材料基因组(Materials Genome Initiative,MGI)融合高通量计算(理论)、高通量实验(制备和表征)、专用数据库三大技术,旨在变革材料研发理念和模式,实现将先进材料的发现、开发、制造的速度提高一倍的目标。针对材料、涂层孔隙参数高通量表征缺乏高通量表征测定工具,基于机器学习、图像处理算法、并行计算设计出孔隙参数高通量表征实验测定平台。利用高通量孔隙参数测定平台分别对10Ni5CrMoV钢基体和AZ91D镁合金等微弧氧化实验涂层表征图像进行表征测定,通过在线测定和离线高通量测定实验对高通量测定平台的进行实验验证。具体研究成果为:(1)基于机器学习、图像处理技术、多线程并行计算构建一个材料涂层孔隙参数高通量表征测定平台。通过机器学习获得高精度的二值图像并得到孔隙率参数值,应用霍夫原理针对二值图像进行孔隙区域检测,利用图像处理算法计算相邻孔隙间距参数。(2)基于孔隙参数高通量表征平台,在10Ni5CrMoV钢和AZ91D镁合金等防腐功能涂层表面孔隙参数(孔隙率、孔隙半径及孔隙间距)的测定中,达到与传统测定相同的测定精度,孔隙率、孔隙半径及孔隙间距的测定平均误差均不超过2%。(3)基于孔隙参数高通量表征平台,开展10Ni5CrMoV钢和AZ91D镁合金等防腐功能涂层表面孔隙参数(孔隙率、孔隙半径及孔隙间距)的高通量测定,平台满足了高通量实时在线测定的需求。此外,当面对大量处理样本时,算法平台采用并行运算以及数据集分割的方案,加快高通量表征进程,高通量计算平台保证了每张图像计算时间不超过2s。该平台以高通量的形式完成了对孔隙参数(孔隙率、孔隙间距、孔隙半径)测定,平台满足在线测定条件和离线高通量测定条件,提高孔隙材料的表征再现性,提高表征实验的效率。