基于物联网技术的人工智能图像检测系统设计

192
基于物联网技术的人工智能图像检测系统设计
林立磐
（广东省信息工程有限公司，广东广州523000）
摘要：为解决传统小波能图像检测算法当中存在的图像检测速度慢、精确度差以及分辨率低等问题。

文章以物联网技术
为基础，通过对人工智能的像素特征点采集技术以及图像像素特征等进行研究分析，提出了一种基于物联网技术的人工智能图像检测系统。

并从图像分析模块设计、图像特征采集模块设计以及图像合成模块设计等方面，实现了该图像检测系统设计，经仿真测试结果证明，该图像检测系统的可行性。

关键词：物联网技术；人工智能；特征提取设计；图像检测系统；研究中图分类号：TP311文献标识码：A 文章编号：2096-9759（2023）03-0192-03
Design of Artificial Intelligence Image Detection System Based on Internet of Things T echnology
LIN Lipan
(Guangdong Information Engineering Co.,Ltd Guangzhou,Guangdong 523000)
Abstract:In order to solve the problems of slow detection speed,poor accuracy and low resolution in the traditional wavelet energy image detection algorithm.Based on the Internet of Things technology,this paper proposes an artificial intelligence im-age detection system based on the Internet of Things technology by studying and analyzing the pixel feature point acquisition technology and image pixel features of artificial intelligence.And from the image analysis module design,image feature acqui-sition module design and image synthesis module design,the image detection system design,simulation test results prove that the feasibility of the image detection system.
Key words:The Internet of Things;artificial in tellignce;Feature extraction design;Image detection system;study
0引言
现行的传统图像检测系统存在检测精确度、速度慢等问题。

基于此，本文通过结合人工智能技术和物联网技术，提出并设计了一种新的人工智能图像检测系统。

在借助人工智能
像素点特征采集技术（IAPCCT ）[1]
提高了人工智能检测图像的工作效率，并利用特征提取的方法，将图像源的特征进行提取和转化处理后，得到了图像数字信号，并同时将数字信号同步到云端上。

接着，采用物联网技术实现对其数字信号进行分析，最后经过人工智能技术的图像合成功能，实现对图像的处理及其结果进行分析，以此完成了图像检测工作。

通过仿真实验表明，在物联网技术的作用下，人工智能图像检测系统具有更高的检测精准率、高分辨率以及高识别速率等特点，能够充分满足当前图像检测的需要。

1人工智能图像检测过程中物联网技术的应用价值分析
传统图像检测系统设计过程中，主要以小波能量算法为图像检测算法。

但该类型图像检测系统在应用过程中，常会
受其边缘噪声的影响，导致检测得到的图像不仅分辨率较差，同时，其图像检测的精度无法满足当前人工智能图像检测方面对精确度的需求。

而本文以物联网技术为基础，开发设计的人工智能图像检测系统，借助AI 特征点采集技术，通过从图像源中将图像特征点进行提取，并借助技术展开全面分析和处理，将其得到的结果转化成对应的数字信号，并同步传输到云服务器当中。

接着，选择对应的技术，对得到的不同图像数据信息特征，展开研究，利用智能信号图像合成功能，以此实现图像的转换。

这样一来，在物联网技术的作用下，可以有效提高人工智能图像检测的精准识别效率和精确度，促进图像的分辨率得到提高，从而满足图像检测需求[2]。

2基于物联网技术的人工智能图像检测系统设计及
实现研究
为解决并改善传统图像检测系统当中存在的图像检测精准度低、检测分辨率低等问题，本文选择利用物联网技术实现并完成了人工智能图像检测系统设计。

该系统的整体
时钟源都是美国的GPS 系统，其安全和可靠性存在一定隐患。

我国自研的全球导航卫星系统北斗已于2020年正式开通，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠授时服务。

从保障5G 网络安全的角度来看，北斗系统是未来更好的选择。

本论文意图从5G 各类应用对时间精度要求、以北斗系统为参考源的随路时钟精度指标、对比现网以GPS 为参考源的随路时钟精度指标等方面进行研究，验证使用北斗替换GPS 时钟源的技术可行性。

参考文献：
[1]北斗卫星导航系统，/[2]
William C T Lee.无线与蜂窝通信（第3版）WilliamC.T.Lee [M ].3版.北京:清华大学出版社,2008.
[3]DANIEL M Dobkin.无线网络射频工程[M ].北京:Daniel
M.Dobkin 人民邮电出版社,2008.
[4]鲁郁.北斗/GPS 双模软件接收机原理与实现技术[M ].电
子工业出版社,2016.
[5]张睿.无线通信仪表与测试应用[M ].人民邮电出版社
,2018.
收稿日期：2022-11-17
作者简介：林立磐（1980-），男，广东潮州人，本科，工程师，研究方向:物联网、区块链、人工智能。

2023年第03期（总第243期
）
193
框架由云端图像分析模块以及图像特征采集模块和图像整合模块等三个部分构成。

通过对所需要检测的图像资源进行中转和调取物联网当中的相关信息之后，利用图像特征采集模块，实现对该图像资源的特征进行提取之后，又选择对从系统中得到的数字信号展开处理和分析，从而得到最后的目标[3]。

