1.本发明涉及数控加工技术领域，尤其涉及一种刀具检测方法、电子装置及存储介质。


背景技术：

2.随着工业技术的发展，cnc(computerized numerical control，计算机数字控制)设备已广泛应用于工业生产。cnc设备都配置有刀具，用于对工件、物料等产品进行加工。由于对产品加工的品质要求较高，对刀具的品质管控也愈发重要。刀具检测一般利用震动信号与相关高频音频信号所提取的特征进行建模判别，但是建置的成本昂贵无法有效推广，并且无法对刀具状态进行实时的加工检测。


技术实现要素：

3.有鉴于此，有必要提供一种刀具检测方法、电子装置及存储介质，可以在刀具加工时进行状态检测，不会干扰原始的加工作业。
4.本发明的第一方面提供一种刀具检测方法，所述方法包括：
5.采集刀具加工过程中的切削声音；
6.根据预设的时间间隔将采集到的所述切削声音分割为多个音频；
7.根据多种特征变换方法分别提取所述多个音频的时频特征；
8.根据提取到的所述时频特征形成所述切削声音的融合特征图；
9.对所述融合特征图进行训练以生成刀具检测模型；及
10.根据所述刀具检测模型对待检测刀具的状态进行检测。
11.优选地，所述采集刀具加工过程中的切削声音包括：
12.采集所述刀具的加工过程的声音；及
13.滤除采集到的所述声音中的非切削声音以保留所述切削声音。
14.优选地，所述多种特征变换方法包括短时傅里叶变换、小波变换及gabor变换，所述根据多种特征变换方法分别提取所述多个音频的时频特征包括：
15.采用傅里叶变换计算所述多个音频的最大能量对应的频率f；
16.根据所述频率f的谐波确定x倍频率xf；
17.分别采用短时傅里叶变换、小波变换及gabor变换对所述多个音频进行处理以提取所述时频特征；及
18.滤除所述时频特征中所述x倍频率xf以上的特征。
19.优选地，所述分别采用短时傅里叶变换、小波变换及gabor变换对所述多个音频进行处理以提取所述时频特征包括：
20.对所述多个音频分别执行短时傅里叶变换、小波变换及gabor变换生成对应的时频图；
21.在所述时频图的矩阵中确定0至xf的频率区间；
22.搜寻所述时频图中纵轴范围0至xf、横轴范围t至t+k内的最小值，其中，t为当前处理时间，k为每段音框大小；及
23.将所述时频图中xf以上的频率对应的能量值替换为-1以滤除所述x倍频率xf以上的特征。
24.优选地，所述根据提取到的所述时频特征形成所述切削声音的融合特征图包括：
25.根据每种特征变换方法生成的时频图对应的像素点数量计算像素点总数n；
26.确定所述像素点总数n最接近的平方根n；及
27.将每种特征变换方法生成的时频图对应的像素点依序排列以形成像素数量为n*n的所述融合特征图。
28.优选地，所述将每种特征变换方法生成的时频图对应的像素点依序排列以形成像素数量为n*n的所述融合特征图包括：
29.根据所述像素点总数n最接近的所述平方根n制作包含n个像素点的正方形；
30.对所述时频图中像素点的像素值进行均一化处理；及
31.在所述正方形左上角的第一像素格中填入第一个值，随后依序从上而下排列以形成所述融合特征图。
32.优选地，所述对所述融合特征图像进行训练以生成刀具检测模型包括：
33.将多个已知状态的所述刀具对应的所述融合特征图作为训练集输入卷积神经网络模型进行训练以生成所述刀具检测模型。
34.优选地，所述根据所述刀具检测模型对待检测刀具的状态进行检测包括：
35.将所述待检测刀具的切削声音所对应的融合特征图输入所述刀具检测模型以确定所述待检测刀具是否存在缺陷以及存在缺陷时的缺陷类型。
36.本发明的第二方面提供一种电子装置，包括：
37.处理器；以及
38.存储器，所述存储器中存储有多个程序模块，所述多个程序模块由所述处理器加载并执行上述的刀具检测方法。
39.本发明的第三方面提供一种存储介质，其上存储有至少一条计算机指令，所述指令由处理器并加载执行上述刀具检测方法。
40.上述刀具检测方法、电子装置及存储介质可以根据刀具加工过程中产生的切削声音的特征图生成刀具检测模型而进行刀具状态的检测，检测过程简单且较易实现，不会干扰刀具的原始加工作业，提高了刀具加工的精确度。
附图说明
41.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
42.图1是本发明较佳实施方式提供的刀具检测方法的应用环境架构示意图。
43.图2是本发明较佳实施方式提供的电子装置的结构示意图。
44.图3是本发明较佳实施方式提供的刀具检测系统的结构示意图。
45.图4是本发明较佳实施方式提供的音频经特征变换形成的时频图。
46.图5是本发明较佳实施方式提供的刀具切削声音的融合特征图。
47.图6是本发明较佳实施方式提供的刀具检测方法的流程图。
48.主要元件符号说明
49.电子装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ150.处理器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
