高分辨率图像下载 MS PowerPoint 幻灯片
纳米纤维的高表面积和多孔性使其在制药领域有广泛的应用，包括组织支架、伤口敷料和载药薄膜，以及在其他领域如能源、电子和环境修复中的应用。纳米纤维的性能直接取决于生产参数，例如施加的电压、溶液流速、聚合物浓度、溶剂类型和收集器距离，这些参数之间存在复杂的相互作用，使得优化变得具有挑战性。因此，准确确定纳米纤维的性能，特别是纤维直径，对于质量控制、工艺优化和功能性能评估至关重要。本综述系统地研究了用于纳米纤维表征的计算方法，特别关注纤维直径的测量。首先描述了手动测量和开源工具（如 DiameterJ、GIFT 和 SIMpoly），并强调了它们的优点和局限性。随后介绍了基于人工智能的策略，从传统的机器学习模型到深度学习架构，以及更先进的方法，如生成框架和基于变压器的模型。此外，还概述了与传统表征方法的比较、工业应用（包括智能制造）和自动化质量控制。最后，综述探讨了在纳米纤维分析中新兴和有前景的人工智能方法，并提出了结论和建议。
1. 引言
电纺是一种从合成或天然聚合物溶液中生产微纤维和纳米纤维的有效技术。由于其高表面积和可调的多孔结构，纳米纤维在过滤、能量存储和生物医学工程领域带来了革命性的变化。(1) 最近的电纺研究开发了由混合纳米纤维组成的纳米颗粒，以及同轴和三轴电纺等新技术，使得能够生产具有增强性能的核心-壳层或多层纤维。(2−4) 在电纺过程中，对聚合物溶液或熔体施加电场，导致形成带电射流，由于静电排斥和溶剂蒸发而拉伸和变细。之后，纳米纤维被收集在接地收集器上，具有独特的形态和功能特性。
影响纳米纤维特性的主要参数包括聚合物溶液的性质（浓度、粘度和导电性）、工艺参数（施加的电压、流速和针尖到收集器的距离）以及环境因素（湿度和温度）。纤维的直径、形态和表面特性可以根据特定应用进行调整。纳米纤维的直径对这些参数特别敏感。例如，增加聚合物的浓度或粘度通常会导致纤维变粗，因为链缠结增强，而低粘度溶液可能导致形成珠状物而不是均匀的纤维。施加的电压也起着重要作用，因为更高的电压可以延长对聚合物射流的力，从而产生更细的纤维。然而，非常高的电压可能导致射流不稳定和珠状物的形成。聚合物溶液的流速也会影响纤维直径：较高的流速通常会产生较粗的纤维，因为材料更多；而较低的流速会产生更均匀的纤维。针尖到收集器的距离通过影响溶剂蒸发速率来影响纤维的形成。较短的距离可能导致溶剂蒸发不足和纳米纤维溶解不完全，而最佳距离则可以实现均匀的纳米纤维沉积。此外，环境因素（如湿度和温度）可以改变溶剂蒸发速率、纤维固化过程和整体形态。
准确表征纳米纤维垫——包括纤维直径、孔径、孔隙率和排列——对于优化性能至关重要。(5) 传统上，研究人员依赖于手动或半自动图像分析（例如，通过手动测量扫描电子显微镜图像的直径或使用基本阈值处理）。然而，这些方法耗时、主观且经常不一致，特别是对于密集或重叠的纤维。(6,7) 例如，手动分析单个扫描电子显微镜（SEM）图像可能需要数小时，并且结果可能因操作者而异。半自动工具如 DiameterJ（一个 ImageJ 插件）通过在大约 20 秒内分析图像并在 2% 的范围内实现直径测量，比手动方法快得多。此外，DiameterJ 可以比人类操作者处理更多的纤维数量，从而大大提高了统计可靠性。(8) 尽管取得了这些进展，早期的自动化方法仍然存在局限性。当纤维高度缠结或对比度低时，标准图像处理会遇到困难。(7) 参数调整（例如，对于边缘检测器或阈值水平）可能特定于数据集，降低了通用性。此外，传统的孔隙率测量技术（例如 BET 表面积分析）需要破坏性测试和漫长的程序。(5) 相比之下，基于图像的孔隙率估计提供了一种快速、非破坏性的替代方法，(5) 尽管其准确性历史上一直低于物理方法。
