1.一种基于度量学习的车削加工刀具磨损状态监测方法，其特征在于，该方法包括如下步骤：步骤S1：采集车削加工刀具的磨损图像，将采集的磨损图像进行图像预处理，并按比例随机分成训练集和测试集，其训练集和测试集中都划分有支持集和测试样例集；

步骤S2：建立非参数化神经网络模型结构，其中包括：特征提取网络、距离度量函数和attention机制；

步骤S3：搭建特征提取网络模型，利用多层卷积层来提取图像中的刀具磨损特征，再通过全连接层输出一个尺寸为3的特征向量；这样支持集和测试样例就通过特征提取网络分别得到了尺寸为3的特征向量集合和一个特征向量；

步骤S4：初始化特征提取网络模型权重、偏差、学习率和迭代步数等，并构建适合的激活函数；

步骤S5：构建距离度量函数，分别计算测试样例的特征向量与支持集的特征向量集合中的特征向量的距离；

步骤S6：通过attention机制得到一个向量包括了该测试样例属于3个类别的概率；

步骤S7：前向传播计算当前的交叉熵损失并进行后向传播计算其梯度；

步骤S8：通过梯度下降法计算参数；

步骤S9：输入测试集，采用优化后的参数进行预测和分类辨别，并输出预测准确率。

2.根据权利要求1所述的基于度量学习的车削加工刀具磨损状态监测方法，其特征在于：所述步骤S1中，刀具磨损图像分成轻微刀具磨损图像、中度刀具磨损图像和重度刀具磨损图像三类，对应的标签值采用one-hot编码且分别为：轻微刀具磨损设为[0,0,1]，中度刀具磨损设为[0,1,0]，重度刀具磨损设为[1,0,0]；所述图像预处理包括：重置尺寸和高斯滤波。所述的训练集表示为X_train＝(X1,X2,X3,,,,Xn)。所述的测试集表示为X_test＝(X1,X2,X3,,,,Xi)。所述比例为3:2，即训练集与测试集的比值为n:i＝3:2。其中训练集和测试集都要划分为支持集和测试样例集，支持集包括了3种类别，每个类别都有同样k个数目的样本，其表示为 测试样例集包含了3个类别的多个样本，其表示为 测试集的划

分同训练集。

3.根据权利要求2所述的基于度量学习的车削加工刀具磨损状态监测方法，其特征在于：所述重置尺寸是将原图的宽×高，通过算法统一设置成28px×28px大小，表示为(28，

28)。并通过高斯滤波的方式对采集到的图像进行降噪处理。

4.根据权利要求1所述的基于度量学习的车削加工刀具磨损状态监测方法，其特征在于：所述步骤S2中，非参数化神经网络模型结构是基于度量指标的数学模型。

该模型的概率表示为： 其中P是非参数化的神经网络，θ是非参数化神经网络的参数，是 的预测标签，S是支持集。此非参数化的神经网络是由特征提取网络、距离度量函数、attention机制组成。特征提取网络包括2个卷积层，2个池化层和一个扁平层，再通过全连接层来提取特征向量。此非参数化的神经网络的输出是 属于支持集中每个类所对应的概率。

5.根据权利要求1或4所述的基于度量学习的车削加工刀具磨损状态监测方法，其特征在于：所述步骤S2中，距离度量函数是计算两个向量之间的余弦距离，即分别计算测试样例向量与支持集向量集合中每个向量的余弦距离；所述attention机制使用的是softmax层结构；通过加权平均的方式得到该测试样例属于每个类别对应的概率，其表示为

6.根据权利要求1所述的基于度量学习的车削加工刀具磨损状态监测方法，其特征在于：所述步骤S4中，特征提取网络模型的权重、偏差、迭代步数和学习率的具体初始化值为：(1) 其中nx为图像的维度。

(2)b＝0。

(3)α＝0.005，其中α为学习率。学习率决定更新参数的速度，如果学习率过高，可能会超过全局最优值。

(4)δ＝2000，其中δ为迭代步数。

7.根据权利要求1所述的基于度量学习的车削加工刀具磨损状态监测方法，其特征在于：所述步骤S7中，交叉熵损失的损失函数为： 其中n是类别数，是测试样例属于每个类别输出的概率。

8.根据权利要求1所述的基于度量学习的车削加工刀具磨损状态监测方法，其特征在于：所述步骤S8中，通过梯度下降法计算优化参数的具体实施过程如下：

9.根据权利要求8所述的基于度量学习的车削加工刀具磨损状态监测方法，其特征在于：所述步骤S9的具体实施过程为：非参数化网络模型 中的参数θ经过以上步骤优化后得到θ′，该优化后的模型可以表示为 将测试集输入到该优化后的模型中，其输出是测试样例属于每个类别对应的概率，选择最高的概率作为所预测的磨损类别。