基于物联网的人工智能图像检测系统设计与实现

张 华

(广州铁路职业技术学院 信息工程系，广州 510430)

基于物联网的人工智能图像检测系统设计与实现

张 华

(广州铁路职业技术学院 信息工程系，广州 510430)

在物联网人工智能发展迅速的环境下，物联网络的建立能促使人工智能领域取得飞跃性进展;传统图像检测方法利用小波能算法进行背景与边缘噪声划分，存在分辨率差、图像检测精度低、检测速度慢、缺乏图像深度分析等一系列问题;针对传统方法的弊端，提出基于物联网的人工智能图像检测系统设计，采用智能人工像素点特征采集技术(IAPCCT)，对图像进行逐点特征提取，运用物联网丰富数据量资源与处理运算能力，对采集图像像素点进行特征分析回馈，回馈信号经人工智能信号图像合成模块(AISIS)，对信号做图像转换处理并输出分析结果完成图像检测，完成人工智能图像检测系统设计;通过仿真实验测试证明，基于物联网的人工智能图像检测系统设计具有图像检测率高、识别准确度高、运行稳定、处理高效等优点，为图像检测系统研究开发领域提供了新的设计思路，具有很好的应用价值。

物联网；人工智能；特征提取；图像检测

0 引言

计算机与互联网技术飞速发展，将人、机、网紧紧联系在一起，形成数据资源量丰富、交互量巨大的物联网络[1]。物联网络的建立证明互联网技术已达到能够支持尖端领域技术研发，如人工智能领域。近年来，人工智能技术得到了长足的发展[2]。人工智能技术正悄无声息的走进大众生活，如无人机、医学、生物安全等领域。诸多领域中，图像作为一种特殊的数据信息表达形式，如何对其包含信息进行解读，成为图像检测领域一直以来研究的问题[3-4]。传统图像检测系统采用小波等算法[5]，对图像区域背景划分，图像噪声分析等方法实现图像内容信息识别检测目的。此种方法存在对图像清晰度要求高、低像素图像识别检测精度低、准确度底、分析处理能力差等一系列问题。

针对传统图像检测系统存在的问题，依托物联网与人工智能技术提出基于物联网的人工智能图像检测系统设计。采用智能人工像素点特征采集技术(IAPCCT)，对检测图像源进行逐点特征提取，转换成数字信号上传云端，运用物联网丰富数据量资源与处理运算能力，对数字信号承载的采集图像像素点信息数据进行特征分析回馈，回馈信号经人工智能信号图像合成模块(AISIS)，对回馈信号做图像转换处理并输出分析结果完成图像检测。经仿真实验测试证明，基于物联网的人工智能图像检测系统设计具有多分辨率支持、检测识别率高、检测精确率高、便捷易用等优点，满足图像检测要求。

1 基于物联网的人工智能图像检测系统设计

1.1 云端图像处理分析模块

基于物联网的人工智能图像检测系统设计中需要依托互联网空间内部的丰富数据资源与交互资源。同时，借助物联网强大的信息处理运算能力来对图像信息进行分析处理。因此，设计中首先需要搭建物联网与终端的数据中转站——云端图像处理模块。云端图像处理模块具有两部分职能：

1)信息中转职能。云端的架设首要职能就是保证设计系统终端所采集的图像特征信息有处可存，且可随时与物联网内信息资源对比分析。

2)物联网资源调取职能。云端作为与物联网空间连接的桥梁与媒介，其自身具有调取物联网内部所需信息数据资源的特性。利用调取数据与上传图像特征数据进行对比分析。

满足上述两个重要的特性，云端的架设也就意味着成功了。设计中云端架设采用智能数据架构方式进行架设，智能数据架构方式具有数据动态处理能力强，与物联网信息资源融合度高、数据交互快捷等优点。智能数据架构方式采用的算法具有动态性，关系式如下所示：

(1)

(2)

(3)

式中，a,b,c,a′,b′,c′均为云端架构构成动态点；i为架构空间尺度，i随a,b,c,a′,b′,c′动态变化而改变，云端数据交互量受i值影响。

云端架构算法采用ALTER语法[6]进行编写构建，ALTER语法具有架构稳定，语言简洁、后期维护开销小能特点，架构伪代码如下所示：

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

代码中包含算法方程式与云端各项数据参数，同时包含与物联网之间数据交互所需的权限代码等数据信息。云端空间搭建代码中含有数据交互通道创建执行代码，云端会自行建立终端与物联网空间数据交互通道，完成物联网图像特征数据对比资源调取，并对采集上传图像特征数据进行对比。云端图像处理分析模块工作流程如图1所示。

图1 云端图像处理分析模块工作流程

1.2 图像特征采集模块创建

基于物联网的人工智能图像检测系统设计中云端平台图像处理模块搭建归根结底是为系统中图像特征采集模块服务。图像特征采集模块与传统图像检测系统中图像信息采集模块区别在于图像特征采集模块采用了智能人工像素点特征采集技术(IAPCCT)。针对图像特征区域进行特征采集，重点分析采集图像源特征组成数据。通过图像特征采集优化数据结构，解决传统整幅图像信息上传带来的数据源冗长，利用率低与图像源分辨率低导致的数据信息错误、无效的问题。

