CN109724398B - 一种基于人工智能的木材干燥控制方法及装置 - Google Patents

Abstract

本发明实施例涉及一种基于人工智能的木材干燥控制方法及装置，涉及森林工业、木材干燥领域；方法包括：通过至少一个传感器采集待干燥木材的木材参数及干燥室环境参数；通过训练过的第一神经网络对所述木材参数及所述环境参数进行识别，输出对应的干燥策略；根据所述干燥策略控制干燥介质进行木材干燥，得到干燥结果；通过训练的第二神经网络对所述干燥结果进行识别并标注，输出最优干燥策略。本申请提供的技术方案，不仅能动态并精确地控制木材的干燥过程，而且在大大减少劳动力的同时，提高了木材干燥的质量和效率。

Description

一种基于人工智能的木材干燥控制方法及装置

技术领域

本申请涉及森林工业、木材干燥领域，特别涉及一种基于人工智能的木材干燥控制方法及装置。

背景技术

在森林工业领域，木材干燥(Wood Seasoning)是一个重要操作。根据目的不同，木材干燥可以用于生产木质产品的木材干燥，或者用于燃烧目的的干柴(fire wood)。无论用于哪种目的，木材干燥均是一个使得木材含水量降低到一个目标含水率的过程。

在现有技术中，木材干燥方法已经得到了长久的发展。常用的方法包括大气干燥、室干、真空干燥、太阳能干燥、高频或微波干燥等方法。其中较为常用的是室干(KilnSeasoning)，具体地通过控制干燥室内干燥介质的温度和湿度，使得木材内部的水分逐渐排出，使得木材的硬度、形变、含水量达到较高的水平。

然而，在现有技术中，室干系统包括全人工方式、半自动方式以及全自动方式。在半自动和全自动方式中，控制系统可以根据木材参数完成干燥过程的自动化。这种自动化过程是通过木材干燥学得到的结论开发的自动化程序，例如通过焓湿图、干燥曲线、干燥速率曲线来设置的循环加热过程。然而，现有的这种自动化过程只能针对已有的干燥过程进行分析，无法针对新的干燥过程进行动态识别，且木材干燥的质量和效率都比较低下。

发明内容

本申请的目的在于提供一种基于人工智能的木材干燥控制方法及装置，能够动态地并且精确地调节木材干燥过程。

为实现上述目的，本申请提供一种基于人工智能的木材干燥控制方法，所述方法包括：

通过至少一个传感器采集待干燥木材的木材参数及干燥室环境参数；

通过训练过的第一神经网络对所述木材参数及所述环境参数进行识别，输出对应地干燥策略；

根据所述干燥策略控制干燥介质进行木材干燥，得到干燥结果；

通过训练的第二神经网络对所述干燥结果进行识别并标注，输出最优干燥策略。

进一步地，所述传感器包括基于电阻计的含水率传感器、基于X光的含水率传感器、干湿球温湿度计、气压计、RGB图像传感器或者太赫兹图像传感器中的至少一种，其中，所述RGB图像传感器用于捕捉木材的表面特征，所述太赫兹图像传感器用于获取木材内部的图像以及含水率的分布图像。

进一步地，根据所述干燥策略控制干燥介质进行木材干燥，得到干燥结果包括：

按照所述干燥策略限定的干燥时序依次控制所述干燥介质进行木材干燥，得到干燥结果。

进一步地，所述第一神经网络的训练数据按照以下方式得到：

在所述传感器采集得到木材参数和干燥室环境参数时，记录所述干燥室内执行的干燥策略，并判断所述干燥策略对应的干燥结果是否满足要求，若满足，将所述木材参数、干燥室环境参数和所述干燥策略作为一个有效的训练数据；

或者

将同一材种的木材样本按照不同的含水率置于所述干燥室内，并针对不同含水率的木材样本执行同一个预设干燥策略，得到不同的干燥结果；通过对不同的干燥结果进行分析，确定出所述预设干燥策略具备最优干燥结果时对应的含水率，并将所述含水率和所述预设干燥策略作为一个有效的训练数据。

