CN108262809B - 基于人工智能的木板加工方法、装置、电子设备和介质 - Google Patents

Abstract

本发明提供了一种基于人工智能的木板加工方法、装置、电子设备和介质，其中，所述方法包括：获取待切割木板的图像；根据木板切割模型对所述待切割木板的图像进行检测和识别，其中，所述木板切割模型是经机器学习得到的；根据所述检测和识别的结果，至少基于所述待切割木板的缺陷和切割后纹理得到所述待切割木板的切割路线。本申请通过人工智能识别和规划木板的优选锯方案，其机器学习的方法简单，无需人工干预，模型的精确度可以不断提升，能够根据所述木板的出材率、颜色、纹理、所需的切割后木板的尺寸中的至少一项计算得到所述木板的切割路线，因此大大改善了切割路线的识别精度和识别效果。

Description

基于人工智能的木板加工方法、装置、电子设备和介质

技术领域

本发明属于人工智能领域，具体涉及一种基于人工智能的木板加工方法、装置、电子设备和介质。

背景技术

在木材加工领域，大型木板制造的一种方法是通过将多块小尺寸木块或木条黏合而成，因此即使原始木料是尺寸较大的木板，也需要切割成尺寸较小的木块或木条，再进行黏合拼接形成一块木板产品。通过黏合后的木板具有更好的平整度以及强度，不会因为应力的改变使得木板断裂。因此，将木板切割成尺寸适宜的木块是木板制造过程中的重要过程。

在以上所述的木材加工领域，自动化的处理方法已经被广泛应用。优选锯是该领域应用最广泛的一种自动化加工系统，该系统简单来说将木条输送至优选锯系统，优选锯系统可以自动对木条进行切割。其中，优选锯系统可以通过视觉系统识别木条的疤痕，自动剔除疤痕并将木条切割成不同长度的短木条或木块。该系统已经能够取代人工，更加高效安全的实施木条的加工。图4中给出了现有技术中使用优选锯系统加工木条的示意图，其中一个完整的木条被切割成三个可用部分，分别是第一切割部分、第二切割部分、第三切割部分。具体的切割方案是由于该木条中包含两个伤痕，因此优选锯能够自动识别两个伤痕并生成切割方案。

在木材加工领域，优选锯的机器视觉方法能够识别木材的伤痕，并通过与传动装置的配合能够对尺寸进行自动化切割方案的设计。然而，木材产品由于其天然的随机性，使得影响最终产品品质的因素不仅包含功能性的属性，例如硬度、坚韧度、尺寸等，还包括了美观属性，例如颜色、纹理、整体团造型等视觉因素。而在现有的优选锯系统里，这些因素无法在切割方案中得到体现。

发明内容

针对现有技术中的无法根据木板的颜色、纹理等特征对木板进行切割的问题，本发明提供了一种基于人工智能的木板加工方法、装置、电子设备和介质，其中，所述方法包括：获取木板的图像；将所述图像输入到切割路线计算模块中；至少根据所述木板的缺陷计算得到所述木板的切割路线。其中，所述切割路线计算模块为采用机器学习方法的机器学习模块。机器学习方法简单，无需人工干预，模型的精确度可以不断提升，可以根据所述木板的出材率、颜色、纹理、所需的切割后木板的尺寸中的至少一项计算得到所述木板的切割路线，因此能够大大改善切割路线的识别精度和识别效果。

