CN109711611A - 木材切割出材率识别方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种木材切割出材率识别方法、装置、电子设备及存储介质。其中，该方法包括：通过至少一个传感器采集本次切割工序前木材的第一数据；通过预训练过的第一神经网络对所述第一数据进行识别，获得所述木材的第一状态信息和本次切割工序的最优切割方案；按照所述最优切割方案控制输出对所述木材执行本次切割工序；通过至少一个传感器采集本次切割工序后木材的第二数据；通过预训练过的第二神经网络对所述第二数据进行识别，获得所述木材的第二状态信息；其中所述第二状态信息至少包括本次切割工序的出材率和/或总出材率。本申请通过预训练的神经网络来识别木材的状态，并在切割工序中实时识别关联的出材率，从而实现了精细化的木材管理。

Description

木材切割出材率识别方法、装置、电子设备及存储介质

技术领域

本申请涉及智能生产领域，具体涉及一种木材切割出材率识别方法、装置、电子设备及存储介质。

背景技术

在木材加工领域，现有技术能够实现部分的木材加工自动化，例如将一根原木通过多道切割工序，加工成多块木板，以备后续使用。然而，由于原木的个体差异，显然并不适合按照统一的切割模式进行加工，如果采用不当的切割方式，很可能使切割后的板材难以加工成型。一旦切割失败无法充分利用原木的材料，会产生大量不必要的边角废料，造成不小的损失。这对于一些名贵木材来说尤其重要，切割后的出材率直接影响整个原木的经济价值。

然而，发明人在实现本申请实施例相关技术方案的过程中发现，现有技术至少存在以下问题：当前的自动化设备可以提供一定的切割策略规划，可以在切割后统计实际出材率，却无法在切割前就自动计算木材的出材率，更无法实时根据出材率情况调整切割策略。因此现有技术无法实现木材加工的精细化管理，在当前的技术水平下降低原料消耗，提高利用率是目前木材加工领域亟待解决的问题。

发明内容

针对现有技术中的上述技术问题，本申请实施例提出了一种木材切割出材率识别方法、装置、电子设备及存储介质，以解决自动获取木材加工出材率的问题。

本申请实施例的第一方面提供了一种木材切割出材率识别方法，包括：

通过至少一个传感器采集本次切割工序前木材的第一数据；

通过预训练过的第一神经网络对所述第一数据进行识别，获得所述木材的第一状态信息和本次切割工序的最优切割方案；

按照所述最优切割方案控制输出对所述木材执行本次切割工序；

通过至少一个传感器采集本次切割工序后木材的第二数据；

通过预训练过的第二神经网络对所述第二数据进行识别，获得所述木材的第二状态信息；其中所述第二状态信息至少包括本次切割工序的出材率和/或总出材率。

在一些实施例中，所述方法还包括：将所述第二数据作为下次切割工序前的第一数据循环执行所述方法。

在一些实施例中，所述方法还包括：将人工测定的木材状态信息反馈给所述第二神经网络，以使所述第二神经网络根据所述人工测定的木材状态信息进行再训练。

在一些实施例中，所述方法中：所述最优切割方案为按照出材率最高的方式规划的切割方案。

在一些实施例中，所述方法还包括：将所述本次切割工序的出材率和/或所述总出材率作为反馈数据提供给所述第一神经网络，以使所述第一神经网络根据所述本次切割工序的出材率和/或所述总出材率进行再训练。

