Theia Scientific 使用 Ultralytics YOLO 将显微镜分析速度提高了 43 倍

诸如材料科学和纳米技术等领域的科学研究，通常依靠带电粒子、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）是一项关键工具，能够捕获纳米和原子尺度的精细细节。

不幸的是，一旦获取了这些图像，对其进行分析可能会非常缓慢且复杂，通常需要大量的人工投入和领域专业知识。为了改进这一过程，Theia Scientific开发了 Theiascope™ 平台，这是一个集成Ultralytics YOLO 模型的实时显微图像分析系统，可实现图像检测、分割和定量测量的自动化，从而使显微分析更快、更高效且可重复。

探索视觉 AI 在科学成像中的作用#

Theia Scientific 由 Kevin Field 和 Christopher Field 两兄弟创立，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、电子学和软件工程方面的专长，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面临的瓶颈。

他们的旗舰产品 Theiascope™ 平台集成计算机视觉，可自动检测、分割和测量电子显微图像中的特征。通过依靠 Vision AI 而非手动标注和追踪，该平台能够提供一致且可重复的结果。

为什么显微镜图像难以手动分析？#

显微镜图像，尤其是通过 TEM 捕获的图像，细节极其丰富但难以解读。每张图像都包含成百上千个微小的特征和结构（例如晶粒和边界），必须经过仔细的识别、标注、描绘和/或测量才能提取出有意义的数据。传统上，这些工作是手工完成的，速度缓慢且因人而异。两名研究人员对同一张图像的标注可能不同，从而导致结果不一致和巨大的误差范围。

当涉及大型数据集时，这个过程会变得更加复杂。为了获得可靠的见解，通常需要分析数千张图像，如果使用手动方法，这可能需要数周甚至数月的时间。最重要的是，对比度、噪声和重叠结构的变化使这一过程更加困难。

对于旨在研究微观结构演变或跟踪随时间变化的研究人员来说，这些问题可能会拖慢研究进度。Theia Scientific 认识到这些问题需要一种更自动化、更可靠的解决方案。

利用 Ultralytics YOLO 模型增强显微镜工作流#

在探索了各种自动化显微数据分析的方法后，Theia Scientific 发现 Ultralytics YOLO 模型具备了实时显微图像分析所需的速度、准确性和灵活性，能够在实验进行的同时在显微镜下提供即时的定量结果。诸如Ultralytics YOLO11和 Ultralytics YOLOv8 之类的 Ultralytics YOLO 模型支持诸如目标检测（识别和定位图像中的各个特征）和实例分割（在像素级别勾勒每个特征的轮廓）等计算机视觉任务。这些任务使得直接在捕获 TEM 图像时检测纳米级结构（如晶粒和边界）成为可能。

图 1. 当前的显微图像和数据分析工作流。科学家、工程师和研究人员最终追求的是在工作流结束时获得发现和答案。与此同时，该工作流是脱节且繁琐的，每个步骤所需的相对时间/劳动力显示在底部。特征检测和聚合是工作流中最耗时的阶段。引导回采集过程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，在近期关于多晶薄膜的一项研究中，Theiascope™ 和 Ultralytics YOLO 模型被用于识别和测量影响电子学、涂层和能源设备中所用材料特性的晶粒结构。准确的晶粒尺寸分布对于理解这些薄膜在实验过程中的演变至关重要。

Ultralytics YOLO 模型在这些用例中如此有效的一个关键原因是它们能够在大型数据集上进行插值。研究人员无需为实验中的每一帧进行标注，只需标注一小部分图像，训练一个 YOLO 模型，然后就可以让它可靠地分析数千个额外的帧。这使得在延时 TEM 实验中以极少的人工输入跟踪晶粒生长和边界变化成为可能。

为何选择 Ultralytics YOLO 模型？#

在前述关于多晶薄膜的研究中，发现Ultralytics YOLOv8比 U‑Net（一种常用于科学图像分析的模型）快多达 43 倍。这种速度使得 YOLO 对于实时的显微镜下分析切实可行。

虽然 U-Net 准确但速度慢，但 YOLO 将速度与准确性结合在一起，使晶粒尺寸测量结果与真实值相差在 3% 以内。其设计也使其更加灵活，可以轻松处理不同的尺度和训练设置。对于研究人员而言，这意味着在不牺牲可靠性的前提下获得更快的结果，这对于加速显微镜工作流来说是理想的选择。

图 2. 与手动追踪 (b) 和 U‑Net (c) 相比，YOLOv8 分割 (d) 在显微图像上提供了更清晰、更准确的轮廓。(来源)

利用 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 模型可以加速显微镜图像分析和 TEM 实验，同时支持可重复的长期研究。该平台被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收集的图像，而无需定制管道。这种灵活性确保了工作流在不同的实验、操作员和环境中保持一致。

可重复性是另一个关键成果。科学研究通常要求在几年后重新审视和验证结果。通过将各种 YOLO 模型集成到 Theiascope™ 中，研究人员可以在归档数据集上重新运行诸如Ultralytics YOLOv5等较旧的模型并获得一致的输出，然后将其与诸如 Ultralytics YOLO11 等较新模型的结果进行直接比较。这使得验证发现变得简单明了，即使随着 AI 方法的发展也是如此。

图 3. Theiascope™ 平台。电子显微镜图像从采集计算机捕获并流式传输到运行 Web 应用程序、时序数据库和 Ultralytics YOLO 模型的 GPU 启用设备。更新和新的 Ultralytics YOLO 模型可以通过 OTA 更新推送到平台。来源：Theia Scientific。

此外，Ultralytics YOLO 模型为该平台提供了处理大数据集所需的可扩展性。它们的实时推理能力允许在手动分析少数图像的时间内分析数千张 TEM 图像。这使研究人员能够跟踪整个实验中晶粒生长等动态过程，从而产生新的见解，并在前沿研究所需的尺度和速度下解锁新型实验。

将先进的视觉 AI 集成到下一代研究工具中#

Theia Scientific 将 Ultralytics YOLO 模型视为显微镜学未来的基础。通过继续完善训练方法和校准途径，他们的目标是进一步提高各种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。他们相信视觉 AI 很可能成为下一代研究工作流的标准组成部分，从而在各个科学领域实现更快的发现和更深刻的见解。

有兴趣简化公司的各项工作流吗？查看我们的GitHub 仓库以了解有关 Vision AI 的更多信息。探索 YOLO 模型如何推动诸如医疗健康领域的 AI 和零售领域的计算机视觉等领域的创新。想要亲身体验 YOLO，请了解我们的授权选项如何为您的愿景提供支持。