为了达到上述目的，本发明实施例的一方面，提供了一种基于人工智能的木板加工方法，所述方法包括：

获取待切割木板的图像；

根据木板切割模型对所述待切割木板的图像进行检测和识别，其中，所述木板切割模型是经机器学习得到的；

根据所述检测和识别的结果，至少基于所述待切割木板的缺陷和切割后纹理得到所述待切割木板的切割路线。

可选地，所述方法包括：

所述待切割木板的切割路线还基于所述待切割木板的出材率、颜色、和切割后木板的尺寸中的至少一项得到。

可选地，所述方法还包括：

所述待切割木板的缺陷、切割后纹理、出材率、颜色和切割后木板的尺寸具有不同的权重。

可选地，所述方法还包括：

获取木板样本的图像；

接收对所述木板样本的图像的标注信息；

根据所述木板样本的图像和所述标注信息进行机器学习的训练，获得所述木板切割模型。

可选地，所述标注信息包括所述木板样本的切割路线。

可选地，所述切割路线的标注信息包括：起点坐标、终点坐标、切头类型、缺陷类型和切割后纹理类型中的至少一项。

可选地，所述标注信息还包括：所述木板样本的出材率、对应的原木端面切割方式、颜色、原始纹理和切割后的尺寸中的至少一项。

可选地，所述机器学习包括：神经网络、随机森林、决策树和支持向量机中的至少一种。

可选地，所述神经网络包括：多层神经网络、深度神经网络和卷积神经网络中的至少一种。

可选地，所述方法还包括：根据所述切割路线控制画线和/或切割设备对所述待切割木材进行处理。

可选地，所述方法还包括：

获取切割后木板的图像；

根据木板分类模型对所述切割后木板的图像进行检测和识别，其中，所述木板分类模型是经机器学习得到的；

根据所述检测和识别的结果得到所述切割后木板的分类。

进一步的，所述方法还包括：根据所述木板的颜色、纹理、切割后木板的尺寸中的至少一项对切割后的木板进行分类。

进一步的，所述方法还包括：所述木板的颜色、纹理、切割后木板的尺寸具有不同的优先权重。

本发明实施例的另一方面提供了一种基于人工智能的木板加工装置，所述装置包括：

图像获取模块，用于获取待切割木板的图像；

模型匹配模块，用于根据木板切割模型对所述待切割木板的图像进行检测和识别，其中，所述木板切割模型是经机器学习得到的；

路线规划模块，用于根据所述检测和识别的结果，至少基于所述待切割木板的缺陷和切割后纹理得到所述待切割木板的切割路线。

可选地，所述路线规划模块包括：

综合规划模块，用于基于所述待切割木板的出材率、颜色、纹理和切割后木板的尺寸中的至少一项得到所述待切割木板的切割路线。

可选地，所述装置还包括：

样本图像获取模块，用于获取木板样本的图像；

标注输入模块，用于接收对所述木板样本的图像的标注信息；

训练模块，用于根据所述木板样本的图像和所述标注信息进行机器学习的训练，获得所述木板切割模型。

可选地，所述装置还包括：

控制模块，用于根据所述切割路线控制画线和/或切割设备对所述待切割木材进行处理。

可选地，所述装置还包括：

切割图像获取模块，用于获取切割后木板的图像；

分类模型匹配模块，用于根据木板分类模型对所述切割后木板的图像进行检测和识别，其中，所述木板分类模型是经机器学习得到的；

分类模块，用于根据所述检测和识别的结果得到所述切割后木板的分类。

进一步的，还根据所述木板的出材率、颜色、纹理、所需的切割后木板的尺寸中的至少一项计算得到所述木板的切割路线。

进一步的，所述木板的缺陷、出材率、颜色、纹理、所需的切割后木板的尺寸具有不同的优先权重。

进一步的，所述机器学习的训练数据包括对所述获取木板的图像进行切割路线的标注。

进一步的，所述切割路线的标注至少包括：起点坐标、终点坐标、切头类型、缺陷类型。

进一步的，所述机器学习的训练数据还包括下列标注数据中的至少一项：所述获取木板的图像对应的出材率、切割后木板的纹理、切割后木板的尺寸、待切割木板对应的原木端面切割方式、缺陷类型、颜色、待切割木板的纹理。

进一步的，所述训练数据的产生在本地和/或网络端进行，所述训练数据的训练在本地和/或网络端进行，所述训练数据的存储在本地和/或网络端进行。

进一步的，所述机器学习包括：神经网络、随机森林、决策树、支持向量机。

进一步的，所述神经网络包括：多层神经网络、深度神经网络、卷积神经网络。

进一步的，所述装置还包括：

传送模块，用于将所述切割路线传送给刀具控制模块或刻画/打印路线模块。

进一步的，根据所述木板的颜色、纹理、切割后木板的尺寸中的至少一项对切割后的木板进行分类。

进一步的，所述木板的颜色、纹理、切割后木板的尺寸具有不同的优先权重。

本发明实施例的再一方面提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如上文所述的方法步骤。

本发明实施例的又一方面提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被执行以实现如上文所述的方法步骤。

