基于深度学习的低分辨率显微成像自动测量膨胀聚苯乙烯珠粒尺寸研究

本刊推荐研究人员针对膨胀聚苯乙烯(EPS)泡沫珠粒尺寸手动测量效率低的问题，开展了基于深度学习模型的自动测量研究，利用低分辨率显微图像在8.5和24 kg/m3密度下验证。结果显示，Student's t-test、Levene's test和Mann–Whitney U test证实无显著差异，Bland–Altman plot分析表明无系统偏差。该方法可靠且精确，可作为手动测量的高效替代方案，显著提升EPS材料微结构分析的实际应用价值。

　　在这项前沿研究中，科学家们运用深度学习(Deep Learning)技术，开创性地开发了一套自动化测量方法，用于精准分析膨胀聚苯乙烯(Expanded Polystyrene, EPS)泡沫珠粒的尺寸，仅需低分辨率显微图像(Low-Resolution Micrography)即可实现。该方法解决了传统手动测量的耗时难题，通过在8.5和24 kg/m³两种EPS密度下的对比实验，利用Student's t-test、Levene's test以及Mann–Whitney U test等统计检验，验证了自动与手动测量结果无显著差异，且Bland–Altman plot分析显示无系统性偏差。这一突破不仅证明了深度学习方法的可靠性和精确性，还为EPS泡沫材料的微结构分析（如热绝缘(Thermal Insulation)、能量吸收(Energy Absorption)和压缩结构强度(Compressive Structural Strength)评估）提供了高效工具，将加速聚合物材料在工程和生物医学应用中的创新进程。