1.一种基于小波尺度图和深度迁移学习的刀具磨损状态识别系统，其特征在于，包括信号采集模块、信号预处理模块、尺度图像特征选取模块、CNN网络模型搭建模块、刀具磨损状态识别模块；

所述信号采集模块采集与刀具磨损相关的物理量；

所述信号预处理模块对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；

所述尺度图像特征选取模块对不同小波基函数进行小波尺度图转换，并基于时域和频域选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；

所述CNN网络模型搭建模块用于将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；

所述刀具磨损状态识别模块用于对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。

2.一种基于小波尺度图和深度迁移学习的刀具磨损状态识别方法，其特征在于，包括以下步骤：（1）采集与刀具磨损相关的物理量；

（2）对采集的物理量进行时域、频域以及小波域特征提取，并进行相关性分析和小波包分解变换；

（3）对不同小波基函数进行小波尺度图转换，并基于时域和频域选取复Morlet小波基函数尺度图像特征作为二维小波尺度图像特征；

（4）将二维小波尺度图像特征作为输入特征，搭建CNN网络模型，设置刀具磨损类别标签的输出单元；

（5）对二维小波尺度图像特征进行增强，完成CNN网络模型超参数预训练，将增强后的二维小波尺度图像特征作为样本输入训练好的CNN网络模型，识别刀具磨损状态。

3.根据权利要求2所述的识别方法，其特征在于，所述步骤（1）中采集的物理量包括振动信号和切削信号。

4.根据权利要求2所述的识别方法，其特征在于，所述步骤（2）中通过Pearson相关系数法进行相关性分析，对时域、频域以及小波域特征归一化处理。

5.根据权利要求3所述的识别方法，其特征在于，所述步骤（3）中小波基函数进行小波尺度图转换时，小波尺度图定义为连续小波变换系数的模，具体公式为：，

其中， 为小波尺度谱； 为信号 的连续小波变换；代表尺度因子，其对应的是信号中的频率成分，大尺度为高频成分，小尺度为低频成分；表示平移因子；为母小波，为信号采集时间。

6.根据权利要求5所述的识别方法，其特征在于，所述步骤（3）中取复Morlet小波、db18小波、Sym8小波、Meyer小波基函数进行小波尺度图转换。

7.根据权利要求2至5任意一项所述的识别方法，其特征在于，所述步骤（4）中的CNN网络模型为结构加深的VggNet‑16网络模型。

8.根据权利要求7所述的识别方法，其特征在于，所述步骤（4）中通过裁剪、镜像、色彩渲染、缩放和旋转增强二维小波尺度图像特征，对VggNet‑16网络模型各种超参数进行预训练。

9.根据权利要求8所述的识别方法，其特征在于，所述步骤（4）中VggNet‑16网络模型对于低层卷积模块特征信息进行迁移，保留高层卷积模块特征，将增强后的二维小波尺度图像特征作为样本输入训练好的VggNet‑16网络模型，将VggNet‑16网络模型输出层替换为刀具磨损类别标签，识别刀具磨损状态。

10.根据权利要求9所述的识别方法，其特征在于，所述刀具磨损状态包括初始磨损、轻度磨损、中度磨损、严重磨损以及刀具失效。