本发明实施例提供的技术方案具有以下有益效果：

本发明提供了一种基于人工智能的木板加工方法、装置、电子设备和介质，其中，所述方法包括：获取木板的图像；将所述图像输入到切割路线计算模块中；至少根据所述木板的缺陷计算得到所述木板的切割路线。其中，所述切割路线计算模块为采用机器学习方法的机器学习模块。机器学习方法简单，无需人工干预，模型的精确度可以不断提升，可以根据所述木板的出材率、颜色、纹理、所需的切割后木板的尺寸中的至少一项计算得到所述木板的切割路线，因此大大改善了切割路线的识别精度和识别效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本发明的其它特征、目的和优点将变得更加明显。

在附图中：

图1为本发明一个实施例中的方法流程示意图；

图2为本发明一个实施例中的装置结构示意图；

图3为本发明一个实施例中的电子设备结构示意图；

图4为使用优选锯系统加工木条的示意图；

图5为一个卷积神经网络的示意图；

图6为本发明一个实施例中的获取木板图像示意图；

图7为本发明一个实施例中的刀具切割示意图。

具体实施方式

下文中，将参考附图详细描述本发明的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。

在本发明中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

如背景技术中所述，在以上所述的木材加工领域，自动化的处理方法已经被广泛应用。优选锯是该领域应用最广泛的一种自动化加工系统，该系统简单来说将木条输送至优选锯系统，优选锯系统可以自动对木条进行切割。其中，优选锯系统可以通过视觉系统识别木条的疤痕，自动剔除疤痕并将木条切割成不同长度的短木条或木块。该优选锯系统已经能够取代人工，更加高效安全的实施木条的加工。优选锯系统的机器视觉方法能够识别木材的伤痕，并通过与传动装置的配合能够对尺寸进行自动化切割方案的设计。然而，木材产品由于其天然的随机性，使得影响最终产品品质的因素不仅包含功能性的属性，例如硬度、坚韧度、尺寸等，还包括了美观属性，例如颜色、纹理、整体团造型等视觉因素。而在现有的优选锯系统里，这些因素无法在切割方案中得到体现。

近年来，人工智能技术在图像识别领域飞速发展、日新月异。人工智能中的机器学习方法能够通过海量的训练数据，使得机器识别能力得到大幅度提升。同时，机器学习的训练方法极为简单，只需要对数据进行标注，并使用相应的算法训练模型即可。例如深度学习的引入，只要不断增加训练数据的数量，就可以将原来机器视觉无法完成的识别任务完美的完成。也就是说，基于训练数据的机器学习能够获得传统机器视觉方式无法实现的精细化识别能力。机器学习的方法抛弃了对具体切割路线识别模型、算法、图像特征的依赖，只需要采集足够多的数据，就可以实现对非标准化木板的切割。此外，基于机器学习的方法能够通过不断输入新的训练数据，持续提升切割路线识别算法的精度，这是传统方法不具备的优势。同时，基于机器学习的方法还能够通过改变标注方法，以及选择使用不同的训练数据集，在硬件结构不变的情况下，迅速改变切割路线的识别规则和识别效果。

针对现有技术中的无法根据木板的颜色、纹理、尺寸等特征对木板进行切割的问题，本发明提供了一种基于人工智能的木板加工方法、装置、电子设备和介质，其中，所述方法包括：获取木板的图像；将所述图像输入到切割路线计算模块中；至少根据所述木板的缺陷计算得到所述木板的切割路线。其中，所述切割路线计算模块为采用机器学习方法的机器学习模块。机器学习方法简单，无需人工干预，模型的精确度可以不断提升，还能根据所述木板的出材率、颜色、纹理、所需的切割后木板的尺寸中的至少一项计算得到所述木板的切割路线，因此大大改善了切割路线的识别精度和识别效果。

