(yīng)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(yīng)用[J].電子技術(shù)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(shè)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(tǒng)[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(shè)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(lián)網(wǎng)應(yīng)用技術(shù)、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