随着现代工业装备朝着大型化、连续化和高可靠性方向发展,设备的维修方式也发生很大变化。由定期维修向视情维修的转变,使得各类机械设备对工况监测和故障诊断的需求也越来越高。近年来,铁谱技术已被证明是一种有效的通过对磨损颗粒(简称磨粒或磨屑)进行定性和定量分析来实现磨损工况监测和故障诊断的技术手段,而随着计算机图像处理与分析、人工智能和模式识别等技术的发展,基于计算机图像处理与分析的铁谱技术必将有利于其深入应用。因此,为了提高铁谱分析技术的自动化和智能化水平,本文对铁谱图像处理与分析方法进行了研究,分别针对磨粒边缘提取、磨粒与背景分割、磨粒与磨粒分割、磨粒识别等提出相应算法,并通过实际铁谱图像进行验证和对比分析。为了便于进行铁谱图像处理和分析,搭建了铁谱图像分析系统。该系统包括硬件和软件平台两部分,其中软件平台主要包括铁谱图像采集、铁谱图像处理、铁谱图像分割与磨粒识别等部分。针对铁谱图像,本文提出两种磨粒边缘检测方法。第一种方法是融合大津阈值(Otsu)和灰色关联分析的边缘检测算法(O&G),该算法首先采用Otsu算法实现铁谱图像磨粒与背景分离,然后采用灰色变权关联度模型对磨粒进行边缘检测;第二种方法是基于智能蚁群搜索的磨粒边缘检测算法(IACO),该算法将颜色信息引入到蚁群算法中,在像素点的梯度值和领域颜色差异的共同作用下引导蚂蚁移动实现磨粒边缘搜索。彩色图像比灰度图像包含更多信息,本文提出了两种利用颜色信息进行背景去除的方法。第一种方法是基于颜色分量比的背景减除,该方法利用铁谱图像背景颜色分量比值相对固定,而与磨粒颜色分量比值相差较大的特点,通过优化背景与磨粒的颜色分量比阈值,实现背景和磨粒的分离,该方法适用于背景颜色均匀一致的铁谱图像;第二种是基于颜色K-means聚类的算法,在CIELAB颜色空间,利用二维颜色分量(a*,b*)的K-means聚类实现背景和磨粒的分离,该方法可以根据背景颜色自动选择聚类中心,满足铁谱图像自动化处理的要求。虽然基于边缘检测的O&G和IACO算法可以提取大部分的磨粒边缘,但是也会出现伪边缘和未闭合边缘,而且对于磨粒沉积链,其内部轮廓还难以准确检测。因此,为实现磨粒准确分割,本文提出了两种融合区域分割与聚类的新算法。第一种方法是融合分水岭与智能蚁群聚类的磨粒分割方法(CWACA)。该方法首先利用标记分水岭算法实现磨粒与背景的初步分割。然后利用蚁群聚类算法对分水岭过分割的各个区域进行聚类合并,并通过利用磨粒特征参数——长宽比实现聚类结果的判别和修正,最终实现各种类型磨粒的准确分割。第二种方法是将分水岭算法与灰色聚类算法相融合(CMWGC),通过对分水岭算法初步分割后的各个区域的颜色信息和相对位置进行关联分析,从而对各个颜色相近且彼此相邻的区域进行聚类,以避免过分割,再通过利用长宽比进行结果的判别和修正,实现磨粒的快速准确分割。实验结果表明,上述两种方法都可以实现多类型、宽尺度和具有模糊边界的磨粒分割,例如磨粒沉积链和异常大磨粒的分割,特别是CMWGC方法,具有分割效果好并且计算速度快的优点。准确的磨粒分割为磨粒特征提取和识别提供了保证,为了提高磨粒识别的准确性,本文提出了融合主成分分析和灰色关联分析的新方法(CPGA)。首先,主成分分析用来优化磨粒特征参数。然后,一种改进的灰关联分析用来识别以往难以进行准确分类的异常大磨粒,如严重滑动和疲劳磨粒。实验结果表明,本文提出的CPGA算法可以较好地解决多个参数产生的信息冗余问题,并证明其是一种实用的方法,能够快速准确地识别磨损颗粒。本文的研究结果,能够提高铁谱分析技术的自动化和智能化水平,从而为其在实际工程中的进一步深入应用提供参考。