在金相组织的晶粒度自动化评估工作中,晶粒晶界识别的精准与否直接影响着金相组织晶粒度的评估准确度。在传统的图像处理算法中,晶界识别的目的是依靠晶界与晶粒之间形成的明显边界特征来提取出所需要的晶粒边界,而在此算法过程中所需要的边界特征需要人工来进行提取,但是人为能提取到的特征是有限且有人类思维和间接局限的,比如晶界和晶粒之间的颜色差别、明暗差别这些简单特征和像素之间的梯度这些浅层的梯度信息。因此在应对复杂多变的金相组织图像时,传统图像处理算法难以精准的识别出复杂多变的晶界信息,为此,本文依托于深度学习算法在对图像不同层级特征提取和结合上的优势,提高晶界识别的准确度和速度,进而实现高效准确的晶粒度的评估。本文提出了一种基于深度学习的金相晶粒度自动评级系统,实现了对金相图像晶粒度的自动检测、分割、评级,本系统中采用深度学习语义分割的U-Net网络对金相图像中的晶粒边界进行像素级分割,最终在基于U-Net的语义分割网络上实现了晶界识别96.07%的准确度。通过增加随机边界缺失掩膜的方式扩充数据集从而提高深度学习网络的分割精度,再根据八邻域跟踪和扩散生长的方法,对分割好的图像进行二值化操作,对二值化处理后的图像进行细化骨架操作,通过八邻域法查找端点,去除像素长度小于一定阈值的“毛刺”,最后进行晶界缺失区域的连通,实现对部分缺失区域的补全。最后通过图像连通域提取算法和面积法,根据国家标准,对金相图像中所有闭合晶粒进行统计和评级,最终生成评级报告,整个评级流程从操作人员选取图片到生成评级报告历时18秒,效果较好。