1.一种汽车零部件智能加工调节方法，其特征在于，包括：获取打磨后的刹车片的检测图像；

将所述打磨后的刹车片的检测图像通过打磨区域目标检测网络以得到打磨感兴趣区域图像；

将所述打磨感兴趣区域图像通过作为过滤器的第一卷积神经网络模型以得到打磨特征向量；

将所述检测图像通过作为过滤器的第二卷积神经网络模型以得到检测特征向量；

对所述打磨特征向量和所述检测特征向量进行基于特征集合的各子维度之间的空间联立投影以得到所述分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示磨床是否停止打磨。

2.根据权利要求1所述的汽车零部件智能加工调节方法，其特征在于，所述打磨区域目标检测网络为CenterNet、ExtremeNet、RepPoints、YOLOv1或FCOS。

3.根据权利要求2所述的汽车零部件智能加工调节方法，其特征在于，将所述打磨感兴趣区域图像通过作为过滤器的第一卷积神经网络模型以得到打磨特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图的通道维度的各个特征矩阵进行全局均值池化以得到池化特征图；

以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述打磨特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述打磨感兴趣区域图像。

4.根据权利要求3所述的汽车零部件智能加工调节方法，其特征在于，将所述检测图像通过作为过滤器的第二卷积神经网络模型以得到检测特征向量，包括：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图的通道维度的各个特征矩阵进行全局均值池化以得到池化特征图；

以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述检测特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述检测图像。

5.根据权利要求4所述的汽车零部件智能加工调节方法，其特征在于，对所述打磨特征向量和所述检测特征向量进行基于特征集合的各子维度之间的空间联立投影以得到所述分类特征向量，包括：计算所述打磨特征向量和所述检测特征向量之间的协方差矩阵；

对所述协方差矩阵进行特征值分解以得到多个特征值和与所述多个特征值对应的多个特征向量；以及将所述多个特征向量排列为所述分类特征向量。

6.根据权利要求5所述的汽车零部件智能加工调节方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示磨床是否停止打磨，包括：使用所述分类器的多个全连接层对所述校正后分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

7.一种汽车零部件智能加工调节系统，其特征在于，包括：图像获取模块，用于获取打磨后的刹车片的检测图像；

目标检测模块，用于将所述打磨后的刹车片的检测图像通过打磨区域目标检测网络以得到打磨感兴趣区域图像；

打磨特征提取模块，用于将所述打磨感兴趣区域图像通过作为过滤器的第一卷积神经网络模型以得到打磨特征向量；

检测特征提取模块，用于将所述检测图像通过作为过滤器的第二卷积神经网络模型以得到检测特征向量；

投影模块，用于对所述打磨特征向量和所述检测特征向量进行基于特征集合的各子维度之间的空间联立投影以得到所述分类特征向量；

分类结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示磨床是否停止打磨。

8.根据权利要求7所述的汽车零部件智能加工调节系统，其特征在于，所述目标检测模块，包括：打磨区域目标检测网络为CenterNet、ExtremeNet、RepPoints、YOLOv1或FCOS。

9.根据权利要求8所述的汽车零部件智能加工调节系统，其特征在于，所述打磨特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图的通道维度的各个特征矩阵进行全局均值池化以得到池化特征图；

以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述打磨特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述打磨感兴趣区域图像。

10.根据权利要求9所述的汽车零部件智能加工调节系统，其特征在于，所述检测特征提取模块，用于：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图的通道维度的各个特征矩阵进行全局均值池化以得到池化特征图；

以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述检测特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述检测图像。