基于深度学习的磷灰石裂变径迹自动识别新方法

《Radiation Measurements》：A novel deep learning-based artificial intelligence method for automated apatite fission-track identification

【编辑推荐】针对传统显微镜下人工识别裂变径迹效率低、误差率高的问题，研究人员提出基于Mask R-CNN（Mask Region-based Convolutional Neural Network）的深度学习方法，通过椭圆拟合策略解决重叠径迹识别难题。实验显示该方法准确率超87%，为热年代学分析提供了高效自动化解决方案。

　　

裂变径迹测年（Fission-track dating）作为揭示岩石热历史的关键技术，长期依赖显微镜下人工计数，不仅耗时费力，还易因操作者主观性导致误差。尽管早期图像分析算法尝试实现自动化，但面对磷灰石样本中形态复杂的短径迹和重叠径迹时，传统阈值分割和边缘检测方法往往力不从心。随着深度学习在医学影像等领域的突破，研究者开始探索卷积神经网络（CNN）在径迹识别中的应用，但现有算法如YOLOv3和Faster R-CNN仅能生成矩形检测框，难以精准区分重叠径迹——这正是制约自动化分析的核心瓶颈。

针对这一挑战，黄睿等人创新性地改造了Mask R-CNN架构，通过引入更深的特征金字塔网络（FPN, Feature Pyramid Networks）和优化锚框（anchor boxes）设计，显著提升了对微小径迹的捕捉能力。研究团队采集70幅1000倍放大的磷灰石自发径迹图像（55幅训练，15幅测试），利用改进算法实现径迹边界坐标提取后，创新性地采用椭圆拟合策略：通过分析椭圆长短轴比（α_w/h），成功区分单径迹与重叠径迹。实验数据显示，该方法综合准确率达87%以上，其中重叠径迹识别精度较传统矩形框方法提升显著。

关键技术方法
研究采用Mask R-CNN进行实例分割，优化FPN层级结构以增强小目标检测；通过椭圆拟合算法处理径迹边界坐标；利用α_w/h参数阈值划分重叠径迹类型。样本为环氧树脂抛光的磷灰石晶体，经化学蚀刻后获取自发径迹显微图像。

主要研究结果

1. 半径迹识别：测试集显示准确率、召回率均超87%，但召回率略低反映短径迹漏检问题。改进后的FPN结构使小径迹检测效率提升23%。
2. 重叠径迹分类：通过椭圆参数分析，将重叠径迹分为Ⅰ型（α_w/h≥1.5）和Ⅱ型（α_w/h<1.5），分类准确率达91.4%。
3. 椭圆拟合验证：与人工标注对比，拟合椭圆中心点平均偏移仅0.82μm，证实方法几何精度可靠。

结论与意义
该研究首次将实例分割与几何建模结合，突破传统矩形检测框限制，为裂变径迹自动化分析提供新范式。方法在沉积盆地热史重建、造山带剥蚀速率估算等场景具有广泛应用价值。国家自然科学基金（42030301等）和广东省基础研究项目（2025A1515010724）的支持，彰显其在地球科学领域的战略意义。论文发表于《Radiation Measurements》，为深度学习赋能地质年代学树立了标杆。