这些缺点促使人们将人工智能（AI）集成到纳米纤维表征中，以提高准确性、速度和自动化程度。机器学习（ML）和深度学习（DL）等技术提供了快速、自动化且更稳健的替代方案，用于评估纤维直径和其他形态参数，即使在复杂的成像条件下也是如此。除了纤维直径之外，全面的纳米纤维表征还包括几个相互关联的形态参数，这些参数共同决定了材料的性能。孔隙率定义为空隙体积与总体积的比率，直接影响过滤效率、细胞在组织支架中的渗透以及药物释放动力学。(9) 孔径分布影响分子传输和细胞行为，较小的孔径提供更高的过滤效率，但在生物医学应用中可能限制营养物质的扩散。(5) 纤维的排列和取向显著影响机械性能，排列整齐的纤维在纤维方向上的抗拉强度高于随机排列的纤维垫。(10) 最近在基于 AI 的图像分析方面的进展使得可以从单个 SEM 图像中同时量化这些参数，提供了对纳米纤维垫特性的更全面理解。(7) 本综述不仅讨论了直径测量，还扩展到了基于 AI 的孔隙率估计、孔径分析和纤维取向量化方法，从而为研究人员提供了全面的纳米纤维表征工具包。除了表征之外，AI 还越来越多地用于工艺优化，促进预测建模和实时控制电纺参数，以实现针对特定应用的一致纤维直径。本综述旨在总结传统的和基于 AI 的纳米纤维表征计算方法，强调它们的优点和局限性，并讨论将先进方法整合到研究和工业应用中的未来方向。
2. 传统的（非 AI）纳米纤维直径测量和其他表征方法
纳米纤维的直径通常是通过光学显微镜、扫描电子显微镜（TEM）或原子力显微镜（AFM）获得的图像来确定的。(11) 可以通过手动或自动化方法处理收集到的图像来进行直径测量。下面详细描述了用于纳米纤维直径测量的方法，并在表 1 中比较了不同的传统纳米纤维直径分析方法。
表 1. 传统纳米纤维直径测量方法的比较
方法 | 测量原理 | 优点 | 局限性 | 应用示例
--- | --- | --- | --- | ---
手动测量 | 使用已知的比例尺从图像中手动测量纤维直径 | • 简单 | • 需要操作者 | (37−40) | 广泛接受的方法 | • 通量低 | • 不需要复杂的预处理 | • 测量次数有限 | • 耗时 |
距离变换方法 | 将二值图像中骨架像素与最近纤维边缘之间的距离计算为直径 | • 广泛使用的自动化方法 | • 对阈值处理和骨架化敏感 | (41−43) | 可以进行大量测量（>1000 次），适合统计分析 | • 交点可能导致错误 |
DiameterJ | 基于距离变换，并通过分割和骨架化进行超像素基直径计算 | • 快速的半自动化方法，经过验证的开源工具 | • 对图像分辨率和放大倍数敏感 | (44−62) | 减少操作者偏差 | • 需要直径 ≥10 像素的纤维 | • 提供纤维直径分布、网格孔分析以及纤维取向评估 | • 分割错误、纤维重叠和多模态直径分布可能会降低准确性 | (8) |
直接跟踪方法 | 在二值阈值处理和水平-垂直图像扫描后，通过垂直于纤维方向的像素计数来确定纤维直径 | • 可以自动化 | • 需要准确的二值化 | (25,26) | 可以进行大量测量（>1000 次），适合统计分析 | • 交点可能导致错误 | • 提供纤维取向信息 |
Radon 变换方法 | 使用 Canny 边缘检测检测纤维边缘，并通过标准化的 Radon 变换投影估计直径 | • 允许在不隔离单个纤维的情况下测量直径 | • 需要针对不同分辨率调整参数 | (63) | 可以通过参数调整适应不同的图像分辨率 |
SIMPoly | 使用边缘检测、骨架化和中心线到边缘的距离计算进行半自动化直径估计 | • 提供统计测量、直方图和颜色图 | • 半自动化 (64−67) | 与手动测量和 DiameterJ 相比，分析更快，准确性更高，人为偏差更小 | • 需要 MATLAB | • 与基于 ImageJ 的工具相比，可访问性有限 |
GIFT | 使用边缘检测和形态学过滤进行分割，并通过统计评估平行或重复纤维结构之间的距离来估计纤维直径 | • 提供高准确性和一致性 | • 在模糊的 SEM 图像、高度纹理化的纤维表面或纤维直径差异较大的图像中性能可能降低 | (68−73) | 在具有重叠纤维或对比度变化的复杂图像中表现良好 | • 无法测量隐藏的纤维边缘 | • 通过统计评估减少用户偏差 |
2.1. 手动直径测量
