碳纤维抽油杆是一种新型抽油设备,有着强度高、耐腐蚀、抗疲劳性强等显著优势。由于其制造工艺与组成材料的特殊性,在工艺合理的情况下生产的抽油杆仍有可能出现质量问题。因此通过科学的检测技术,对纤维材料规格指标进行检测是保证其质量与安全性的重要手段。纤维材料规格指标主要包括纤维颗粒个数、直径和体积含量等。通过对规格指标的检测能够更全面地监督并评价碳纤维抽油杆力学性能,也为碳纤维抽油杆的设计、生产以及后续使用提供参考意见和校准的数据参考。传统的抽油杆检测方法包括燃烧法、溶解法等,其检测方法费时费力、操作繁琐。近年来,基于显微图像的检测方法引起了研究者们的注意并逐渐得到应用。但是主流的图像分析系统存在准确率低、功能不完善、自动化程度低等缺点。针对碳纤维抽油杆的检测分析系统不够完善,因此本文将研究一套基于显微图像的检测分析系统。针对碳纤维抽油杆显微图像的特点,使用了一种基于YOLO算法的多窗口目标检测算法。首先通过直方图均衡化、滤波等算法针对显微图像进行预处理,再将显微图像分割为若干具有一定重叠的子区域,对每个子区域运用卷积神经网络与连通域分析检测。子区域的检测结果转换到原始图像后用非极大值抑制法进行筛选。并用阈值分割算法、分水岭算法等对误检颗粒分割。最后根据输出结果计算规格指标。通过现场实验表明使用本系统所得各项检测结果的相对误差都保持在5%以内,优于其它机器检测方法,和人工检测比较也能极大减少检测时间。使用本系统实现规格指标的检测,可完全取代手工测量、人工统计分析繁琐操作,提升检测效率与准确性。加强了碳纤维抽油杆在油田企业检测评价工作与使用,促进其材料属性与力学性能等方面的研究,对其他材料的检测分析系统开发也有借鉴意义。