《Micron》：Deep Learning Assisted Particle Size Ranking and Estimation from SEM Images without Explicit Segmentation
编辑推荐：
基于合成数据训练的相似性驱动深度学习框架可快速从SEM图像中实现无分割粒子尺寸排序和相对估计，通过形态感知嵌入空间学习，在真实数据集上验证了排名性能和形态一致性优势，为材料筛查提供高效自动化工具。
埃姆雷·布尔克·埃尔图什（Emre Burak Ertu?）
土耳其科尼亚KTO卡拉塔伊大学（KTO Karatay University）工程与自然科学学院机械工程系
摘要
在纳米材料研究中，从扫描电子显微镜（SEM）图像中准确确定颗粒大小和形态是一个基本要求。传统方法主要依赖于显式分割，这需要繁琐的手动标注或参数调整，尤其是在处理聚集颗粒或复杂形态时。在这项研究中，我们提出了一种新的、无需分割的框架，可以直接从SEM图像中使用基于相似性的深度学习方法对颗粒大小比例进行排序和估计。与需要大量真实标注显微镜图像的传统监督方法不同，我们的方法使用了一个仅在合成生成的类似SEM的图像上训练的卷积神经网络（CNN）。该网络学习了一个能够感知颗粒形态的嵌入空间，在其中颗粒大小信息被隐式编码，从而允许通过基于嵌入的检索进行相对大小排序和比较评估。在真实SEM数据集上的评估表明，所提出的框架在不需要像素级真实标记的情况下实现了稳健的排序性能和视觉一致性。通过用基于相似性排序和辅助推理的框架替代绝对计量学分割，本研究介绍了一种实用且不受操作员影响的方法，可以快速筛选材料。
引言
在材料科学中，确定颗粒形态和尺寸分布至关重要，因为这些特性强烈影响纳米材料在催化和结构复合材料等多种应用中的功能行为。扫描电子显微镜（SEM）是可视化纳米尺度微观结构特征的主要手段（Théodon等人，2023年）。在许多情况下，原始显微镜图像包含重叠颗粒、异质对比度和显著噪声，使得这些图像的定量分析变得更加具有挑战性。虽然高分辨率图像的获取已经变得常规化，但这些图像的可靠和自动化解释仍然是材料表征过程中的一个重要瓶颈。
以前，定量分析依赖于经典的图像处理技术，如阈值处理、分水岭变换和边缘检测。尽管这些方法对于高对比度的分散颗粒有效，但它们本质上是参数化的且易受影响；它们需要针对每种特定的成像条件进行仔细的手动调整，以避免颗粒边界的过度分割或侵蚀（Zahedi等人，2025年）。此外，尽管手动立体学方法可以提供准确的结果，但它们需要大量的时间和精力，并且经常受到操作员主观性的影响，重复性也有限。因此，在工业和研究环境中对高通量分析的需求推动了寻找更稳健、自动化解决方案的探索，以减少人为干预。
近年来，深度学习的出现彻底改变了显微镜图像分析，其性能优于传统技术。该领域的主流方法是基于分割的分析，其中卷积神经网络（CNN）被训练用于进行像素级分类。U-Net及其变体等架构已成为识别颗粒边界和分离重叠实例的最新技术（Tao等人，2025年）。例如，研究已经成功使用U-Net和LinkNet架构对纳米颗粒进行分割，即使在噪声存在的情况下也能保持高准确性（Chen等人，2025年）。同样，Mask R-CNN等技术也被用于解决拥挤颗粒场中的实例分割问题（Yildirim和Cole，2021年）。尽管取得了成功，但基于分割的深度学习方法仍有局限性。它们通常需要大量的像素级标注数据（真实标记），这对于复杂形态来说生成起来非常繁琐（Gutiérrez等人，2022年）。
为了解决标记数据有限的问题，最近的研究越来越多地探讨使用合成数据集。生成模型和基于物理的渲染工具被用来生成人工SEM图像，以训练分割算法，从而减少对手动标注的依赖（Bals和Epple，2023年）。然而，这些模型仍然主要关注绝对尺寸量化（计量学），将问题视为局部像素分类任务，而不是全局图像解释任务。
