1.一种基于轻量级残差U‑net的反射光铁谱图像分割方法，其特征在于，包括：采集反射光铁谱图像，输入训练好的轻量级残差U‑net，网络输出磨粒分割结果；

其中，轻量级残差U‑net先训练后使用，轻量级残差U‑net的训练过程包括：S1、融合深度残差网络与U‑net，构建轻量级残差U‑net；

S2、采集铁谱图像，对采集的铁谱图像进行筛选，剔除包含气泡的透射光铁谱图像和反射光铁谱图像，保留成像质量好、干扰少的透射光铁谱图像和反射光铁谱图像；

S3、采用自动标记方法对保留的反射光铁谱图像进行标记，得到训练数据集；

S4、用训练数据集训练轻量级残差U‑net，训练样本数量≥200，网络卷积层层数≥18层，采用ADMA优化算法最小化输入图像与实际输出之间的损失值，通过优化参数不断减小输入的图像的标记和网络的实际输出之间的差异，得到训练好的轻量级残差U‑net。

2.根据权利要求1所述的一种基于轻量级残差U‑net的反射光铁谱图像分割方法，其特征在于，步骤S1中轻量级残差U‑net包括：

1)轻量级残差U‑net包括编码模块‑解码模块的网络结构，编码模块和解码模块都有4个子块，编码模块的子块由连续4个卷积层组成，前3个卷积层用于提取图像特征，后1个卷积层用于下采样；解码模块的子块由一个反卷积层和连续3个卷积层组成，反卷积层用于上采样，后3个卷积层用于恢复图像信息；

2)在网络结构中嵌入批归一化batch normalization层以防止过拟合，同时使用shortcut connection以缓解模型退化，加速网络收敛；

3)网络层通道数量由输入到底层逐步递增，由底层向后逐步递减；最小通道数量为64，最大通道数量为512；

4)构建的轻量级残差U‑net共包含33个卷积层，4个反卷积层。

3.根据权利要求1所述的一种基于轻量级残差U‑net的反射光铁谱图像分割方法，其特征在于，步骤S3中，采用自动标记方法对保留的反射光铁谱图像进行标记，得到训练数据集具体包括：

S31、用均值漂移算法分别对保留的透射光铁谱图像和反射光铁谱图像进行平滑滤波，以滤除噪声、平滑色彩细节；

S32、分别对透射光铁谱图像和反射光铁谱图像进行灰度化，得到透射光铁谱灰度图像和反射光铁谱灰度图像；

S33、用自适应阈值方法分别对透射光铁谱灰度图像和反射光铁谱灰度图像进行分割，得到透射光铁谱灰度图像的分割结果和反射光铁谱灰度图像的分割结果；

S34、将透射光铁谱灰度图像的分割结果和反射光铁谱灰度图像的分割结果两两相加，得到融合后的二值化图像数据集；将保留的反射光铁谱图像以及融合后的二值化图像数据集作为轻量级残差U‑net网络的训练数据集。

4.根据权利要求1所述的一种基于轻量级残差U‑net的反射光铁谱图像分割方法，其特征在于，步骤S4中，用训练数据集训练轻量级残差U‑net，得到训练好的轻量级残差U‑net，具体包括：

S41、将训练集中的反射光图像输入到轻量级残差U‑net中，轻量级残差U‑net输出二值化图像；

S42、根据交叉熵损失函数计算得到轻量级残差U‑net的输入和实际输出之间的损失值，利用ADMA优化算法最小化损失值，在损失值逐渐减小的过程中，网络参数不断更新；

S43、重复执行上述步骤S41‑S42，当损失值接近于0时，网络的最优参数得以保存，网络训练完成。