基于视觉基础模型的电子显微镜中碳纳米管的定量与分类
计算机视觉与模式识别
2026-02-06 v2
摘要
对碳纳米管（CNT）在电子显微镜图像中的准确形貌表征对于暴露评估和毒理学研究至关重要，但当前工作流程依赖缓慢且主观的手动分割。本文提出一种统一框架，利用视觉基础模型自动化处理电子显微镜图像中的CNT定量与分类。首先，我们构建了一个基于Segment Anything Model（SAM）的交互式定量工具，利用最小的用户输入即可实现近乎完美的粒子分割。其次，我们提出了一种新颖的分类管道，利用这些分割掩码对DINOv2视觉变换器进行空间约束，仅从粒子区域提取特征并抑制背景噪声。在1800幅TEM图像的数据集上评估，该架构在区分四种不同CNT形貌方面实现了95.5%的准确率，显著优于当前基线，尽管使用的数据量远少于基线。关键在于，该框架的实例级处理使其能够解决混合样本，在单一视野中正确分类不同粒子类型。这些结果表明， 将零射出分割与自监督特征学习集成，使纳米材料分析实现了高通量、可重复的分析，将以前的瓶颈性步骤转化为可扩展、数据驱动的流程。
引用
@article{arxiv.2601.06673,
title = {Quantification and Classification of Carbon Nanotubes in Electron Micrographs using Vision Foundation Models},
author = {Sanjay Pradeep and Chen Wang and Matthew M. Dahm and Jeff D. Eldredge and Candace S. J. Tsai},
journal= {arXiv preprint arXiv:2601.06673},
year = {2026}
}