用于确定机动链锯的锯链的锋利状态的方法

技术领域

本发明涉及一种用于确定机动链锯的锯链的锋利状态的方法。

背景技术

在利用带有锯链的机动链锯的情形中，锯链的锋利状态对于高效且舒适的工作而言具有决定性意义。由于磨损，锯链在长期使用之后变钝。这可能显著降低锯切功率。利用钝的锯链的工作是费劲的、耗时的且部分提供令人不满意的切割结果。

为了可靠地检查是否锯切功率的降低实际在于钝的锯链，在现有技术中迄今遵循不同的方式。如下例如被尝试，即，依据对锯屑的形状的评估推断出锯链的锋利状态。锯屑的形状然而被太多影响因素影响。这同样适用于在锯链处的温度测量。锯链的温度不仅取决于锯链的锋利度(Schaerfe)，而且例如取决于被切割木材的湿度。另一方式是锯链的一个或多个切割元件的顶刃(Dachschneide)的宽度的测量。为此通常拍摄顶刃的相片。由于顶刃的较小尺寸，这样的相片然而具有非常高的分辨率。为了这样的相片的自动化评估如下是必要的，即，相片在绝对可复现的、保持不变的条件下来拍摄。背景、光线比例和缩放剪裁(Zoomausschnitt)被精确地预设。这样的几乎等于实验室条件的要求对于锯链的锋利状态的快速确定而言是不实际的。在使用锯链的情形中如下利用这样的方法是不可能的，即，以快速的方式确认锯链的状态是锋利的还是不锋利的。

发明内容

本发明的目的在于如此地改进这种类型的方法，使得不取决于用户的基础知识以可靠的方式可实现机动链锯的锯链的锋利状态的快速且容易的确定。

该目的通过一种用于确定机动链锯的锯链的锋利状态的方法来实现，其中，锯链包括带有顶刃的至少一个切割元件，其中，利用成像装置拍摄切割元件的顶刃的顶刃图像，其中，利用包括人工神经网络的评估单元进行顶刃图像的评估，其中，在评估单元中定义锯链的锋利的状态，其中，在评估单元中定义锯链的钝的状态，且其中，依据顶刃图像在使用第一人工神经网络的情形下使锯链关联于锋利的状态或钝的状态。

根据本发明，顶刃图像利用包括人工神经网络的评估单元来评估。在评估单元中定义锯链的锋利的状态和锯链的钝的状态。依据顶刃图像在使用人工神经网络的情形下使锯链关联于锋利的状态或钝的状态。用于使顶刃图像关联于锋利的或钝的状态的人工神经网络也被称作第一人工神经网络。

人工神经网络的使用使得能够以简单、快速且可复现的方式使顶刃图像关联于锋利的状态或钝的状态，而不取决于用户的知识。专业知识或与专业人员的交流不是必要的。该评估可随时地直接在使用地点进行。

锋利的状态和钝的状态的定义可例如由此来给定，即，顶刃图像的像素的评估的初始信号须满足确定的标准。顶刃图像的像素适宜地是人工神经网络的输入值。每个像素尤其关联有关于其它像素、尤其关于参考像素的相对位置和颜色值(Farbwert)。颜色值可例如是RGB值或CMYK值或是类似的颜色说明。由于人工神经网络的使用，该方法即使在拍摄顶刃图像期间的极其条件的情形中也可靠地提供良好的结果。人工神经网络有利地调用来自关联于锋利的状态或钝的状态的顶刃图像的数据集(Datensatz)。依据该数据集，人工神经网络可判定是否锯链(由其拍摄新的顶刃图像)关联于钝的状态或锋利状态。根据该数据集和与锋利的或钝的状态的关联的预设，神经网络学习如此地加权和评估不同的输入参数、不同的神经元和不同的神经元层，使得以较高的成功概率将带有未知锋利状态的锯链的顶刃图像正确地关联于锋利的或钝的状态。尤其地，对于顶刃图像与锋利的状态或不锋利的状态的正确关联而言的成功概率为至少70%、有利地至少80%、优选地至少90%。可设置成，输入参数的学习加权作为加权参数被存储在神经网络中。在将加权参数存储在神经网络中的情形中可设置成，在神经网络中不存储带有已知的与锋利的状态或钝的状态的关联的顶刃图像的数据集。

