Theia Scientific 将 Ultralytics YOLO 模型集成到其平台后，改变了显微镜数据的处理方式，让分析工作更加高效、可靠。
材料科学和纳米技术等领域的科学研究，往往依赖带电粒子、扫描探针和光学显微镜，来探索肉眼不可见的结构。例如，透射电子显微镜（TEM）是一种重要工具，能够捕捉纳米和原子尺度上的精细细节。
遗憾的是，采集这些图像后，分析工作可能既缓慢又复杂，通常需要投入大量人工并具备专业领域知识。为改进这一流程，Theia Scientific 开发了 Theiascope™ 平台，这是一套实时显微镜图像分析系统，集成了 Ultralytics YOLO 模型，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。凭借在材料科学、工业自动化、电子和软件工程领域的专业经验，他们专注于减少科学家、工程师和研究人员在分析复杂图像数据时遇到的瓶颈。
其旗舰产品 Theiascope™ 平台集成了计算机视觉，可自动检测、分割并测量电子显微镜图像中的特征。该平台使用视觉 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人工分析？#
显微镜图像，尤其是使用 TEM 拍摄的图像，细节丰富，却难以解读。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；要提取有意义的数据，必须仔细识别、标注、描绘和/或测量这些内容。传统上，这些工作都是手动完成的，既耗时，结果也因人而异。两位研究人员可能会对同一张图像做出不同标注，导致结果不一致、误差范围较大。
涉及大型数据集时，这一流程会变得更加复杂。要获得可靠的洞察，往往需要分析数千张图像；采用人工方法可能需要数周甚至数月。此外，对比度变化、噪声和结构重叠也让分析工作更加困难。
对于希望研究微观结构演变或跟踪其随时间变化情况的研究人员来说，这些问题可能会拖慢研究进度。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解决。
使用 Ultralytics YOLO 模型改进显微镜工作流#
在探索了多种显微镜数据分析自动化方案后，Theia Scientific 发现，Ultralytics YOLO 模型具备实时显微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直接于显微镜旁即时生成定量结果。Ultralytics YOLO 模型（如 Ultralytics YOLO11 和 Ultralytics YOLOv8）支持计算机视觉任务，例如目标检测（识别并定位图像中的各个特征）和实例分割（在像素级勾勒每个特征的轮廓）。借助这些任务，研究人员可以直接在采集 TEM 图像时检测其中的纳米级结构，例如晶粒和晶界。
图 1. 当前的显微镜图像和数据分析工作流。科学家、工程师和研究人员最终希望通过工作流获得发现和答案。与此同时，当前工作流彼此割裂且费时费力，图中底部显示了各步骤所需的相对时间和人力。特征检测和汇总是工作流中最耗时的阶段。指回采集环节的灰色箭头表示，由于当前数据不可用，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，研究人员使用 Theiascope™ 和 Ultralytics YOLO 模型识别并测量晶粒结构，这些结构会影响电子产品、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如何演变至关重要。
Ultralytics YOLO 模型在这些应用中效果出色的一个关键原因，是它们能够对大型数据集进行插值分析。研究人员无需标注实验中的每一帧，只需标注少量图像并训练 YOLO 模型，就能让模型可靠地分析数千帧其他图像。这样一来，只需极少的人工输入，就能在延时 TEM 实验中追踪晶粒生长和晶界变化。
为什么选择 Ultralytics YOLO 模型？#
在前文讨论的多晶薄膜研究中，Ultralytics YOLOv8的速度被证实最高可达 U-Net（一种常用于科学图像分析的模型）的 43 倍。这种速度让 YOLO 适用于显微镜上的实时分析。
U-Net 准确但速度较慢，而 YOLO 兼具速度和准确性，晶粒尺寸测量结果与真实值的误差在 3% 以内。YOLO 的设计也更加灵活，能够轻松处理不同尺度和训练设置。对研究人员来说，这意味着在不牺牲可靠性的前提下更快获得结果，非常适合加速显微镜工作流程。
图 2. 与手动描绘 (b) 和 U-Net (c) 相比，YOLOv8 分割 (d) 在显微图像中勾勒出的轮廓更清晰、准确。(来源)
借助 YOLO 减少偏差并提高显微镜分析的一致性#
通过 Theiascope™ 平台，Theia Scientific 展示了 Ultralytics YOLO 模型如何加速显微图像分析和 TEM 实验，同时支持可重复的长期研究。该平台的设计不依赖特定显微镜，这意味着 YOLO 模型可以分析从不同仪器采集的图像，无需定制处理流程。这种灵活性确保不同实验、操作人员和环境下的工作流程保持一致。
可复现性也是一项重要成果。科学研究往往要求多年后重新审查并验证结果。借助集成到 Theiascope™ 中的各种 YOLO 模型，研究人员可以重新运行旧模型，例如Ultralytics YOLOv5，分析归档数据集并获得一致的输出，然后将结果与 Ultralytics YOLO11 等新模型的结果直接比较。即使 AI 方法不断发展，验证研究发现也能变得简单直接。
图 3. Theiascope™ 平台。电子显微镜图像由采集计算机拍摄并传输到支持 GPU 的设备上，该设备运行 Web 应用、时间序列数据库和 Ultralytics YOLO 模型。更新和新的 Ultralytics YOLO 模型可通过 OTA 更新推送到平台。来源：Theia Scientific。
此外，Ultralytics YOLO 模型为平台提供了处理大型数据集所需的可扩展性。凭借实时推理能力，模型分析数千张 TEM 图像所需的时间，足以让研究人员手动分析的图像仅有几张。研究人员因此能够在整个实验过程中追踪晶粒生长等动态过程，获得新的见解，并以前沿研究所需的规模和速度开展新的实验。
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案，Theia Scientific 希望进一步提高模型在不同尺度和实验条件下的准确率。
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，助力各个科学领域加快发现进程并获得更深入的见解。
想简化公司的工作流程？查看我们的 GitHub 仓库，进一步了解视觉 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助力实现你的愿景。
