罗曦
摘 要：互联网的发展给现代的人们带来了极大的方便，现代的人们获取自己所需的信息的速度越来越快，随着互联网的快速发展，图片成为主要的信息载体，但由于我们无法对图片中的内容检索就大大降低了找到关键内容的效率。在解决这一问题的过程中计算机的图像识别技术就格外的重要。图像识别技术是依据人类本身对图像的判断能力进而产生的，而深度学习也在互联网领域影响极其重大。
关键词：图像识别技术 深度学习 互联网
中图分类号：TP391.4 文献标识码：A 文章编号：1672-3791（2020）01（c）-0021-02
浅层机器学习模型是深度学习的前提条件，在此基础上，进而发展成更为深层次的机器学习模式。到目前为止深度学习在计算机的发展领域有着重要的影响，此项技术可以使得巡检领域的计算机对成千上万张图像进行识别时可以使误差率控制在很小的范围内，此项技术拥有很高的社会价值。
1 图像识别技术的定义
随着现代科技的发展，图像识别技术越来越受欢迎和重视，简单来说，图像识别技术是利用计算机对图片进行扫描、处理、分析后得出结论，根据得出来的结论即可判断不同属性的目标。在一定程度上，图像识别技术是通过模仿人类对图像的辨识的功能，利用计算机自身具有的功能对图像进行理解与分析，同时计算机能对人类肉眼难以观察到的图像信息进行处理，从而在很大程度上解放了人类的劳动力，具有很高的社会价值。图像识别技术在人工智能领域中不可或缺的一部分，能够针对图像的任何一部位的特征进行准确的分析，并且要准确地表明图像在识别时产生的眼动。人类进行图像识别时进入大脑的信息要与记忆中存储的信息进行比较，进而实现对图片的再认过程。同样的，图像识别技术与人类对图像的识别的原理相似，同样是根据计算机对图像识别的结果在自身的数据库中寻找与图像结果相似的数据原型，进而对图像做进一步的识别。
2 深度学习在图像识别中的应用
深度学习法是在神经网络范畴的基础上形成的，神经网络出现与应用的时间较长，在很早之前就出现了通过模拟人类大脑的感应来完善机器设备的学习问题，但在日后的研究中由于各种各样的问题影响，使得研究不得不转向分类器等方面，主要是通过神经网络的模拟完成对分类器的研究，进而实现大脑的模拟，在这个过程中由于神经网络中出现的隐含层的数量较少进而也将深度学习法称为浅层机器学习模型。深度学习在计算机的领域中影响很大，主要应用于巡检业务，深度学习使得巡检业务领域计算机系统对图像信息处理的误差率控制在很小的范围内，具有非常高的社会价值。同时，与传统的巡检业务领域的计算机系统相比，深度学习具有从数据库中自动学习的能力，摒弃了传统的人工手动设置的学习特征进而极大地提高了效率。深度学习的图像识别技术能够在很大程度上满足数据规模高达上亿的互联网企业的需要，基于深度学习的图像识别技术具有重大的意义。深度学习处理数据的种类众多，所以不仅能应用在巡检上，还可以应用于图像检索、安防等方面。
3 图像识别技术在巡检业务领域的应用
巡检业务的重要性不言而喻，随着基于深度学习的图像识别技术不断地提高，巡检业务领域的效率也越来越高，可以说图像识别技术的不断提高进一步促进了巡检业务领域的发展。现阶段，比较大众化的巡检业务领域还是非常依赖图像识别技术的。研究发现，在深度学习与图像识别技术结合之前就出现了较为完善的图像识别技术应用到巡检业务领域中的情况，比如，利用图像可以对一些不规范的行为进行监控，也可以帮助巡检对象进行简单的故障诊断。在实际的应用过程中，图像识别技术主要是对通过监控获取到的图像信息进行比对，从而能够确定工作人员的工作行为是否符合规范。当监控图像信息中出现一些不规范的行为时，通过图像识别技术能够更加及时地发现与保证安全。
