YOLO引导的自动化（微塑料）颗粒分析工作流程

《Analytical Methods》：Development of a YOLO-guided automated (microplastic) particle analysis workflowOpen Access

　　

微塑料（MPs）是一种引起全球关注的新兴污染物，迫切需要快速而准确的监测工作流程。基于深度学习的计算机视觉在显微镜图像中寻找颗粒方面表现出强大的性能，但其作为自动化红外/拉曼显微光谱（IR/Raman）微塑料分析的前端模块仍发展不足，尤其是在将图像级颗粒检测结果转换为显微镜可执行的颗粒形态表征和光谱采集规划操作的工作流程中。本研究旨在解决这一空白。首先，将参考微塑料沉积在Anodisc滤膜和玻璃载玻片上，从中采集了包含7010个颗粒的626张明场显微图像。数据集按7:2:1的比例随机分为训练集、验证集和测试集，并开发了一个Ultralytics YOLO11实例分割模型。在交并比（IoU）阈值为0.7时，测试的精确率、召回率和F1分数分别为0.86、0.93和0.89，优于两种基准方法：基于阈值的方法（F1=0.25）和Mask R-CNN（F1=0.84）。在另一个由自来水制备的测试集（背景相对干净）上，模型在IoU=0.7时取得了精确率、召回率和F1分数分别为0.78、0.90和0.83。然而，如对商业盐制备的样本测试所示，颗粒检测性能随着图像背景变脏而下降。研究人员解决了端到端自动化所需的关键技术挑战，包括逐视野自动聚焦、从YOLO风格输出中恢复真实的显微镜坐标、将检测结果转换为用于下游表征的颗粒描述符，以及用于图像采集和光谱采集规划的程序化显微镜控制。完整的实现、代码和良好标注的数据已公开释放，使该工作流程能被更广泛的微塑料监测应用所采用和扩展。

微塑料（microplastics, MPs）污染已成为全球关注的新兴环境问题，其广泛存在于海洋、淡水、土壤、空气、食品和生物样本中，预计到2040年污染负荷将翻倍，因此亟需常规化、大规模且准确的监测手段。传统监测流程中，颗粒定位与形态评估依赖人工镜检，效率低且易引入主观偏差；基于阈值的自动分割方法虽可替代人工，但通常需要暗场、荧光、扫描电子显微镜或特定波数红外成像等高对比度条件，依赖专用硬件或试剂，限制了其普及性。深度学习计算机视觉（computer vision, CV）方法在低对比度明场图像中也能实现良好的颗粒分割，但现有研究大多停留在图像级检测，缺乏与红外/拉曼（IR/Raman）显微镜集成、可将检测结果自动转换为显微镜可执行坐标并规划光谱采集的完整自动化工作流。为此，研究人员开发了一种以YOLO11实例分割模型为核心的自动化微塑料颗粒分析工作流，该研究发表于《Analytical Methods》。

研究人员将四种参考微塑料（聚酰胺6、聚对苯二甲酸乙二醇酯、聚丙烯、聚苯乙烯微球）分别沉积在Anodisc氧化铝滤膜和玻璃载玻片上，共采集626张明场图像、7010个颗粒，按7:2:1比例划分为训练、验证和测试集，训练了YOLO11l分割模型。同时，基于PyAutoGUI实现了对显微镜的程序化控制，包括逐视野自动聚焦、YOLO坐标到真实显微镜三维坐标的转换、颗粒面积/圆度/最大与最小费雷特直径等形态参数计算，以及光谱采集点规划。针对真实环境样本（来自爱尔兰都柏林大学的自来水和商业盐），研究人员采用迁移学习微调模型，并引入后处理去除冗余分割。

**3.1 模型性能**：在参考样本测试集上，YOLO11l-seg达到mAP@0.5=0.96、mAP@0.5:0.95=0.59；在IoU=0.7时精确率0.86、召回率0.93、F1=0.89。与YOLOv8l和YOLOv5l相比，YOLO11l在整体性能上最为均衡（F1分别为0.894、0.877、0.829）。光照扰动实验表明，模型在不同照明条件下性能几乎不下降，说明其具有一定的跨显微镜系统鲁棒性。

