对石油管钢材落锤撕裂断口进行评定,目前采用的方法还主要是通过游标卡尺等测量工具进行测量和计算,存在对工作人员经验要求高、人工判定主观因素影响大、不规则形貌判别困难和效率低等特点。本文针对以上钢材断口评定中存在的问题,从图像的传统分割方法和机器学习方向的分割方法两个方面展开研究。1)对钢材断口形貌进行研究,从传统图像处理方法出发,分别使用基于边缘的分割方法、基于区域的分割方法和基于背景的分割方法多方面对钢材断口图像进行实验研究,针对钢材断口形貌中比较复杂的试样采用交互式图像分割的方法,对钢材断口图像中的脆性区域进行选择和计算。2)采用了一种基于全卷积神经网络的钢材断口图像语义分割方法。首先对采集好的钢材断口图像进行脆性区域的数据集标记。然后利用标记好的数据集对FCN网络模型进行训练,使用训练好的模型对钢材断口图像进行预测,通过对预测好的结果图像和标记图像进行对比发现,全卷积神经网络模型可以识别出钢材断口面中的脆性区域位置,但是存在对试样断口脆性区域的边界识别不够精细,对图像中的细节信息不够敏感等缺点。3)采用了一种具有空洞卷积编解码器模型的钢材断口图像语义分割方法。为了更有效的在tensorflow机器学习平台上进行训练,将制作好的数据集转换成Tfrecord格式,通过对优化后的Deep Lab V3+网络模型进行训练,该模型可以有效的分割试样断口中的脆性区域。为了能够可视化的对钢材断口图像进行预测,采用Mask R-CNN的实例分割方法进行模型的训练,通过对训练好的模型进行评估发现,该方法具有较高的检测效率和分割效果。4)最后以8363 GB/T《铁素体钢落锤撕裂试验方法》标准中钢材断口的评定计算公式为基础,结合钢材断口原始图像、标记图像和识别图像的特点,对钢材试样断口剪切面积百分数的计算方法进行基于像素级别的改进。通过实验进行分析和对比后,证明实验采用的方法是有效的,基于图像处理的钢材断口脆性区域识别方法具有更高稳定性、准确率和分割效果。