CN108247764A - 基于机器学习的木板切割方法、装置、电子设备和介质 - Google Patents

Abstract

本发明提供了一种基于机器学习的木板切割方法、装置、电子设备和介质，其中所述方法包括：获取待切割木材的图像；根据木板切割模型对所述待切割木材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，至少基于切割后纹理得到所述待切割木材的切割路线。本申请以人工智能的方式实现了木板切割的规划，其机器学习的方法极为简单，无需人工干预，模型的精确度还可以不断的得到提升，从而大大提升切割路线的识别精度和识别效果。

Description

基于机器学习的木板切割方法、装置、电子设备和介质

技术领域

本发明属于人工智能领域，具体涉及一种基于机器学习的木板切割方法、装置、电子设备和介质。

背景技术

在木材加工领域，原木从端面切割之后，再从板面切割成各种尺寸的长方形木板，用以拼接成地板，或者加工成家具，以及工业或生活中的各种应用。由于端面切割后，板面会形成各式各样的纹理，传统切割方式不把纹理形状作为重要考量因素，切割出的木板纹理参差不齐，拼接后结合处两侧的纹理呈现出不同的形状，因此影响了美观性。

如果考虑了纹理形状，切割后的木板拼接后就会呈现出浑然一体的视觉效果，美观性和价值得到提高。然而，纹理形状识别以及切割路线标注往往由人工完成，难以达到较高效率，跟不上信息社会自动化大生产及产品大规模需求的节奏。

发明内容

针对现有技术中的传统切割方式纹理和形状不匹配从而影响了美观性的问题，本发明提供了一种基于机器学习的木板切割方法、装置、电子设备和介质，其中所述方法通过将获取的木板的图像输入到切割路线计算模块中，从而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。机器学习能够通过海量的训练数据，使得自动化机器变得更为可靠和弹性。同时，训练的方法极为简单，无需人工干预，模型的精确度还可以不断的得到提升，从而大大提升切割路线的识别精度和识别效果。

为了达到上述目的，本发明实施例的第一方面，提供了一种基于机器学习的木板切割方法，所述方法包括：

获取待切割木材的图像；

根据木板切割模型对所述待切割木材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，至少基于切割后纹理得到所述待切割木材的切割路线。

可选地，所述获取待切割木材的图像包括：

使用恒定光照射所述待切割木材，获取照射下的所述待切割木材的图像。

可选地，所述获取待切割木材的图像包括：

从所述待切割木材的正面方向获取所述待切割木材的图像，其中，所述正面方向为垂直于所述待切割木材最大截面的方向。

可选地，所述方法还包括：

获取木材样本的图像；

接收对所述木材样本的图像的标注信息；

根据所述木材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材样本的优选切割路线。

可选地，所述优选切割路线包括刀距号、起点、角度和长度中的至少一项。

可选地，所述标注信息还包括：所述优选切割路线对应的出材率、切割后木板的纹理、切割后木板的尺寸和对应的原木端面切割方式中的至少一项。

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。

在本申请实施例的另一方面，还提供一种基于机器学习的木板切割装置，所述装置包括：

图像获取模块，用于获取待切割木材的图像；

模型匹配模块，用于根据木板切割模型对所述待切割木材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，至少基于切割后纹理得到所述待切割木材的切割路线。

可选地，所述图像获取模块包括：

光源控制模块，用于使用恒定光照射所述待切割木材，获取照射下的所述待切割木材的图像。

可选地，所述图像获取模块还包括：

正面取像模块，用于从所述待切割木材的正面方向获取所述待切割木材的图像，其中，所述正面方向为垂直于所述待切割木材最大截面的方向。

可选地，所述装置还包括：

样本图像获取模块，用于获取木材样本的图像；

标注输入模块，用于接收对所述木材样本的图像的标注信息；

训练模块，用于根据所述木材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。

进一步的，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。

进一步的，所述切割路线的标注包括刀距号、起点、角度和长度。

进一步的，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。

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，所述机器学习方法包括：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。

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上文所述的方法各步骤。

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上文所述的方法各步骤。

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自动切割方法，所述方法通过将获取的木板的图像输入到切割路线计算模块中，从而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。机器学习能够通过海量的训练数据，使得自动化机器变得更为可靠和弹性。同时，训练的方法极为简单，无需人工干预，模型的精确度还可以不断的得到提升，从而大大提升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为不同类型的纹理特征示意图；

图5为本发明一个实施例中的获取木板图像示意图；

图6为本发明一个实施例中的刀具切割示意图；

图7为本发明一个实施例中的卷积神经网络示意图。

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，在木材加工领域，端面切割后，板面会形成各式各样的纹理。由于传统切割方式不把纹理形状作为重要考量因素，切割出的木板纹理参差不齐，拼接后结合处两侧的纹理呈现出不同的形状，因此影响了美观性。如果考虑了纹理形状，切割后的木板拼接后就会呈现出浑然一体的视觉效果，美观性和价值得到提高。然而，现有的木板切割技术中纹理形状识别以及切割路线标注都是由人工完成，难以标准化且效率极低，跟不上信息社会自动化大生产及产品大规模需求的节奏。