进一步地，所述第二神经网络的训练数据按照以下方式得到：

分别获取预先标注的优质干燥结果和劣质干燥结果对应的木材干燥后的表面特征数据，并将所述优质干燥结果和所述劣质干燥结果及对应的所述木材干燥后的表面特征数据作为所述第二神经网络的训练数据。进一步地，所述第一神经网络在整个干燥周期内对所述干燥介质进行连续控制；其中，所述整个干燥周期被切割成多个子区间，并且所述第一神经网络在每一个子区间内输出的干燥策略，用于控制所述干燥介质的属性，以使得在下一个子区间内达到最优的干燥结果。

为实现上述目的，本申请还提供一种基于人工智能的木材干燥控制装置，所述装置包括：

数据采集单元，用于通过至少一个传感器采集待干燥木材的木材参数及干燥室环境参数；

干燥策略输出单元，用于通过训练过的第一神经网络对所述木材参数及所述环境参数进行识别，输出对应地干燥策略；

干燥结果获取单元，用于根据所述干燥策略控制干燥策略进行木材干燥，得到干燥结果；

最优干燥策略确定单元，用于通过训练的第二神经网络对所述干燥结果进行识别并标注，输出最优干燥策略。

进一步地，所述传感器包括基于电阻计的含水率传感器、基于X光的含水率传感器、干湿球温湿度计、气压计、RGB图像传感器或者太赫兹图像传感器中的至少一种，其中，所述RGB图像传感器用于捕捉木材的表面特征，所述太赫兹图像传感器用于获取木材内部的图像以及含水率的分布图像。

进一步地，所述装置还包括：

第一训练数据获取单元，用于在所述传感器采集得到木材参数和干燥室环境参数时，记录所述干燥室内执行的干燥策略，并判断所述干燥策略对应的干燥结果是否满足要求，若满足，将所述木材参数、干燥室环境参数和所述干燥策略作为一个有效的训练数据；

或者，用于将同一材种的木材样本按照不同的含水率置于所述干燥室内，并针对不同含水率的木材样本执行同一个预设干燥策略，得到不同的干燥结果；通过对不同的干燥结果进行分析，确定出所述预设干燥策略具备最优干燥结果时对应的含水率，并将所述含水率和所述预设干燥策略作为一个有效的训练数据。

进一步地，所述装置还包括：

第二训练数据获取单元，用于分别获取预先标注的优质干燥结果和劣质干燥结果对应的木材干燥后的表面特征数据，并将所述优质干燥结果和所述劣质干燥结果及对应的所述木材干燥后的表面特征数据作为所述第二神经网络的训练数据。

由上可见，本申请提供的技术方案，可以通过传感器采集待干燥木材的木材参数以及干燥室内的环境参数，并可以通过训练过的第一神经网络对传感器采集的数据进行识别，从而得到对应的干燥策略；然后，根据干燥策略控制干燥介质进行木材干燥，得到干燥结果；最终，通过训练后的第二神经网络，对该干燥结果进行识别，从而输出最优干燥策略。本申请可以通过神经网络对传感器采集的数据进行处理，不仅能动态并精确地控制木材的干燥过程，而且在大大减少劳动力的同时，提高了木材干燥的质量和效率。

附图说明

图1为本申请实施例中基于人工智能的木材干燥控制系统的结构示意图；

图2为本申请实施例中基于人工智能的木材干燥控制系统的应用示例示意图；

图3为本申请实施例中基于初次传感数据进行干燥策略规划的示意图；

图4为本申请实施例中基于连续干燥策略规划的系统示意图；

图5为本申请实施例中神经网络的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都应当属于本申请保护的范围。

近年来，人工智能技术取得了突破性的发展，尤其是深度学习的发展，使得计算机通过训练数据学习特征的能力得到大幅度的发展。深度学习可以理解为将大量的函数通过神经网络的方式进行组合，进而拟合各种特征之间的关系。因此，在木材干燥领域，一个自动化的系统可以理解为通过木材的各种特征，来控制干燥相关的装置的过程，而该过程中大量的特征相关性，或函数拟合均可以高效的通过机器学习的方法来实现，因此本发明提出了一种基于人工智能的木材干燥控制方法。