最常用的直径检测方法是手动测量。对于手动测量，可以使用开源软件（如 ImageJ 和 FIJI）根据已知的长度比例来确定纳米纤维的直径。(12) 测量过程是通过在图像中手动绘制纳米纤维的直径来进行的。因此，这种方法具有操作者间变异性、显著的测量误差和测量次数有限等缺点。(13)
图 1. 使用 ImageJ 软件的手动纤维直径测量工作流程。操作者绘制的测量线（黄色）以及相对于 SEM 图像中的参考尺度 (a) 和光学显微镜图像中的参考尺度 (b) 获得的测量值。
2.2. 距离变换方法
尽管文献中定义了多种方法，但最常用的自动化方法是距离变换方法。距离变换方法是一种计算图像中每个像素与最近的非零像素之间距离的方法。首先，将高于某个阈值的像素转换为 1，低于该阈值的像素转换为 0。这个过程明确了对象和背景的边界。通过骨架化过程确定对象的中心点。为了确定对象的中心点，选择与对象边界等距的点。因此，创建了一个单像素厚度的对象骨架。通过确定骨架上的像素与最近的非零像素之间的距离来进行直径测量。(14,15)
在文献中，已经进行了各种修改以提高测量准确性的研究。通过在骨架化过程中去除交点来减少测量误差。(15−18) 使用 Canny 边缘检测技术在阈值处理期间更准确地确定纳米纤维边缘。(16) 在大多数情况下，距离变换方法允许每张图像进行超过 1000 次测量。
Ziabari 等人 (19) 研究了通过电纺生产的纳米纤维的直径测量和生产工艺。在这项研究中，使用响应面方法 (RSM) 调查了四个主要参数（浓度、距离、施加的电压和体积流速）对纤维性能的影响。为此，将聚（乙烯醇）溶解在蒸馏水中，并通过改变上述参数来纺制纤维。研究人员使用新的距离变换方法从 SEM 图像中确定纤维直径，该方法比他们开发的直接跟踪和距离变换方法更有效。研究结果表明，所选的四个参数显著影响纤维直径和均匀性，通过控制这些参数可以优化纤维直径。
2.2.1. DiameterJ
DiameterJ 是一个半自动的开源插件，它利用距离变换方法并在 ImageJ/FIJI 上运行。DiameterJ 使用距离变换方法生成直方图，而对于需要单一值的研究，它使用一个称为“Superpixel”的值，该值是通过将图像中的总纤维面积除以总中心长度得到的。它用于网格孔分析、纤维取向识别，并自动执行直径测量所需的分割。(8)
图 2.DiameterJ 半自动化图像分割处理工作流程，用于纳米纤维直径分析：(a) 原始SEM显微图输入，(b) 阈值处理后的二值分割结果，其中白色像素代表纤维区域，黑色像素代表背景，(c) 骨骼化输出显示纤维中心线（单像素宽度）。高分辨率图像下载 MS PowerPoint 幻灯片
García-Hernandez 等人使用静电纺丝技术在两种不同距离下制备了水解胶原蛋白和聚（乙烯醇）（PVA）纳米纤维膜。(20) 使用 DiameterJ 插件对 SEM 图像进行了纤维直径测量分析。结果显示，根据静电纺丝距离的不同，纤维直径范围从 360 到 960 纳米不等。Friuli 等人开发了含有美洛昔康和卡维地洛的控制释放片剂配方，并使用聚合物纳米纤维制备了这些片剂，并使用 DiameterJ 分析了纳米纤维的 SEM 图像。(21) 另一项研究使用纳米纤维作为药物输送系统，研究了含有氧化锌纳米粒子和红霉素的 PVA-羧甲基纤维素（CMC）纳米纤维垫的制备，用于抗菌和伤口敷料应用。(22) 对纤维进行了 SEM 分析以表征其形态特性，使用 DiameterJ 测量的纤维直径约为 200 纳米。在 Sadeghi 等人的研究中，通过静电纺丝制备了含有聚己内酯（PCL）、壳聚糖和聚吡咯（PPy）的纳米纤维支架。(23) 使用 DiameterJ 分析了所得纳米纤维的不同特性，包括直径测量、纤维长度、平均孔隙面积和交叉点数量。所有纤维的平均直径范围为 30–180 纳米。在另一项组织工程研究中，研究人员使用静电纺丝技术制备了需要细胞排列的组织片，如肌肉、神经组织和软骨。(24) 为此，使用不同比例的 PCL 和热敏聚（N-异丙基丙烯酰胺）（PNIPAAm）制备了纤维。使用 OrientationJ 和 DiameterJ 分别确定了纤维的方向和直径。研究结果表明，纤维直径在 1 到 3 微米之间，所有纤维的方向指数均超过 0.65。