近年来随着计算机处理技术的提高，机器学习得到飞速发展。如果将机器学习引入到纹理形状识别及切割路线标注上，那么无疑将极大提高木板切割效率。这里的切割效率不仅仅考虑了加工的速度，也考虑了纹理形状对加工后的木板美观度的影响。

机器学习能够通过海量的训练数据，使得自动化机器变得更为可靠和弹性。同时，机器学习的训练的方法极为简单，只需要对数据进行标注，并使用相应的算法训练机器学习模型即可。而机器学习模型根据木材的纹理特征，如何进行切割路线识别则可以无需人工干预。也就是说，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。

针对现有技术中的传统切割方式中纹理和形状不匹配从而影响了美观性的问题，本发明提供了一种基于机器学习的木板切割方法、装置、电子设备和介质，其实施例通过将获取的待切割木材的图像输入到木板切割模型中进行检测和识别，从而得到适于所述待切割木材的切割路线。其中，所述木板切割模型为经过机器学习得到的人工智能模型。机器学习能够通过海量的训练数据，使得自动化机器变得更为可靠和弹性。同时，训练的方法极为简单，无需人工干预，模型的精确度还可以不断的得到提升，从而大大提升切割路线的识别精度和识别效果。

本发明的一个实施例中还包括部署于木板加工工厂的装置，该装置包含一个图像传感器和一个切割路线识别模块和一个刀具控制模块。图像传感器用于获取传感图像，切割路线识别模块用于通过采集的图像输出刀具切割路线，刀具控制模块控制刀具按照切割路线对木板进行切割。进一步的，该发明的主体还可以通过网络与服务器相连接。

注意本发明并不局限于刀具切割，也可以为激光切割或高压水流切割，这里仅以刀具切割为例。

第一方面，本发明提供了一种基于机器学习的木板切割方法。

图1为本发明一个实施例中基于机器学习的木板切割方法的方法流程示意图。

如图1所示，本发明的一个实施例中，提供了一种基于机器学习的木板切割方法，所述方法包括：

S101、获取待切割木材的图像；

S102、根据木板切割模型对所述待切割木材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，至少基于切割后纹理得到所述待切割木材的切割路线。

在一种实施方式中，所述获取待切割木材的图像包括：

使用恒定光照射所述待切割木材，获取照射下的所述待切割木材的图像。

在一种实施方式中，所述获取待切割木材的图像包括：

从所述待切割木材的正面方向获取所述待切割木材的图像，其中，所述正面方向为垂直于所述待切割木材最大截面的方向。

在本申请的实施例中，切割路线至少是基于切割后木板的纹理特征得到的，纹理特征可以通过摄像头采集纹理图像得到。

木材的板面纹理各不相同，有的像波浪，有的比较直。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)，从而板面呈现出不同类型的纹理，如图4所示。

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，就进入训练数据生成和模型训练阶段。

待切割板面的纹理是既定的，木板如何切割要综合考虑纹理和出材率。现有切割方法往往只考虑出材率，而忽视了纹理，这样切割出来的木板的纹理呈现不规则的随机性，无法保证每块木板均具有较高的商业价值。考虑纹理的效果的切割方案，切割出的纹理可以是水平纹理，可以是竖直纹理，也可以是倾斜的纹理，也可以是弧状的包络纹理。对切割方案的设计需要综合性考虑纹理的各种特征，例如是包络纹理，切割要尽量保持其完整性，避免对包络纹理造成破坏。然而，单方面考虑纹理则可能出现出材率方面的巨大损失，造成木料的大量浪费。一个切割方案最后剩余的木料越少，意味着出材率越高，如果仅能切割出较少数量的纹理美观的木板，则意味着成本由于出材率的降低而攀升，因此一个较优的切割方案是能够保持较高的出材率并同时保证每块木板纹理的美观性。由于一块待加工木板存在无数种切割方案，则从中选择出材率高且纹理美观性好的切割方案需要非常精细的切割方案的规划。切割尺寸也是有要求的，其数值属于枚举型，只能从有限的尺寸中做出选择。不同待切割木板可以切割出不同尺寸的木板，也可以在同一待切割木板上切割出不同尺寸的木板。传统的木材加工领域都是由训练过的工人对每块木板形状和纹理进行判断，然后进行切割方案规划。

将机器学习方法引入木材加工领域，可以有效的提高木板的切割效率。

在一种实施方式中，所述方法还包括：

获取木材样本的图像；

接收对所述木材样本的图像的标注信息；

根据所述木材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，所述标注信息包括所述木材样本的优选切割路线。