请参阅图1，本发明还提出了一种基于人工智能的木材干燥控制系统3，其中系统可以包含多种具体的形式，但是一般而言包括，干燥室1、通风系统2、控制系统3、传感器系统4、人工智能控制系统35。其中，干燥室1用于提供干燥场所，里面有多根木材传感样本121组成的木材干燥堆12，外围包含框架和隔热层；通风系统2利用风扇21或其他装置完成干燥室1内干燥介质11(一般为水蒸气)的气体流动；控制系统3可以用于控制干燥介质11的温度和湿度，例如可以是一个利用电加热器的喷洒管31；传感器系统4用于接收木材参数和环境的传感数据，其可以使用不同的传感器41以获得不同的传感数据411；其中，木材参数包括但不限于木材种类、尺寸大小、木材表面的颜色、纹理及弯曲度等；人工智能控制系统35使用基于机器学习模型的控制系统3，其主要功能为接收传感器系统4的传感数据411，并控制干燥过程；所述基于机器学习模型可以为干燥策略规划模型51；

在实际应用中，传感器系统4包含不同的传感器41，例如可以为基于电阻计的含水率传感器、基于X光含水率传感器；传感器可以为干湿球温湿度计、气压计；除此之外，本发明相较现有技术，也可以使用图像传感器，例如RGB图像传感器或太赫兹图像传感器。这是由于，传统的自动化方法不具备处理图像的能力，然而木材的图像能够反映干燥的效果，例如干燥过程中不同层的含水率变化导致内部应力改变，最终将造成木材的内部断裂或翘曲，这些干燥的效果可以通过图像传感器捕捉，例如RGB图像传感器能够捕捉到木材的表面特征，而太赫兹图像能够得到木材内部的图像以及含水率的分布图像。注意，该处仅列举一部分可能使用的传感器，并不是对本发明所进行的限定。进一步，其中所述传感器并不需要同时使用，但并不对后续所述的方法产生影响。

在一种实施方式中，在执行一次烘干任务前，传感器系统4通过传感器41得到木材及环境的数据。进一步，传感数据411被输入至干燥策略规划模型51中，干燥策略规划模型51将输出一个干燥策略511。进一步，干燥策略511被输入至控制系统3，使得干燥室1内的干燥介质11按照规划的传感器得到的木材的传感数据411，并记录干燥室1执行的干燥策略511或干燥传感数据411，例如周期采集干燥介质11温度和湿度、室内风速或对应的风扇21转速；得到干燥结果后，通过人工的方式判断该批木材干燥结果是否满足要求。例如，通过人工检验的方式判断含水率和木材弯曲和内部断裂数据，仅将满足要求的干燥结果记录为一个有效训练数据；在另外一种方法中，通过实验的方式快速获得大量的训练数据。将同一材种的木材样本按不同含水率置于人工设置的干燥室内，干燥室环境参数恒定，干燥室一次使用一个干燥策略511，并通过对样本干燥结果的分析，例如含水率、弯曲度和内部断裂数据，得到当前干燥策略511对于某一含水率的木材具有最优干燥结果，并记录一个有效训练数据。在得到足够多的训练数据后，训练一个神经网络，该神经网络可以是卷积神经网络、深度神经网络、循环神经网络中的一种或组合。

在本发明中的一种实施方式中，人工智能控制系统35还包括一个干燥结果检测学习模型52。该模型通过大量标注的优质干燥结果和劣质干燥结果；例如通过图像传感器获得的木材表面图像或太赫兹成像的内部图像，得到包括木材表面的颜色、纹理、弯曲度、内部断裂度、干燥后含水率等在内的木材干燥后的特征数据，并根据人工标注干燥结果的数据，训练一个神经网络。该神经网络可以用于检测木材干燥结果。在一种实施方式中，干燥策略规划模型51与干燥结果检测学习模型52用于生成一个对抗网络，该对抗网络能够在实验环境下不断训练干燥策略511生成网络，直到该干燥策略511生成网络能够不断输出优化的干燥策略511。在该生成对抗网络中，大量的人工标注过程将被节省，因为不同材种和含水率带来的微小变化将导致干燥结果的劣化，而该劣化结果将被检测网络识别，并输出一个反馈到干燥策略511规划网络中。