本申请实施例的第二方面提供了一种神经网络训练方法，包括：

将木材切割前后的状态数据及对应的标注信息作为样本数据输入神经网络；

使所述神经网络使用所述样本数据进行训练，识别所述状态数据中的特征；

根据所述特征建立所述木材切割前后的状态数据与所述标注信息的关联模型，得到训练后所述神经网络。

本申请实施例的第三方面提供了一种木材切割出材率识别装置，包括：

第一采集模块，用于通过至少一个传感器采集本次切割工序前木材的第一数据；

第一识别模块，用于通过预训练过的第一神经网络对所述第一数据进行识别，获得所述木材的第一状态信息和本次切割工序的最优切割方案；

控制输出模块，用于按照所述最优切割方案控制输出对所述木材执行本次切割工序；

第二采集模块，用于通过至少一个传感器采集本次切割工序后木材的第二数据；

第二识别模块，用于通过预训练过的第二神经网络对所述第二数据进行识别，获得所述木材的第二状态信息；其中所述第二状态信息至少包括本次切割工序的出材率和/或总出材率。

在一些实施例中，所述装置中，所述第二采集模块还将所述第二数据作为下次切割工序前的第一数据提供给所述第一识别模块。

在一些实施例中，所述装置还包括：第一再训练模块，用于将所述第二识别模块获得的所述第二状态信息作为反馈数据提供给所述第一神经网络，以使所述第一神经网络根据所述第二状态信息进行再训练。

在一些实施例中，所述装置还包括：第二再训练模块，用于将人工测定的木材状态信息反馈给所述第二神经网络，以使所述第二神经网络根据所述人工测定的木材状态信息进行再训练。

本申请实施例的第四方面提供了一种神经网络训练装置，包括：

样本输入模块，用于将木材切割前后的状态数据及对应的标注信息作为样本数据输入神经网络；

训练模块，用于使所述神经网络使用所述样本数据进行训练，识别所述状态数据中的特征；

模型建立模块，用于根据所述特征建立所述木材切割前后的状态数据与所述标注信息的关联模型，得到训练后所述神经网络。

本申请实施例的第五方面提供了一种电子设备，包括：

存储器以及一个或多个处理器；

其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如前述各实施例所述的方法。

本申请实施例的第六方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如前述各实施例所述的方法。

本申请实施例的第七方面提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，可用来实现如前述各实施例所述的方法。

本申请实施例通过神经网络对加工前后的木材数据进行多次识别，实现了最优切割方案的自动规划与执行，并能自动识别出材率，从而可对木材加工工序进行精细管理和控制。

附图说明

通过参考附图会更加清楚的理解本申请的特征和优点，附图是示意性的而不应理解为对本申请进行任何限制，在附图中：

图1是根据本申请的一些实施例所示的一种木材切割出材率识别系统示意图；

图2是根据本申请的一些实施例所示的一种木材切割出材率识别方法的流程示意图；

图3是根据本申请的一些实施例所示的一种卷积神经网络的典型结构示意图；

图4是根据本申请的一些实施例所示的一种切割方案规划的示意图；

图5是根据本申请的一些实施例所示的一种木材切割出材率识别装置的模块结构框图；

图6是根据本申请的一些实施例所示的一种电子设备的结构示意图。

具体实施方式

在下面的详细描述中，通过示例阐述了本申请的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本申请显而易见的可以在没有这些细节的情况下实施。应当理解的是，本申请中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。

应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本申请所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。

本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。

参看下面的说明以及附图，本申请的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本申请的保护范围。可以理解的是，附图并非按比例绘制。

本申请中使用了多种结构图用来说明根据本申请的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本申请。本申请的保护范围以权利要求为准。

现有技术可以根据原木/木料的形状来提供一定的切割规划支持，但是该规划通常只是一种经验策略，由于个体差异及结构异形等原因，当前木材体积测量方式较为复杂，实际出材率只能事后统计。因而现有技术并不能实时计算出材率并依此动态管理切割方案，原木/木料的利用率无法提高，极易造成浪费。针对技术中存在的上述问题，本发明提出了一种木材切割出材率识别方案，通过预训练的神经网络来识别木材的状态，并在切割工序中实时计算关联的出材率，从而实现了精细化的木材管理。

如图1所示，在本申请的一个实施例的典型应用场景中，一个典型的木材切割出材率识别系统包括切割控制设备(图1中由第一采集模块110、第一识别模块120和控制输出模块130构成，各模块说明详见图5实施例的文字说明)、切割装置102、传送装置103和识别设备(图1中由第二采集模块140和第二识别模块150构成，各模块说明详见图5实施例的文字说明)。其中，传送装置103带动木材沿预定路线持续行进；切割控制设备通过至少一个传感器101识别在本次切割步骤前的木材状态，进行切割规划从而向切割装置102输出切割控制量；切割装置102根据切割控制量对木材执行本次切割步骤；而识别设备通过至少一个传感器101识别在本次切割步骤后的木材状态，根据前后的状态计算出材率。