尤其地，顶刃图像在未定义光线比例的情形下以未定义的角度来拍摄。相应地无须关注可复现的拍摄条件，以便于实现与锋利的或钝的状态的可靠正确的关联。

有利地，顶刃图像以数字形式被传递到评估单元处。由此可实现与锋利的状态或钝的状态的快速关联。

有利地，顶刃图像具有至少10px/mm、尤其至少12px/mm的分辨率。由此分辨率高得足以借助于根据本发明的方法实现与锯链的锋利的或钝的状态的可靠且快速的关联。

在本发明的有利的改进方案中设置成，顶刃图像具有最高128px/mm、尤其最高110px/mm、尤其最高100px/mm、尤其最高90px/mm、尤其最高64px/mm、尤其最高32px/mm、优选最高24px/mm的分辨率。由此可行的是，也利用相对成本有利的成像装置生成顶刃图像且仍然实现与锋利的或钝的状态的可靠正确的关联。在制作数字形式的顶刃图像的情形中，数据大小由于分辨率的限制而较小。由此可节省存储空间。顶刃图像可被快速地传递到评估单元处。带有较小分辨率的顶刃图像在评估单元中可在使用神经网络的情形下被快速处理。

尤其地，用于确定锯链的锋利状态的方法即使在带有最高128px/mm、尤其最高110px/mm、尤其最高100px/mm、尤其最高90px/mm、尤其最高64px/mm、尤其最高32px/mm、优选最高24px/mm的分辨率的顶刃图像的情况下也以至少80%、尤其至少90%的对于正确关联而言的成功率起作用。

有利地，成像装置具有带有最高12百万像素、尤其带有最高10百万像素的图像传感器。适宜地，图像传感器具有7.2mm x 5.4mm、尤其最高5.8mm x 4.3mm、尤其最高5.4mm x4.0mm、优选最高4.5mm x 3.4mm的最大尺寸。图像传感器的不同的最大尺寸可任意地与不同数量的百万像素组合。

适宜地，评估单元和人工神经网络设计成使得即使在带有最高12百万像素和7.2mm x 5.4mm、尤其最高4.5mm x 3.4mm的最大尺寸的图像传感器的成像装置的情形中也实现至少80%、尤其至少90%的对于正确关联而言的成功率。也可设置成，评估单元和人工神经网络设计成使得即使在带有最高10百万像素和5.8mm x 4.3mm、尤其最高4.5mm x 3.4mm的最大尺寸的图像传感器的成像装置的情形中也实现至少80%、尤其至少90%的对于正确关联而言的成功率。

在本发明的有利的改进方案中设置成，在评估顶刃图像的情形中首先选择显示顶刃、尤其顶刃的切割棱边的图像截段。适宜地，图像截段的图像点的数量为最高64px x64px、尤其地最高32px x 32px。尤其地，图像截段的选择借助于第二人工神经网络实现。有利地，评估单元包括第二人工神经网络。适宜地，第二人工神经网络是评估单元的组成部分。尤其地，第二人工神经网络训练顶刃、尤其切割棱边的识别。第二人工神经网络尤其是“Convolutional Neural Network”。这可例如用”卷积神经网络”来翻译。适宜地，神经网络VGG16被用作第二人工神经网络。但人工神经网络Mobile Net V2也可被用作第二人工神经网络。

适宜地，在借助于第一人工神经网络使顶刃图像与锋利的状态或钝的状态关联之前，借助于第二人工神经网络选择顶刃图像的其中存在顶刃的区域。尤其地，将顶刃图像切割到该区域上。

