随着我国经济的高速发展,以轮胎为主的橡胶制品消耗量急剧增加,这使得对橡胶生产工艺质量的要求变得更为严格。混炼作为其中最重要的工序之一,混炼胶的质量已成为衡量橡胶制品好坏的标准。炭黑分散度作为评价混炼胶质量的重要指标,如何精确的识别炭黑成为炭黑分散度客观评价的关键问题。而传统的人工炭黑识别法,效率低、主观性强;自动识别的炭黑分散度检测仪器价格昂贵,且在炭黑与橡胶灰度接近时存在识别偏差,甚至将某些杂质误识别为炭黑;严重影响了后续炭黑分散度的评价。针对上述问题,本文从炭黑识别前的预处理、识别算法选择以及识别后杂质分割三个方面进行深入研究,具体工作如下:首先,针对图像中存在的模糊、噪声、对比度低三种干扰,提出采用模糊函数、中点滤波、灰度变换的方法,消除了干扰对后续识别影响。其次,在充分考虑胶料图像特点的基础上,为了提升后续识别算法的精度,提出了基于拐点的图像优化方法。针对几种典型的图像分割算法存在的不足,提出了基于最大熵的PCNN炭黑识别算法。通过实验对比发现,基于最大熵的PCNN炭黑识别算法,其分割细节更加完整、细腻。基于最大熵PCNN算法的运用,并结合基于拐点的图像优化方法,解决了区分炭黑与橡胶的问题。最后,通过观察对比,发现了炭黑与杂质形态上的差异,提出分别利用面积、伸长度、紧致度以及细长度特征实现对大颗粒、切痕、气孔以及丝状曲线类杂质的处理。其中,MER法求取的最小外接矩形实现了伸长度的精确计算;腐蚀操作的运用,实现了曲线杂质最大厚度的表征。实验数据表明,面积超过613的为大颗粒杂质;伸长度大于6.5的为直线型杂质;中空面积大于3且紧致度趋近于1的为气孔杂质;细长度超过1.3的为丝状类曲线杂质。杂质的去除,是对炭黑识别的补充,进一步提高了炭黑识别的精度。本文通过对炭黑识别与杂质分割方法的研究,解决了人工识别炭黑效率低、精度差的问题,进一步提升了自动检测设备的识别精度,为后续炭黑分散度评价提供了更精确的数据基础。