利用人工智能辅助识别扫描电子显微镜图像中的纤维实例，以进行气溶胶特性分析和暴露评估

《Powder Technology》：AI-assisted recognition of fibre instances in scanning electron microscope images for aerosol characterization and exposure assessment

　　纳米纤维电子显微镜图像自动识别与计数方法研究

　　随着纳米技术的快速发展，纳米纤维在工业领域的应用日益广泛。然而，这些纳米纤维在吸入过程中可能对人类健康构成严重威胁，其危害性与石棉类似。因此，为了评估和控制人类对纳米纤维的暴露，需要通过显微镜图像对纳米纤维进行准确识别、形态表征以及计数。在这一背景下，本文提出了一种基于人工智能辅助的自动化纤维实例识别方法，以提高分析效率并减少人工负担。

在实际操作中，为了评估纤维暴露水平，必须对特定体积的空气中纤维的数量进行统计。这通常通过在滤膜上采集一定体积的空气，并利用扫描电子显微镜（SEM）或透射电子显微镜（TEM）对滤膜表面进行高分辨率成像。然而，对于直径小于20纳米的纤维，由于其在图像中占据的像素面积非常小，传统的手动图像分析方法变得不切实际。为此，需要开发一种高效的自动化图像处理技术，能够在不依赖人工干预的情况下，对纤维进行准确的识别和计数。

目前，已有一些图像处理算法被用于纤维成像分析。例如，一些研究者提出了基于边缘检测的方法来测量纳米纤维的直径，或使用特定的图像分割技术来识别纤维结构。然而，这些方法在面对复杂纤维排列或重叠情况时，往往难以提供可靠的结果。此外，传统的阈值分割方法在处理SEM图像时容易受到“边缘效应”的干扰，导致误识别和错误计数。因此，为了提高纤维识别的准确性，需要采用更先进的图像处理技术。

近年来，卷积神经网络（CNN）在图像识别任务中表现出色，尤其是在目标检测和语义分割方面。其中，U-Net结构因其在医学图像分割中的广泛应用而受到关注。该结构由编码器和解码器组成，能够有效地捕捉图像的上下文信息并保留细节特征。然而，U-Net在处理长而细的纤维结构时仍存在一定的局限性，特别是在对纤维长度和宽度进行精确测量时。因此，本文提出了一种基于U-Net的两步工作流程，以实现对纤维实例的自动化识别和形态分析。

该方法的第一步是使用U-Net类似的语义分割模型，将图像中的纤维与滤膜背景分离。第二步则是通过先进的纤维追踪算法，对分割后的图像进行形态学处理，以识别纤维的长度、平均宽度以及主干路径。这种方法的优势在于，其对纤维长度和宽度的计算过程具有透明性和可解释性，避免了黑箱模型所带来的不确定性。此外，该方法还引入了一种统计分析纤维横向灰度轮廓的算法，以进一步提高对纤维宽度的估计精度。

为了验证该方法的有效性，研究团队在多个数据集上进行了测试。这些数据集包括超过1000张高分辨率（20 Mpx）的SEM图像，图像内容涵盖了不同种类的碳纳米管（CNTs）材料。研究人员还对这些图像进行了人工评估，以确保数据的一致性和可靠性。通过将自动识别结果与人工评估进行比较，研究团队发现，该方法在纤维数量、长度和宽度的测定方面与人工评估具有良好的一致性，尤其在纤维排列较为清晰的情况下表现优异。

然而，在处理某些复杂的纤维形态时，例如纤维相互交叉或部分重叠的情况，该方法仍存在一定的局限性。这些情况在人工评估中也常被视为难以判断的模糊区域，因此需要进一步优化算法，以提高对这些复杂情况的识别能力。此外，研究团队还指出，为了实现更精确的纤维计数，有必要对滤膜进行更细致的背景处理，以减少图像中其他非纤维结构对分析结果的干扰。

在实际应用中，该方法可以显著减少人工分析的工作量。传统的纤维计数过程需要大量时间和精力，而本文提出的方法通过自动化图像处理技术，能够在较短时间内完成对大量图像的分析。这不仅提高了工作效率，还降低了人为误差的可能性。此外，该方法还为开发完全基于人工智能的实例分割解决方案提供了基础，使得未来在纤维暴露评估和纳米材料分析方面可以实现更高水平的自动化。

总的来说，本文提出了一种基于人工智能的自动化纤维识别方法，通过结合U-Net语义分割模型和先进的纤维追踪算法，实现了对纳米纤维的高效、准确识别和计数。该方法在实际应用中展现出良好的性能，并为未来的研究提供了新的方向。通过进一步优化算法和提高数据质量，可以期待该方法在更广泛的纳米材料分析中发挥更大的作用。