图1为本发明一个实施例中基于人工智能的木板加工方法的方法流程示意图。

第一方面，本发明实施例提供了一种基于人工智能的木板加工方法，所述方法包括：

S101、获取待切割木板的图像；

S102、根据木板切割模型对所述待切割木板的图像进行检测和识别，其中，所述木板切割模型是经机器学习得到的；

S103、根据所述检测和识别的结果，至少基于所述待切割木板的缺陷和切割后纹理得到所述待切割木板的切割路线。

在一种实施方式中，通过恒定光照射木板获取木板的图像。

具体的，通过从木板正面方向拍照获取木板的图像，其中，所述正面方向为垂直于木板最大截面的一侧的方向。

在一种实施方式中，所述方法包括：

还基于所述待切割木板的出材率、颜色和切割后木板的尺寸中的至少一项得到所述待切割木板的切割路线。

如何切割木板不仅要考虑缺陷，还要考虑纹理、出材率、颜色、纹理、所需的切割后木板的尺寸中的至少一项。木材的板面纹理各不相同，而纹理的形状与原木加工木板的切割方式有关。根据原木端面年轮与板面夹角的不同，原木加工木板有四种切割方式：弦切(plain sawn)、刻切(quarter sawn)、径切(rift sawn)、平切(live sawn)，从而使得板面呈现出不同类型的纹理。待切割木条的纹理是既定的，由于一般优选锯的切割是对整个木条进行横向切断，因此切割方案的具体执行参数包括产生的切割点数量以及每个切割点具体的坐标。一般的切割方法往往只考虑出材率以及缺陷(如伤痕)，其优化的切割方案可以基于该两点实现最优，即以浪费最少的方式将伤痕处切掉。也就是说，优选的原则是选择两个切割点及其坐标，使得缺陷能够被以浪费最少的方式切掉。然而，对于产出的木块的纹理、尺寸则没有任何考虑，因此导致产生的木条纹理和颜色可能不均匀一致。

在本发明所提供的方法中，首先对木条图像样本进行切割方案标注，标注的参数是切割点数以及切割位置。其中，切割点应考虑两个切割点内产生的一个木块的颜色、纹理保持一致。例如，木条的纹理可以是直纹、横纹、斜纹、包络纹等。切割后的木块的纹理要保持高度一致，例如：一个完整的木条可以在一段内是直纹，同时另外一段是斜纹，则可以在直纹和斜纹之间产生一个切割点，使得生成的两个木块一个只包含直纹而另外一个只包含斜纹。在包络纹的情况，应选择避免对包络纹进行破坏的切割原则。同理，木块的颜色也将作为切割方案设计的原则，例如产生的切割后的木块应尽量保持颜色一致。以上木条样本的切割方案设计可以通过人工的方式来实现。操作工人根据以上原则对大量的木条样本进行标注。为了进行机器学习，木条样本应保持多样化的原则，也就是包含各种纹理和颜色情况，以使得机器学习模型能够拥有更多的样本空间。注意此处只简单列举了一些根据纹理和颜色进行标注的原则，具体的标注原则可以根据需要或工人的经验进行修改，但均应被视为本发明所涵盖的范围。

在一种实施方式中，所述方法还包括：

所述木板的缺陷、出材率、颜色、纹理、所需的切割后木板的尺寸具有不同的优先权重。优选的，缺陷、出材率优先权重分别设置为第一位和第二位，颜色、纹理、所需的切割后木板的尺寸的优先权重按照实际的需求来确定。对于注重美观性的切割方案，颜色、纹理的优先权重设置较高；对于注重实用性的切割方案，切割后木板的尺寸的优先权重设置较高；对于注重美观性和实用性兼顾的切割方案，颜色、纹理、切割后木板的尺寸的优先权重的设置应有一定的平衡。

