基于人工智能技術(shù)的信息采集模型研究

摘要：隨著機(jī)械制造、化工等產(chǎn)業(yè)的不斷更新迭代，人工智能技術(shù)的發(fā)展和應(yīng)用已經(jīng)成為我國(guó)制造業(yè)實(shí)現(xiàn)數(shù)字化、智能化的驅(qū)動(dòng)核心。在這種背景下，以我國(guó)工業(yè)產(chǎn)業(yè)為例，文章分析了人工智能技術(shù)對(duì)嵌入式圖像信息識(shí)別采集系統(tǒng)圖片識(shí)別率的影響。分析結(jié)果表明：在圖像分辨率72～87 PPI區(qū)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(tǒng)、C聚類系統(tǒng)和多重分割法系統(tǒng)的嵌入式圖像信息識(shí)別率均得到提高，且人工智能系統(tǒng)的圖像識(shí)別率明顯高于C聚類系統(tǒng)和多重分割法系統(tǒng)。

關(guān)鍵詞：人工智能；信息采集；嵌入式圖像；識(shí)別率

中圖分類號(hào)：TP3文獻(xiàn)標(biāo)志碼：A

0引言

隨著信息技術(shù)的飛速發(fā)展，信息采集在各個(gè)領(lǐng)域發(fā)揮著越來越重要的作用。傳統(tǒng)的信息采集方法通常存在效率低下、準(zhǔn)確性不高等問題，難以滿足大規(guī)模、復(fù)雜數(shù)據(jù)的需求。因此，基于人工智能技術(shù)的信息采集模型成為研究熱點(diǎn)。以我國(guó)工業(yè)產(chǎn)業(yè)為例，采用傳統(tǒng)的圖像信息識(shí)別采集設(shè)備經(jīng)常由于環(huán)境干擾等因素產(chǎn)生信息識(shí)別錯(cuò)誤最終造成不利影響。為此，國(guó)內(nèi)外工業(yè)企業(yè)通常采用嵌入式圖像信息識(shí)別采集系統(tǒng)。該系統(tǒng)能夠?qū)⒆R(shí)別的圖片信息轉(zhuǎn)變?yōu)閿?shù)字信息，以提高信息準(zhǔn)確性進(jìn)而提高工作效率，通常采集圖片的分辨率為72～87 PPI，但這對(duì)嵌入式圖像信息識(shí)別采集系統(tǒng)而言分辨率較低［1］。

1基于人工智能技術(shù)的嵌入式圖像信息識(shí)別采集系統(tǒng)

1.1設(shè)計(jì)可擴(kuò)展模塊

人工智能嵌入式圖像信息識(shí)別采集系統(tǒng)主要包括可擴(kuò)展模塊、數(shù)據(jù)采集模塊2個(gè)硬件部分。

其中，可擴(kuò)展模塊主要由多核處理器、可編程邏輯控制器以及總線協(xié)議3個(gè)部分構(gòu)成。文章對(duì)多核處理器的型號(hào)采用ARM硬核雙核Cortex多核A9處理器，對(duì)可編程邏輯控制器采用Zynq-6000可編程邏輯控制器，對(duì)可編程邏輯控制器采用AXI4總線協(xié)議。

此外，在可擴(kuò)展模塊中，還要考慮將視頻和音頻接收至數(shù)據(jù)化傳輸?shù)慕涌?，故文章采用多媒體高清晰度接口進(jìn)行接收和傳輸數(shù)據(jù)。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(hào)為ADV5711，ADV5711的數(shù)據(jù)處理速度為165 MHz，ADV5711的數(shù)據(jù)輸出速率為225 MHz，ADV5711的數(shù)據(jù)接收位數(shù)為8～36 Bit，ADV5711的時(shí)序控制包括vaild數(shù)據(jù)有效信號(hào)、vsync場(chǎng)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(shù)據(jù)清晰等優(yōu)點(diǎn)［2］。