在一种实施方式中，所述优选切割路线包括刀距号、起点、角度和长度中的至少一项。

具体如下：

首先要完成的是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，通过以上基于纹理、出材率等方面考虑的规划，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：

{刀具1，起点1，角度1，长度1}，{刀具2，起点2，角度2，长度2}。

通过以上标注方式，可以描述一个切割方案的具体实施。不同刀具数目以及不同切割路线数目的情况，可以参照上述例子并以此类推。

在一种实施方式中，所述标注信息还包括：所述优选切割路线对应的出材率、切割后木板的纹理、切割后木板的尺寸和对应的原木端面切割方式中的至少一项。

具体如下：

在一种实施方式中，标注不仅仅包括标注切割路线方案，还可以标注切割后的木板的纹理特征，例如直纹、横纹、斜纹、包络纹。这样，每一块切割出的木板的具体纹理特征就可以被包含在标注信息中。

在一种实施方式中，还可以对出材率进行标注，使得一个方案的最终的出材率能够被包含在标注信息中。

在一种实施方式中，还可以对切割路线下的每块切割生成的木板的尺寸进行标注，使得切割后具体产生的木板尺寸得以包含在标注信息中。

在一种实施方式中，还可以对待切割木板对应的原木端面切割方式进行标注。

在一种实施方式中，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。

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。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和出材率双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，同理的，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、深度神经网络和卷积神经网络中的至少一种。

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7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7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5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：{刀具1，起点1，角度1，长度1}。

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：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。

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6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，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。

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机器学习的木板切割装置的结构框图，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，一种基于机器学习的木板切割装置，包括：

图像获取模块201，用于获取待切割木材的图像；

模型匹配模块202，用于根据木板切割模型对所述待切割木材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，至少基于切割后纹理得到所述待切割木材的切割路线。

在一种实施方式中，所述图像获取模块包括：

光源控制模块，用于使用恒定光照射所述待切割木材，获取照射下的所述待切割木材的图像。

在一种实施方式中，所述图像获取模块还包括：

正面取像模块，用于从所述待切割木材的正面方向获取所述待切割木材的图像，其中，所述正面方向为垂直于所述待切割木材最大截面的方向。

在一种实施方式中，所述装置还包括：

样本图像获取模块，用于获取木材样本的图像；

标注输入模块，用于接收对所述木材样本的图像的标注信息；

训练模块，用于根据所述木材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，所述标注信息包括所述木材样本的优选切割路线。

在一种实施方式中，所述优选切割路线包括刀距号、起点、角度和长度中的至少一项。

在一种实施方式中，所述标注信息还包括：所述优选切割路线对应的出材率、切割后木板的纹理、切割后木板的尺寸和对应的原木端面切割方式中的至少一项。

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，标注不仅仅包括标注切割路线方案，还可以标注切割后的木板的纹理特征，例如直纹、横纹、斜纹、包络纹。这样，每一块切割出的木板的具体纹理特征就可以被包含在标注信息中。

在一种实施方式中，还可以对出材率进行标注，使得一个方案的最终的出材率能够被包含在标注信息中。

在一种实施方式中，还可以对切割路线下的每块切割生成的木板的尺寸进行标注，使得切割后具体产生的木板尺寸得以包含在标注信息中。

在一种实施方式中，还可以对待切割木板对应的原木端面切割方式进行标注。

在一种实施方式中，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。

在一种实施方式中，所述神经网络包括：多层神经网络、深度神经网络和卷积神经网络中的至少一种。

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。

本实施例中基于机器学习的木板切割装置与上述方法对应一致，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基于机器学习的木板切割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***、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***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 (10)

1.一种基于机器学习的木板切割方法，其特征在于，所述方法包括：

获取待切割木材的图像；

根据木板切割模型对所述待切割木材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，至少基于切割后纹理得到所述待切割木材的切割路线。

2.如权利要求1所述的方法，其特征在于，所述获取待切割木材的图像包括：

使用恒定光照射所述待切割木材，获取照射下的所述待切割木材的图像。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取木材样本的图像；

接收对所述木材样本的图像的标注信息；

根据所述木材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。

4.如权利要求3所述的方法，其特征在于，所述标注信息包括所述木材样本的优选切割路线。

5.如权利要求1-4中任一项所述的方法，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材进行处理。

6.一种基于机器学习的木板切割装置，其特征在于，所述装置包括：

图像获取模块，用于获取待切割木材的图像；

模型匹配模块，用于根据木板切割模型对所述待切割木材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，至少基于切割后纹理得到所述待切割木材的切割路线。

7.如权利要求6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，用于获取木材样本的图像；

标注输入模块，用于接收对所述木材样本的图像的标注信息；

训练模块，用于根据所述木材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。

8.如权利要求6或7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材进行处理。

9.一种电子设备，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1-5中任一项所述的方法步骤。

10.一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1-5中任一项所述的方法步骤。