铝合金是世界公认的重要战略资源,是国民经济和国家发展的重要保障,广泛的应用于冶金、机械、化工、航空航天、国防等领域。铝合金密度低、强度高、塑性好、易加工成材,并且具有良好的导电性和抗腐蚀性。但是在铸造的过程中产生的夹杂严重影响了铝合金的机械性能、物理性能和抗腐蚀性能。为了抑制夹杂对铸件的影响,需要对夹杂进行鉴别。传统的鉴别方法费用高,耗时长,夹杂物相分析不全面易导致误判,并且在操作过程中容易引入新的夹杂。在回顾和总结前人研究的基础上,本文提出利用图像处理技术对铝合金夹杂进行识别,首先结合电子探针和金相显微镜对铝合金夹杂进行分析,确定夹杂种类及其特征的对应关系,采集图像并分析图像质量,确定适当的预处理方案:然后尝试使用常见的分割方法对夹杂进行提取,分析其结果,提出一种基于连通区域的C-V模型分割算法;最后,利用CNN提取图像特征,建立SVM模型对夹杂特征进行训练和识别,整体识别率为92%。得到的结论如下:(1)结合电子探针和金相显微镜,分析氧化膜、氧化镁、立方体、镁铝尖晶石以及二硼化钛夹杂的物相组成及其分布特点,确定夹杂特征与种类的关系;(2)实验所研究的金相图像存在大量噪声,需要进行滤波去噪处理,分别用中值滤波和均值滤波对289张金相图进行去噪,计算图像的均方误差、峰值信噪比和结构相似度。由主观图像和客观数据可得,中值滤波的去噪能力优于均值滤波:就其损失信号的程度而言,中值滤波明显小于均值滤波;(3)图像存在明显的光照不均现象,传统的同态滤波法在校正光照的同时,会降低图像的对比度,不适用于含有氧化镁的图像,采用直径为300的圆盘做顶帽-底帽变换可大幅度地提升图像对比度,变换后图像背景的亮度基本一致,校光效果较理想;(4)Otsu阈值法、边缘检测、分水岭算法、C-V模型都不能很好的分割夹杂。利用C-V模型进行演化分析,发现其算法对初始轮廓有较强的依赖性,且分割速度较慢。针对这一问题,本文提出了一种基于连通区域标记的C-V模型,首先利用迭代阈值法将灰度图像转换成二值图像,寻找二值图像的8连通区域,然后将连通区域的轮廓作为C-V模型的初始轮廓,利用C-V模型进行分割。该方法有效地克服了 C-V模型对初始轮廓的敏感性,具有较高的收敛速度,取得了很好的分割效果;(5)利用上述的分割结果制作数据集,利用CNN提取图像特征,经过两层卷积、两层池化后得到192维图像特征,尝试使用CNN模型进行训练、识别,发现训练误差约为47%,识别率只有48%,其原因在于图像数量少,训练误差不能得到很好的收敛,此方法不能用于夹杂的识别;(6)针对CNN模型存在的问题,利用SVM模型进行修正,首先利用CNN提取图像特征,然后应用SVM模型进行训练、识别,通过对比不同核函数在不同En下的训练样本错误率和测试样本的识别准确率,发现高斯径向基核函数效果最好;尖晶石识别率最高,能达到100%,二硼化钛的识别率较低,原因在于其特征结构与氧化镁相似;夹杂整体识别率可达到92%,效果较理想。