1.2設(shè)計(jì)數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊主要由4個(gè)部分構(gòu)成，即采集設(shè)備、存儲(chǔ)設(shè)備、顯示設(shè)備和處理設(shè)備。其中，采集設(shè)備包括攝像機(jī)和視頻采集卡，攝像機(jī)型號(hào)采用P919-W-HC 10moons，分辨率為480×720，數(shù)據(jù)采集時(shí)間為24 h，并帶有紅外槍機(jī)600線和雙陣列大功率紅外燈以支持?jǐn)z像機(jī)自動(dòng)增益、背光補(bǔ)償、自動(dòng)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(chǔ)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(tǒng)，且具有實(shí)時(shí)多路顯示、CPU占用率低的特點(diǎn)［3］。存儲(chǔ)設(shè)備采用計(jì)算機(jī)硬盤，能夠保證對(duì)設(shè)備對(duì)圖像數(shù)據(jù)處理的準(zhǔn)確性。顯示設(shè)備采用計(jì)算機(jī)顯示器。處理設(shè)備為計(jì)算機(jī)主機(jī)，主機(jī)的處理器為E3400 CPU Celeron（R）@2.6 Hz，內(nèi)存為2 GB，其集成設(shè)備為Windows7操作系統(tǒng)與顯卡。

1.3設(shè)計(jì)圖像識(shí)別模塊

文章所提嵌入式信息識(shí)別采集系統(tǒng)的軟件部分包括圖像識(shí)別模塊和圖像預(yù)處理模塊。其中，圖像識(shí)別模塊分為測(cè)試階段和訓(xùn)練階段，測(cè)試階段采用支持向量機(jī)算法，訓(xùn)練階段采用BP神經(jīng)網(wǎng)絡(luò)算法［4］。模塊設(shè)計(jì)流程如下。

首先，當(dāng)數(shù)據(jù)處于測(cè)試階段時(shí)，系統(tǒng)主要利用測(cè)試圖像數(shù)據(jù)進(jìn)行分析和評(píng)估，了解模型在未經(jīng)訓(xùn)練時(shí)的數(shù)據(jù)性能。

其次，系統(tǒng)進(jìn)入訓(xùn)練階段。在這一階段，系統(tǒng)使用訓(xùn)練圖像數(shù)據(jù)來優(yōu)化和調(diào)整模型參數(shù)。這個(gè)過程包含對(duì)圖像的預(yù)處理，如調(diào)整大小、歸一化等，以便更好地提取特征。

再次，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行特征提取，這些特征能夠幫助模型更好地理解和識(shí)別圖像。

完成訓(xùn)練后，系統(tǒng)可以得到一個(gè)訓(xùn)練好的分類模型。該模型可以生成一個(gè)分類器，能夠?qū)⑿碌摹⑽唇?jīng)訓(xùn)練的圖像數(shù)據(jù)轉(zhuǎn)化為具體的識(shí)別結(jié)果。

最后，文章將這個(gè)分類器應(yīng)用到新的測(cè)試圖像上，從而得到最終的識(shí)別結(jié)果。

該過程是圖像處理和機(jī)器學(xué)習(xí)中常見的流程，通過不斷測(cè)試和優(yōu)化，文章可以得到一個(gè)性能優(yōu)異的模型，實(shí)現(xiàn)對(duì)圖像的準(zhǔn)確識(shí)別。

1.4設(shè)計(jì)圖像預(yù)處理模塊

圖像預(yù)處理主要對(duì)圖像濾波處理、圖像二值化處理和邊緣檢測(cè)處理3個(gè)板塊建立模型［5］，根據(jù)模型結(jié)果得出最優(yōu)方案。文章對(duì)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(diǎn)，g（x，y）為處理f（x，y）像素點(diǎn)后的灰度值，N為全像素?cái)?shù)量，S為濾波模板。

