1.一种基于卷积神经网络识别金属材料的方法，其特征在于，包括以下步骤：

1)分别采集标准金属试样的时域信号和待识别金属试样的时域信号；

2)将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理，将时域信号转换为时频谱图；将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放；

3)构建卷积神经网络结构；

4)将步骤2)缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练，对网络参数进行更新，生成二分类卷积神经网络结构；

5)将步骤2)缩放后待识别金属试样的时频谱图输入步骤4)中训练好的二分类卷积神经网络中，提取待识别金属试样的时频谱图的特征向量，判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。

2.如权利要求1所述的基于卷积神经网络识别金属材料的方法，其特征在于，所述步骤

2)具体为：

将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理，将时域信号转换为875×656的通道数为3的RGB格式的时频谱图，利用双线性插值法将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放。

3.如权利要求1所述的基于卷积神经网络识别金属材料的方法，其特征在于，所述步骤

3)具体为：

3.1)构建基础层：

基础层包括多个基础单元，上一层基础单元的输出值为下一层基础单元的输入值，最终输出末层卷积层输出值；

3.2)构建Softmax层

通过Softmax函数将末层卷积层输出值转化为在[0，1]区间内的分布概率值Softmax(zm)，进行分类，分类的表达是为：zm为第m个神经元的输出值，z1为第1个神经元的输出值，z2为第2个神经元的输出值，为第m个神经元的输出值的指数形式，m是神经元的个数， 为第1个神经元的输出值的指数形式， 为第2个神经元的输出值的指数形式；

3.3)计算交叉熵损失函数：

交叉熵损失函数Loss是指卷积神经网络输出值与实际值的偏离函数，完成卷积神经网络结构的构建；

其中，交叉熵损失函数Loss的表达式为：

N表示样本的个数。

4.如权利要求3所述的基于卷积神经网络识别金属材料的方法，其特征在于，所述步骤

3.1)具体为：

基础单元包括第一单元和第二单元，第一单元包括卷积层，第二单元包括激活层、最大池化层、局部响应规范层或随机失活层中的一种或两种以上的组合；第一单元的输出值为第二单元的输入值，所述第二单元内上一层的输出值为下一层的输入值；

所述卷积层的构建过程为：根据输入图片的尺寸构建卷积核，卷积核的网络参数随机进行初始化，初始化的网络参数随着网络训练进行迭代更新，形成新的特征值进行输出。

5.如权利要求4所述的基于卷积神经网络识别金属材料的方法，其特征在于，所述步骤

4)具体为：将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练，对网络参数进行更新，生成二分类卷积神经网络结构，分别为与标准金属试样相同以及与标准金属试样不同。

6.如权利要求5所述的基于卷积神经网络识别金属材料的方法，其特征在于，所述卷积神经网络结构对缩放后标准金属试样的时频谱图的训练过程为：通过卷积神经网络结构中的各单元层对缩放后标准金属试样的时频谱图的特征信息进行层层提取，将图像信息抽象成为初步特征向量，通过反向传播网络的方式对网络参数进行多次修正，使得缩放后标准金属试样的初步特征向量被网络参数记录，形成缩放后标准金属试样的特征向量。

7.如权利要求6所述的基于卷积神经网络识别金属材料的方法，其特征在于，所述通过反向传播网络的方式对网络参数进行多次修正的算法为：vδ←μ·vδ‑η·g

ωδ←ωδ‑1+vδ

其中,ω为待学习参数，η为学习率，g为一阶梯度值，L为损失函数，δ表示训练次数，μ为动量因子，vδ表示第δ轮训练之后的动量。

8.如权利要求7所述的基于卷积神经网络识别金属材料的方法，其特征在于，所述步骤

5)具体为：将缩放后待识别金属试样的时频谱图输入二分类卷积神经网络结构中进行识别，提取待识别金属试样的时频谱图的特征向量，与训练完后形成的标准金属试样的时频谱图的特征向量进行对比，判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同，若相同，则待识别金属试样与标准金属试样相同，若不同，则待识别金属试样与标准金属试样不同。

9.利用权利要求1所述的基于卷积神经网络识别金属材料的方法所形成的基于卷积神经网络识别金属材料的系统，其特征在于，包括时域信号采集模块、转换模块、卷积神经网络构件模块、标准金属试样训练模块以及识别模块，所述时域信号采集模块：用于采集标准金属试样的时域信号和待识别金属试样的时域信号；

所述转换模块：用于将标准金属试样的时域信号和待识别金属试样的时域信号分别进行短时傅里叶变换处理，将时域信号转换为时频谱图；将标准金属试样的时频谱图和待识别金属试样的时频谱图进行缩放；

所述卷积神经网络构件模块：用于构建卷积神经网络结构；

所述标准金属试样训练模块：用于将缩放后标准金属试样的时频谱图输入卷积神经网络结构中进行训练，对网络参数进行更新，生成二分类卷积神经网络结构；

所述识别模块：用于将缩放后待识别金属试样的时频谱图输入训练好的二分类卷积神经网络结构中，提取待识别金属试样的时频谱图的特征向量，判断待识别金属试样的时频谱图的特征向量是否与标准金属试样的时频谱图的特征向量相同。

10.一种计算机可读存储介质，其特征在于，存储有程序文件，所述程序文件被执行实现如权利要求1‑8任一项所述的基于卷积神经网络识别金属材料的方法。