10
51.刀具检测系统
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
100
52.采集模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
101
53.分割模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
102
54.提取模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
103
55.形成模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
104
56.生成模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
105
57.检测模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
106
58.存储器
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
20
59.计算机程序
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
30
60.采集单元
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
40
61.数控机床
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ262.刀具
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
201
63.步骤
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
s601-s606
64.如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
65.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
66.在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
67.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
68.请参阅图1所示，为本发明较佳实施方式提供的刀具检测方法的应用环境架构示意图。
69.本发明中的刀具检测方法应用在电子装置1中，所述电子装置1与数控机床2通过网络建立通信连接。所述网络可以是有线网络，也可以是无线网络，例如无线电、无线保真(wireless fidelity,wifi)、蜂窝、卫星、广播等。
70.所述电子装置1可以为安装有刀具检测程序的电子设备，例如个人电脑、服务器等，其中，所述服务器可以是单一的服务器、服务器集群或云端服务器等。
71.所述数控机床2包括，但不仅限于多个刀具201。所述刀具201用于对工件进行切削
加工。所述数控机床2用于控制所述刀具201工作。
72.请参阅图2所示，为本发明电子装置较佳实施方式的结构示意图。
73.所述电子装置1包括，但不仅限于，处理器10、存储器20、存储在所述存储器20中并可在所述处理器10上运行的计算机程序30及采集单元40。例如，所述计算机程序30为刀具检测程序。所述处理器10执行所述计算机程序30时实现刀具检测方法中的步骤，例如图6所示的步骤s601～s606。或者，所述处理器10执行所述计算机程序30时实现刀具检测系统中各模块/单元的功能，例如图3中的模块101-106。
74.示例性的，所述计算机程序30可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序30在所述电子装置1中的执行过程。例如，所述计算机程序30可以被分割成图3中的采集模块101、分割模块102、提取模块103、形成模块104、生成模块105及检测模块106。各模块具体功能参见刀具检测系统实施例中各模块的功能。
75.本领域技术人员可以理解，所述示意图仅仅是电子装置1的示例，并不构成对电子装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置1还可以包括输入输出设备、网络接入设备、总线等。
76.所称处理器10可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(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。通用处理器可以是微处理器或者所述处理器10也可以是任何常规的处理器等，所述处理器10是所述电子装置1的控制中心，利用各种接口和线路连接整个电子装置1的各个部分。