在另外一种实施方式中，干燥策略规划模型51可以在整个干燥周期内对干燥介质11进行连续控制。在这种方式中，干燥策略规划模型51需要输出一个连续的干燥策略511。然而，让干燥策略规划模型51输出时间连续的干燥策略将使得模型训练变得复杂，这是因为样本空间将变得非常巨大。一种更便于实现的方法为，将整个干燥周期切割成多个子区间，并使得模型在每一个子区间内，仅输出用于控制干燥介质11属性，使得木材干燥过程精准达到下一个子区间的干燥策略511。这种方法将使得模型具有更高的灵活性，例如电阻计含水率传感器在含水率较高的情况下误差较大，这使得初次传感数据411可能由于传感误差导致干燥策略511偏离最优干燥策略。在连续控制策略中，干燥策略规划模型51在发现策略偏离最优干燥策略时，可以及时输出更新的干燥策略511，使得在下一个子区间内达到最优的干燥结果。例如，当含水率被高估时，第一子区间的干燥策略511可能使得干燥介质11温度过高，使得含水率下降过快而导致木材内部应力过大，此时在第二子区间内，干燥策略规划模型51将根据传感数据411降低干燥介质11的温度，放缓含水率的下降速度，避免应力进一步加剧而导致内部断裂。具体的，训练一个连续控制模型需要不同子区间内的样本数据，而输出则为一组干燥介质11控制组合。当一个模型训练结束之后，模型将通过传感器或记录仪，给出当前子区间的控制策略。

图2中给出了本发明所示的系统示意图，其中木材干燥堆12置于干燥室1内，其中通过传感器41对一个或多个样本进行传感，得到传感数据411用于输入至一个干燥策略规划网络中，进一步规划网络输出信号至控制系统3，用于对干燥介质11进行精准控制。

图3中给出了基于初次传感数据411进行干燥策略规划的示意图，干燥策略规划模型51在木材干燥堆12中获得传感数据411之后，将一次性给出一个干燥策略511。如图3所示，干燥策略511包括连续的时间点的干燥介质11属性；其中，图3右侧的实线可以代表干燥介质11的温度，虚线代表干燥介质11的湿度，下同。为了便于控制，干燥介质11的属性变化采取周期调整的方式，也就是每隔固定周期进行一次调整。不同的干燥策略511的干燥介质11调整时机和干燥介质11参数不同，而干燥策略规划模型51的主要功能为在多个干燥策略511中选择最优干燥策略511。其中，图3中mc表示含水率，曲线k表示干燥曲线，下同。

图4中给出了基于连续干燥策略规划的系统示意图。与图3所示的干燥策略511不同，传感器系统4不间断的测量木材或环境的数据，并根据当前子区间的数据，给出当前子区间的干燥策略511。如图4所示，在第一子区间(t0-t1)内，传感器系统4获得了木材的图像样本P(P1-P3)和含水率(mc)数据，干燥策略规划模型51根据当前的传感数据411给出第二子区间(t1-t2)的干燥介质11属性。相关联的，控制系统3控制第二子区间(t1-t2)的干燥介质11属性，木材的干燥过程应该达到一个较优的目标。如果木材干燥过程达到该较优目标，则干燥策略规划模型51给出第三子区间(t2-t3)的干燥介质11属性。然而，如果由于干燥过程差异或传感数据411的偏差，木材的干燥过程没有在第二子区间(t1-t2)达到一个较优的目标，则干燥策略规划模型51给出的第三子区间(t2-t3)的干燥介质11属性将不同。也就是说，每一个子区间的干燥策略规划模型51致力于在本子区间内达到一个较优的干燥目标。进一步，不同批次的木材在同一子区间的干燥策略511将不同。并且不同批次的木材的干燥策略511路径也将不同。而在图3所示的方式中，相同的干燥策略511将遵循相同的干燥策略511路径。因此，图4中所示的方法能够在更多不同的情况下自适应给出干燥策略511路径。上述干燥策略511路径具体的是指在一个时序过程中的干燥介质11属性目标。