對(duì)圖像二值化處理采用最大類間方差法計(jì)算，公式如下：

g=w0×w1×（μ0-μ1）2（2）

其中，g為類間方差，w0為目標(biāo)像素點(diǎn)占據(jù)整體圖像像素點(diǎn)的比例，w1為背景像素點(diǎn)占據(jù)整體圖像像素點(diǎn)的比例，μ0為目標(biāo)像素點(diǎn)的平均灰度，μ1為背景像素點(diǎn)的平均灰度。對(duì)邊緣檢測(cè)處理采用Sobel算子法，并將其分為水平和垂直方向，其計(jì)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(shí)驗(yàn)準(zhǔn)備與結(jié)果分析

2.1實(shí)驗(yàn)準(zhǔn)備

為了準(zhǔn)確分析嵌入式人工智能信息識(shí)別采集系統(tǒng)的相關(guān)指標(biāo)，文章對(duì)立式鍋爐和臥式鍋爐進(jìn)行了信息識(shí)別采集技術(shù)實(shí)驗(yàn)。文章建立的數(shù)據(jù)分析網(wǎng)絡(luò)拓?fù)淠Ｐ腿鐖D1所示。

圖1展示了各服務(wù)器和路由器之間的連接關(guān)系以及數(shù)據(jù)流動(dòng)的方向。圖中最上方“文件服務(wù)器”的節(jié)點(diǎn)是存儲(chǔ)和管理文件的主要設(shè)備；“數(shù)據(jù)庫服務(wù)器”是用于存儲(chǔ)、檢索和管理數(shù)據(jù)庫的重要組件，此外還有另一個(gè)并列顯示的“數(shù)據(jù)庫服務(wù)器”，其用于增加數(shù)據(jù)的冗余性和備份功能?！皩?shí)時(shí)通信服務(wù)器”通過一個(gè)“內(nèi)部管理服務(wù)器”相連，“實(shí)時(shí)通信服務(wù)器”通常用于處理即時(shí)消息傳遞、在線聊天等實(shí)時(shí)通信功能，而“內(nèi)部管理服務(wù)器”則可用于內(nèi)部網(wǎng)絡(luò)的監(jiān)控和管理。將右側(cè)的3個(gè)“Web服務(wù)器”通過2個(gè)“路由器”（標(biāo)記為Router1和Router2）相互連接?！癢eb服務(wù)器”負(fù)責(zé)托管網(wǎng)站和Web應(yīng)用程序，確保用戶可以通過互聯(lián)網(wǎng)訪問相關(guān)內(nèi)容。路由器起到連接不同網(wǎng)絡(luò)段和轉(zhuǎn)發(fā)數(shù)據(jù)包的作用。在拓?fù)浣Y(jié)構(gòu)底部，2個(gè)“應(yīng)用程序服務(wù)器”通過1個(gè)路由器連接?！皯?yīng)用程序服務(wù)器”通常用于執(zhí)行特定的軟件應(yīng)用程序邏輯，比如電子商務(wù)平臺(tái)的后端處理或企業(yè)資源規(guī)劃系統(tǒng)的執(zhí)行。

整體上，這個(gè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)展現(xiàn)了一個(gè)復(fù)雜而精細(xì)的網(wǎng)絡(luò)配置，其體現(xiàn)了不同服務(wù)器之間如何通過路由器相互連接以及數(shù)據(jù)如何在這些服務(wù)器之間流動(dòng)。這樣的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)于網(wǎng)絡(luò)管理員和IT專家而言是非常有價(jià)值的，其可以幫助他們更好地理解和管理網(wǎng)絡(luò)架構(gòu)，確保網(wǎng)絡(luò)的穩(wěn)定性和安全性。

為了確保數(shù)據(jù)的可靠準(zhǔn)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(gè)系統(tǒng)，將立式鍋爐和臥式鍋爐的嵌入式圖像信息進(jìn)行對(duì)比分析。