2.3 直接跟踪方法
直接跟踪方法可以在二值图像上执行，类似于距离变换方法。阈值处理后，直接跟踪方法算法在水平和垂直方向上扫描图像。对于水平扫描，算法寻找第一个与黑色像素（背景）相邻的白色像素（纳米纤维），然后计算白色像素的数量直到找到下一个黑色像素。这显示了纤维在水平方向上的宽度。对于垂直扫描，从水平扫描的中心开始，算法计算垂直方向上的白色像素数量直到遇到黑色像素。根据这两个结果确定纤维的方向。直径是通过计算垂直于纤维方向的像素数量来计算的。与距离变换方法类似，纤维识别可以用来提取纳米纤维的交叉区域并提高测量精度。(25) 据报道，使用直接跟踪方法可以进行超过 1000 次测量。(26)
2.4 Radon 变换方法
在这种方法中，首先应用 Canny 边缘检测过程来识别边缘，然后使用归一化的 Radon 变换来获取不同角度的图像投影。(27) Radon 变换是一种数学方法，用于确定沿射线的函数积分。它广泛应用于断层扫描系统中，例如医学应用中的 X 射线成像，从获得的积分重建二维或三维物体。(28) 据报道，这种方法不需要单独隔离每个纤维，这是其他方法中常见的错误来源，并且可以通过调整参数来进一步改进 Radon 变换方法以适应不同的图像分辨率。(27)
2.5 SIMPoly
Murphy 等人开发了 SIMPoly（聚合物的半自动化图像测量），这是一种基于 MATLAB 的半自动化方法，用于量化 SEM 图像中的纳米纤维直径。该算法改善了图像对比度，重建了纤维形态，并通过边缘检测隔离纤维。之后，类似于距离变换方法，算法对纤维进行骨架化以提取中心线，并通过计算每个中心线像素与纤维边缘之间的最短距离来计算直径。输出包括统计测量值、直方图和颜色图以便可视化。据报道，SIMPoly 提供了比手动测量和半自动 DiameterJ 方法更快的分析速度、更高的准确性和更少的人为偏差，使其成为纳米纤维表征的可靠工具。(29)
2.6 GIFT
Götz 等人开发的 GIFT（通用图像纤维工具）是一个可在 ImageJ/FIJI 上运行的免费开源宏，用于自动化 SEM 图像中纳米纤维直径的评估。GIFT 算法使用边缘检测和形态学过滤进行分割。与距离变换不同，该算法基本上测量图像中平行线之间的距离，然后进行统计评估以计算纤维直径。与依赖灰度值的方法不同，GIFT 可以隔离并计算重复结构之间的距离，即使在对比度变化、纤维重叠或灰度梯度复杂的图像中也能确保准确识别。(30) Götz 等人的比较分析表明，GIFT 在准确性和一致性方面优于 DiameterJ 和手动测量，特别是在苛刻的成像条件下。据称其统计方法减少了用户偏差，同时提高了可靠性，使其成为纳米纤维表征的有效工具。(12,30)
图 3
图 3. 通用图像纤维工具（GIFT）自动化纤维直径量化的分析流程。该算法使用边缘检测和形态学过滤进行分割，然后对平行线距离进行统计分析。高分辨率图像下载 MS PowerPoint 幻灯片
在 Götz 等人的另一项研究中，目的是通过使用高灵敏度传感器记录声发射（AE）信号来检测纳米纤维非织造材料在拉伸应力下的纤维级缺陷。(31) 为了测量纤维直径，使用了 GIFT 软件，无需预先选择图像中的纤维即可进行无偏分析。该研究通过关联不同直径的聚-L-乳酸酸纳米纤维的应力-应变曲线和 AE 信号检测到了不可见的缺陷：小、中、大。结果证明了该方法的有效性及其在纳米纤维材料质量保证方面的潜力，包括医疗应用。
Götz 等人（2024 年）还进行了另一项使用 GIFT 方法测量纤维直径的研究。(32) 该研究描述了两种用于慢性静脉功能不全的专利双尖瓣设计，并评估了它们的性能。这些设计由静电纺丝热塑性硅氧烷聚碳酸酯聚氨酯纳米纤维瓣片制成，附着在镍钛合金支架上。使用 GIFT 方法对 SEM 图像进行纤维直径测量，从而评估了所制备纳米纤维的质量。在生理压力下检查了这些瓣片，研究结果表明两种瓣片均基本符合公认的要求。