在一些实施例中，切割控制设备和识别设备是具有计算能力的电子设备，可以是各自独立工作的终端设备，也可以是通过各种已知通信方式连接交互的设备；还可以是本地终端只具备基本输入/输出功能，通过各种已知通信方式连接到服务器160，由服务器160完成主要功能的系统设备，在此不对其实现方式做出具体的限制。

在本申请的实施例中，切割控制设备和识别设备优选由具备人工智能的电子设备来完成识别和控制功能，典型地，通过预训练过的神经网络，对至少一个传感器采集的数据进行处理，自动识别木材的状态、规划切割方案和/或计算出材率等。基于本申请实施例的技术方案，能够实现木材加工的出材率自动计算与记录，该数据还可以进一步用于木材供应链金融，加大木材经济的精细化管理和金融化。

图2是根据本申请的一些实施例所示的木材切割出材率识别方法示意图。在一些实施例中，所述木材切割出材率识别方法包括步骤：

S201，通过至少一个传感器采集本次切割工序前木材的第一数据。

其中，所述至少一个传感器至少包括三维测量传感器；所述三维测量传感器优选为基于单目、双目摄像头或激光测距仪的距离测量模块，也可以是激光传感器、扫描仪等。优选地，所述第一数据至少包括所述木材的图像数据，进一步还可包括外部尺寸数据。

S202，通过预训练过的第一神经网络对所述第一数据进行识别，获得所述木材的第一状态信息和本次切割工序的最优切割方案。

其中，所述第一神经网络为木材识别和最优切割方案规划模型。优选地，所述第一神经网络对所述第一数据进行识别，比如通过对图像数据进行处理和识别，获得所述木材的分类信息和当前状态信息，随后进一步根据所述分类信息和当前状态信息规划最优切割方案。

具体地，神经网络可采用有监督学习的卷积神经网络，卷积神经网络通常包括输入层、卷积层、池化层和全连接层。一个典型的神经网络如图3所示，其中卷积层用来进行特征提取，本发明中可以使用多层卷积层得到更深层次的特征图；池化层对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度，另一方面进行特征压缩，提取主要特征；全连接层连接所有的特征，将输出值送给分类器，即对前面经过多次卷积后高度抽象化的特征进行整合，然后进行归一化，对各种分类情况都输出一个概率，之后的分类器可以根据全连接得到的概率进行分类。

在本申请的实施例中，通过传感器获取各切割工序中木材的图像以及木材的尺寸参数，其中图像信息传输给第一神经网络用来识别各工序中木材的状态，所述木材的状态包括，当前木材的形态，例如是一整根原木、多个木块、多块木板或上述组合等。进一步，识别木材的状态还包括识别木材切割工序的关联关系，例如一根原木从中间切割变成两个木块；而经过神经网络后，还能够准确完成对各工序中木材的分类，比如木材种类、用途、切割前后原木/木块/木板及其数量、有用材类型及数量、无用材类型及数量、本次切割目的等。

最优切割方案是根据至少一个切割目标对当前木材制定的切割规划。在本申请的优选实施例中，出材率是重要的考量因素，故切割目标至少包括以出材率最大为目标；更进一步地，出材率最大包括本次出材率最大和/或总出材率最大。当然，根据木材用途、材质、形状、尺寸、纹理、缺陷、切割/打磨效果等因素作为切割目标来制定切割规划也是常用的策略，这些常用策略显然也可应用于本申请的实施例中，在此不对切割目标的设置和实现做出具体的限制。在本申请一个可选的实施例中，切割规划模型可以列出所有可能的木材切割方案，并模拟计算每一方案的指标(比如出材率等)，最后根据指标与切割目标的匹配结果选择出最满足目标的切割方案。

