1.一种基于神经网络的多特征融合砂轮磨削性能预测方法，其特征在于，该方法包括：步骤一，采用普通灰度相机获取砂轮原始灰度图像，对砂轮原始灰度图像进行阈值化处理，对阈值化处理结果进行边缘检测，获得砂轮边缘轮廓图；

步骤二，基于最小二乘法拟合圆方法对砂轮边缘轮廓图进行处理，得到砂轮圆心和砂轮外径，将砂轮外径作为特征值F1；

步骤三，基于砂轮外径构建遮罩数据，从砂轮原始灰度图像中抠取砂轮部分图像；

步骤四，基于砂轮部分图像的灰度共生矩阵描述砂轮纹理信息，计算灰度共生矩阵的对比度、能量、逆差矩、熵分别作为特征值F2、特征值F3、特征值F4、特征值F5；

步骤五，使用超声波发射仪、声发射传感器随机测量砂轮的反射能量，将反射能量作为特征值F6；

步骤六，对砂轮进行磨削性能实验，磨削力作为特征值F7，磨削速度作为特征值F8，将获取的特征值组成砂轮特征向量，根据砂轮磨削比，对砂轮特征向量进行标注；

步骤七，对多个砂轮进行特征值采集并进行标注，得到砂轮特征矩阵，对砂轮特征矩阵进行奇异值分解，得到降维砂轮特征矩阵；

步骤八，将降维砂轮特征矩阵作为样本数据集，基于均方差损失函数训练神经网络，保存训练好的神经网络；

步骤九，采集待预测砂轮的各项特征值，代入训练好的神经网络，得到砂轮磨削比。

2.如权利要求1所述的基于神经网络的多特征融合砂轮磨削性能预测方法，其特征在于，所述步骤一中的阈值化处理包括：基于最大类间方差法获取阈值；对砂轮原始灰度图像进行阈值化处理。

3.如权利要求1所述的基于神经网络的多特征融合砂轮磨削性能预测方法，其特征在于，所述步骤一中的边缘检测具体为：基于Canny算子进行边缘检测。

4.如权利要求1所述的基于神经网络的多特征融合砂轮磨削性能预测方法，其特征在于，所述步骤四中的对比度CON为：能量为ASM：

逆差矩IDE为：

熵ENT为：

其中，P(i,j)为灰度共生矩阵P(i，j)处的元素。

5.如权利要求1所述的基于神经网络的多特征融合砂轮磨削性能预测方法，其特征在于，所述步骤六中的磨削速度取值范围为[800,1200]，单位是转/分钟，步长为20r/min。

6.如权利要求1所述的基于神经网络的多特征融合砂轮磨削性能预测方法，其特征在于，所述步骤七包括：对不同大小、不同粒度、不同原材料的多个砂轮进行特征值采集并进行磨削比标注，得到砂轮特征矩阵；

对砂轮特征矩阵进行奇异值分解，得到多个奇异值，对奇异值进行排序，保留特定数量的奇异值；

根据保留的奇异值进行矩阵重建，得到降维砂轮特征矩阵。