77.所述存储器20可用于存储所述计算机程序30和/或模块/单元，所述处理器10通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述电子装置1的各种功能。所述存储器20可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
78.在本实施方式中，所述采集单元40为声音传感器，对准所述刀具201，用于采集所述刀具201在加工过程中产生的声音。所述声音传感器的灵敏度为50mv/pa，频带感应精度为1*10-12
，有效工作区间为40db-120db。在其他实施方式中，所述采集单元40也可以是麦克风。
79.请参阅图3所示，本发明刀具检测系统较佳实施方式的功能模块图。
80.在一些实施方式中，刀具检测系统100运行于所述电子装置1中。所述刀具检测系统100可以包括多个由程序代码段所组成的功能模块。所述刀具检测系统100中的各个程序
段的程序代码可以存储于电子装置1的存储器20中，并由所述至少一个处理器10所执行，以实现刀具检测功能。
81.本实施方式中，刀具检测系统100根据其所执行的功能，可以被划分为多个功能模块。参阅图3所示，所述功能模块可以包括采集模块101、分割模块102、提取模块103、形成模块104、生成模块105及检测模块106。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器20中。可以理解的是，在其他实施例中，上述模块也可为固化于所述处理器10中的程序指令或固件(firmware)。
82.所述采集模块101用于控制所述采集单元40采集所述刀具201加工过程中的切削声音。
83.在本实施方式中，所述采集模块101首先控制所述采集单元40采集所述刀具201在切削加工过程中产生的声音，然后滤除采集到的声音中的非切削声音以保留所述切削声音。其中，所述非切削声音为所述刀具201未执行切削动作时所述采集单元40采集到的声音，所述切削声音为所述刀具201执行切削动作时所述采集单元40采集到的声音。
84.需要说明的是，此时所述刀具201的状态已知，即所述刀具201已知不存在缺陷，或已知存在至少一缺陷类型，例如崩刃、磨损等。
85.所述分割模块102用于根据预设的时间间隔将采集到的所述切削声音分割为多个音频。
86.在本实施方式中，所述预设的时间间隔为3秒，即，每个音频的持续时间为3秒。在其他实施方式中，所述时间间隔也可以根据需求设置为其他数值。
87.所述提取模块103用于根据多种特征变换方法分别提取所述多个音频的时频特征。
88.在本实施方式中，所述多种特征变换方法包括，但不仅限于，短时傅里叶变换、小波变换及gabor变换。
89.在本实施方式中，所述提取模块103首先采用傅里叶变换计算所述多个音频的最大振幅对应的频率f，并根据所述频率f的谐波确定x倍频率xf。优选地，在本实施方式中，x为3，即，所述提取模块103根据所述频率f的谐波确定三倍频率3f。在其他实施方式中，x也可以为2。
90.请参阅图4所示，第一种特征变换方法为短时傅里叶变换。所述提取模块103对所述多个音频执行短时傅里叶变换，以提取所述切削声音的时频特征。所述提取模块103还滤除所述时频特征中所述三倍频率3f以上(即大于所述三倍频率)的特征。
91.具体的，所述提取模块103对所述多个音频执行短时傅里叶变换生成对应的时频图，在所述时频图的矩阵中确定0至3f的频率区间，以及在所述时频图中搜寻纵轴范围0至3f、横轴范围t至t+k内的最小值。其中，t为当前处理时间，k为每段音框大小，单位为ms。所述提取模块103进一步将3f以上的频率对应的能量值替换为-1以滤除所述三倍频率3f以上的特征。需要说明的是，所述时频图为二维图像，时频图制作时将所述三倍频率以上能量值替换为-1可将时频图中对应的三倍频率以上区域统一指派为黑色，在图像学习中，其效果等同于去除所述三倍3f音频频率带来的影响。
92.在本实施方式中，所述提取模块103进一步采用小波变换(图4中的第二种特征变换方法)以及gabor变换等通过上述流程提取所述多个音频对应的时频特征。
93.所述形成模块104用于根据提取到的所述时频特征形成所述切削声音的融合特征图。
94.请参阅图5所示，在本实施方式中，所述形成模块104根据每种特征变换方法生成的时频图对应的像素点数量计算像素点总数n，确定所述像素点总数n最接近的平方根n。其中，n表示所述融合特征图横向及纵向的像素点数量。所述形成模块104将每种特征变换方法生成的时频图对应的像素点依序排列以形成像素数量为n*n的所述融合特征图。
95.具体的，所述形成模块104根据所述像素点总数n最接近的所述平方根n制作一包含n个像素点的正方形，然后对所述时频图中特征像素点的像素值进行均一化处理。其中，所述均一化处理为0-255的均一化处理，可以有效避免不同特征度量差别带来的影响。其中，计算公式为x＝255(x-min)/max-min。其中，min为最小值0，max为最大值255，x为均一化之后的像素值。所述形成模块104进一步在所述正方形左上角的第一像素格中填入第一个值，随后依序从上而下排列以形成所述融合特征图。
