基于机器视觉的电子信息智能搜索方法

刘文江

370284197810110433

摘要：机器视觉技术是建立在图像识别相关技术的基础上的，将通过摄像设备获取的图像，或是已经存在的电子图片信息进行扫描，然后提取扫描后的图像特征，这些特征信息存储在计算机库当中，后期对拥有相似特征的网络数据进行匹配，从而得到相关的信息资料。使用传统人工输入、关键词识别、匹配方法进行信息搜索，很容易造成由于不理解相关信息，使得关键词描述不清、词不达意，最终搜索匹配结果不尽如人意的情况，对此，本文设计基于机器视觉的电子信息智能搜索方法。使用机器视觉技术进行信息搜索，将会对人们的日常生活带来很大的便捷，用户仅需手机拍图，或是设备端线上即时扫描图像，就可以省去文字搜索的步骤，做到精准识别，这种搜索方式没有时间、地点甚至是表达方式的限制，仅需图像的智能搜索就可以获得任何互联网数据库可得的相关信息。

关键词：机器视觉；电子信息；智能搜索；

引言

搜索引擎已经成为人们学习生活中必不可少的辅助工具，搜索引擎时问题就解决了。但是，即使现在的搜索服务系统相当成熟，人们也经常抱怨搜索内容不符合心理期望，每次搜索结果都有自己想要的例如，“苹果”的搜索不仅出现在搜索结果中，而且出现在苹果、苹果手机等不是用户想要的结果，用户真正想要的结果是苹果的引进及其营养价值、种植方法等。

1机器视觉技术概述

1.1目标检测

目标检测是指从映像中查找受监视的语义对象类或类别的实例目标，并获取有关映像中实例的类别和位置的信息。在深入学习之前，典型的目标检测通常包括三个步骤:区域选择、函数提取和函数分类，从而将目标检测问题转换为感兴趣区域的图像分类问题。基于深入学习的目标检测方法提高了基于深入学习的目标检测可以分为两种方法:一步检测和两步检测。一步式检测方法是直接返回目标位置，代表算法包括YOLO、SSD等。两步检测方法是返回生成的选择框以获得目标位置，代表性算法包括FastR-CNN、faster-CNN等。

1.2目标跟踪

目标跟踪的目的是确定视频序列中一个或多个目标的大小和位置，并将它们关联起来，形成目标在视频序列中的运动路径。根据建模方法，目标跟踪算法分为生成模型和判别模型。“生成模型”(generate model)检索目标特征以构建表示模型，并在图像中查找与模型最匹配的区域作为跟踪结果，如mean-shift、Kalman过滤器等。判别模型将目标跟踪转换为二级分类问题，并将目标和背景视为特征提取和分类的两个类别，如相关筛选、深入学习等。生成的模型仅针对目标建模，忽略背景-背景信息，不如判别模型。

2机器视觉技术应用的框架设计

2.1信号传输

信号传输可以分为有线和无线两种传输模式。有线传输适用于较小的站点，可以进行有线传输，而无线传输则适用于昂贵的布线。视频信号稳定是机械视觉技术应用的保证，也是机械视觉技术应用的重要评价点。中断的视频信号无法提供有效的实时数据，不利于对信息安全的控制。

2.2门户系统

门户系统是一个综合管理服务，用于实施机器视觉技术；相关的综合业务流程管理被配置为供安全管理人员直接使用；确保用户在其权限范围内访问和交换数据；确保数据的一致性和完整性；避免从使用角度来看，门户可以分为计算机和笔记本电脑。有门户网站、应用程序等用于执行查看、查询、后台管理等功能的计算机端。以嵌入式管理为主要目标；移动端点的形式为APPlet、app等。可执行诸如下载、风险信息处理、历史查询等功能。其主要目的是方便操作。门户系统界面的设计应充分考虑用户的经验，通过切实有效的设计提高实时数据的互操作性和平台的易用性，增加用户的识别和重用，并促进视觉技术的深入应用。