图像信息是由若干数据载点组成，每个载点由于数据信息不同所呈现出的像化因子也就不同。像化因子按照一定的排列顺序进行排列构成像素,像素是若干数据信息的像化集合。在像化集合中数据特征信息构成的像化点(像素)会呈现出与其他像素不同的排列效果，使图像视觉性突出，比如房屋、高山、河流等图像轮廓，色差，对比度等视觉效果，都是基于特征化数据像化排列的结果。智能人工像素点特征采集技术(IAPCCT)运用特普勒特征抓取算法，对图像特征数据进行抓取。特普勒特征抓取算法关系式如下所示:

(4)

特普勒特征抓取算法与传统图像信息采集曲线区别如图2所示。

图2 曲线区别图

通过图2(a)、(b)的对比可以看出，特普勒特征抓取算法对图像特征点数据抓取稳定，特征点连续性好，特征差异性小。表明算法具有准确的图像像素点深度分析能力，表现出人工智能化特性。

图像特征采集模块代码设计写入程序核心程序文件，便于程序前端调取。伪代码如下所示:

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

代码中加入了智能人工学习代码，使特征采集模块具有特征积累分析能力，提升图像特征数据采集准确度。同时，采集模块与云端图像处理分析模块建立有底层数据交互协议，实时上传图像特征采集数据，交互数据资源。至此，图像特征采集模块设计全部完成。图像特征采集模块工作结构如图3所示。

图3 图像特征采集模块工作结构

1.3 人工智能信号图像合成模块

人工智能信号图像合成模块(AISIS)是基于物联网人工智能图像检测系统中数据结果输出模块。人工智能信号图像合成模块将云端架构平台处理下放的物联网分析回馈结果数字信号进行图像编码转换处理，还原图像原貌，解读图像承载数据信息，达到图像检测目的。

人工智能信号图像合成模块设计分为两个通道，数字信号输入通道与图像转换通道。两个通道之间通过人工智能转换式进行数据交互。通道内数据为单向数据交互通道，即数字信号到图像信号的单向转换。人工智能转换式如下所示:

(5)

(6)

根据上述关系式(5)和关系式(6)得出信号转换数据点排列结构，已知x1+x2=1，根据关系式(6)可推导出人工智能转换结果排列式，如下所示:

(7)

(8)

得出人工智能转换结果排列式(8)后，设定数字信号中图像特征信息数据阈值为η，就能够通过特定条件对信号转换准确率进行计算求证。即，若w取值系数大于η取值系数，代表数字信号内特征数据排列稳定，图像编码转换准确率高；反之，若w取值系数小于或等于η取值系数，表示数字信号承载的特征数据排列构成不稳定，图像转换处理算法会动态调取云端物联网数据资源，发挥人工智能技术优势，调整转换参数。使承载数据稳定转换为图像编码数据。

人工智能信号图像合成模块(AISIS)代码与前端窗口化代码捆绑写入，具有代码轻便灵活、学习性强，算法执行率高的特点。具体代码如下所示:

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 实验与结论

对设计的基于物联网的人工智能图像检测系统进行仿真实验测试。与传统图像检测系统进行检测结果对比。测试平台计算机配置为：CPU 6200M 主频3.4 Hz，内存DDR3 1600 4G，系统windows 7 64bit 旗舰版。具体测试参数如表1所示。

表1 测试对比参数

通过表1测试对比数据可以看出，基于物联网的人工智能图像检测系统设计在图像检测测试中表现出色。具有检测图片分辨率0要求的特点，充分体现了人工智能技术的优势。同时，运行速度快、识别准确率高，发挥了物联网的大数据整合分析优势。系统设计资源开销小，满足任意配置计算机平台运行使用。

对基于物联网的人工智能图像检测系统进行180天稳定性测试。测试平台计算机配置为：CPU 6200M 主频3.4 Hz，内存DDR3 1600 4G，系统windows 7 64bit 旗舰版。测试曲线如图4所示。

图4 稳定性测试曲线

通过图4稳定性曲线可以证明基于物联网的人工智能图像检测系统具有很好的稳定性能和可实施性。满足设计要求。

3 结束语

针对传统图像检测系统存在的问题，依托网联网与人工智能技术，提出基于物联网的人工智能图像检测系统设计，采用云端模块、图像特征采集模块、人工智能信号图像合成模块(AISIS)的架构设计，充分运用物联网资源能力与人工智能技术。通过仿真实验证明，基于物联网的人工智能图像检测系统设计各项性能指标优异，满足图像检测使用要求。基于物联网的人工智能图像检测系统设计为图像检测系统研究开发领域提供了新的设计思路。

[1] 王 珂,翟婷婷.人工智能及计算智能在物联网方面的应用[J].数字技术与应用,2014，2(8):93-94.

[2] 王 艳.基于磨光函数的ICA在交通物联网图像处理中的应用研究[J].电脑知识与技术,2015，20(3):187-189.

[3] 程 姝,周志强.图像处理及物联网技术在智能交通系统中的探索及应用[J].科技视界,2015,3(35):58-59.

[4] 张景虎,孔 芳.人工智能算法在图像处理中的应用[J].电子技术与软件工程,2014,25(8):96-96.

[5] 蔡燕伟, 崔红霞. 基于彩色空间的二维OSTU的图像分割算法[J]. 电子设计工程, 2014, 22(5):131-133.

[6] 胡 猛, 张 翔, 钱东海. 基于 Matrox Concord图像处理卡的图像处理系统[J]. 计算机测量与控制, 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年广东省公益研究与能力建设专项资金(2015A010103001)。

张 华(1977-)，男，湖南益阳人，硕士，副教授，主要从事物联网应用技术、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