有利地，人工神经网络和/或第二人工神经网络是在来自不同域的图像数据的大量数据集上预先训练的网络，如其在“Transfer Learning (转移学习)”的情形中所设置的那样。就此而言参照S.J.Pan和Q.Yang的公开文献“A Survey on Transfer Learning”(在IEEE Transactions on Knowledge and Data Engineering,vol.22,no.10,pp.1345-1359,2010年十月，doi:10.1109/TKDE.2009.191)，其公开内容被完全包含到本说明书中。在“Transfer Learning”的情形中，预先训练的网络被改建。由此小于0.1%的参数须被训练。在不带有“Transfer Learning”的情形中，至少20000图像须被用作训练数据。由于“Transfer Learning”，明显需要更少的训练数据。由此可显著缩短训练时间且仍然可实现较高的精度。

在借助于第二人工神经网络选择图像截段的情形中优选使用基于R-CNN(Region-based Convolutional Neutral Nerworks)算法的算法，其实现实时对象识别。R-CNN算法尤其是Faster R-CNN算法。就此而言参考Shaoqing Ren,Kaiming He,Ross Girschick和Jian Sun的公开文献“Faster R-CNN：Towards Real-Time Object Detection withRegion Proposal Networks”(arXiv:1506.01497v3[cs.CV],2016年一月6日，https://doi.org/10.48550/arXiv.1506.01497)，其公开内容被完全包含到本说明书中。R-CNN算法鉴别对象区域且计算出其边界框。该图像截段处在边界框内。

尤其地，在选择图像截段的情形中首先将图像带到方形的格式。然而借助于第二神经网络、尤其借助于“Faster R-CNN算法”测定且选择ROI(Region of Interest，关注区域)或者说其中存在顶刃的图像截段。

优选地，在选择图像截段之后才在图像截段中进行附属的顶刃图像与锋利的或钝的状态的关联。

适宜地，不仅用于使顶刃图像与锋利的状态或钝的状态关联的人工神经网络而且用于选择顶刃图像的其中存在顶刃的区域的第二人工神经网络是评估单元的组成部分。由此可实现在评估单元中的快速且容易的评估。不必要的是，将数据集加载到不同的器具中。

有利地，用于使顶刃图像与锋利的状态或钝的状态关联的进一步评估仅依据图像截段来进行。

有利地，为了使锯链与锋利的状态或钝的状态的成功关联，顶刃图像的分辨率能够以至少一个因子10地小于在用于借助于由顶刃图像测量顶刃的宽度而确定锋利度的常规测量方法的情形，其中，对于在常规测量方法的情形中的宽度测量而言的测量误差小于1%。在常规的测量方法的情形中已知的是，与钝的或锋利的状态的关联可经由对于顶刃宽度而言的极限值来判定。顶刃具有在纵向方向上延伸的切割棱边。顶刃的宽度垂直于顶刃的棱边的纵向方向来测量。假设的理想的顶刃具有两个侧壁(Flanke)，其以锐角在切割棱边处汇合在一起。两个侧壁可通过平面来描述。在实际中，顶刃的棱边总是被倒圆。平面然而可被靠置到顶刃的平整的侧壁处，从而使得平整的侧壁相应地在所述平面之一中伸延。这些平面彼此以锐角定向。在其中两个侧壁相应地恰好还接触平面的两个点或者线是在其之间测得顶刃的宽度的点或者线。

通常，顶刃的刀刃的长度为3mm至5mm。在这样小的物体尺寸的情形中，顶刃图像的非常高的分辨率是必要的，以便于在测量顶刃宽度的情形中获得在1%之下的测量误差。在1%之下的测量误差是必要的，以便于可完全说明是否顶刃和附属的锯链是锋利的或钝的。当前，对顶刃图像的分辨率的要求有利地以至少一个因子10地小于在常规的测量方法的情形中。同样地利用顶刃图像的以因子10更小的分辨率可可靠地判定是否锯链应被关联于锋利的或钝的状态。

顶刃4构造在顶部区段18处。顶部区段18具有高度h。顶部区段18的高度h在锯链1的运行方向25上测得。顶部区段18的高度h为小于8mm、尤其小于6mm。运行方向25横向于顶刃4的切割棱边的纵向方向伸延。顶部区段18的高度h为至少1mm、尤其至少2mm。

