传统毛细管熔点仪依赖人眼观察，判断初熔（第一滴液体出现）与全熔（固体消失）时刻存在主观误差。基于图像处理算法的自动识别技术，通过精准分割熔融过程中的关键视觉特征，实现了测量的客观化与精确化。其核心算法流程如下：
1.图像预处理与样品区域定位：
算法首先对采集的视频序列进行预处理，包括高斯滤波去噪和对比度增强，以凸显毛细管内的样品。随后，利用边缘检测或模板匹配算法精准定位并分割出固定的毛细管区域（ROI），排除背景干扰，为后续分析奠定基础。
2.初熔点的精准检测——基于纹理与形状突变：
这是分割的第一个关键。固体粉末在初始阶段具有特定的纹理特征。算法通过计算ROI内区域的灰度统计特征（如标准差）或纹理特征（如基于灰度共生矩阵的熵）来监控其变化。初熔发生时，局部区域出现液滴，导致纹理均匀性突变，上述特征值会发生显著跃迁。结合帧差法检测到局部变化区域，其对应的时刻即被判定为初熔点。此步骤克服了人眼对细微初熔现象反应滞后的缺点。
3.全熔点的精准判定——基于轮廓与透光性分析：
这是分割的第二个关键。随着熔化进行，固体轮廓持续收缩。算法通过边缘提取与轮廓跟踪（如Canny算子与主动轮廓模型）精确描绘固体柱的形态。全熔的判据是固体轮廓的消失。更先进的算法则同时监测整个ROI的平均灰度或透光率。固体消失瞬间，毛细管底部透光性急剧增加，导致整体灰度值发生阶跃式变化。算法将此拐点对应的时刻判定为全熔点，避免了人眼因判断“最后一个小颗粒消失”瞬间的不确定性。
结论：通过将熔融过程的视觉信息转化为可量化的纹理、轮廓与灰度特征，图像处理算法实现了对初熔与全熔两个物理阶段的精准、自动分割。这项研究不仅大幅提升了熔点测量的重复性与准确性，也为实验数据的数字化和智能化分析提供了坚实基础。