S203，按照所述最优切割方案控制输出对所述木材执行本次切割工序。

其中，通过第一神经网络获得的所述最优切割方案通常为在木材图像上确定出的虚拟分割线；为确保该最优切割方案可有效执行，进一步第一审网络还可输出一些具体的切割执行参数，比如切割工具类型、起始切割点、切割方向、切割深度、切割速度和结束位置等。切割装置再根据这些切割执行参数，控制切割工具的具体工作方式，从而实现在所述木材上执行本次切割工序。

S204，通过至少一个传感器采集本次切割工序后木材的第二数据。

步骤S204与步骤S201所使用的传感器可以相同也可以不同；当然，由于切割前后木材所处位置可能不同，优选在对应位置设置各自所需的传感器。传感器具体类型与步骤S201相似，在此不再赘述。优选地，所述第二数据至少包括切割后所述木材的图像数据，进一步还可包括外部尺寸数据。

S205，通过预训练过的第二神经网络对所述第二数据进行识别，获得所述木材的第二状态信息；其中所述第二状态信息至少包括本次切割工序的出材率和/或总出材率。

其中，所述第二神经网络为出材率识别模型。所述第二神经网络对根据三维测量传感器获取的所述第二数据进行识别，获得木材参数并计算木材体积(原木体积、加工后有用材体积和/或无用材体积)，进一步根据体积计算获得出材率。可选地，第一神经网络和第二神经网络可以为同一个神经网络，也可以为两个相对独立的神经网络，所述第二神经网络的逻辑结构也可参见图2。优选地，所述第一状态信息和/或所述第二状态信息还包括：所述木材的分类、可用状态、当前总体积、有用材体积和无用材体积中的至少一项。

在本申请的实施例中，从一根原木开始，木材可能需要经过多次(或称多道)加工/切割工序才能得到较为理想的加工结果。比如典型地，第一道工序将原木切割成至少一个大的木块，第二道工序将木块切割成木板，第三道工序将木板切割成指定尺寸的木条。则上述木材切割出材率识别方法可在每次切割工序的执行过程中循环执行处理，从而在整体和局部各个方面实现对全部工序的识别和精细管理。优选地，上述木材切割出材率识别方法在执行完全部工序时或在某一神经网络识别当前木材不包括有用材时停止，又或者在无法发现满足切割目标的切割方案时停止上述方法。停止上述方法的同时，输出历次切割工序的出材率和/或总出材率，进一步还可输出停止原因，以便人工接管后续的处理。

在一种实施方式中，当一根原木需要切割加工成一定尺寸的木条时，第一神经网络的切割规划模型根据原木的状态设计几种切割方案，进一步模拟每种切割方案并计算每种切割方案的指标(出材率等)，最终选择指标最满足目标的方案。比如对于一根横截面为半圆的原木，有图4所示多种不同的切割方案，通过模拟和计算，最终选择出材率最高的方案。其中，本申请实施例的神经网络可根据采集的第一数据和/或第二数据得到每一道工序前后的木材体积信息；比如，根据卷积神经网络的识别结果以及三维测量传感器采集的木材尺寸计算第n道工序中有用材体积V_n和/或无用材的体积V'_n，再利用最初得到的原木体积V和前一道工序(第n-1道工序)中有用材体积V_n-1和/或无用材的体积V'_n-1，就可以计算出相应的本次切割工序出材率和总出材率。当然，更进一步地还可同时获得一些其他指标，比如各工序损耗、总损耗、损耗率、材耗比等，在此不再展开描述。典型地，对于形状规则的木板、木条等可直接根据长宽高计算体积，对于形状不规则的木材则可以通过积分的方法来计算体积。

具体地，基于神经网络所获得的木材状态信息，对于前述实施例所说通过三道工序将原木切割成木条的场景，各次切割工序的出材率可以表示为r₁＝V₁/V,r₂＝V₂/V₁,r₃＝V₃/V₂,而总出材率可以表示为r＝r₁·r₂·r₃或r＝V₃/V。

本申请实施例的方案通过神经网络对加工前后的木材数据进行多次识别，实现了最优切割方案的自动规划与执行，并能自动识别出材率，从而可对木材加工工序进行精细管理和控制。进一步地，通过木材加工的出材率自动识别与记录，还可将相关数据用于木材供应链金融，加大木材经济的精细化管理和金融化。