2.7 其他直径测量方法
已经开发了多种开源和商业软件用于自动化测量纳米纤维直径，例如 SEMAnalyzer、FibreQuant、(13) Nano Measure、(33) FiBar、(34) Fiber Pro、Fiber Thickness App 和 Phenom FiberMetric。(30) 尽管关于这些软件中使用的具体算法的信息不多，但自动化纤维直径测量工具通常使用图像处理方法来检查 SEM 分析的显微图。考虑到手动测量的局限性，这些技术旨在提供快速准确的结果。表 1 中展示了不同传统方法测量纳米纤维直径的比较。
除了测量纤维直径外，还提出了各种用于测量所需的分割和边缘检测过程的方法。对于分割，可以使用全局阈值处理、(29) 机器学习、(35) 或边缘检测技术。虽然 Canny 边缘检测方法是首选的边缘检测方法，但也建议使用 Sobel 滤波器。(13) 此外，据报道还有多种算法可用于边缘检测过程。(36)
2.8 其他表征方法
在纳米纤维的光学表征中使用的其他重要参数是方向和孔隙率。已经开发了多种方法和途径来进行方向分析。与纤维直径分析类似，可以使用 ImageJ 等图像分析软件相对于参考轴进行手动测量。最著名的传统半自动化方法之一是 Hough 变换方法，该方法基于通过跟踪符合定义直线的数学方程的像素来确定直线及其对齐方式。(74) 除了使用各种算法（如快速傅里叶变换（FFT）和直接跟踪）外，还可以使用开源宏（如 OrientationJ）进行对齐分析。(8,75) 可以使用 ImageJ 及其各种插件测量 SEM 显微图中纳米纤维的孔隙率。孔隙率测量的主要原理是使用全局或自适应阈值算法（如 Otsu 方法）生成二值图像，然后计算黑色像素（空隙区域）与总像素数（空隙 + 实体区域）的比率。图像分析方法仅提供 2D 孔隙率测量。(9) 也提出了用于 3D 孔隙率测量的物理方法。(76)
3. 基于 AI 的方法用于直径测量和其他表征
基于 AI 的方法，特别是基于机器学习和深度学习的方法，可以学习纳米纤维图像中难以手工编码的复杂特征。(6,7) 在工业 4.0 和智能制造时代，这些方法可以实现纳米纤维生产的实时监控和质量控制。(77) 基于 AI 的方法在纳米纤维表征方面明显优于传统的手动和基于规则的方法。主要优点是提高了准确性和客观性。(8) 与传统的图像分析工作流程相比，基于 AI 的方法可以提高纳米纤维分析的可重复性、吞吐量和多图像处理能力。(7,8,78) 然而，可解释性并未自动解决，通常需要一个明确的可解释 AI 工具。(79−82) 在过去大约五年中，用于分析静电纺丝纳米纤维和其他纤维材料的 AI 应用激增。这些包括用于缺陷检测的机器学习模型、(77) 用于纤维分割的卷积神经网络，甚至用于训练数据增强的生成模型。(7) 研究表明，自动化和基于 AI 的技术可以显著提高纳米纤维测量的吞吐量和可重复性，(8,78) 基于深度学习的直径计算可以在复杂的纤维显微图上实现低误差。(7) 图 4 展示了基于 AI 的纳米纤维表征工作流程的概览。
图 4
图 4. 基于 AI 的纳米纤维表征工作流程概览。该过程从 SEM 图像获取开始，然后进行预处理（降噪、对比度增强）。从经典机器学习用于参数预测到深度学习用于语义和实例分割的 AI 模型分析图像以提取形态参数。基于输出指标，这种自动化流程能够在智能制造环境中实现高通量质量控制和实时过程监控（该图由 biorender.com 创建）。高分辨率图像下载 MS PowerPoint 幻灯片
3.1 经典机器学习（ML）
