基于机器学习的碳烟聚集体透射电镜图像中初级粒子智能分割模型SAGE的开发与应用

这篇研究推荐采用两阶段训练策略（合成图像预训练+真实图像微调），创新性地开发了SAGE（Soot Aggregate Geometry Extraction）模型，成功实现TEM图像中碳烟初级粒子的自动分割（F1得分67.7%，mIoU 62.2%），其不规则边界识别能力和粒径分布预测精度（误差<5%）显著优于传统圆霍夫变换（CHT）和欧式距离映射（EDM）方法。

　　

亮点与结论

【方法创新性】

本研究开发的SAGE（碳烟聚集体几何提取）模型采用独特的双阶段训练策略：第一阶段使用合成TEM图像进行预训练，第二阶段通过人工标注的真实图像进行微调，有效解决了传统方法在复杂颗粒形状和图像纹理处理上的局限性。共开发三个变体（SAGE₀、SAGE₁、SAGE₂），其中SAGE₂表现最优。

【性能突破】

实验证明，在训练中加入人工标注的真实TEM图像可使模型性能产生质的飞跃。与常规的圆霍夫变换（CHT）和欧式距离映射（EDM）相比，SAGE能更精准捕捉初级粒子的不规则边界，且无需逐图参数调整。模型在半径回转（radius of gyration）和分形维度（fractal dimension）预测上的中位误差分别低于5%和1%。

【科学价值】

该模型首次实现了TEM图像中碳烟初级粒子的自动化高精度分割，为研究燃烧颗粒物的形态演化及其气候/健康效应提供了革命性工具。其开箱即用的优异表现（F₁得分67.7%，平均交并比62.2%）显著优于现有所有方法。

创新性与意义声明

本研究开创性地将机器学习应用于TEM图像中碳烟初级粒子的自动分割，其创新点在于：

1）采用合成与真实图像结合的双阶段训练范式

2）实现不规则颗粒边界的智能识别

3）首次建立端到端的自动化分析流程

该技术将传统需要数周的人工分析工作缩短至分钟级，为大气颗粒物形态学研究树立了新标准。