在本申请的一个实施例中，还可使用反馈数据对神经网络进行再训练，以提高神经网络识别信息的准确度和可靠性。典型地，本方法还可进一步包括人工测定和/或标注木材的相关数据(包括但不限于种类、用途、是否有用材、各部分尺寸、体积和出材率等中的至少一种)，将人工测定和/或标注的数据作为反馈数据提供给所述第一和/或第二神经网络，以改进所述第一和/或第二神经网络中的识别模型。具体地，比如使用人工测定的尺寸、体积和出材率等信息反馈给所述第二神经网络，第二神经网络使用其对识别模型进行再训练，以提升模型识别第二状态信息的准确度和可靠性。而当至少使用出材率最高作为切割目标来规划最优切割方案时，进一步可将本次切割工序的出材率和/或总出材率作为反馈数据提供给所述第一神经网络；所述第一神经网络使用反馈数据进行再训练，以改进所述第一神经网络中对所述最优切割方案的规划模型。

在本申请的实施例中，所述传感器为三维测量传感器，包括单目光学传感器、双目光学传感器、激光测距仪、激光传感器和扫描仪中的至少一种。可以通过点云图构建每一加工工序中木材的三维立体模型，进而通过神经网络进行木材状态信息的识别，根据识别结果获得每一加工工序中有用材的体积，从而得出每一工序的出材率以及总出材率，实现木材加工的出材率自动识别与记录，提高木材经济的精细化管理水平。

图5是根据本申请的一些实施例所示的木材切割出材率识别装置示意图。如图5所示，所述木材切割出材率识别装置500包括：第一采集模块510，用于通过至少一个传感器采集本次切割工序前木材的第一数据；第一识别模块520，用于通过预训练过的第一神经网络对所述第一数据进行识别，获得所述木材的第一状态信息和本次切割工序的最优切割方案；控制输出模块530，用于按照所述最优切割方案控制输出对所述木材执行本次切割工序；第二采集模块540，用于通过至少一个传感器采集本次切割工序后木材的第二数据；第二识别模块550，用于通过预训练过的第二神经网络对所述第二数据进行识别，获得所述木材的第二状态信息；其中所述第二状态信息至少包括本次切割工序的出材率和/或总出材率。其中，在本申请的一个优选实施例中，与图1相对应地，第一采集模块510、第一识别模块520和控制输出模块530可构成图1中的切割控制设备，第二采集模块540和第二识别模块550可构成图1中的识别设备。图1中的切割装置和传送装置属于现有技术中常见的机械装置，典型地，比如以圆锯作为切割装置、以传送带作为传送装置即可实现本申请实施例的方案，事实上任何具备相应功能的现有机械装置均可用于本申请的实施例中，在此不对切割装置和传送装置的具体形式做出更细致的限制。

在本申请的一个可选实施例中，所述装置中，所述第二采集模块还将所述第二数据作为下次切割工序前的第一数据提供给所述第一识别模块。采用该方式，本申请实施例的所述装置可循环执行，从而实现对木材加工过程中的全部工序进行出材率识别和精细化管理。

可选地，所述装置还包括：第一再训练模块，用于将所述第二识别模块获得的所述第二状态信息作为反馈数据提供给所述第一神经网络，以使所述第一神经网络根据所述第二状态信息进行再训练。