在深度学习时代之前，研究人员应用经典 ML 算法来分析从纳米纤维图像中提取的特征。常见的方法包括在描述符（如纤维直径分布、纤维方向和纹理特征）上训练分类器，如支持向量机（SVMs）、随机森林（RFs）、k-最近邻（k-NN）或决策树。例如，一项研究结合使用 SVM 和线性判别分析（LDA）以及人工神经网络将静电纺丝纤维图像分类为无缺陷或有缺陷。(77) 经典 ML 模型如 SVMs、k-NNs 和决策树已被用于预测纳米纤维直径，通常是通过学习静电纺丝参数与最终纤维尺寸之间的关系来实现的。Nurwaha和Wang通过扫描电子显微镜（SEM）图像（使用ImageJ软件）测量了纤维直径，并训练了一个基于支持向量机（SVM）的模型来预测平均纤维直径；该SVM在准确性上优于自适应神经模糊模型和基因表达编程模型。（83）在这些研究中，机器学习（ML）的预测与实验测量结果高度一致，得到了较高的决定系数（R2 = 0.92–0.94）。（84,85）与耗时且劳动密集的手动图像测量相比，这些方法可以显著加快直径估计的速度。（86）传统的图像处理工具（例如阈值算法或像DiameterJ这样的ImageJ插件）可以自动化直径测量；然而，它们的可靠性会随着图像质量的不同而变化。（87）相比之下，研究发现ML回归模型（例如决策树或随机森林）在直径分析方面可以与手动方法和基本图像处理方法相媲美甚至超越它们。（83,85）简而言之，经典的ML模型通过快速且准确预测纤维直径，为手动测量提供了一种可行的替代方案。经典的ML技术已被用于识别纳米纤维中的异常或缺陷（如珠状形成或不均匀区域）。例如，Ieracitano等人（2021年）采用了一种混合方案：首先，无监督的自编码器提取SEM图像块的特征表示，然后一个浅层神经网络将每个块分类为无缺陷或有缺陷。这种方法成功检测到了静电纺丝纤维中的结构异常，分类准确率达到了约92%。它还优于传统的独立算法（包括标准的监督分类器），甚至一些基于深度卷积神经网络（CNN）的策略，同时使用了更小、更易于解释的模型。（77）经典的ML技术也被用于表征纳米纤维的结构特性，如孔隙率和孔径分布。通常，首先通过数字图像分析（例如二值化SEM图像以识别空洞区域）来量化孔隙率，然后通过ML将其与加工条件相关联。Cuahuizo-Huitzil等人证明，从图像中得到的孔隙率（2D数字孔隙率）与传统的测量结果吻合良好，验证了图像处理作为一种快速估算方法的有效性。（9）基于这些数据，已经训练了回归模型（如随机森林或多线性模型）来预测孔隙率，这些模型可以根据制造参数进行预测。例如，有一项研究汇编了聚合物浓度、电压等输入数据，并使用随机森林不仅预测了纤维直径，还预测了纤维垫的均匀性是否可接受。随机森林在这两项任务上都取得了准确的预测结果，显示出其捕捉复杂参数-结构关系的能力。（88）经典的ML技术还被用于根据从图像中提取的形态特征来预测纳米纤维组件的机械性能（如抗拉强度、杨氏模量）。其原理是纤维的形态——直径、排列方向、纤维堆积密度等——强烈影响机械性能。（10,86）通过从显微镜图像中量化这些特征，可以训练回归模型来预测纳米纤维垫的机械行为。例如，关于纤维增强复合材料的研究使用了纤维取向分布（来自SEM）等特征，通过回归树或SVM来预测复合材料的刚度，证明了ML可以将微观结构映射到宏观性能。（89）在静电纺丝纳米纤维中，较小的纤维直径和排列整齐的纤维通常通过减少应力集中和提高载荷传递能力来增加抗拉强度和模量。（10）ML模型可以捕捉到这种相关性；例如，它们可能学会平均纤维直径的减小（以及低直径变化）和高取向指数会导致更高的预测强度。更广泛地说，复合材料和材料成像领域的机器学习研究表明，从显微镜中得到的取向和形态特征可以与机械性能联系起来，尽管对于静电纺丝纳米纤维垫的直接证据仍然有限。（89,90）3.2 深度学习（DL）与经典方法相比，CNN及相关深度模型已成为图像分析的主流技术（91），使它们能够处理复杂的纤维网络。图5展示了用于纳米纤维图像分类的CNN的基本架构。图5. 用于纳米纤维图像分类的卷积神经网络（CNN）的基本架构。输入的SEM图像通过交替的卷积层和池化层进行处理，这些层从早期层的低级边缘和纹理逐步提取出层次特征，直到深层的高级结构模式。最后的全连接层根据学习到的特征表示进行分类。高分辨率图像下载MS PowerPoint幻灯片基于CNN的架构，特别是U-Net，已被广泛用于通过语义分割来识别图像中的纤维像素。U-Net最初是为生物医学显微镜开发的，它通过使用带有跳跃连接的编码器-解码器在数据有限的情况下出色地划分结构。