与分割工作并行的是，越来越多的人对基于学习的图像解释方法感兴趣，这些方法专注于特征提取和分类，而无需显式分割。深度度量学习和基于相似性的检索方法已成为理解样本之间视觉关系的强大工具（Kaya，2019年）。通过将图像映射到低维嵌入空间，这些网络可以对相似的形态进行聚类或根据视觉属性对样本进行排序（Zhou等人，2024年）。这种“基于嵌入”的方法在分类纳米材料形态和检测异常方面显示出潜力，通过学习全局表示而不是仅仅关注局部边界（Lu等人，2022年）。这种从“直接测量”向“推理”的转变使得可以更有效地利用合成数据，因为网络学习了可以很好地转移到真实世界数据中的通用形态特征（Fang等人，2023年）。
本研究的动机是通过从显式分割转向基于相似性的排序和筛选导向的估计模型，来弥合系统计量学与快速、比较性检查之间的差距。我们认为，对于许多实际的显微镜应用，如质量控制或相对大小排序，绝对的像素级完美分割次于正确识别形态趋势（Ieracitano等人，2021年）。在SEM图像中进行定量颗粒大小分析传统上依赖于基于分割的方法，这些方法在许多应用中已被证明是有效的。然而，这些方法通常需要仔细的参数调整，并且在处理复杂形态、聚集结构或异质对比度条件时可能会遇到困难。此外，大多数现有方法旨在实现绝对尺寸精度，而在某些基于显微镜的检查场景中，比较评估和相对大小排序可能已经足够。
在这项工作中，我们提出了一种基于相似性的深度学习框架，作为基于分割方法的替代方案，可以直接从SEM图像中对颗粒大小比例（PSR）进行排序和估计，而无需显式分割或对真实显微镜数据进行训练。该方法利用了一个仅在类似SEM的合成图像上训练的卷积神经网络来学习一个能够感知颗粒形态的嵌入空间，在其中颗粒大小信息被隐式编码。通过结合轻量级的回归头和基于嵌入的相似性检索，所提出的方法强调相对排序和视觉一致性，而不是严格的计量学等级精度。该框架在从文献中收集的真实SEM图像上进行了评估。实验结果表明，该方法具有有希望的排序性能和一致的形态匹配，表明其作为基于SEM的检查和比较分析的补充工具具有潜在的适用性。
方法论
所提出的框架完全不需要分割，它依赖于深度卷积神经网络（CNN）将输入的SEM图像映射到一个能够感知形态的嵌入空间（Théodon等人，2023年；Zahedi等人，2025年）。工作流程包括四个主要阶段：（i）合成数据生成，（ii）模型训练，（iii）嵌入构建，以及（iv）带有尺度处理的确定性推理。本研究采用的合成数据生成和训练策略是
定量性能和一致性分析
所提出的基于相似性的框架的预测性能在包含32张来自独立文献来源的真实SEM图像的测试集上进行了评估。所有实验都在配备了Intel Core i5-10400F CPU、16 GB RAM和4 GB VRAM的NVIDIA GeForce GTX 1650 SUPER GPU的系统上进行。在这种硬件上处理单个SEM图像大约需要45毫秒，包括输入标准化、前向传递、嵌入检索和尺度校正。
对基于显微镜的检查的意义
结果表明，基于相似性的深度学习为SEM分析中的传统基于分割的颗粒大小测量工作流程提供了可行的替代方案（Jacobs，2022年；Ede，2021年；Ge等人，2020年）。与依赖于显式颗粒边界检测、阈值调整或操作员依赖的参数选择的传统方法不同，所提出的框架完全不需要分割，可以直接在原始SEM图像上进行端到端操作。
这特别
结论
本研究提出了一种无需分割的深度学习框架，用于从SEM图像中对颗粒大小进行排序和估计。该方法将度量学习目标与直接回归头结合在一个基于ConvNeXt的架构中，该架构仅在合成生成的类似SEM的图像上进行了训练。输入的显微图被映射到一个能够感知形态的嵌入空间中，通过结合直接回归和基于嵌入的推理策略产生尺寸估计
资金
这项研究没有从公共、商业或非营利部门的资助机构获得任何特定资助。
CRediT作者贡献声明
埃姆雷·布尔克·埃尔图什（Emre Burak Ertu?）：撰写——原始草稿、方法论、调查、形式分析、数据管理、概念化。
利益冲突声明
作者声明没有已知的利益冲突或个人关系可能影响本文报告的工作。
