通过将 Ultralytics YOLO 模型集成到其平台中，Theia Scientific 改变了显微镜数据的处理方式，使分析更加高效、可靠。
材料科学、纳米技术等领域的科学研究通常依赖带电粒子、扫描探针和光学显微镜，来探索人眼不可见的结构。例如，透射电子显微镜 (TEM) 是一种关键工具，能够捕捉纳米和原子尺度的精细细节。
遗憾的是，图像采集完成后，分析过程可能缓慢且复杂，通常需要大量人工操作和领域专业知识。为了改进这一流程，Theia Scientific 开发了 Theiascope™ 平台，这是一个实时显微镜图像分析系统，集成了 Ultralytics YOLO models，可自动执行图像检测、分割和定量测量，让显微镜分析更快速、高效且可复现。
探索视觉 AI 在科学成像中的作用#
Theia Scientific 由兄弟 Kevin 和 Christopher Field 创立，致力于开发先进的软件工具，以加速显微镜研究。他们的专业领域涵盖材料科学、工业自动化、电子学和软件工程，专注于减少科学家、工程师和研究人员在分析复杂图像数据时面临的瓶颈。
其旗舰产品 Theiascope™ 平台集成了计算机视觉，可自动检测、分割和测量电子显微镜图像中的特征。该平台依靠视觉 AI，而非人工标注和描绘，因此能够提供一致且可复现的结果。
为什么显微镜图像难以进行人工分析？#
显微镜图像，尤其是使用 TEM 拍摄的图像，细节非常丰富，但难以解读。每张图像都包含数百到数千个细微特征和结构，例如晶粒和晶界，需要仔细识别、标注、描绘和/或测量，才能提取有意义的数据。传统上，这些工作都是手动完成的，速度缓慢，而且可能因人而异。两名研究人员可能会以不同方式标注同一张图像，从而导致结果不一致和较大的误差范围。
当涉及大型数据集时，这一过程会变得更加复杂。为了获得可靠的洞见，通常需要分析数千张图像，而使用人工方法可能需要数周甚至数月。此外，对比度、噪声和重叠结构的变化也会进一步增加处理难度。
对于希望研究微观结构演变或跟踪随时间发生的变化的研究人员来说，这些问题可能拖慢研究进程。Theia Scientific 认识到，这些问题需要通过更自动化、更可靠的解决方案来应对。
使用 Ultralytics YOLO 模型增强显微镜工作流程#
在探索了自动化显微镜数据分析的不同方法后，Theia Scientific 发现，Ultralytics YOLO 模型具备实时显微镜图像分析所需的速度、准确性和灵活性，能够在实验进行期间于显微镜处即时生成定量结果。Ultralytics YOLO 模型（如 Ultralytics YOLO11 和 Ultralytics YOLOv8）支持目标检测（识别并定位图像中的独立特征）和实例分割（在像素级别勾勒每个特征）等计算机视觉任务。这些任务使模型能够在 TEM 图像采集过程中直接检测晶粒和晶界等纳米尺度结构。
图 1。当前的显微镜图像和数据分析工作流程。科学家、工程师和研究人员最终希望在工作流程末端获得发现和答案。同时，该工作流程彼此割裂且十分繁琐，底部显示了每个步骤所需的相对时间和工作量。特征检测和聚合是工作流程中最耗时的阶段。指向采集环节的灰色箭头表示由于当前数据无用而必须重新采集数据。来源：Theia Scientific。
例如，在最近一项关于多晶薄膜的研究中，Theiascope™ 和 Ultralytics YOLO 模型被用于识别和测量晶粒结构，这些结构会影响电子器件、涂层和能源设备所用材料的性能。准确的晶粒尺寸分布对于了解这些薄膜在实验过程中的演变至关重要。
Ultralytics YOLO 模型在这些应用中如此有效的关键原因之一，是它们能够在大型数据集之间进行插值。研究人员不必为实验中的每一帧图像进行标注，只需标注少量图像、训练一个 YOLO 模型，然后让模型可靠地分析数千个额外帧。这使研究人员能够以极少的人工输入，跟踪延时 TEM 实验中晶粒的生长和晶界的变化。
为什么选择 Ultralytics YOLO 模型？#
在前文讨论的多晶薄膜研究中，研究发现 Ultralytics YOLOv8 的速度最高可达到 U‑Net（一种常用于科学图像分析的模型）的 43 倍。这一速度使 YOLO 适用于实时的显微镜内分析。
U‑Net 准确但速度较慢，而 YOLO 将速度与准确性结合起来，使晶粒尺寸测量结果与真实值的差异控制在 3% 以内。其设计也使模型更加灵活，能够轻松应对不同尺度和训练设置。对研究人员而言，这意味着在不牺牲可靠性的情况下获得更快的结果，非常适合加速显微镜工作流程。
图 2。与人工描绘 (b) 和 U‑Net (c) 相比，YOLOv8 分割 (d) 可在显微镜图像上提供更清晰、更准确的轮廓。（来源）
使用 YOLO 减少显微镜分析中的偏差并提升一致性#
通过 Theiascope™ 平台，Theia Scientific 展示了 Ultralytics YOLO 模型能够加速显微镜图像分析和 TEM 实验，同时支持可复现的长期研究。该平台设计为与显微镜无关，这意味着 YOLO 模型可用于分析从不同仪器采集的图像，而无需定制化流程。这种灵活性确保工作流程在不同实验、操作人员和环境下保持一致。
可复现性是另一项重要成果。科学研究通常要求多年后重新审查和验证结果。由于 Theiascope™ 集成了多种 YOLO 模型，研究人员可以在存档数据集上重新运行较旧的模型，例如 Ultralytics YOLOv5，并获得一致的输出，然后将其与 Ultralytics YOLO11 等较新模型的结果直接比较。即使 AI 方法不断发展，验证研究结果也会变得简单明了。
图 3。Theiascope™ 平台。电子显微镜图像被采集后，从采集计算机流式传输到一台启用 GPU 的设备，该设备运行 Web 应用程序、时间序列数据库和 Ultralytics YOLO 模型。通过 OTA 更新，可以将更新内容和新的 Ultralytics YOLO 模型推送到该平台。来源：Theia Scientific。
此外，Ultralytics YOLO 模型还赋予该平台处理大型数据集所需的可扩展性。其实时推理能力使其能够在人工分析几张图像所需的时间内，分析数千张 TEM 图像。这使研究人员能够在整个实验过程中跟踪晶粒生长等动态过程，以前沿研究所需的规模和速度生成新的洞见，并开展创新实验。
将先进的视觉 AI 集成到下一代研究工具中#
Theia Scientific 将 Ultralytics YOLO 模型视为显微镜技术未来发展的基础。通过持续改进训练方法和校准方法，他们希望进一步提升模型在不同尺度和实验条件下的准确性。
展望未来，Theia Scientific 计划扩展 Theiascope™，以支持更复杂的原位实验和多模态数据集。他们认为，视觉 AI 很可能会成为下一代研究工作流程的标准组成部分，从而在各个科学领域实现更快的发现并获得更深入的洞见。
想要简化你公司的工作流程？查看我们的 GitHub repository，详细了解视觉 AI。探索 YOLO 模型如何推动医疗保健领域的 AI和零售业中的计算机视觉等领域的创新。想亲自体验 YOLO？了解我们的许可选项如何支持你的愿景。