基于上述分析可知，将机器学习方法引入木材加工领域，可有效的提高木板的切割效率。

在预先采集了预定数量的木板图像样本以及与图像样本对应的标注数据之后，即可进入模型训练阶段。

在一种实施方式中，所述方法还包括：

获取木板样本的图像；

接收对所述木板样本的图像的标注信息；

根据所述木板样本的图像和所述标注信息进行机器学习的训练，获得所述木板切割模型。

机器学习的训练数据包括对所述获取木板的图像进行切割路线的标注。所述切割路线的标注至少包括：起点坐标、终点坐标、切头类型、缺陷类型。

在一种实施方式中，所述机器学习模块的训练数据还可以包括下列标注数据中的至少一项：所述获取木板的图像对应的出材率、切割后木板的纹理、切割后木板的尺寸、待切割木板对应的原木端面切割方式、缺陷类型、颜色、待切割木板的纹理。

具体如下：

首先对木板样本的切割路线进行人工设计和标注，对每一块木板，通过以上基于缺陷等方面考虑的规划，由人工设计一个切割路线，然后切割路线按照直线分段标注，每段直线作为一个标注单位。例如，使用两个刀具的标注方法可以采用如下方式：{起点1，终点1，刀具1，缺陷1}，{起点2，终点2，刀具2，缺陷2}。

在一种实施方式中，除了对木条的图像样本进行包括起点坐标、终点坐标、切头类型、缺陷类型的基本标注以外，还可以对切割方案下木条的其他特征值进行标注，如对该木条的纹理类型、颜色类型、出材率或切割后的木板尺寸类型进行标注。例如一个切割方案的标注可以是：

{坐标1，坐标2，类型：切头，颜色：1，纹理：2}，{坐标2，坐标3，类型：出材率1，颜色：1，纹理：2}，{坐标3，坐标4，类型：伤痕1，颜色：无，纹理：无}。

通过以上标注方式，可以描述一个切割方案的具体实施方式。

在一种实施方式中，所述机器学习方法包括：神经网络、随机森林、决策树、支持向量机。

在一种实施方式中，所述机器学习模块采用的机器学习方法包括如下步骤：用木板样本图像和人工标注对所述机器学习模块进行训练。

具体如下：

在得到训练数据之后，可以通过机器学习的方法训练一个切割路线自动识别模型。以纹理为例。由于图像数据中包含了纹理信息，而标注信息中也包含了根据纹理信息设计的切割方案以及相关信息，因此通过以下所述的机器学习方法，在获取足够数量的训练数据的前提下，就能实现目前仅能通过人工的方式实现的基于纹理、缺陷和出材率等三方面考虑的切割方案优化设计方法。此处我们使用一个神经网络的方式作为示例。同理，训练数据和方法可以应用到随机森林、决策树、支持向量机等其他机器学习方法中。

在一种实施方式中，所述神经网络包括：多层神经网络、深度神经网络、卷积神经网络。

神经网络包含多个层，每个层包含多个节点，相邻两层多个节点之间存在可训练权重的神经网络。图5给出了一个卷积神经网络的示意图。图中包括了多个卷积层和降采样层以及全连接层。卷积层是卷积神经网络的核心模块，通过与一个滤波器(filter)的卷积操作，将前一层的多个节点与下一层的节点相连。一般来说，卷积层的每一个节点只与前一层的部分节点相连。通过训练，使用初始值的滤波器可以不断改变自身的权重，进而生成最终的滤波器取值。降采样层可以使用最大池化(max-pooling)的方法将一组节点降维成一个节点，优选的，具体采用非线性取最大值方法将一组节点降维成一个节点。在经过多个卷积层和降采样层后，一个全连接层最终用于产生识别的数据输出。

在机器学习也就是训练过程中，我们将木板的图像样本数据作为输入，将其所在的切割路线标注等属性作为输出，通过训练算法，例如梯度下降(gradient descent)算法使得神经网络中的滤波器权重值改变，进而使得输出与样本数据中的识别差异最小。随着使用的训练数据量的不断增大，神经网络中滤波器的权重值不断改变并收敛，神经网络的识别能力也就相应得到了提升。当训练结束后，一个训练好的神经网络包括所设计的网络架构，例如图5中的层级设计以及层级之间连接方法，以及经过训练而改变的滤波器权重值。这些权重值被记录下来，并在后期的应用中被重复利用。