96.其中，所述形成模块104根据特征变换的顺序获取时频图，以及根据从左到右或从上到下的顺序依次所述时频图中获取像素点对应的像素值，然后将获取的像素值在所述正方形中从上而下排列以形成所述融合特征图。所述第一个值为上述第一种特征变换方法(即短时傅里叶变换)对所述多个音频进行处理生成的时频图中第一个像素点的像素值，每个像素格中填入的值为各种特征变换方法生成的时频图对应的像素点的像素值。
97.所述生成模块105用于对所述融合特征图进行训练以生成刀具检测模型。
98.在本实施方式中，所述生成模块105首先对所述融合特征图进行直方图均衡化处理以增强对比度。
99.在本实施方式中，所述生成模块105将多个已知状态的所述刀具对应的所述融合特征图作为训练集输入卷积神经网络模型进行训练以生成所述刀具检测模型。
100.具体的，所述卷积神经网络模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层及softmax层。其中，输入层为所述融合特征图。所述第一卷积层的输入与输入层连接，第一卷积层的输出依次连接第一bn层、第一激活层、第一池化层后与所述第二卷积层的输入连接；所述第二卷积层的输出依次连接第二bn层、第二激活层、第二池化层后与所述第三卷积层的输入连接；所述第三卷积层的输出依次连接第三bn层、第三激活层后与所述第四卷积层的输入连接；所述第四卷积层的输出依次连接第四bn层、第四激活层、第四池化层后通过三层全连接层与所述softmax层的输入连接。各个卷积层后面连接的激活层的激活函数为线性整流函数(rectified linear unit,relu)，使线性映射变为非线性映射，更有利于非线性特征的提取和学习。在第一卷积层、第二卷积层和第四卷积层的激活层后连接的池化层maxpool，有利于进行下采样减少运算量的同时，提高卷积神经网络对于区域特征的提取效果。所述卷积神经网络模型的输出结果为两类，判别结果为分数较高的一类。
101.上述卷积神经网络训练过程分为前向传播和反向传播两部分，输入训练集中的融合特征图，经过设置的卷积神经网络模型得到的预测值，通过监督学习的方法进行权重更新，然后重复上述卷积神经网络模型训练过程，直至预测值与目标值之间的误差符合期望值，从而生成所述刀具检测模型。
102.所述检测模块106用于根据所述刀具检测模型对待检测刀具201的状态进行检测。
103.在本实施方式，所述检测模块106可以通过以上方法提取所述待检测刀具201的切削声音对应的融合特征图，然后将所述融合特征图输入所述刀具检测模型，从而通过所述刀具检测模型对所述融合特征图进行识别以确定所述待检测刀具201是否存在缺陷以及存在缺陷时的缺陷类型。
104.请参阅图6所示，是本发明提供的刀具检测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
105.步骤s601，采集所述刀具201加工过程中的切削声音。
106.在本实施方式中，首先控制所述采集单元40采集所述刀具201在切削加工过程中产生的声音，然后滤除采集到的声音中的非切削声音以保留所述切削声音。其中，所述非切削声音为所述刀具201未执行切削动作时所述采集单元40采集到的声音，所述切削声音为所述刀具201执行切削动作时所述采集单元40采集到的声音。
107.需要说明的是，此时所述刀具201的状态已知，即所述刀具201已知不存在缺陷，或已知存在至少一缺陷类型，例如崩刃、磨损等。
108.步骤s602，根据预设的时间间隔将采集到的所述切削声音分割为多个音频。
109.在本实施方式中，所述预设的时间间隔为3秒，即，每个音频的持续时间为3秒。在其他实施方式中，所述时间间隔也可以根据需求设置为其他数值。
110.步骤s603，根据多种特征变换方法分别提取所述多个音频的时频特征。
111.在本实施方式中，所述多种特征变换方法包括，但不仅限于，短时傅里叶变换、小波变换及gabor变换。
112.在本实施方式中，首先采用傅里叶变换计算所述多个音频的最大振幅对应的频率f，并根据所述频率f的谐波确定x倍频率xf。优选地，在本实施方式中，x为3，即，根据所述频率f的谐波确定三倍频率3f。在其他实施方式中，x也可以为2。
113.如图4所示，第一种特征变换方法为短时傅里叶变换。所述提取模块103对所述多个音频执行短时傅里叶变换，以提取所述切削声音的时频特征。所述提取模块103还滤除所述时频特征中所述三倍频率3f以上(即大于所述三倍频率)的特征。
114.具体的，对所述多个音频执行短时傅里叶变换生成对应的时频图，在所述时频图的矩阵中确定0至3f的频率区间，以及在所述时频图中搜寻纵轴范围0至3f、横轴范围t至t+k内的最小值。其中，t为当前处理时间，k为每段音框大小，单位为ms。进一步将3f以上的频率对应的能量值替换为-1以滤除所述三倍频率3f以上的特征。需要说明的是，所述时频图为二维图像，时频图制作时将所述三倍频率以上能量值替换为-1可将时频图中对应的区域统一指派为黑色，在图像学习中，其效果等同于去除所述三倍3f音频频率带来的影响。