图5中给出了一个传感数据411输入至深度神经网络输出一个或多个干燥策略的示意图。其中，无论是基于电阻计传感的含水率数据还是太赫兹传感图像，均可以将采集到的传感数据411输入至一个深度神经网络，并得到一个或多个干燥策略511。尽管电阻计输出的只有一个单一读数，但仍然可以在木材样本上取多个采样点，生成一个序列，进而输入神经网络。然而，这种含水量读数对于木材本身的状态的记录存在一定误差，因为两个读数相同的样本可能具有不同的木材纤维结构和不同的含水率。因此，太赫兹图像则记录了木材样本更多的特征数据，例如包含木材内部的水分分布，内部纤维结构等特征。尽管这种特征无法通过人为判定的方式进行分析，但是基于深度神经网络的机器学习模型可以将这些特征与一个干燥策略511关联起来，也就是不同的水分分布可能对应于不同的干燥策略511。进一步，可以通过图像拼接的方式得到大量木材样本的图像，并给出根据大量木材样本的干燥策略511。此外，在连续干燥策略规划方法中，图像数据也能给出干燥策略511对木材内部水分分布的影响，一个较优的干燥策略511路径也对应于一个连续的木材内部水分分布变化，因此当干燥策略511导致内部水分分布异常时，模型能够更新当前子区间的策略，避免干燥结果劣化。因此，如前所述，使用图像数据的传感数据411配合提出的机器学习模型，将大大提升模型应对不同木材情况的鲁棒性，这是传统自动干燥方法无法提供的能力。此外，由于神经网络能够自动学习木材的特征并拟合一个最优策略，因此使用本系统将取代传统基于木材干燥学的繁琐建模和模型测试工作。只需要积累大量的优质干燥策略511和对应的样本数据，神经网络将能够不断提升其策略规划能力。

本申请还提供一种基于人工智能的木材干燥控制方法，所述方法包括：

通过至少一个传感器采集待干燥木材的木材参数及干燥室环境参数；

通过训练过的第一神经网络对所述木材参数及所述环境参数进行识别，输出对应地干燥策略；

根据所述干燥策略控制干燥介质进行木材干燥，得到干燥结果；

通过训练的第二神经网络对所述干燥结果进行识别并标注，输出最优干燥策略。

在一个实施方式中，所述传感器包括基于电阻计的含水率传感器、基于X光的含水率传感器、干湿球温湿度计、气压计、RGB图像传感器或者太赫兹图像传感器中的至少一种，其中，所述RGB图像传感器用于捕捉木材的表面特征，所述太赫兹图像传感器用于获取木材内部的图像以及含水率的分布图像。

在一个实施方式中，根据所述干燥策略控制干燥介质进行木材干燥，得到干燥结果包括：

按照所述干燥策略限定的干燥时序依次控制所述干燥介质进行木材干燥，得到干燥结果。

在一个实施方式中，所述第一神经网络的训练数据按照以下方式得到：

在所述传感器采集得到木材参数和干燥室环境参数时，记录所述干燥室内执行的干燥策略，并判断所述干燥策略对应的干燥结果是否满足要求，若满足，将所述木材参数、干燥室环境参数和所述干燥策略作为一个有效的训练数据；

或者

将同一材种的木材样本按照不同的含水率置于所述干燥室内，并针对不同含水率的木材样本执行同一个预设干燥策略，得到不同的干燥结果；通过对不同的干燥结果进行分析，确定出所述预设干燥策略具备最优干燥结果时对应的含水率，并将所述含水率和所述预设干燥策略作为一个有效的训练数据。

在一个实施方式中，所述第二神经网络的训练数据按照以下方式得到：

分别获取预先标注的优质干燥结果和劣质干燥结果对应的木材干燥后的表面特征数据，并将所述优质干燥结果和所述劣质干燥结果及对应的所述木材干燥后的表面特征数据作为所述第二神经网络的训练数据。

