利用铁谱分析技术,可以获得油液中磨粒的浓度、尺寸、数量等参数,从而判断设备的运行情况。铁谱技术具有许多优点,例如能分析较大尺寸范围的磨粒、获得磨粒形态、判断设备磨损部位、分析磨损机理和预测磨损趋势等,因此被广泛应用于机械设备的磨损状态监测。结合计算机图像处理技术,铁谱技术可以对图像中的磨粒进行定性分析和定量计算,以自动获取设备磨损状态的重要参数。然而,由于其技术流程复杂繁琐,可能造成误差累积,同时仍需专业技术人员设计参数、做出决策等,因此在自动化和智能化方面还有待进一步提高。深度学习是近年发展起来的人工智能技术,具有准确度高、通用性强、流程简单等优点。因此,本文将其引入铁谱分析中,通过设计并构建铁谱图像语义分割CNN模型,实现对不同类型磨粒的分类与检测。首先,本文根据语义分割模型的设计方法,构建了一个铁谱图像语义分割CNN模型——Wear SS。该模型包含编码模块、空洞池化模块、解码模块3个部分,分别具有图像特征提取、多尺度信息融合、生成标签图像等功能。其次,制作了铁谱图像语义分割数据集Wear Image,其包含链状、球形和切削磨粒等5个类别。利用该数据集对Wear SS模型进行训练和测试,实验结果表明:在Wear Image的测试集上,Wear SS模型的像素准确率达到82.50%,平均交占比为84.66%,速度为0.16s/幅。Wear SS是一个集成的“端到端”模型,即对输入图像进行语义分割后可直接获得磨粒的类别。此外,本研究也对Wear SS语义分割结果进行了深入的分析,将其与传统图像处理方法、FCN、Deep Lab等CNN模型进行了对比,并通过特征图和卷积核可视化分析了模型结构。最后,开发了一套铁谱图像磨粒分类与检测系统。该系统具有铁谱图像数据集制作与增广、语义分割模型的训练和更新,磨粒语义分割与检测、磨粒数量统计与浓度计算等功能。本文将深度学习引入铁谱图像分析中,通过构建语义分割CNN模型,使得磨粒特征提取、磨粒分割和检测统一在一个模型中,简化了分析流程,有利于提高铁谱图像分析的自动化和智能化水平,具有较高的工程应用价值。