115.在本实施方式中，进一步采用小波变换(图4中的第二种特征变换方法)以及gabor变换等通过上述流程提取所述多个音频对应的时频特征。
116.步骤s604，根据提取到的所述时频特征形成所述切削声音的融合特征图。
117.如图5所示，在本实施方式中，根据每种特征变换方法生成的时频图对应的像素点数量计算像素点总数n，确定所述像素点总数n最接近的平方根n。其中，n表示所述融合特征图横向及纵向的像素点数量。将每种特征变换方法生成的时频图对应的像素点依序排列以形成像素数量为n*n的所述融合特征图。
118.具体的，根据所述像素点总数n最接近的所述平方根n制作一包含n个像素点的正
方形，然后对所述时频图中特征像素点的像素值进行均一化处理。其中，所述均一化处理为0-255的均一化处理，可以有效避免不同特征度量差别带来的影响。其中，计算公式为y＝255(y-min)/max-min。其中，min为最小值0，max为最大值255，y为均一化之后的像素值。进一步在所述正方形左上角的第一像素格中填入第一个值，随后依序从上而下排列以形成所述融合特征图。
119.其中，根据特征变换的顺序获取时频图，以及根据从左到右或从上到下的顺序依次所述时频图中获取像素点对应的像素值，然后将获取的像素值在所述正方形中从上而下排列以形成所述融合特征图。所述第一个值为上述第一种特征变换方法(即短时傅里叶变换)对所述多个音频进行处理生成的时频图中第一个像素点的像素值，每个像素格中填入的值为各种特征变换方法生成的时频图对应的像素点的像素值。
120.步骤s605，对所述融合特征图进行训练以生成刀具检测模型。
121.在本实施方式中，首先对所述融合特征图进行直方图均衡化处理以增强对比度。
122.在本实施方式中，将多个已知状态的所述刀具对应的所述融合特征图作为训练集输入卷积神经网络模型进行训练以生成所述刀具检测模型。
123.具体的，所述卷积神经网络模型包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层及softmax层。其中，输入层为所述融合特征图。所述第一卷积层的输入与输入层连接，第一卷积层的输出依次连接第一bn层、第一激活层、第一池化层后与所述第二卷积层的输入连接；所述第二卷积层的输出依次连接第二bn层、第二激活层、第二池化层后与所述第三卷积层的输入连接；所述第三卷积层的输出依次连接第三bn层、第三激活层后与所述第四卷积层的输入连接；所述第四卷积层的输出依次连接第四bn层、第四激活层、第四池化层后通过三层全连接层与所述softmax层的输入连接。各个卷积层后面连接的激活层的激活函数为线性整流函数(rectified linear unit,relu)，使线性映射变为非线性映射，更有利于非线性特征的提取和学习。在第一卷积层、第二卷积层和第四卷积层的激活层后连接的池化层maxpool，有利于进行下采样减少运算量的同时，提高卷积神经网络对于区域特征的提取效果。所述卷积神经网络模型的输出结果为两类，判别结果为分数较高的一类。
124.上述卷积神经网络训练过程分为前向传播和反向传播两部分，输入训练集中的融合特征图，经过设置的卷积神经网络模型得到的预测值，通过监督学习的方法进行权重更新，然后重复上述卷积神经网络模型训练过程，直至输出值与目标值之间的误差符合期望值，从而生成所述刀具检测模型。
125.步骤s606，根据所述刀具检测模型对待检测刀具201的状态进行检测。
126.在本实施方式，可以通过以上方法提取所述待检测刀具201的切削声音对应的融合特征图，然后将所述融合特征图输入所述刀具检测模型，从而通过所述刀具检测模型对所述融合特征图进行识别以确定所述待检测刀具201是否存在缺陷以及存在缺陷时的缺陷类型。
127.所述电子装置1集成的模块/单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执
行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
128.本发明提供的刀具检测方法、电子装置及存储介质可以根据刀具加工过程中产生的切削声音的特征图生成刀具检测模型而进行刀具状态的检测，检测过程简单且较易实现，不会干扰刀具的原始加工作业，提高了刀具加工的精确度。
129.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由同一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
130.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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。