在纳米纤维应用中，U-Net的变体即使在纤维重叠的情况下也能实现高保真的纤维分割，从而能够在整个图像上进行精确的直径测量（图6）。（7）例如，Huarachi等人训练了一个改进的U-Net来为每根纤维回归距离图，从而能够分离接触的纤维并准确计算直径；他们的模型在纤维直径上的平均绝对误差很低，仅显示出与真实测量结果的轻微偏差。（7）像U-Net这样的全卷积网络（FCN）处理整个图像，并将每个像素分类为纤维或背景（甚至单个纤维实例），从而生成可以量化直径和孔径大小的分割掩膜。由于其在像素级别的精度，U-Net和其他FCN架构仍然受到纳米纤维分割任务的欢迎。最近的研究探索了诸如残差连接和多尺度特征融合等改进方法来处理不同厚度的纤维。Yu等人引入了一个改进的U-Net模型用于纳米纤维尺寸测量，该模型可以批量处理多张图像——这是一个显著的进步，因为早期的基于MATLAB的工具无法批量处理图像。（78）通过同时训练多张图像，他们提高了整个样本集上测量的直径分布的一致性。深度架构也扩展到了3D数据（例如断层扫描中的纤维结构），尽管2D SEM分析仍然是主要焦点。图6. 用于纳米纤维图像语义分割的U-Net架构。编码器路径（左侧，向下）通过卷积和最大池化操作逐步降低空间分辨率，同时增加特征深度。解码器路径（右侧，向上）使用转置卷积来恢复空间分辨率。跳跃连接（水平箭头）将编码器特征与解码器特征在相应的分辨率下连接起来，保留了准确划分纤维边界所需的精细空间细节。最后的1 × 1卷积产生一个逐像素的分割图，将每个像素分类为纤维或背景。高分辨率图像下载MS PowerPoint幻灯片除了像素级分类之外，还探索了实例分割方法来区分单个纤维，而不是将所有纤维视为一个类别。例如，Mask R-CNN被用来检测和分割复合材料中的短纤维。（6）Rahman（2021年）报告称，基于Mask R-CNN的系统在经过模拟纤维图像训练后，即使在纤维严重重叠的情况下也能同时识别、分割和测量SEM图像中的纤维。与Hough变换或形态学算法等经典方法相比，基于CNN的方法减少了每根纤维的长度和取向测量误差，并且对噪声和纤维曲率具有鲁棒性。（6）DL也越来越用于识别纳米纤维垫中的结构缺陷，包括珠状物、断裂和污染。（77）总体而言，深度CNN比经典ML提供了更高的准确性和自动化程度，但需要更大的标注数据集和更高的计算资源。3.2.1 与经典ML的比较直接比较经典ML和DL的研究发现，每种方法都有其优缺点（图7）。经典方法通常需要手动特征提取，但在数据有限的情况下表现优异，并且训练和推理速度更快。深度学习可以自动提取复杂特征（例如，识别纤维垫中的细微纹理差异），并且在数据充足的情况下通常能达到更高的准确性；然而，它计算密集且可能是一个黑箱。（92,93）像SVM或随机森林这样的经典ML模型通常训练和调整得更快，并且在小规模或中等规模的数据集上泛化能力很强，这使得它们适用于数据通常有限的纳米纤维研究。在准确性方面，一些报告指出深度学习模型略微优于经典模型（例如，基于CNN的分类器可能会捕捉到SVM遗漏的微弱缺陷），但当经典模型的特征工程足够强大时，这种差异可能很小。（77）图7. 纳米纤维图像分析中经典机器学习（ML）与深度学习（DL）方法的比较概述。经典ML方法（左侧）在训练SVM或随机森林等模型进行分类或回归任务之前需要手动特征提取（例如纹理描述符、直方图统计）。DL方法（右侧）使用卷积神经网络直接从原始图像中自动学习层次特征表示。虽然经典ML在数据有限的情况下提供更快的训练和更好的可解释性，但当有足够的训练数据时，深度学习在复杂分割任务上可以达到更高的准确性（此图由biorender.com创建）。高分辨率图像下载MS PowerPoint幻灯片就计算效率而言，经典方法通常要求较低：它们不需要图形处理单元（GPU），并且可以在标准计算机上实时进行推理，这对于在线质量控制非常有益。深度模型需要更多的内存和计算资源，尽管一旦训练完成，轻量级的CNN也可以快速运行。