尤其地，顶刃的宽度为小于500μm、尤其小于300μm、尤其小于150μm。

在本发明的有利的改进方案中，在评估单元中定义对于锯链的锋利状态而言的正好两个状态。由此可实现锯链关联于哪个状态的快速判定。用户获得关于锯链可被或不可被继续使用的清楚说明。

适宜地，在人工神经网络中存储锋利的锯链的顶刃和钝的锯链的顶刃的数字图像的数据集。有利地，锯链被称作锋利的，当其在相同工作条件的情形中提供参考锯链的切割功率的至少80%、尤其至少70%时。尤其地锯链被称作钝的，当其在相同工作条件的情形中提供参考锯链的切割功率的最高65%、尤其最高60%时。有利地，锋利的锯链关联于锋利的状态，而钝的锯链关联于钝的状态。也可设置有中间状态，在其中锯链既不被归类为钝的也不被归类为锋利的。

有利地，可由用户预设对于锯链相比参考锯链的切割功率而言的阈值，其区分锋利的状态与钝的状态。依据该预设的阈值，神经网络然后将顶刃的被存储在数据集中的图像关联于锋利的或钝的状态。也可设置成，用户在专业模式和业余模式之间进行选择。该信息然后被传输给神经网络。在专业模式中，阈值优选是80%。在业余模式中，阈值优选是70%。

也可设置成，锯链被称作锋利的，当其在相同的工作条件的情形中提供参考锯链的切割功率的至少70%时。当锯链在相同工作条件的情形中提供小于参考锯链的切割功率的70%时，则锯链被称作钝的。

尤其地，人工神经网络依据数据集和顶刃图像判定锯链被关联于钝的状态还是锋利的状态。

但也可设置成，在评估单元中存储由人工神经网络利用数字图像的数据集的学习所获得的加权参数。这些加权参数可作为替代或额外于数字图像的数据集被存储在评估单元中。人工神经网络有利地自身通过试计算(Rechnungsversuche)产生加权参数。利用数字图像的数据集提供预设的结果的试计算判定哪个参数是重要的且其如何被加权。该信息然后以加权参数的形式被存储。这些加权参数然后被应用在带有未知的锋利状态的锯链的顶刃图像中。有利地，加权参数依据数字图像来确定，在所述数字图像上顶刃在干净的状态中在相同的尤其深色的背景下被拍摄。尤其地，用于训练人工神经网络的数字图像在相同拍摄条件下被拍摄。由此，神经网络的成功训练同样可以非常小的数据集来实现。有利地，该数据集包括至少1000、尤其至少1500、尤其至少8000个数字图像。尤其地，数据集包括少于2500个数字图像。也可设置成，数据集作为上述最少和最高数量的数字图像的替代包括相应的最小和最高数量的加权参数。有利地，数字图像具有至少10px/mm、尤其至少12px/mm的分辨率。有利地，数字图像具有最高128px/mm、尤其最高64px/mm、尤其最高32px/mm、优选最高24px/mm的分辨率。优选地，数字图像在使用闪光灯的情形下被拍摄。

在本发明的有利的改进方案中可设置成，神经网络在应用期间进一步被填充以数据。在此，所拍摄的顶刃图像可与其它的测量量(例如锯链的温度)相联结。可设置成，同样地由此可推断出锯链的状态。由此，神经网络可进一步学习。也可设置成，这些在应用期间所形成的数据被集中收集，例如通过控制单元与集中收集点的无线连接。

适宜地，评估单元以显示为锋利或钝的形式说明锯链的锋利状态。由此，用户具有关于是否所检查的锯链是钝的或锋利的直接信息。

在本发明的有利的改进方案中，顶刃图像在使用闪光灯的情形下被拍摄。已证实的是，钝的锯链的顶刃相比锋利的锯链的顶刃在更大的程度上反射闪光灯。由此，在钝的锯链的情形中相比在锋利的锯链的情形中在顶刃图像中可识别出更亮得多的像素。在利用闪光灯来拍摄的锋利的和钝的锯链的顶刃图像中的该明显区别明显地使得在评估单元中的评估变得容易。与锋利的或钝的状态的关联可还要更可靠地实现。

