關于人工智能的圖像識別技術分析

摘? 要：在時代發展、推進的過程中，圖像識別技術已經成為了非常普遍的技術。在人工智能領域中，圖像識別技術的作用非常突出，影響著人們的生活、工作。伴隨著科技的進一步發展，圖像識別技術開始變得越來越復雜，圖像識別能夠解放人力，搭配計算機技術識別處理各種類型信息，提高了信息處理質量與效率。該文將以圖像識別這項技術的原理為出發點，探討人工智能圖像識別技術以及其具體使用，希望幫助更多人了解這項技術，最大化這項技術使用價值。

關鍵詞：人工智能? 圖像識別技術? 技術分析

中圖分類號：TP391.41 ? ?文獻標識碼：A 文章編號：1672-3791（2020）04（a）-0019-02

信息時代背景下，圖像識別技術是非常基礎的技術，利用計算機完成物理信息、物理數據識別。過程主要就是獲取信息，預處理信息、分類信息、設計決策。憑借著強大的功能，如今的信息處理技術已經深入地改變了人們生活和工作，比如人臉識別、指紋識別實際上都有用到圖像識別這項技術。在科技發展、時代進步的同時，圖像識別這種技術將會擁有更廣闊的的使用前景，能夠在醫療領域、信息搜集領域、質量控制領域、安全檢查領域中發揮巨大的作用，其對推動經濟發展、社會進步來說有極大的現實價值。

1? 圖像識別技術

1.1 原理

該技術原理就是在應用中充分使用計算機處理圖片，從圖像資料中獲得有用資源。在專業人士實驗后能夠獲得對應的技術。該技術原理實際非常簡單，主要就是在對視以后錄制信息[1]。并將這種信息存儲到系統當中。利用數據算法一致性特征確認數據匹配與否。

1.2 技術特征

該技術有著非常出眾的優勢，主要體現在智能化與便捷化層面。該技術能夠利用科技技術完成圖像識別，有著很好的識別質量[2]。相較于傳統的處理技術，人工智能圖像識別優勢主要集中在智能化圖像處理與選擇，能對隧道襯砌病害進行有效識別，并能通過不斷的樣本累計進行深度學習，在提升作業效率的同時，使病害識別率的準確性提高。

2? 人工智能圖像識別

人腦圖像識別和圖像識別存在一定相似的地方，但也有明顯的不同，那就是圖像識別利用的是科技手段，人工智能技術識別中包含下面的內容。

首先，獲取各種數據資料。搜集數據信息過程中，有效識別圖像。在傳感器支持下將特殊信號變成電信號，獲得各種信息資源、信息材料。在合理整合圖像的同時，發揮圖像識別這種技術價值，得到特殊數據，合理區分圖像差異。

其次，處理數據資料。該環節著重處理的是圖像變換與圖像平滑需求，凸顯圖像重要資源與條件。

此外還有特征的選取與收取。這是圖像識別過程中最重要的部分，圖像處理的算法和識別模式有很高的要求，會對最后的圖像識別產生決定性影響。

最后，分類器設計。分類器是整個識別過程中最重要的部分，其能夠讓操作程序充分結合，制定規則，而非混亂的識別，保障了圖像識別與評價質量。

3? 圖像識別技術運用

3.1 模式識別

人工智能背景下的圖像識別這種技術有著非常突出的優勢，能夠合理使用各種各樣的信息與數據資料。通常來說，模式識別這種技術需要搭配計算機技術、傳統圖像進行操作。數學原理是其中的切入點，以此為基礎充分考慮數據的多元特征，實現對各種特征、價值的評價與識別。一般來說，這種模式大多會被用在學習階段與實習階段。其中學習階段指的就是存儲過程，能夠很好地保存與收集各種圖像信息，在計算機的幫助下分類、識別數據，構建系統化、規范化圖像、識別程序。實現階段則強調人腦圖像與圖像統一發展，能夠生成識別程序，包括計算機識別、人腦識別、應用情況分析。在計算機搜集信息、科學匹配中表示圖像成功識別，當然這種方式經常發生各種錯誤。

3.2 神經網絡

這種技術能夠很好地識別圖像，在使用中利用神經算法處理圖像信息。第一步就是預處理圖像，具體方法很多，包括灰度圖歸一化、旋轉、灰度圖放大、灰度圖等。為了保障神經網絡能夠有效識別圖像，就需要參照圖像識別領域、條件、對象設計針對性網絡。這種設計需要包括輸出層、隱含層、輸入層等多種關系。要明確初始數值以及期望誤差等條件。涉及輸入層過程中，要根據被識別對象的需求與問題確定數據條件、數據形式。研究中為了方便理解神經網絡，通常會將輸入層設計為統一圖像樣本形式。隨后設計因深層過程中，要明確單元數與隱含層具體數量，減少誤差，保障精度。要適當增加隱層數目，實現有效性設計神經網絡。選擇隱含層過程中一般需要利用到經驗公式，這種公式能夠很好地規避神經網絡泛化能力。識別樣本中，所用的公式M表示的是輸出層神經元數目，N表示的是輸入層神經元數目[3]。設計輸出層過程中往往會選擇多種類型的輸出層做神經網絡設計。選取初始權值的過程中一定要收斂學習效果，在（-1，1）區間選擇隨機數。選擇期望誤差的過程中，一般需要將預期誤差值與訓練時間作為參考對象。設計完神經網絡以后需要訓練神經網絡，保障圖像識別要求可以得到滿足。

3.3 非線性降維

在計算機當中，圖像識別這項技術有著異高的高維。事實上不論是什么分辨率的圖像，它的生成數據都包括各種各樣的維度。而這種復雜的維度數據勢必會成為計算機識別圖像過程中最大的干擾。為了能夠體現計算機技術價值，讓計算機具備突出的圖像識別能力，最直接、最有效的手段就是降維。這里所說的降維包括兩種，分別是非線性和線性兩種。比如，線性奇異分析與主成分分析這兩種技術就屬于比較常見的線性降維。這種降維模式有著簡單、容易理解的特征，不過這種降維方式為整體數據處理，因此能夠得到的數據主要集中在低維投影，這勢必會占用非常多的空間，浪費比較多的時間。非線性降維技術則是更科學、有效的技術。這種技術的實踐分析得出的結果是，能夠在不影響圖像自身組織的同時控制維度，實現降維，讓計算機圖像在低維度識別，保障與提高圖像識別效率、速度。比如，隧道內襯砌裂縫的識別，隧道形狀不是一個平面它有多個維度，隧道的裂縫有不同形狀和大小，分析中存在不均勻特征干擾與影響。非線性降維能夠很好地解決這種問題，通過處理使隧道的平面處于軟件能處理的維度，再通過合理的算法對特征部分進行篩選和分類，就能達到裂縫的識別。

4? 結語

當前我國已經步入信息時代，只有充分融合與發展圖像處理和人工智能這兩項技術，不斷完善數據處理系統，結合硬件系統的不斷更新，才能夠在工程檢測上發揮更大作用。

參考文獻

[1] 張曉冉.圖像信息識別的智能處理方法分析[J].集成電路應用，2019（11）：114-115.

[2] 張蘊綺.用于高校教室照明節能的圖像識別技術研究[J].科技經濟市場，2019（9）：9-10.

[3] 謝璐陽，夏兆君，朱少華，等.基于卷積神經網絡的圖像識別過擬合問題分析與研究[J].軟件工程，2019（10）：27-29.

作者簡介：楊洋（1987，6—），男，漢族，四川南充人，本科，通信工程師，研究方向：隧道智能檢測、信號傳輸。