# 基于机器学习的滚刀状态识别

**Repository Path**: VIT19980106/Machine-Learning-Based-Hob-Condition-Recognition

## Basic Information

- **Project Name**: 基于机器学习的滚刀状态识别
- **Description**: 基于机器学习的滚刀状态识别
采用CNN、LSTM、GRU、SVM、随机森林等模型实现滚刀状态识别
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 3
- **Forks**: 1
- **Created**: 2024-03-05
- **Last Updated**: 2024-12-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于机器学习的滚刀状态识别

#### 介绍
基于机器学习的滚刀状态识别
采用CNN、LSTM、GRU、SVM、随机森林等模型实现滚刀状态识别

#### 数据集

走刀数据集
链接：https://pan.baidu.com/s/1_2MxxHJZjvslIPBaq0V_oQ 
提取码：l607 
采用了1 4 6 的走刀数据，1作为训练样本，4 6为测试样本

|    数据集   |  初期磨损 |  正常磨损 | 急剧磨损  |
|---|---|---|---|
| 训练集铣刀1 | 30  |  210 | 75  |
| 测试集铣刀4  |  30 |  210 |  75 |
| 测试集铣刀6    |  30 | 210  |  75 |


#### 1DCNN 一维卷积神经网络

刀具磨损状态识别为时间序列分类问题，而一维卷积神经网络（1D Convolutional Neural Networks，1DCNN）
在时间序列分类问题中具有明显的优势，特别是它能够捕捉时间序列数据中的局部特征和模式。

![1DCNN网络输入输出关系](https://foruda.gitee.com/images/1709623767686663509/6a2463e4_8437116.png "屏幕截图")

![1DCNN网络结构图](https://foruda.gitee.com/images/1709623772699592581/e2dfce0a_8437116.png "屏幕截图")

#### 基于长短时记忆神经网络的刀具磨损状态识别

LSTM（Long Short-Term Memory）是一种特殊类型的RNN（递归神经网络），专为解决标准RNN在处理长序列数据时遇到的短期记忆问题而设计。
LSTM通过引入遗忘门、输入门和输出门，能够在长时间间隔内有效地保存和调用信息。
LSTM最大的优势在于其能够捕捉时间序列中的长期依赖关系，这使得它非常适合于时间序列数据

![LSTM网络结构](https://foruda.gitee.com/images/1709623834247919524/1e0d9912_8437116.png "屏幕截图")

#### 实验结果

1DCNN在测试集铣刀4和6的分类准确率分别为82.539%和87.619%

![输入图片说明](https://foruda.gitee.com/images/1709623878990841588/56a98e54_8437116.png "屏幕截图")

![输入图片说明](https://foruda.gitee.com/images/1709623882020782660/8b1431b8_8437116.png "屏幕截图")

LSTM在测试集铣刀4和6的分类准确率分别为77.143%和90.476%

![输入图片说明](https://foruda.gitee.com/images/1709623893969372029/b75adca0_8437116.png "屏幕截图")

![输入图片说明](image.png)