在本发明的有利的改进方案中，评估单元依助锯链的经测定的锋利状态给出操作指示。尤其地，该操作指示包括用于重磨锯链的指导。优选地，用于重磨锯链的指导包括所需要的工具(尤其锉类型)的说明。也可设置成，该操作指示包括对于替代件而言、尤其对于锯链、新的链轮和/或新的引导轨道而言的购买推荐。由此使用者立即知道其要做什么，以便再次使得足够锋利的锯链可供使用。

在本发明的有利的改进方案中设置成，完成锯链的至少两个、尤其至少三个不同的顶刃的至少两个、尤其至少三个顶刃图像，且评估单元评估至少两个、尤其至少三个顶刃图像，以便于判定锯链要关联于钝的状态还是锋利的状态。由此可实现与锯链的锋利的或钝的状态的关联的还要更好的可靠性。这尤其由于顶刃的较小尺寸和顶刃的较小宽度可能是有利的。

有利地，至少两个、尤其三个顶刃图像从两个、尤其三个不同角度来拍摄。在成像装置大约保持相同的位置的情形中，锯链或者顶刃可在提供第一顶刃图像之后围绕第一轴线转动，且尤其在提供第二顶刃图像之后为了制作第三顶刃图像围绕垂直于第一转动轴线的第二转动轴线被转动。在此，顶刃图像可由未定义的角度形成。

在本发明的有利的改进方案中，成像装置和评估单元被一起集成在唯一的便携式器具中。这使得顶刃图像的拍摄和评估变得容易。该方法的快速且不复杂的执行是可行的。

附图说明

下面依据附图阐述本发明的实施例。其中：

图1显示了带有锯链的机动链锯的示意性图示，

图2和3显示了锯链的截段的透视性图示，

图4和5显示了根据图2和3的锯链的截段的侧视图，

图6显示了锯链的切割元件的侧视图，

图7显示了切割元件沿图6中的箭头VII方向上的俯视图，

图8显示了沿着图6中的线VIII-VIII的截面，

图9显示了锋利的锯链的切割元件的顶刃的相片，

图10显示了钝的锯链的切割元件的顶刃的相片，

图11显示了根据图9的顶刃的高度曲线，

图12显示了根据图10的顶刃的高度曲线，

图13显示了带有成像装置和评估单元的便携式器具的示意性图示，且

图14显示了方法流程的流程图。

具体实施方式

图1显示了机动链锯2的示意性图示。机动链锯2具有锯链1。锯链1在引导轨道8上环绕。锯链1在运行方向25上围绕引导轨道8环绕。锯链1被未示出的电机驱动。锯链1包括切割元件3。

图2至5显示了锯链1的区段。锯链1具有驱动元件9。驱动元件9经由连接螺栓10与切割元件3相连接。驱动元件9具有驱动突出部11。在锯链1围绕引导轨道8环绕的情形中，驱动元件9的驱动突出部6伸入到引导轨道的导向槽中。驱动突出部11被机动链锯2的驱动小齿轮驱动。连接螺栓10布置在切割元件3的支承部位处。支承部位相应地具有纵向中轴线16，其构成锯链1的元件的摆动轴线。纵向中轴线16展开在图4中所示出的支承部位平面17。支承部位构造在切割元件3的基体12中。基体12优选平坦地构造。在基体12处布置有深度限制器13和切割齿14。在深度限制器13与切割齿14之间布置有留空部15。

切割齿14具有顶部区段18，在其中切割齿14近似平行于纵向中轴线16或者平行于支承部位平面17伸延。顶部区段18具有顶刃4。顶刃4设置用于接合到工件中。顶刃4是切割棱边。顶刃4是切割齿14的在锯链1的运行方向上最远地靠前的区域。

图7显示了切割齿14的顶部区段18的从上方的俯视图。顶刃4横向于(在该实施例中倾斜于)锯链1的运行方向25伸延。顶刃4沿着纵向方向26延伸。纵向方向26倾斜于运行方向25延伸。顶刃4具有长度1。长度1在纵向方向26上测量。顶刃4的长度l为3mm至5mm。

