1.一种基于检测神经网络的数控机床主轴热误差建模检测方法，其特征在于：第一步：采用红外热像仪采集数控机床主轴升温以及降温图像，将图像转化为数组后，减去初始图像数组，得到的图像数组再转化为图像；

第二步：对转化后的图像进行标定框预处理，以标定位置数据以及热误差为标签，并制作数据集，将制作好的图像数据集分为训练集和预测集两部分；

第三步：选择检测神经网络模型，修改总损失函数，调整网络结构，开始进行训练，平均误差率达到5％以下，停止训练，保存模型；

第四步：输入测试集，检验模型的预测精度，若平均误差率未达到5％以下，再次对模型进行训练，直至平均误差率达到5％以下；

第五步：进行有限元验证以及实验验证；利用ANSYS软件进行仿真分析，将仿真得到的主轴温度场图片作为检测神经网络模型输入得到主轴热变形的预测值，并与仿真得到的变形场数据进行比较，若两者的偏差在一定偏差范围内，即验证模型精度满足要求，否则，返回第三步，进行再次的训练调参以及测试验证；

再次采取不同机床上的实验数据进行模型预测，若精度达到允许范围，则方法可行，否则，返回第二步，进行再次的训练调参以及测试验证；

第三步选择YOLO v3检测神经网络模型，将总损失函数中的分类损失函数改为L1损失函数，并将最后的分类层改为全连接层，设定神经元数量为1，所述检测神经网络YOLO v3检测主体是全卷积神经网络，最后接上两层全连接层；

在YOLO v3检测神经网络模型计算中利用了卷积块和残差块两个类型，卷积块按照卷积层、批量归一化层和激活函数层顺序执行；

卷积层:首先对图像的每个像素进行编号，xd,i+m,j+n表示图像的第d层第i+m行第j+n列像素；ωd,m,n表示滤波器的第d层第m行第n列权重,用wb表示滤波器的偏置项；对特征图的每个元素进行编号，用ai,j表示特征图的第i行第j列元素；D是深度；用f表示激活函数，W2是卷积后特征图的宽度；W1是卷积前图像的宽度；F是滤波器的宽度；P是零填充的数量，S是步幅，H2是卷积后特征图的高度，H1是卷积前图像的宽度，使用下列公式计算卷积；

W2＝(W1-F+2P)/S+1

H2＝(H1-F+2P)/S+1

在卷积层中得到特征图；

批量归一化层：对卷积得到的特征图进行归一化；

激活函数层：LeakyRelu函数激活运算公式如下所示：f(x)＝max(0,x)+negative_slope×min(0,x)；

其中，negative_slope是一个小的非零数；

计算完毕后，开始对模型进行训练调参。

2.根据权利要求1所述一种基于检测神经网络的数控机床主轴热误差建模检测方法，其特征在于：在YOLO v3检测神经网络模型中，涉及到的卷积核尺寸3×3/2是指利用卷积步幅，将步幅由1增加到2，使特征图尺寸减小，实现最大池化，提取有效的图像信息。

3.根据权利要求2所述一种基于检测神经网络的数控机床主轴热误差建模检测方法，其特征在于：批量归一化层：使特征图像素矩阵值大小范围为[-1,1]。

4.根据权利要求3所述一种基于检测神经网络的数控机床主轴热误差建模检测方法，其特征在于：在YOLO v3检测神经网络模型中全连接层可以利用梯度下降方法，通过反向传播算法得到最佳权重参数以及偏置项参数。

5.根据权利要求4所述一种基于检测神经网络的数控机床主轴热误差建模检测方法，其特征在于：卷积层训练利用链式求导计算损失函数对每个权重的偏导数，然后根据梯度下降方法更新权重，通过反向传播算法得到最佳权重参数以及偏置项参数，调整好权重参数以及偏置项参数后，使YOLO v3检测神经网络模型精度达到预期精度。