面向自动化晶粒尺度估计：桥接基础模型与ASTM冶金学标准
计算机视觉与模式识别
2026-04-22 v1
摘要
从显微镜图像中提取标准化冶金学指标仍具有挑战性，原因在于晶粒形貌复杂以及监督分段对数据的高需求。为弥合基础计算机视觉与实际冶金评估之间的鸿沟，我们提出了一个用于稠密实例分段和晶粒尺度估计的自动化管线，该管线将Cellpose-SAM适配至微结构，并将其拓扑感知梯度跟踪与ASTM E112 Jeffries planimetric模块集成。我们系统性地对该管线进行基准测试，分别与经典卷积网络（U-Net）、一种自适应提示驱动的视觉基础模型（MatSAM）以及一种当代视觉语言模型（Qwen2.5-VL-7B）进行比较。我们的评估表明，尽管开箱即用的视觉语言模型在处理密集微观计数所需的局部空间推理方面表现不足，MatSAM尽管具备域特定提示生成能力，却因过度分段而受限；相比之下，我们适配的管线成功保持了拓扑分离。此外，跨不同训练子集规模的实验显示其强大的few-shot可扩展性；仅使用两个训练样本，所提出的系统即可将ASTM晶粒数 (G) 的平均绝对百分比误差 (MAPE) 控制在1.50%以内；robustness测试进一步empirically验证了ASTM 50粒抽样最小值。这些结果凸显了应用层面基础模型集成在实现高度准确、自动化材料表征方面的有效性。项目代码已公开于 https://github.com/mueez-overflow/ASTM-Grain-Size-Estimator。
引用
@article{arxiv.2604.18957,
title = {Bridging Foundation Models and ASTM Metallurgical Standards for Automated Grain Size Estimation from Microscopy Images},
author = {Abdul Mueez and Shruti Vyas},
journal= {arXiv preprint arXiv:2604.18957},
year = {2026}
}
备注
Accepted at the 11th IEEE Workshop on Computer Vision for Multimodal Microscopy Image Analysis (CVMI), CVPR Workshops 2026