顶刃4构造在顶部区段18处。顶部区段18具有高度h。顶部区段18的高度h在锯链1的运行方向25上测得。顶部区段18的高度h为小于8mm、尤其小于6mm。运行方向25横向于顶刃4的切割棱边的纵向方向伸延。顶部区段18的高度h为至少1mm、尤其至少2mm。

在机动锯2的运行中，锯链1围绕引导轨道8环绕。切割元件3接合到待锯切的工件中。在此，到工件中的切割通过顶刃4来引起。由于该使用，顶刃随着时间磨损。如在图4中所示出的那样，顶刃4具有上部侧壁19和下部侧壁20。上部侧壁19在锯链1围绕引导轨道8环绕的情形中处在外部地布置。下部侧壁20在围绕引导轨道8环绕的情形中处在内部地布置。上部侧壁19和下部侧壁20相应地在不同的平面中延伸。上部侧壁19和下部侧壁20尖地汇聚在一起。在汇聚的侧壁19和20的尖部处构造有顶刃4。由于顶刃4在运行中的磨损，顶刃4逐渐倒圆。由此锯链1变得不锋利。

图9显示了锋利的顶刃4的相片。在图11中示出了根据图9的锋利的顶刃4的高度曲线。X轴线和y轴线展开垂直于顶刃4的纵向方向26的平面。上部侧壁19在上部平面21中延伸。下部侧壁20在下部平面22中延伸。上部侧壁19和下部侧壁20经由顶刃4彼此相连接。顶刃4在锋利状态中靠近于上部平面21和下部平面22的交线。顶刃4是切割齿14的处在上部侧壁19与下部侧壁20之间、然而不在上部平面21中且不在下部平面22中的部分。顶刃4在锋利状态中具有宽度b1。宽度b1在两个点P1和P2之间测得，这两个点相对在上部平面21和下部平面22之间的交线相应具有相同的间距。点P1和P2相对在上部侧壁19与上部平面21之间的第一接触点且相对在下部侧壁20与下部平面22之间的第一接触点相应具有相同的间距。点P1关联于上部平面21而点P2关联于下部平面22。两个点P1和P2处在垂直于顶刃4的纵向方向26的共同平面中。宽度b1在x轴线的方向上延伸。

图10显示了在更大程度地利用锯链1之后的顶刃4的相片。在图12中示出了图10的经磨损的顶刃4的高度曲线。该图示类似于对于图11中的锋利的顶刃4而言的高度曲线。钝的顶刃4的宽度b2类似于锋利的顶刃4的宽度b1地测量。钝的顶刃4的宽度b2大于锋利的顶刃4的宽度b1。顶刃4的宽度b1,b2为小于1mm、尤其小于750μm、尤其小于500μm、尤其小于300μm。锋利的顶刃4的宽度b1为小于100μm。钝的顶刃4的宽度b2为小于200μm。锋利的顶刃4的宽度b1为至少10μm。钝的顶刃4的宽度b2为至少80μm。

图13显示了便携式器具7的示意性图示。便携式器具7用于确定锯链1的锋利状态。便携式器具7包括成像装置5和评估单元6。成像装置5和评估单元6被集成到便携式器具7中。但也可设置成，利用完全彼此分开构造的成像装置和评估单元进行锯链1的锋利状态的确定。在该实施例中，便携式器具7是手机。

成像装置5具有带有最高12百万像素的图像传感器。也可设置成，图像传感器最高具有10百万像素。图像传感器具有7.2mm x 5.4mm的最大尺寸。也可设置成，图像传感器具有最高4.5mm x 3.4mm的最大尺寸。可应用传感器的上述数量的像素和上述最大尺寸的任意组合。

为了确定机动链锯2的锯链1的锋利状态，利用成像装置5拍摄切割元件3的顶刃4的顶刃图像。顶刃图像是照片。顶刃图像是数字照片。成像装置5是摄像头。成像装置5是数字摄像头。在该实施例中，成像装置5是手机摄像头。