而基于深度学习的图像识别技术的出现让巡检作业更加高效，不仅能够对作业行为进行自动监控，对故障进行及时的识别，同时还有一些新的功能出现，能够进一步帮助巡检工作的进行。比如人脸识别技术，人脸识别技术的出现就是基于深度学习的图像识别技术进行的，很多高校进出校门需要刷校园卡，但是人脸识别技术的出现就能够解决这一问题，只要学生自动行走就能够迅速地进行人脸识别，然后与数据库中的信息进行比对，从而能够确定该同学是否为该校学生，如果是则可以自动开启挡板让其通过，反之不能通过。这种先进的人脸识别技术现在也应用到了支付宝中，众所周知，支付宝的刷脸系统现在已经推出，进一步提高了支付效率，人们不需要再输入密码或者指纹，只要刷脸即可，在未来刷脸技术还会在很多领域中应用。在安全巡检中，人脸识别技术也是发挥了重要的作用，能够防止不法人员的进入，能够为系统的安全起到重要的作用，但是很多人脸技术的稳定性不够高，这可是因为其深度学习模块不够先进。人们的脸部表情以及肤色等会随时改变，因此如何进行精准的人脸识别是深度学习所需要完成的。基于深度学习的图像识别技术是有着非常大的优势的，能够保证识别准确率高达99%，但是即便如此其也有着一定的缺陷，还有很多问题无法解决，比如人脸的复杂度过高，在实际应用的过程中准确率只能够达到70%左右，同时还需要安装一些比较可靠的设备，可以说基于深度学习的图像识别技术依然有着很大的进步空间。
4 深度学习图像识别技术的其他应用
4.1 識别运动目标
深度学习图像识别技术经过不断的发展也能够应用于识别运动目标，以往的技术只能够对静止的事物进行识别，比如对静态的车牌，但是在经过不断的提高之后，这种技术能够对移动的车牌进行识别，在一些特殊情况下，对于一些违章车辆需要快速识别，这就需要应用深度学习图像识别技术，以现有的技术而言，已经能够实现这种技术在实际生活中应用，能够迅速地对模糊的图像信息进行对比，最终确定目标。
4.2 统计流量
以往对于流量的统计是非常困难的，以车流量来说，因为在一些特殊的时段和地段车流量较多，因此要想统计流量就比较的困难，但是在深度学习图像识别技术的帮助下，就能够轻松、高效地对车流量进行统计，从而能够形成相应的数据传输给相应的部门，能够帮助该部门对未来的交通情况进行及时的规划。
4.3 检测密度
现代化城市的交通已经成为了非常严重的问题，很多路段会出现堵车的情况，严重地阻碍了社会的发展，传统的方法只能够通过交通警察进行疏导，但是这种方式对于人力资源要求较高，增加了交通警察的工作负担，因此需要利用深度学习图像识别技术，对于堵车的密度进行检测，这样就能够制定相应的计划，从而可以避免一些不必要的工作负担。
4.4 检测行为
检测行为主要是对人们的行为进行检测，在应用深度学习图像识别技术之后，能够及时地对图像信息进行对比，及时地发展不规范行为，比如一些偷盗行为就能够及时地发现，从而快速地发出警报，及时地采取措施，这样就能够保证人们的财产损失降到最低。
5 结语
总而言之，基于深度学习的图像识别技术为人们带了便利，可以在很多领域中应用并发挥作用，但是这种技术依然存在一定的缺陷，应该进一步提高精准度，这样才能够更好地将这种技术应用到人们的工作和生活中。
参考文献
[1] 陈银萍.基于人工智能中的图像识别技术的分析[J].信息与电脑：理论版，2019（1）：165-166.
[2] 张嘉丰.关于人工智能中图像识别技术的研究[J].电子技术与软件工程，2018（23）：250-251.
[3] 张宇.浅析图像识别技术在人工智能中的应用[J].科技经济导刊，2019，27（15）：37.