在一个实施方式中，所述第一神经网络在整个干燥周期内对所述干燥介质进行连续控制；其中，所述整个干燥周期被切割成多个子区间，并且所述第一神经网络在每一个子区间内输出的干燥策略，用于控制所述干燥介质的属性，以使得在下一个子区间内达到最优的干燥结果。

本申请还提供一种基于人工智能的木材干燥控制装置，所述装置包括：

数据采集单元，用于通过至少一个传感器采集待干燥木材的木材参数及干燥室环境参数；

干燥策略输出单元，用于通过训练过的第一神经网络对所述木材参数及所述环境参数进行识别，输出对应地干燥策略；

干燥结果获取单元，用于根据所述干燥策略控制干燥策略进行木材干燥，得到干燥结果；

最优干燥策略确定单元，用于通过训练的第二神经网络对所述干燥结果进行识别并标注，输出最优干燥策略。

在一个实施方式中，所述传感器包括基于电阻计的含水率传感器、基于X光的含水率传感器、干湿球温湿度计、气压计、RGB图像传感器或者太赫兹图像传感器中的至少一种，其中，所述RGB图像传感器用于捕捉木材的表面特征，所述太赫兹图像传感器用于获取木材内部的图像以及含水率的分布图像。

在一个实施方式中，所述装置还包括：

第一训练数据获取单元，用于在所述传感器采集得到木材参数和干燥室环境参数时，记录所述干燥室内执行的干燥策略，并判断所述干燥策略对应的干燥结果是否满足要求，若满足，将所述木材参数、干燥室环境参数和所述干燥策略作为一个有效的训练数据；

或者，用于将同一材种的木材样本按照不同的含水率置于所述干燥室内，并针对不同含水率的木材样本执行同一个预设干燥策略，得到不同的干燥结果；通过对不同的干燥结果进行分析，确定出所述预设干燥策略具备最优干燥结果时对应的含水率，并将所述含水率和所述预设干燥策略作为一个有效的训练数据。

在一个实施方式中，所述装置还包括：

第二训练数据获取单元，用于分别获取预先标注的优质干燥结果和劣质干燥结果对应的木材干燥后的表面特征数据，并将所述优质干燥结果和所述劣质干燥结果及对应的所述木材干燥后的表面特征数据作为所述第二神经网络的训练数据。

由上可见，本申请提供的技术方案，可以通过传感器采集待干燥木材的木材参数以及干燥室内的环境参数，并可以通过训练过的第一神经网络对传感器采集的数据进行识别，从而得到对应的干燥策略；然后，根据干燥策略控制干燥介质进行木材干燥，得到干燥结果；最终，通过训练后的第二神经网络，对该干燥结果进行识别，从而输出最优干燥策略。本申请可以通过神经网络对传感器采集的数据进行处理，不仅能动态并精确地控制木材的干燥过程，得到最优干燥策略，而且在大大减少劳动力的同时，提高了木材干燥的质量和效率。

上面对本申请的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本申请的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本申请旨在包括在此已经讨论过的本发明的所有替代、修改、和变化，以及落在上述申请的精神和范围内的其它实施方式。

Claims (8)

1.一种基于人工智能的木材干燥控制方法，其特征在于，所述方法包括：

通过至少一个传感器采集待干燥木材的木材参数及干燥室环境参数；

通过训练过的第一神经网络对所述木材参数及所述环境参数进行识别，输出对应的干燥策略；

根据所述干燥策略控制干燥介质进行木材干燥，得到干燥结果；

通过训练的第二神经网络对所述干燥结果进行识别并标注，输出最优干燥策略；

所述第一神经网络的训练数据按照以下方式得到：

在所述传感器采集得到木材参数和干燥室环境参数时，记录所述干燥室内执行的干燥策略，并判断所述干燥策略对应的干燥结果是否满足要求，若满足，将所述木材参数、干燥室环境参数和所述干燥策略作为一个有效的训练数据；

或者，

将同一材种的木材样本按照不同的含水率置于所述干燥室内，并针对不同含水率的木材样本执行同一个预设干燥策略，得到不同的干燥结果；通过对不同的干燥结果进行分析，确定出所述预设干燥策略具备最优干燥结果时对应的含水率，并将所述含水率和所述预设干燥策略作为一个有效的训练数据；