神经网络通常用于分类，而这里切割路线识别将神经网络用于回归，区别只是在于网络的最终层是否将连续数据转换为离散数据。而分类或回归的核心技术都是让网络通过反向传播进行训练学习，比较预测值与实际基准值，不断调整网络滤波器的权重和偏差，直至预测误差最小化。因此，其他的能够用于回归的机器学习方法同样适用于本发明的技术方案。

在一种实施方式中，所述机器学习模块采用的机器学习方法包括如下步骤：

步骤1、对木板样本图像的切割路线进行人工标注；

步骤2、用木板样本图像和人工标注对所述机器学习模块进行训练；

步骤3、将所述获取的图像输入到训练后的所述机器学习模块中，从而得到所述木板的切割路线。

在一种实施方式中，所述训练数据的产生在本地和/或网络端进行，所述训练数据的训练在本地和/或网络端进行，所述训练数据的存储在本地和/或网络端进行。

具体的：

机器学习过程可以在本地完成，也可以在云端完成。在一种实施例中，如图6所示，采集器采集木板样本的图像数据以及标注后的数据集传送到云端服务器进行训练，服务器将训练后的机器学习模型传输到本地的处理器并设置。

在一种实施方式中，云端服务器可以使用多种来源的训练数据。例如来自多个本地图像采集并标注的数据。用于训练模型的数据集的标注标准需要与图像采集设备相匹配，否则将影响后期切割路线识别的精度。同时，多个数据集的标注标准需要保持一致，才能使得多个数据集能够被用于训练同一个神经网络。

训练完成后，神经网络可以输出切割路线，一个切割路线可以跟标注信息拥有类似的结果，例如：{起点1，终点1，刀具1，缺陷1}。

在一种实施方式中，所述方法还包括：将所述切割路线传送给刀具控制模块或刻画/打印路线模块。

具体如下：

在木板切割装置完成训练后，将采集的木板样本图像输入至切割路线计算模块，同时将输出的切割路线传送给刀具控制模块，如图7所示。在一种实施方式中，输出的切割路线并不直接传送给刀具控制模块，而只是在木板样品上直接刻画或打印路线，此后具体的切割由路线识别模块(例如一个基于视觉传感器的自动识别装置)进行识别，该识别模块进而控制刀具控制模块完成切割。刀具控制模块控制若干台电机驱动刀具对木板进行切割，例如一个卡钳将木板固定住，电机1驱动卡钳对木板进行旋转，使得刀具与卡钳相对角度达到角度1，电机2驱动传送装置，使得刀具切割位置达到起点1，电机3驱动传送装置在完成切割长度1后停止切割。以上的方法是刀具固定不动而负责固定木板的卡钳进行移动的切割方法。同理，也可以在卡钳不动的情况下驱动刀具来完成切割。

在一种实施方式中，所述方法还包括：对切割后的木板进行分类。比如：

获取切割后木板的图像；

根据木板分类模型对所述切割后木板的图像进行检测和识别，其中，所述木板分类模型是经机器学习得到的；

根据所述检测和识别的结果得到所述切割后木板的分类。

在一种实施方式中，所述方法还包括：根据所述木板的颜色、纹理、切割后木板的尺寸中的至少一项对切割后的木板进行分类。

在一种实施方式中，神经网络同时能够对切割路线下的出材率进行评估并输出，例如将该木板样品的具体切割出材率发送到显示终端。

在一种实施方式中，神经网络同时能够输出每块切割后的木板的纹理信息，该信息可以用于后续的木板分类。

在一种实施方式中，神经网络同时能够输出每块切割后的木板的尺寸信息，该信息可以用于后续的木板分类。

在一种实施方式中，神经网络同时能够输出待切割木板对应的原木端面切割方式，该信息可以用于后续的木板分类。

在一种实施方式中，神经网络同时能够输出原木端面切割方式、待切割木板的纹理、出材率、每块切割生成木板的尺寸等与标注关联信息，所述标注关联信息可以用于对后续的产品进行统计分析。例如，通过该标注关联信息可以发现何种端面切割方式能够产生更多的高质量产品，进而反馈到切割方式以对切割方式进行优化。

