从二维FIB–SEM到三维纤维网络：基于单目深度估计与无监督聚类的无标注深度感知重构

《Small Methods》：Depth-Aware Machine Learning for 3D Reconstruction of Fibrous Porous Electrodes by FIB-SEM Tomography

　　

具有亚微米特征尺寸的多孔聚合物的定量三维（3D）重建，对于理解和设计电化学界面与膜至关重要。然而，聚焦离子束–扫描电子显微镜（FIB–SEM）断层扫描结合常规分割技术，难以重建纤维等复杂无序形貌。标准分割工作流会将平面外材料错误分类为平面内材料，从而扭曲重构的孔隙网络、纤维连通性和界面面积。在此，研究人员引入一种无标注、深度感知的机器学习框架，该框架将基于宏观尺度图像训练的单目深度估计（monocular depth estimation）与无监督聚类（unsupervised clustering）相结合，以在系列FIB–SEM断层扫描图像中分离平面内聚合物横截面与次表面贡献。将该方法应用于铜包覆静电纺聚(偏氟乙烯-co-六氟丙烯)（PVDF-HFP）纤维毡时，所得到的3D重建比常规有监督和无监督分割更忠实地保留纤维形貌。针对毛细管流动孔隙率法（capillary flow porometry，CFP）、比重瓶法（pycnometry）和高分辨率广角X射线计算机断层扫描（wide-angle X-ray computed tomography）的定量验证表明，在孔隙横截面直径、纤维体积比和Cu深度降低指标上具有更好的一致性。这项工作确立了深度感知分割作为从真实尺度到纳米尺度成像的可迁移策略，无需标注训练数据，并能够从SEM图像实现准确的3D分割与重建。该方法为无序多孔聚合物材料中更可靠的结构–性能关系开辟了途径。

研究背景与问题：含氟聚合物因优异耐化学性在现代电化学与膜技术中具有重要地位，聚(偏氟乙烯-co-六氟丙烯)（PVDF-HFP）作为代表性共聚物，广泛用于气体扩散电极、凝胶聚合物电解质与部分锂离子电池隔膜、过滤分离膜以及传感和柔性电子功能薄膜。六氟丙烯（HFP）单元引入聚(偏氟乙烯)（PVDF）主链可降低结晶性、提高链迁移性，从而改善柔韧性、可拉伸性和孔隙率，同时保持耐化学性、热稳定性和机械稳健性。气体扩散电极和膜的性能受多孔结构与结构异质性控制，并影响传质和界面相互作用；例如在CO₂还原电解器中，气体扩散电极约100 nm的孔尺寸差异会影响CO₂转化总体效率和选择性。然而，亚微米无序多孔聚合物的孔隙率及空间分布难以准确表征，限制了结构–性能关系建立和微结构理性设计。间接统计技术如广角/小角X射线散射或CFP信息不完整；X射线微型计算机断层扫描（X-ray microCT）可非破坏成像较大体积，但聚合物与孔之间X射线衰减系数低、对比弱，分割和相识别困难；透射电子显微镜（TEM）超薄切片分辨率高但制样苛刻，并可能引入畸变或伪影；FIB–SEM断层扫描可解析纤维多孔聚合物纳米形貌，但高孔材料中每张SEM图像不仅包含新暴露表面信息，还因电子束穿透和有限相互作用体积包含下部结构贡献。常规分割仅依据材料颜色或特征线索，而平面内与平面外聚合物相似，难以分割和重建纤维等复杂形貌，并导致重构孔隙网络、纤维连通性和界面面积失真。因此，研究人员开展基于深度判别的机器学习分割研究。

研究开展与意义：研究人员开发了一种基于深度判别的机器学习方法，用于区分单个FIB–SEM切片中位于平面内的聚合物纤维与背景纤维；该方法基于在真实尺度图像上训练的单目深度估计模型（源自计算机视觉、机器人和自动驾驶领域），并将其迁移至纳米尺度SEM图像以预测深度梯度，再结合无监督机器学习重建体积。将该方法应用于Cu包覆电纺PVDF-HFP纤维毡，并以CFP、比重瓶法和离位广角X射线散射（WAXS）计算机断层扫描结果验证。结果表明，重构体积更好保留纤维特征，在孔隙横截面直径、纤维体积比和Cu深度降低指标上优于常用无监督和有监督机器学习及分割方法；该方法无需标注训练数据，建立了纳米尺度纤维多孔材料三维重建的可推广框架，可提高可获得结构信息的数量和质量，并为后续由二维SEM图像模拟三维体积创建数据集。

关键技术方法：样品为电纺PVDF-HFP纤维毡，经物理气相沉积约400 nm Cu层。采用双束FIB–SEM断层扫描，先沉积5 × 5 μm²、500 nm厚碳层保护表面，周围材料铣削至5 μm深，连续获取564张截面SEM图像，像素/体素尺寸为10 × 10 × 10 nm³；进行漂移校正和基于针孔相机模型的约38°倾角校正。采用MiDaS与DPT-Hybrid单目深度估计框架生成深度梯度图，通过窗口侧尺寸和阈值选择最浅聚合物相，再用高斯混合模型（GMM）无监督聚类分离纤维横截面。与GMM、Fiji Trainable Weka Segmentation有监督分类比较；以CFP、比重瓶法、WAXS计算机断层扫描及孔隙横截面直径、纤维体积比、Cu深度降低等指标评估。

研究结果：
（1）FIB–SEM图像校正步骤：原始切片存在随时间漂移，可能由导电性较差的PVDF-HFP荷电引起；以参考孔位置进行线性插值校正。由于SEM图像未垂直于样品表面，检测器倾角约38°，进一步基于针孔相机模型校正垂直角度并进行漂移校正。角度+漂移校正图像用于后续分析。从单次FIB–SEM采集的非重叠区域提取四个12.8 μm³（2.3³ μm³；2343像素）图像堆栈；纤维横截面直径约200 nm，每个堆栈各轴跨越十余个纤维直径，每层含30余个纤维横截面。结论：为分割和体积重建方法评估提供输入数据。