利用评估单元6进行顶刃图像的评估。评估单元6包括人工神经网络。在该实施例中，在此其是“Convolutional Neutral Network”。这可例如用“卷积神经网络”来翻译。

原则上，卷积神经网络的结构由一个或多个卷积层构成，跟随有Pooling层(共用层)。该单元原则上可任意频率地重复。

每个神经元的活性在卷积层中经由离散的卷积来计算。在此，相对较小的卷积矩阵(Filterkernel)被逐步经由输入移动。在卷积层中的神经元的输入计算为过滤内核与实际经受的若干像素形式的图像截段的内部乘积。与之相应地，在卷积层中的相邻神经元响应于重叠区域(在声音信号中的类似频率或在图像中的局部环境)。

随后的步骤在Pooling层中被执行。此处，多余的信息被抛弃。例如，为了在相片中的对象识别在相片中的棱边的精确位置可能是可忽略的-特征的大约定位是足够的。存在不同类型的Pooling。间隔最强宽度地散布的是Max-Pooling，其中，由每个2x2正方形由卷积层的神经元仅维持对于进一步的计算步骤而言最活跃的(因此“Max”)的神经元的活性；其余神经元的活性被抛弃。尽管数据降低(在该例子中75%)，一般而言网络的性能不会因Pooling降低。

在该实施例中，卷积神经网络是以“feed forward”表示的神经网络的衍生。FeedForward神经网络由输入和输出层以及任意多覆盖层构成。一层的神经元与紧接着的层的所有神经元相连接且被称作Fully Connected Layer。数据的处理仅从前向后进行。卷积神经网络包括跟随有Pooling层的卷积层。该顺序可任意频率地重复。

人工神经网络可例如是神经网络VGG16。在该实施例中使用人工神经网络MobileNet V2。通过改造已存在的人工神经网络“MobileNet V2”，级别的数量可例如从1000被降低到2。

在评估单元6中定义锯链1的锋利的状态。在评估单元6中定义锯链1的钝的状态。依据顶刃图像在使用人工神经网络的情形下使锯链1(由其拍摄顶刃图像)关联于锋利的状态或钝的状态。进行顶刃图像与锋利的状态或钝的状态的明确关联的人工神经网络也被称作第一人工神经网络。

在人工神经网络中存储有锋利的锯链1的顶刃4的数字图像和钝的锯链1的顶刃4的数字图像的数据集。当锯链1切割功率达到在相同工作条件的情形中参考锯链的切割功率的至少80%时，则锯链1被称作锋利的。，当锯链1达到在相同的工作条件的情形中参考锯链的切割功率的最高65%、尤其最高60%时，则锯链1被称作钝的。参考锯链是锋利的锯链。参考锯链的顶刃的宽度为小于50μm。参考锯链的顶刃的宽度为大约40μm。但也可设置成，当锯链在相同工作条件的情形中提供参考锯链的切割功率的至少70%时，则锯链被称作锋利的；当锯链在相同工作条件的情形中提供小于参考锯链的切割功率的70%时，则锯链在该情况中被称作钝的。

锋利的锯链的顶刃4的数字图像关联于锋利的状态。钝的锯链的顶刃4的数字图像关联于钝的状态。通过该关联，神经网络可学习哪个参数对于带有未知的锋利状态的锯链1的关联而言是特别重要的。同样地，参数的加权可依据该数据集来确定。作为输入值，在学习阶段中数字图像的像素值被供应给人工神经网络。数字图像与锋利的状态或钝的状态的关联在学习阶段同样被供应给人工神经网络。在应用根据本发明的方法来用于确定带有未知的锋利状态的锯链的锋利状态时，顶刃图像的像素值作为输入值被供应给神经网络。像素值包括在相应的图像上的像素关于其它像素的位置说明和相关联的颜色值。利用这些输入像素值，神经网络执行且学习分析方法且使锯链(由其拍摄顶刃图像)关联于锋利的或钝的状态。学习分析方法在于各个图像像素的学习的加权。该加权以卷积矩阵形式来进行。卷积矩阵是经学习的。