2.1云端图像分析模块设计
智能图像检测系统之中，云端图像分析模块的设计通过利用物联网技术，实现了对图像信息的强化处理以及对需要检测的图像展开了相应的分析与处理。

然后，结合云计算技术将云平台当中数据信息从物联网中传输到终端设备的一个媒介，从而搭建一个数据中转站。

同时，在此功能设计过程当中还需要严格遵循以下两点要求：首先，需要针对待检测的图像进行存储，以此为图像检测系统终端在提取相关图像信息时提供便利。

并且，还能够为和物联网当中所存储的图像进行对比提供方便。

其次，需要进一步加强对物联网的调取功能进行完善。

主要是由于云端图像分析模块的设计，是以物联网当中的图像为参考对象，所以其存储图像调取功能是无法忽略的。

当云端图像分析模块的数据中转站，拥有以上两个优点，则可以为图像分析模块的设计可行性提供保障[4]。

而以人工智能化数据架构技术为核心，设计而成的图像分析模块，具备更高的数据信息存储能力和较高的数据运算能力，同时还能够实现对图像进行动态化的处理。

因此，将其和物联网进行交互时，会产生耦合性与较高的精准度。

所以，在针对该模块设计时，可以选择利用智能化架构和动态算法。

其中图像分析模块的动态点以及图像架构的空间尺度有h 、f 、j 以及h'、f '、j'，等来表示。

并且，该图像分析模块的架构尺度会跟随着动态点的不断变化而发生变化。

而其空间尺度会直接影响到图像分析模块产生的交互数据值。

同时，在图像分析模块的设计实现是，可以通过对算法编译，采用SQL 语法动态化，实现对相关数据的修改，以此实现对权
限信息和动态参数等方面的处理[5]。

最后，在实施图像采集时和与物联网存储进行图像交互时，可以通过利用物联网存储图像提取的功能，对图像特征进行分析。

最后，通过利用待检测的图像数据和已经完成提取的图像数据两者进行对比分析之后，做出相应的数据信号回馈以及反馈等措施，从而完成对图像特征的分析。

具体图像分析模块的工作流程见图1所示。

图1图像分析模块工作流程示意图
2.2人工智能图像特征采集模块设计
除了针对图像分析模块进行设计之外，还需要对图像特征采集模块进行设计。

本文通过选择以人工智能图像特征点采集技术替代传统采集技术，并通过利用图像像素的特征点采集方法，实现对图像的采集，这样不仅可以确保所采集到的图像数据信息的准确性和精准度得到保障，还能够对成功采集完成的图像目标特征数据信息，进行全面的处理和优化，以此消除图像特征数据当中存在的多余部分，有效避免了垃圾信息造成图像检测过程中存在错误或者误差等情况[6]。

不过，从总体上来看图像整体是由几万个图像像素点共同组合而成的。

其中，每个图像点当中存在相对丰富的数据信息。

不同的数据信息所呈现出来的图像也是不相同的。

因此，选择利用物联网技术，实现人工智能图像检测系统的图像特征采集模块设计过程当中，需要应用到特普勒图像特征算法，才能够完成图像特征数据采集。

在进行图像特征数据采集过程当中，结合特普勒图像特征算法，能够确保图像整体特征数据的连续性和稳定性。

将其与传统图像特征算法进行对比，本文算法更加具有优势。

此外，在图像特征以及数据抓取的过程当中，特普勒图像特征算法的数据采集要更高于传统算法。

从待检测图像的特征点提取方面来看，存在完整性较高的数据信息以及图像特征数据信息差异化低的现象，因此不仅充分地反映出人工智能的优点，还为图像特征数据的深度性提供了相应的保障。

具体图像特征采集模块的工作流程见图2所示。

图2图像特征采集模块的流程结构示意图从上图2中来看，当处于图像分析以及图像特征数据采集的环节当中，需要根据数据传输协议，才能够为图像特征采集的数据准确性和可靠性提供保障，同时也进一步保障了上传云端的图像与数据的时效性。

不过，需要注意的是具体的图像特征数据采集时，受其图像像素排列的差异性影响，最后的图像视觉特征也是有很大的不同。

比如说高山图像与河流图像等图像的像素排列与视觉方面存在一定程度的差异性。

这时就可以选择利用人工智能图像像素点特征采集技术实现对不同图像的特征以及图像数据信息进行分析处理和采集，并结合算法，实现对不同类型的图像像素进行精简。

最后，采用云处理技术与物联网技术等技术，对图像特征数据的传输进行全面的处理，并将图像数据上传到云端中，为后期图像整合提供支撑[7]。

2.3信号图像合成模块设计
基于物联网技术与人工智能技术设计的图像合成模块（AISIS ）
[8]
194
在人工智能
图像检测系统当中，主要知道了对数据结果进行合成的作用。

该模块的设计，通过将云端中处理之后，下放的
物联网分析回馈结果，也就是数据信号结合图像编码技术对信号进行转换处理，从而将图像的原貌进行还原，以此解读出图像所承载的相关数据信息，这样一来就能够完整图像检测的目的。