（2）机器学习深度判别：采用基于卷积神经网络的深度估计，具体为MiDaS混合数据集与DPT-Hybrid密集预测Transformer，从单张灰度FIB–SEM图像推断每像素相对深度值；模型训练数据包含室内、室外和对象中心等多领域真实与合成图像，虽不含亚微米图像，生成的深度梯度图仍捕获PVDF-HFP SEM图像中的较深孔隙和表面不规则。通过窗口侧尺寸和阈值（窗口内较浅区域深度梯度百分位）选择最浅聚合物相；过大窗口和高阈值会纳入较深区域及纤维横截面周围更广区域，过小值导致横截面选择不完整；经验选择阈值50%、窗口侧尺寸1000 nm和500 nm两组参数，以最好保留原始图像全部纤维横截面并最小化铣削面外聚合物。结论：深度梯度可用于平面内聚合物选择。

（3）用于识别平面内PVDF-HFP的机器学习方法比较：GMM无监督算法依据RGB强度聚类，倾向过度分类较亮聚合物相，保留深层聚合物，导致体积过填充且不保持纤维结构；Fiji Trainable Weka Segmentation有监督模型由少量随机切片人工标注聚合物和孔区域训练，重构体积欠填充但保持一定纤维连续性；深度感知模型得到中间填充密度。所有方法纤维形态和连续性仍较差，尤其顶到底方向；因此在深度感知建模后引入无监督学习，以在深度选择区域内区分纤维横截面与其余纤维。深度判别结合无监督学习的最终体积更好捕获特征纤维结构，但仍含纤维阴影来源的细 trail 伪影。结论：深度判别与无监督学习结合最佳。

（4）重构体中结构性质的定量比较：计算横向平均孔横截面直径、顶到底平均孔横截面直径、纤维体积比和界面积，并与CFP和比重瓶法比较。CFP基于润湿液体流量随施加气压变化，用Young–Laplace方程计算，假设圆形孔横截面，对PVDF-HFP等纤维聚合物不精确；重构计算考虑所有≥1 px（0.1 μm²）孔隙横截面。结果表明，深度感知分割结合无监督学习及角度+漂移校正与实验值最接近；界面面积最大，更符合 elongated 纤维结构而非堆积结构，尽管可能受纤维阴影伪影影响。结论：深度感知分割提高定量结构保真度。

（5）Cu分布与离位WAXS计算机断层扫描的基准比较：WAXS计算机断层扫描测量1 μm厚、1 mm² Cu包覆PVDF-HFP自由-standing样品，3 ?^?1反射归因于Cu；切片表面Cu峰分布显示若干闭合曲线，归因于表面起伏；选取较连续且呈椭圆的轮廓，沿四条垂直曲线边缘的线取Cu强度，归一化并峰对齐后平均。重构体积中添加400 nm Cu层，计算Cu深度分布，并按WAXS 2 μm分辨率卷积、1 μm间隔重采样，比较最大后1 μm处Cu深度降低。WAXS基准不确定性较大，可能低估真实最大Cu深度降低；深度感知建模重建在均值和不确定度内与基准最接近，且不依赖校正方式。结论：深度感知重建与Cu深度分布实验基准更一致。

讨论总结：研究引入深度感知机器学习框架，将单目深度估计作为次表面信息代理，并结合无监督分割，选择性识别暴露切片中聚合物特征、抑制地下结构贡献；多个独立体积显示重构纤维形貌与孔隙横截面直径分布、纤维体积比和Cu深度降低等实验指标更一致，说明即使采用代理形式深度信息也能提高三维重建保真度。MiDaS用于亚微米SEM图像存在域不匹配，但原文指出边缘、梯度、纹理不连续等视觉基元并非域特异；有限电子相互作用体积导致深度相关信号贡献和模糊对比，可能编码次表面信息；预测深度应视为相对深度代理而非绝对几何深度。仍需检验更广材料及序列堆栈训练是否更有效。真实三维基准困难：FIB–SEM中束穿透和开放孔网络下可见地下纤维使真实表面识别模糊；TEM超薄切片可机械畸变和伪影，X射线microCT对低密度聚合物对比不足；GMM和Fiji分类器可及但非最先进；U-Net、DeepLab等有监督方法需大量专家标注且真值模糊。本方法无需标注SEM训练数据，但依赖专家经验选择深度准则，验证依赖间接体相或平均测量，无体素级精度；未来可用已知几何的合成或工程纤维多孔结构严格基准。原文强调需谨慎解释结果，并推动整合物理模型和域特定训练策略。

结论部分翻译：研究人员开发了深度感知机器学习框架，用于从FIB–SEM图像堆栈重建三维纤维聚合物架构。通过将单目深度估计作为次表面信息的代理，该方法克服了常规SEM分割的关键局限，即有限电子相互作用体积造成的平面外特征误分类。与无监督学习结合，该方法能够准确识别纤维横截面，并产生更好捕获真实纤维形貌的重构体积。与标准分割方法相比，所提框架在孔隙横截面直径分布、纤维体积比和Cu深度降低等多个实验基准上显示更好一致性，同时无需标注训练数据。尽管使用在SEM域外训练的深度感知模型引入一定不确定性，结果仍显示较强可迁移性和泛化潜力。总体而言，这项工作确立了深度感知分割作为无序多孔材料纳米尺度三维重建的有力且实用策略，为定量结构分析和预测建模开辟新机会。