**3.1.1 与现有颗粒寻找方法的比较**：与基于阈值的TUM-ParticleTyper 2相比，YOLO-seg在相同测试集上F1=0.89远高于TUM-ParticleTyper 2的0.25；在低对比度的Anodisc滤膜图像上优势尤为明显，TUM-ParticleTyper 2的召回率仅0.18，而YOLO-seg为0.93。与Mask R-CNN相比，YOLO-seg的召回率（0.93 vs 0.84）和F1（0.89 vs 0.84）均更高，精确率相近（0.86 vs 0.85），表明YOLO-seg在保持低误检的同时能检测出更多真实颗粒。

**3.1.2 在真实环境样本中的应用**：对自来水样本（过滤至硅膜上），初始模型将方形滤孔误判为颗粒；研究人员从1359张图像中抽取约10%进行迁移学习（冻结骨干网络，启用180°旋转增强），微调后模型在原测试集性能几乎不变，而在剩余1223张图像上达到IoU=0.7时精确率0.78、召回率0.90、F1=0.83；后处理去除包含型冗余分割后，精确率升至0.87、F1升至0.88。对商业盐样本（背景脏污严重），微调后模型在IoU=0.7时F1=0.58，放宽至0.5时F1=0.74，说明复杂背景主要影响颗粒边界的分割精度，但模型仍能定位大多数颗粒。

**3.2 模型输出**：YOLO-seg输出归一化多边形顶点，研究人员将其转换为物理尺寸并计算面积、圆度、最大/最小费雷特直径。为确定光谱采集点，提出了分割区域最大内切圆中心的坐标作为采样点，该点严格位于颗粒内部，适用于纤维、环形、哑铃形等不规则形态。

**3.3 自动化工作流的时间效率**：效率受感兴趣区域（ROI）面积、物镜放大倍数、基底平坦度和模型推理速度影响。示例中，使用10×物镜扫描约144 mm2的Anodisc滤膜区域（约占可用面积42%），每视野拍摄11层z-stack，共470个视野，从图像采集到生成光谱采集坐标总耗时约3.1小时。单点红外光谱采集约需15秒（光谱范围1801–769 cm^-1，扫描3次，分辨率2 cm^-1）。

**3.4 单个颗粒的自动重新聚焦**：对目标颗粒逐个进行基于量子级联激光器（QCL）的自动聚焦优化。例如，一个15 μm尼龙颗粒在初始位置2780 μm处虽清晰可见，但在1639 cm^-1处红外响应几乎为零；自动聚焦在2768 μm处获得最大响应，显著提升了光谱质量。

讨论部分指出，深度学习模型不应被视为固定不变的解决方案，需要随新数据持续更新，迁移学习是有效的更新手段。研究人员建议建立类似光谱数据库Open Specy的开放性显微镜图像数据库，鼓励研究者上传良好标注的图像，以持续改进模型泛化能力、支持跨基底迁移和标准化基准测试。

研究结论翻译如下：随着对微塑料污染的科学和公众关注日益增加，迫切需要常规和大规模监测微塑料，而自动化对于满足这一需求至关重要。研究人员提出了一种以Ultralytics YOLOv11分割模型为核心的新型高性能自动化微塑料检测工作流，该工作流有潜力支持更大规模和更复杂的微塑料分析，从而促进对环境中微塑料的分布、特征和生态影响进行更全面的研究。该工作流的核心是深度学习CV模型，但模型不应被视为一劳永逸的解决方案；在实际应用中，模型需要随着新数据不断更新。未来当遇到更广泛物理性质（如不同颜色、形状和尺寸）以及更多样化基底（如银膜、镀金滤膜、氟化钙窗片、玻璃纤维滤膜）上的颗粒/纤维图像时，应用迁移学习将进一步提高模型性能。为维持这种进步，应建立一个图像数据库，让微塑料研究人员上传其标注良好的图像数据，为更新CV模型提供持续的高质量样本，类似于已建立的Open Specy光谱数据库。整合并持续更新一个涵盖颗粒和纤维的开放性显微镜图像存储库，将通过改善模型泛化和跨基底迁移性、支持迁移学习和持续学习范式、实现可比较的基准测试和更高的可重复性，显著推进微塑料的CV研究。