人工神经网络依据数据集和顶刃图像判定锯链1被关联于钝的状态还是锋利的状态。

在评估单元6中定义对于锯链1的锋利状态而言的正好两个状态。但也可设置成，定义对于锯链的锋利状态而言的多个状态。

为了拍摄顶刃4(其锋利状态应被确定)的顶刃图像，无须提供特别的拍摄比例。顶刃图像可在未定义的光线比例的情形下拍摄。顶刃图像可在未定义的角度的情形下拍摄。成像装置5可被任意地定位。无须选择特别的背景。顶刃图像可在未定义的背景下制作。无须选择特定的视角。

顶刃图像以数字形式被传递到评估单元6处。在该实施例中，成像装置5为此电子式地与评估单元6相连接。

在该实施例中，评估单元6是手机的芯片。在手机上安装有应用。该应用是用于确定锋利状态的方法的部分。该应用是一种利用其来实现人工神经网络的程序。锯链1的顶刃4(其锋利状态待确定)的顶刃图像被供应给该应用。该应用将顶刃图像供应给人工神经网络，其依据训练的加权参数判定锯链1要关联于锋利的还是或钝的状态。

利用成像装置5所拍摄的顶刃图像具有至少10px/mm、尤其至少12px/mm的分辨率。

在该实施例中，顶刃图像具有最高128px/mm的分辨率。但也可设置成，顶刃图像具有最高64px/mm、尤其最高32px/mm、尤其最高24px/mm的分辨率。

对于锯链1与锋利的状态或钝的状态的成功关联而言，顶刃图像的分辨率可以至少一个因子10地小于在用于确定锯链的锋利状态的常规测量方法的情形中。在用于确定锯链的锋利的状态的常规测量方法的情形中，顶刃的宽度由顶刃图像测得。在此，测量误差须小于1%。由此，对于顶刃图像而言的非常高的分辨率是必要的。在大约100μm的顶刃宽度的情形中，对于小于1%的测量误差而言需要例如1000px/mm的对于顶刃图像而言的分辨率，以便于可可靠地说明锯链的锋利状态。在根据本发明的用于在使用神经网络的情形下确定锋利状态的方法中，在100px/mm以下的顶刃图像的分辨率对于与锋利的或钝的状态的成功关联而言足够。

可设置成，顶刃图像在使用闪光灯的情形下拍摄。为此设置有闪光器具23(图13)。在该实施例中，闪光器具23被集成到便携式器具7中。

评估单元6以显示的形式给出锯链1的顶刃4(其锋利状态待确定)的顶刃图像与锋利的状态或钝的状态的关联。为此设置有显示器24。显示器24在该实施例中被集成到便携式器具7中。在显示器24上显示是否所检查的锯链1被归类为锋利的或钝的。

评估单元6根据所检查的锯链1与锋利的状态或钝的状态的关联给出操作指示。该操作指示可例如在于给出用于重磨锯链1的指导。这样的用于重磨锯链1的指导可包括对所需要的工具、尤其特定的锉刀类型的说明。

但操作指示例如也可在于给出对于替代件而言的购买建议。替代件可尤其是新的锯链1、新的链轮或新的引导轨道8。也可行的是，给出对于多个替代件、尤其对于上述替代件的任意组合而言的购买建议。

可设置成，完成锯链1的至少两个、或者尤其至少三个不同的顶刃4的至少两个、尤其至少三个顶刃图像。尤其地，评估单元6评估至少两个顶刃图像中的全部或者至少三个顶刃图像中的全部，以便于判定锯链1要关联于钝的状态还是锋利的状态。在奇数数量的经评估的顶刃图像的情形中，评估单元6计算所检查的顶刃图像多数被归类为锋利的还是被归类为钝的。该多数决定是否整个锯链1被关联于锋利的或钝的状态。

图14在流程图中显示了方法流程。在方法步骤101中，利用成像装置5拍摄顶刃图像。在102，顶刃图像以数字形式被传递到评估单元6处，所述顶刃图像关联于锋利的状态104或钝的状态105。依据锯链1的经测定的锋利状态104,105给出操作指示106。