3智能搜索系统的优点

(1)搜索结果的准确性很高。传统搜索系统有许多缺点，包括搜索结果不准确、查询不必要的信息过多以及用户不必要的问题。智能搜索系统利用大数据方法获取用户在查询过程中表达的真实意图，使用户能够通过大量交互逐步向搜索系统表明哪些文档与用户相关，哪些文档与用户无关。(2)搜索范围准确。通过使用知识测绘等先进技术，研究范围更加精确。用户无需进一步筛选所需内容，但也可以支持全文搜索和概念搜索，从而使不同用户能够满足其需要。(3)研究过程的互动智能。智能搜索系统在信息检索过程中不断与用户交互，并根据用户提供的其他查询索引不断改变检索过程。

4基于机器视觉的电子信息智能搜索方法设计

4.1基于机器视觉的数据特征提取

在本文设计的智能搜索方法中，最基础的就是对搜索信息的特征提取，为此，在面对互联网大规模图像信息的情况下，使用机器视觉技术进行数据处理，能够提取出图像的电子信息特征，方便后续的搜索工作的进行。由于图像信息繁杂，特征信息也相应地很复杂，把图像的特征信息进行分类描述，便于后期信息间的相互匹配。对于一个图像数据来说，可以从中分析出多个特征元素，包括颜色特征、纹理特征以及形状特征等。本文进行特征提取之前，还使用预处理技术规格化图像数据，以获取图像的颜色特征数据集。还可以使用非递归中值对其进行处理，具体方法为在每一个HSV的分量通道内，布置一个非递归中值，该中值参数为6*6为最佳，然后继续使用滤波算法，这样就能够取消像素间的间隔差值，将相邻的色素区进行合并处理。在处理好图片后可以通过颜色矩来提取相应的颜色特征，根据提取处理后的图像的各通道矩，能够很好地描述图像中各个颜色通道的平均参数、方差参数以及偏度参数等，更好的表现图像的颜色特征。

4.2电子信息智能匹配

与传统匹配搜索方法不同的是，基于机器视觉的智能搜索方法，需要非常多的算法以及大量的数据，并且这一方法离不开海量的互联网图像库。在本文使用机器视觉技术将获取的图像进行处理，提取相应搜索特征、建立需求分析的搜索模型后，就需要根据算法得出和原信息相关的数据或图像，与建立的分析模型进行匹配，实现相关信息的搜索。首先，本文从互联网信息数据库获取相应的搜索目标信息，在获得相应的数据信息后，通过上述算法进行分析，建立特征提取的数据库。当输入想要的图像后，计算机将图片预处理之后提取特征，将提取的特征与数据库信息进行筛选匹配，为了保证搜索结果的完整性，除了搜索出图片信息外，还可以用相应的特征语义转化搜索模式，在图像特征提取后，建立搜索分析模型过程中，对图像附加相应的标签数据，该标签数据是对图片特征的信息描述，方便在后期匹配时，除了进行图像匹配，还可以利用搜索引擎进行标签信息匹配，输出相应的文字搜索结果，保证搜索出的信息的完整性。

结束语

基于机器视觉的电子信息智能搜索方法，在使用机器视觉技术对图像特征进行提取的基础上，解析相应的搜索需求，建立特征需求模型，然后将提取的特征与搜索需求相互匹配，输出最优搜索结果。基于机器视觉的电子信息智能搜索方法，在进行电子信息智能搜索时，能够有效提高搜索效率，获得精准的搜索结果，在实际智能搜索的应用中具备极高的价值，实现了本文的设计，希望本文的研究能够为电子信息的智能搜索方法提供一定的理论依据，共同推动智能搜索的技术进步。

参考文献

[1]张昭辉,张吉光,徐士彪,等.基于特征混合聚类和关键点检测的智能人脸搜索[J].集成技术,2022,11(01):52-65.

[2]胡晓东,高嘉伟.基于分组模型的引力搜索智能大数据聚类方法[J].计算机工程与设计,2021,42(06):1660-1667.

[3]花有清.基于机器视觉的智能手语识别翻译器设计与实现——评《机器人学、机器视觉与控制:MATLAB算法基础》[J].中国科技论文,2020,15(10):1226.

[4]崔岳.基于机器视觉的智能制造系统图像识别技术研究[J].信息记录材料,2020,21(10):217-219.

[5]缪斯,祝永新.针对图像盲去模糊的可微分神经网络架构搜索方法[J].计算机工程,2021,47(09):313-320.