在一种实施方式中，所述方法还包括：所述木板的颜色、纹理、切割后木板的尺寸具有不同的优先权重。优先权重由实际的生产设计的需求来决定，例如，当美观性是切割设计的主要指标时，将颜色和/或纹理的权重设置为最高；当实用性为主要指标，而美观仅作为参考指标甚至完全可以忽略时，则将切割后木板的尺寸的权重设置为最高；在实际生产生活中更多出现的情况是，美观性和实用性需兼顾，则需分别对木板的颜色、纹理、切割后木板的尺寸设置不同的优先权重值，以便使生产设计的结果达到最优。

第二方面，本发明提供了一种基于机器学习的木板切割装置。该装置实施例，可以用于执行本发明方法实施例。

图2示出根据本发明一实施方式的一种基于人工智能的木板加工装置的结构框图，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图2所示，本发明实施例提供了一种基于人工智能的木板加工装置，所述装置包括：

图像获取模块201，用于获取待切割木板的图像；

模型匹配模块202，用于根据木板切割模型对所述待切割木板的图像进行检测和识别，其中，所述木板切割模型是经机器学习得到的；

路线规划模块203，用于根据所述检测和识别的结果，至少基于所述待切割木板的缺陷和切割后纹理得到所述待切割木板的切割路线。

在一种实施方式中，所述基于人工智能的木板加工装置包括优选锯。

在一种实施方式中，所述计算模块还根据所述木板的出材率、颜色、纹理、所需的切割后木板的尺寸中的至少一项计算得到所述木板的切割路线。

在一种实施方式中，所述木板的缺陷、出材率、颜色、纹理、所需的切割后木板的尺寸具有不同的优先权重。

在一种实施方式中，所述切割路线计算模块为采用机器学习方法的机器学习模块。

在一种实施方式中，所述机器学习模块的训练数据包括对所述获取木板的图像进行切割路线的标注。

在一种实施方式中，所述切割路线的标注至少包括：起点坐标、终点坐标、切头类型、缺陷类型。

在一种实施方式中，所述机器学习模块的训练数据还包括下列标注数据中的至少一项：所述获取木板的图像对应的出材率、切割后木板的纹理、切割后木板的尺寸、待切割木板对应的原木端面切割方式、缺陷类型、颜色、待切割木板的纹理。

在一种实施方式中，所述训练数据的产生在本地和/或网络端进行，所述训练数据的训练在本地和/或网络端进行，所述训练数据的存储在本地和/或网络端进行。

在一种实施方式中，所述机器学习方法包括：神经网络、随机森林、决策树、支持向量机。

在一种实施方式中，所述神经网络包括：多层神经网络、深度神经网络、卷积神经网络。

在一种实施方式中，所述装置还包括：

样本图像获取模块，用于获取木板样本的图像；

标注输入模块，用于接收对所述木板样本的图像的标注信息；

训练模块，用于根据所述木板样本的图像和所述标注信息进行机器学习的训练，获得所述木板切割模型。

在一种实施方式中，所述装置还包括：

控制模块，用于根据所述切割路线控制画线和/或切割设备对所述待切割木材进行处理。

在一种实施方式中，所述装置还包括：

切割图像获取模块，用于获取切割后木板的图像；

分类模型匹配模块，用于根据木板分类模型对所述切割后木板的图像进行检测和识别，其中，所述木板分类模型是经机器学习得到的；

分类模块，用于根据所述检测和识别的结果得到所述切割后木板的分类。在一种实施方式中，根据所述木板的颜色、纹理、切割后木板的尺寸中的至少一项对切割后的木板进行分类。

在一种实施方式中，所述木板的颜色、纹理、切割后木板的尺寸具有不同的优先权重。

本实施例中第二方面的所述装置与第一方面的所述方法对应一致，具体细节可参见上述对方法部分的描述，在此不再赘述。

第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现第一方面所述的方法步骤。

图3是适于用来实现根据本发明实施方式的一种基于人工智能的木板加工方法的电子设备的结构示意图。

如图3所示，电子设备300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行上述图1所示的实施方式中的各种处理。在RAM303中，还存储有电子设备300操作所需的各种程序和数据。CPU301、ROM302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现本发明第一方面中所述的方法步骤。该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本发明的方法。在这样的实施方式中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (18)

