在工业生产过程中,机械设备的故障时常发生,机械故障可能会引发恶行事故从而造成经济损失和人员伤亡,实时监测机械设备的运行状况可以有效地预防故障和事故的发生,提高设备运行的稳定性,还可以在设备监控过程中对设备开展健康管理,从而延长设备使用寿命。因此,机械设备的监控对工业生产具有十分重要的意义。装备工作时,摩擦副的磨损失效是导致设备故障发生和寿命缩减的重要原因,铁谱分析技术是对设备进行磨损监测的重要技术,通过分析磨粒图像的特征来表征机械设备的运行状态。在线图像可视铁谱技术（OLVF）是具有代表性的铁谱分析技术,通过在线提取润滑油磨粒图像特征来实时监测装备磨损状态。在当前的OLVF磨损监测中,基本依赖于透射光铁谱图像（TF）提取磨粒覆盖面积指数（IPCA）,以表征磨粒浓度。反射光铁谱图像（RF）的信息更加丰富,但由于RF中的磨粒表面复杂的色彩分布和气泡干扰使得RF的分割太困难,导致RF在OLVF中仍未得到有效的应用。本文针对RF的分割问题,构建了一种卷积神经网络（CNN）模型轻量级Res-UNet。同时,结合RF和TF,提出了一种RF的自动标记方法,通过自动标记方法制作了训练数据集,并利用数据增强方法增广了训练数据集,随后用训练数据集进行网络训练。网络训练完成后,通过实验评估了网络的分割效能,并将本文构建的轻量级Res-UNet与现有方法进行了性能对比,在文中进行了详细说明。实验结果表明,受过训练的轻量级Res-UNet能够实现RF铁谱图像的准确分割,同时具备良好的抗干扰性。最后,将轻量级Res-UNet应用于齿轮磨损在线监控实验,通过与Otsu大津法对比IPCA演变曲线验证了本文方法的可靠性和有效性。本文提出的方法为基于RF的OLVF特征提取奠定了基础,也为其他图像型磨粒传感器提供了一种可选的图像分割方法。