可选地，所述装置还包括：第二再训练模块，用于将人工测定的木材状态信息反馈给所述第二神经网络，以使所述第二神经网络根据所述人工测定的木材状态信息进行再训练。

在本申请的优选实施例中，所述最优切割方案为按照出材率最高的方式规划的切割方案。具体的切割方案规划及出材率识别过程详见前述方法实施例的描述，在此不再赘述。

在一些可选的实施例中，所述第一和/或第二神经网络可通过一个空白的神经网络经过训练得到。本申请实施例优选采用有监督学习的卷积神经网络，一个典型的卷积神经网络结构如图3所示，前文已有介绍，在此不再赘述。训练过程中，使用木材样本图像和关联的标注信息作为输入，卷积神经网络对样本图像进行处理，提取图像的特征；当输入的样本图像和标注信息足够多时，可以发现图像特征与标注信息之间较为稳定的对应规律，从而建立图像和/或特征与标注信息的关联(通常以概率/置信度等方式来表示)，得到训练后的神经网络。其中，神经网络训练过程中使用的数据与其目的相对应，比如，第二神经网络目标是根据对木材采集的第二数据(比如图像、三维信息等)得到第二状态信息(比如尺寸、体积、有用材情况、无用材情况、出材率、总出材率等)，则训练时输入的样本数据包括样本图像和图像中木材样本的三维信息，标注信息则是木材样本对应的尺寸、体积、有用材情况、无用材情况等信息(出材率和总出材率信息为对应切割前后两个样本图像的标注信息)；而第一神经网络还涉及最优切割方案的规划，故训练时输入的样本数据还可包括至少一种切割方案。至于神经网络的具体训练过程，其属于已知的现有技术，在此不再展开描述。

相应地，本申请的实施例中还提供一种神经网络训练方法，包括：将木材切割前后的状态数据及对应的标注信息作为样本数据输入神经网络；使所述神经网络使用所述样本数据进行训练，识别所述状态数据中的特征；根据所述特征建立所述木材切割前后的状态数据与所述标注信息的关联模型，得到训练后所述神经网络。

以及，本申请的实施例中还提供一种神经网络训练装置，包括：样本输入模块，用于将木材切割前后的状态数据及对应的标注信息作为样本数据输入神经网络；训练模块，用于使所述神经网络使用所述样本数据进行训练，识别所述状态数据中的特征；模型建立模块，用于根据所述特征建立所述木材切割前后的状态数据与所述标注信息的关联模型，得到训练后所述神经网络。

参考附图6，为本申请一个实施例提供的电子设备示意图。如图6所示，该电子设备600包括：

存储器630以及一个或多个处理器610；

其中，所述存储器630与所述一个或多个处理器610通信连接，所述存储器630中存储有可被所述一个或多个处理器执行的指令632，所述指令632被所述一个或多个处理器610执行，以使所述一个或多个处理器610执行本申请前述实施例中的方法。

具体地，处理器610和存储器630可以通过总线或者其他方式连接，图6中以通过总线640连接为例。处理器610可以为中央处理器(Central Processing Unit，CPU)。处理器610还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器630作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的第一神经网络和/或第二神经网络等。处理器610通过运行存储在存储器630中的非暂态软件程序、指令以及模块632，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的木材切割出材率识别方法和/或神经网络训练方法。

存储器630可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器610所创建的数据等。此外，存储器630可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器630可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络(比如通过通信接口620)连接至处理器610。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

当然，本领域相关技术人员可以理解，本申请上述实施例中的装置和电子设备并不仅限于一个执行主体。在一种可选的实施方式中，比如根据图1的应用场景所示，用于实现木材切割出材率识别方法的电子设备可以包括图1中的切割控制设备和识别设备这两个设备，两设备可各自独立工作，也可通过已知的技术手段建立连接以进行交互。在其他可选的实施方式中，两设备也可实质上是同一设备，只是通过不同的输入/输出端口分别接收不同的输入数据和提供不同的输出数据；典型地，比如图1中的切割控制设备和识别设备的功能均由远端的服务器实现，采集数据输入到服务器中，识别结果和控制信号则由服务器输出。

本申请的一个实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被执行后执行本申请前述实施例中的方法。

前述的计算机可读取存储介质包括以存储如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方式或技术来实现的物理易失性和非易失性、可移动和不可移动介质。计算机可读取存储介质具体包括，但不限于，U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、可擦除可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存或其他固态存储器技术、CD-ROM、数字多功能盘(DVD)、HD-DVD、蓝光(Blue-Ray)或其他光存储设备、磁带、磁盘存储或其他磁性存储设备、或能用于存储所需信息且可以由计算机访问的任何其他介质。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述装置实施例中的对应描述，在此不再赘述。