1.一种基于人工智能的木板加工方法，其特征在于，所述方法包括：

通过从木板正面方向拍照获取待切割木板的图像；

根据木板切割模型对所述待切割木板的图像进行检测和识别，其中，所述木板切割模型是经机器学习得到的；

根据所述检测和识别的结果，至少基于所述待切割木板的缺陷和切割后纹理得到所述待切割木板的切割路线。

2.如权利要求1所述的方法，其特征在于，所述方法包括：

所述待切割木板的切割路线还基于所述待切割木板的出材率、颜色和切割后木板的尺寸中的至少一项得到。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

所述待切割木板的缺陷、切割后纹理、出材率、颜色和切割后木板的尺寸具有不同的权重。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取木板样本的图像；

接收对所述木板样本的图像的标注信息；

根据所述木板样本的图像和所述标注信息进行机器学习的训练，获得所述木板切割模型。

5.如权利要求4所述的方法，其特征在于，所述标注信息包括所述木板样本的切割路线。

6.如权利要求5所述的方法，其特征在于，所述切割路线的标注信息包括：起点坐标、终点坐标、切头类型、缺陷类型和切割后纹理类型中的至少一项。

7.如权利要求6所述的方法，其特征在于，所述标注信息还包括：所述木板样本的出材率、对应的原木端面切割方式、颜色、原始纹理和切割后的尺寸中的至少一项。

8.如权利要求4所述的方法，其特征在于，所述机器学习包括：神经网络、随机森林、决策树和支持向量机中的至少一种。

9.如权利要求8所述的方法，其特征在于，所述神经网络包括：多层神经网络、深度神经网络和卷积神经网络中的至少一种。

10.如权利要求1所述的方法，其特征在于，所述方法还包括：根据所述切割路线控制画线和/或切割设备对所述待切割木板进行处理。

11.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取切割后木板的图像；

根据木板分类模型对所述切割后木板的图像进行检测和识别，其中，所述木板分类模型是经机器学习得到的；

根据所述检测和识别的结果得到所述切割后木板的分类。

12.一种基于人工智能的木板加工装置，其特征在于，所述装置包括：

图像获取模块，用于通过从木板正面方向拍照获取待切割木板的图像；

模型匹配模块，用于根据木板切割模型对所述待切割木板的图像进行检测和识别，其中，所述木板切割模型是经机器学习得到的；

路线规划模块，用于根据所述检测和识别的结果，至少基于所述待切割木板的缺陷和切割后纹理得到所述待切割木板的切割路线。

13.如权利要求12所述的装置，其特征在于，所述路线规划模块包括：

综合规划模块，用于基于所述待切割木板的出材率、颜色、纹理和切割后木板的尺寸中的至少一项得到所述待切割木板的切割路线。

14.如权利要求12所述的装置，其特征在于，所述装置还包括：

样本图像获取模块，用于获取木板样本的图像；

标注输入模块，用于接收对所述木板样本的图像的标注信息；

训练模块，用于根据所述木板样本的图像和所述标注信息进行机器学习的训练，获得所述木板切割模型。

15.如权利要求12-14中任一项所述的装置，其特征在于，所述装置还包括：

控制模块，用于根据所述切割路线控制画线和/或切割设备对所述待切割木板 进行处理。

16.如权利要求12所述的装置，其特征在于，所述装置还包括：

切割图像获取模块，用于获取切割后木板的图像；

分类模型匹配模块，用于根据木板分类模型对所述切割后木板的图像进行检测和识别，其中，所述木板分类模型是经机器学习得到的；

分类模块，用于根据所述检测和识别的结果得到所述切割后木板的分类。

17.一种电子设备，其特征在于，包括存储器和处理器；其中，

所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-11中任一项所述的方法步骤。

18.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被执行以实现如权利要求1-11中任一项所述的方法步骤。

Images