其中，通过图像传感器获得的木材表面图像或太赫兹成像的内部图像，得到包括木材表面的颜色、纹理、弯曲度、内部断裂度、干燥后含水率在内的木材干燥后的特征数据，并根据人工标注干燥结果的数据，训练得到所述第二神经网络。

2.根据权利要求1所述的方法，其特征在于，所述传感器包括基于电阻计的含水率传感器、基于X光的含水率传感器、干湿球温湿度计、气压计、RGB图像传感器或者太赫兹图像传感器中的至少一种，其中，所述RGB图像传感器用于捕捉木材的表面特征，所述太赫兹图像传感器用于获取木材内部的图像以及含水率的分布图像。

3.根据权利要求1或2所述的方法，其特征在于，根据所述干燥策略控制干燥介质进行木材干燥，得到干燥结果包括：

按照所述干燥策略限定的干燥时序依次控制所述干燥介质进行木材干燥，得到干燥结果。

4.根据权利要求1所述的方法，其特征在于，所述第二神经网络的训练数据按照以下方式得到：

分别获取预先标注的优质干燥结果和劣质干燥结果对应的木材干燥后的表面特征数据，并将所述优质干燥结果和所述劣质干燥结果及对应的所述木材干燥后的表面特征数据作为所述第二神经网络的训练数据。

5.根据权利要求1所述的方法，其特征在于，所述第一神经网络在整个干燥周期内对所述干燥介质进行连续控制；其中，所述整个干燥周期被切割成多个子区间，并且所述第一神经网络在每一个子区间内输出的干燥策略，用于控制所述干燥介质的属性，以使得在下一个子区间内达到最优的干燥结果。

6.一种基于人工智能的木材干燥控制装置，其特征在于，所述装置包括：

数据采集单元，用于通过至少一个传感器采集待干燥木材的木材参数及干燥室环境参数；

干燥策略输出单元，用于通过训练过的第一神经网络对所述木材参数及所述环境参数进行识别，输出对应地干燥策略；

干燥结果获取单元，用于根据所述干燥策略控制干燥策略进行木材干燥，得到干燥结果；

最优干燥策略确定单元，用于通过训练的第二神经网络对所述干燥结果进行识别并标注，输出最优干燥策略；

第一训练数据获取单元，用于在所述传感器采集得到木材参数和干燥室环境参数时，记录所述干燥室内执行的干燥策略，并判断所述干燥策略对应的干燥结果是否满足要求，若满足，将所述木材参数、干燥室环境参数和所述干燥策略作为一个有效的训练数据；

或者，用于将同一材种的木材样本按照不同的含水率置于所述干燥室内，并针对不同含水率的木材样本执行同一个预设干燥策略，得到不同的干燥结果；通过对不同的干燥结果进行分析，确定出所述预设干燥策略具备最优干燥结果时对应的含水率，并将所述含水率和所述预设干燥策略作为一个有效的训练数据；

干燥结果检测学习模型，用于通过图像传感器获得的木材表面图像或太赫兹成像的内部图像，得到包括木材表面的颜色、纹理、弯曲度、内部断裂度、干燥后含水率在内的木材干燥后的特征数据，并根据人工标注干燥结果的数据，训练得到所述第二神经网络。

7.根据权利要求6所述的装置，其特征在于，所述传感器包括基于电阻计的含水率传感器、基于X光的含水率传感器、干湿球温湿度计、气压计、RGB图像传感器或者太赫兹图像传感器中的至少一种，其中，所述RGB图像传感器用于捕捉木材的表面特征，所述太赫兹图像传感器用于获取木材内部的图像以及含水率的分布图像。

8.根据权利要求6所述的装置，其特征在于，所述装置还包括：

第二训练数据获取单元，用于分别获取预先标注的优质干燥结果和劣质干燥结果对应的木材干燥后的表面特征数据，并将所述优质干燥结果和所述劣质干燥结果及对应的所述木材干燥后的表面特征数据作为所述第二神经网络的训练数据。

Images