尽管此处所述的主题是在结合操作系统和应用程序在计算机系统上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机系统配置来实践，包括手持式设备、多处理器系统、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对原有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。

综上所述，本申请各实施例提供的木材切割出材率识别方法、装置、电子设备、计算机可读存储介质或计算机程序产品等，通过神经网络对加工前后的木材数据进行多次识别，实现了最优切割方案的自动规划与执行，并能自动识别出材率，从而可对木材加工工序进行精细管理和控制。进一步地，通过木材加工的出材率自动识别与记录，还可将相关数据用于木材供应链金融，加大木材经济的精细化管理和金融化。

应当理解的是，本申请的上述具体实施方式仅仅用于示例性说明或解释本申请的原理，而不构成对本申请的限制。因此，在不偏离本申请的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。此外，本申请所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (13)

1.一种木材切割出材率识别方法，其特征在于，包括：

通过至少一个传感器采集本次切割工序前木材的第一数据；

通过预训练过的第一神经网络对所述第一数据进行识别，获得所述木材的第一状态信息和本次切割工序的最优切割方案；

按照所述最优切割方案控制输出对所述木材执行本次切割工序；

通过至少一个传感器采集本次切割工序后木材的第二数据；

通过预训练过的第二神经网络对所述第二数据进行识别，获得所述木材的第二状态信息；其中所述第二状态信息至少包括本次切割工序的出材率和/或总出材率。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述第二数据作为下次切割工序前的第一数据循环执行所述方法。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将人工测定的木材状态信息反馈给所述第二神经网络，以使所述第二神经网络根据所述人工测定的木材状态信息进行再训练。

4.根据权利要求1所述的方法，其特征在于，所述方法中：

所述最优切割方案为按照出材率最高的方式规划的切割方案。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

将所述本次切割工序的出材率和/或所述总出材率作为反馈数据提供给所述第一神经网络，以使所述第一神经网络根据所述本次切割工序的出材率和/或所述总出材率进行再训练。

6.一种神经网络训练方法，其特征在于，包括：

将木材切割前后的状态数据及对应的标注信息作为样本数据输入神经网络；

使所述神经网络使用所述样本数据进行训练，识别所述状态数据中的特征；

根据所述特征建立所述木材切割前后的状态数据与所述标注信息的关联模型，得到训练后所述神经网络。

7.一种木材切割出材率识别装置，其特征在于，包括：

第一采集模块，用于通过至少一个传感器采集本次切割工序前木材的第一数据；

第一识别模块，用于通过预训练过的第一神经网络对所述第一数据进行识别，获得所述木材的第一状态信息和本次切割工序的最优切割方案；

控制输出模块，用于按照所述最优切割方案控制输出对所述木材执行本次切割工序；

第二采集模块，用于通过至少一个传感器采集本次切割工序后木材的第二数据；

第二识别模块，用于通过预训练过的第二神经网络对所述第二数据进行识别，获得所述木材的第二状态信息；其中所述第二状态信息至少包括本次切割工序的出材率和/或总出材率。

8.根据权利要求7所述的装置，其特征在于，所述装置中，所述第二采集模块还将所述第二数据作为下次切割工序前的第一数据提供给所述第一识别模块。

9.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第一再训练模块，用于将所述第二识别模块获得的所述第二状态信息作为反馈数据提供给所述第一神经网络，以使所述第一神经网络根据所述第二状态信息进行再训练。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二再训练模块，用于将人工测定的木材状态信息反馈给所述第二神经网络，以使所述第二神经网络根据所述人工测定的木材状态信息进行再训练。

11.一种神经网络训练装置，其特征在于，包括：

样本输入模块，用于将木材切割前后的状态数据及对应的标注信息作为样本数据输入神经网络；

训练模块，用于使所述神经网络使用所述样本数据进行训练，识别所述状态数据中的特征；

模型建立模块，用于根据所述特征建立所述木材切割前后的状态数据与所述标注信息的关联模型，得到训练后所述神经网络。

12.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如权利要求1-6任一项所述的方法。

13.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如权利要求1-6任一项所述的方法。