一般来说，图像合成模块的设计由图像转换通道以及数字信号输入通道等两个部分共同组成。

其中，图像转换通道和数字信号输入通道，借助人工智能转换实现了数据交互，而单向数据交互通道也就是指数字信号向图像信号方面进行单向的转换。

其公式为
：
（1
）
（2）
从上述公式（1）与公式（2）当中，可以得到环境图像数字信号的转换数据点排列结构。

同时已知，X1+X2=1，这时利用公式（2）就可以从中推导得出人工智能的转换结果排列公式，具体为
：
（3
）
（4）
结合上述公式，在得到关于人工智能的结果排列公式之后，假设数字信号中的图像特征数据阈值
为，那么在特定的条件下，实现对数字信号的转换准确率就能够进行计算求得结果。

也就是说，
当的取值系数超
过的取值系数之后，这就说明数字信号之内的图像特征数据排列相对稳定，且图像的编码转换准确率就更高。

反之，如果其取值系数要小于或者等于阈值时，则就说明了该数字信号所承载的特征数据的排列结构并不稳定，这时就需要利用人工智能技术，结合图像转换处理算法，实现对云端物联网数据资源进行调取，以此实现参数调整和转换，一直到数字信号能够承载相对稳定的数据，再将转换为图像编码所需的数据。

因此，针对基于物联网技术设计开发的人工智能图像检测系统，除了上述三个模块之外，还要通过利用输送结构来替代传统人工拿取的方式，如借助控制器、存储器以及图像采集设备和报警器等设备，为该装置的正常稳定运行提供安全保，以此使得图像检测效率得到有效的改善[9]。

3仿真测试与结果分析
为进一步验证，本文基于物联网技术设计的人工智能图像检测系统的可行性。

选择采用传统的图像检测系统和本文系统两者，通过仿真实验测试分析，验证本文系统的可行性。

首先，从仿真测试平台上选择，本文采用主频为3.4HzCPU6200M 的处理器与微软系统，对两个系统进行测试分析，具体结果见表1所示。

表1传统图像检测系统与本文系统对比分析结果
测试项目
本文图像检测系统
传统图像检测系统图像检测软件运行资源占用内存使用率为10%Cup 使用率为5%内存使用率为30%
Cup 使用率为20%图像检测准确率（20组
图像检测的平局值）100%
87%图像检测平均速度（20
组图像检测的平局值）30s
300s 低分辨率图像检测支持不支持图像检测的失真情况支持
不支持
系统整体性能
图像检测分辨率高、速度快、资源占用小，精准度高图像检测范围小、检测时间长、准确率较低
图像检测软件运行资源占用内存使用率为10%Cup 使用率为5%
内存使用率为30%
Cup 使用率为20%
从上述表示中，传统图像检测系统和本文基于物联网技术的人工智能图像检测系统的仿真测试对比的结果方面来看，本文的图像检测系统在图像检测过程当中具有非常出色的表现。

不仅拥有较高的图像检测效率和准确率以及支持低分辨率图像检测以及失真图像检测等优点，还充分地体现出人工智能技
术的作用和物联网技术的优势[10]。

因此，可以充分满足设计要求。

4结语
综上所述，本文基于物联网技术设计开发的人工智能图像检测系统，主要是根据人工智能技术和物联网技术两者的有机结合与图像检测工作的实际需要，科学合理地从云端图像分析模块、图像特征数据采集以及图像整合等三个方面，完成该系统设计。

然后，结合特普勒图像特征算法，促进了图像特征数据采集的准确性和精准度得到了进一步的提高，以此促进图像检测系统精度得到提升，并解决传统图像检测系统中存在的不足。

这也为图像检测领域的研究提供了新的思路与支持。

参考文献：
[1]文化,张田剑南.基于人工智能的嵌入式图像识别信息采
集系统[J ].信息技术,2021(7):114-118,125.
[2]雷江波.基于人工智能的破片图像检测与匹配研究[D ].陕
西:西安工业大学,2021.
[3]张超.人工智能图像处理的边缘计算硬件优化[D ].黑龙江:
哈尔滨工业大学,2020.
[4]周坤,李小松.基于物联网技术的人工智能图像检测系统
设计[J ].无线互联科技,2020,17(19):81-82.
[5]代康,谢凯.基于物联网的分拣机器人故障检测系统设计
[J ].计算机测量与控制,2021,29(8):37-41.
[6]赵勃.基于物联网技术的小波域分块压缩感知算法的图像
重构系统设计[J ].计算技术与自动化,2021,40(1):119-123.[7]沈佳琪.基于物联网的人工智能图像检测系统设计与实现
[J ].互联网周刊,2022(14):54-56.
[8]陈怀剑.物联网环境下的协同异常检测方法及应用[D ].天
津:天津理工大学,2021.
[9]崔彤.基于物联网的图像异常检测及能耗优化研究[D ].河
北:河北工业大学,2020.
[10]刘发刚,路遥,房淑贤,等.基于物联网技术配网线路可视化
监测及故障定位技术的研究与应用[J ].通讯世界,2021,28(6):109-110.。