2.2實(shí)驗(yàn)結(jié)果分析

文章首先對(duì)立式鍋爐3個(gè)系統(tǒng)的嵌入式圖像信息識(shí)別采集進(jìn)行分析，立式鍋爐基于人工智能系統(tǒng)、C聚類系統(tǒng)和多重分割法系統(tǒng)的嵌入式圖像信息識(shí)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(gè)系統(tǒng)的圖像識(shí)別率均能得到提升。但從3個(gè)系統(tǒng)的對(duì)比結(jié)果來看，無論在何種分辨率下人工智能系統(tǒng)的圖像識(shí)別率均明顯高于C聚類系統(tǒng)和多重分割法系統(tǒng)。這是由于人工智能系統(tǒng)的立式鍋爐在進(jìn)行圖片識(shí)別訓(xùn)練時(shí)，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(cè)試階段，人工智能系統(tǒng)利用BP神經(jīng)網(wǎng)絡(luò)算法優(yōu)化圖像數(shù)據(jù)和調(diào)整模型參數(shù)，對(duì)圖像數(shù)據(jù)信息進(jìn)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(shí)別率。

根據(jù)以上計(jì)算方式，文章將對(duì)臥式鍋爐嵌入式圖像信息識(shí)別率進(jìn)行計(jì)算，臥式鍋爐基于人工智能系統(tǒng)、C聚類系統(tǒng)和多重分割法系統(tǒng)的嵌入式圖像信息識(shí)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(gè)系統(tǒng)的圖像識(shí)別率也均得到提升。與立式鍋爐結(jié)果相同，人工智能系統(tǒng)的圖像識(shí)別率均明顯高于C聚類系統(tǒng)和多重分割法系統(tǒng)。這是因?yàn)?，相較于C聚類系統(tǒng)和多重分割法系統(tǒng)，人工智能系統(tǒng)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(shù)據(jù)更清晰等優(yōu)點(diǎn)，因此該系統(tǒng)提高了臥式鍋爐的嵌入式圖像信息識(shí)別率。

3結(jié)語

以工業(yè)中立式鍋爐和臥式鍋爐為例，文章通過建立相關(guān)模型分析了人工智能嵌入式圖像信息識(shí)別采集系統(tǒng)對(duì)圖片識(shí)別率的影響，得到以下結(jié)論。

（1）在圖像分辨率72～87 PPI區(qū)間，隨著分辨率的提高，在人工智能系統(tǒng)、C聚類系統(tǒng)和多重分割法系統(tǒng)中，立式鍋爐和臥式鍋爐的嵌入式圖像信息識(shí)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(tǒng)的圖像識(shí)別率均明顯高于C聚類系統(tǒng)和多重分割法系統(tǒng)。

文章針對(duì)人工智能嵌入式圖像信息識(shí)別采集系統(tǒng)進(jìn)行了分析敘述，綜合以上分析結(jié)論能夠看出，在工業(yè)領(lǐng)域人工智能圖像信息采集識(shí)別具有準(zhǔn)確性和高效性。未來以人工智能主導(dǎo)的智能制造產(chǎn)品持有數(shù)字化、網(wǎng)絡(luò)共享化、流程自動(dòng)化的優(yōu)點(diǎn)，將引領(lǐng)著產(chǎn)業(yè)的第四次工業(yè)革命。

參考文獻(xiàn)

［1］文化，張?zhí)飫δ?基于人工智能的嵌入式圖像識(shí)別信息采集系統(tǒng)［J］.信息技術(shù)，2021（7）：114-118.

［2］陳康，朱威，任振峰，等.基于深度殘差網(wǎng)絡(luò)的布匹疵點(diǎn)檢測(cè)方法［J］.小型微型計(jì)算機(jī)系統(tǒng)，2020（4）：800-806.

［3］王龍鋼，劉世杰，馮珊珊，等.基于時(shí)間誤差的循環(huán)神經(jīng)網(wǎng)絡(luò)參數(shù)壓縮［J］.計(jì)算機(jī)工程與應(yīng)用，2020（3）：134-138.

［4］陳朋，姜立，王海霞，等.基于散射卷積網(wǎng)絡(luò)的手指靜脈識(shí)別方法研究［J］.浙江工業(yè)大學(xué)學(xué)報(bào)，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(yùn)動(dòng)控制的測(cè)控系統(tǒng)設(shè)計(jì)［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