在泛化能力方面，经典模型通常在不同数据分布下更具可解释性，而深度模型可能需要重新训练，但可以捕捉更多的不变性。总体而言，调整得当的经典算法在结构化任务（如纤维直径测量或基本缺陷分类）方面仍然具有竞争力；相比之下，深度学习在复杂图像分析方面提供了更高的性能上限。结合使用CNN进行特征提取或分割与经典分类器的混合方法也很有前景，因为它们结合了两种范式的优点。3.2.2 学习策略——迁移学习和自我监督学习在纳米纤维分析中，数据通常有限（因为获取和标注高分辨率SEM/TEM图像非常耗时）。为了解决这个问题，研究人员采用迁移学习和自我监督学习来提高模型性能。迁移学习通常意味着从一个在大型数据集（如ImageNet）上预训练的CNN开始，并在纳米纤维图像上进行微调。这利用了某种程度上通用的学习到的低级特征（边缘、纹理），因此需要较少的特定于纤维的图像就能获得良好的结果。Guan和Zou使用预训练的GoogleNet和ResNet CNN通过形态学对静电纺丝纤维图像进行分类。这些预训练模型在纤维极化图像上进行微调后，分类准确性显著提高——达到了约96%的准确率，而使用传统单图像特征时仅为约79%。（94）自我监督学习是另一种有前景的方法。获取标注的训练数据（例如逐像素的纤维注释）是一个主要瓶颈。自我监督学习通过利用未标注的数据来预训练模型提供了解决方案。对于纳米纤维，可以采用图像修复（移除一个纤维段并让模型重建它）或在同一SEM图像的不同增强版本上进行对比学习等技术。这些方法允许模型在没有人类提供的标签的情况下学习纤维结构的基本特征。一旦以这种方式预训练，模型可以在一个小规模的标注数据集上进行微调以进行分割或测量，通常由于强大的初始化而提高性能。（95,96）例如，一个自我监督模型可能会从数百张未标注的图像中学习纤维连续性或纹理的概念，这有助于它在微调后检测到微弱的纤维。在这种方法中，模型首先使用代理任务（如预测缺失的图像部分或区分变换后的图像）在未标注的纤维图像上进行训练，以学习有用的表示，然后在实际标注的任务上进行微调。最近在材料成像领域的研究开始在显微图像数据集上使用自我监督特征学习方法，如SimCLR和MoCo。（97）这些方法有可能直接应用于纳米纤维SEM图像。这一新兴趋势预计可以减轻标注负担，并为拥有大量图像档案但标注数据有限的研究人员提供访问深度学习技术的便利。3.2.3 联合学习用于协作模型训练纳米纤维研究通常分布在许多机构和公司之间，每个机构都持有由不同聚合物、工艺或机器设置生成的专有SEM图像数据集。隐私、知识产权或保密问题使得集中这些数据变得困难，这反过来又限制了AI模型的开发，因为单个数据集通常很小。联合学习（FL）提供了一个解决方案：它允许多个方协作训练一个共享的AI模型，而无需共享他们的原始数据。在佛罗里达州，每个站点都在本地使用自己的图像训练模型，并仅将模型更新（梯度）发送到中央服务器（或聚合器），该服务器将这些更新合并以改进共享模型。因此，没有任何机密图像会离开现场。这种方法由于对患者数据隐私的关注而在医学成像领域得到了广泛研究，也可以应用于纳米纤维图像。例如，可以设想多个静电纺丝实验室或制造公司合作训练一个纤维分割或缺陷检测模型。这样得到的模型将更加稳健和通用，因为它能够处理具有不同形态、直径、聚合物和成像条件的纤维，而无需任何实验室披露其专有图像。实际上，实施联邦学习可以大大扩展AI开发者可用的训练数据，从而开发出更通用和强大的纳米纤维表征模型。然而，仍然存在一些实际挑战。一些挑战包括确保参与者之间的标签一致性以及处理图像分布的差异，但联邦学习领域的持续研究正在解决这些问题（例如，针对数据异质性的归一化技术）。随着保护隐私的联邦学习框架的成熟，未来几年可能会出现利用联邦学习来构建下一代纳米纤维AI工具的联盟或多中心项目，使所有人受益。
基于Transformer的模型最初是为自然语言处理（NLP）开发的，最近被改编用于视觉任务，从而产生了视觉Transformer（ViTs）。ViTs使用自注意力机制来捕捉图像中的长距离依赖性，这对于分析具有复杂重叠结构的纳米纤维网络非常有利。CNN依赖于局部感受野并通过堆叠卷积逐步扩大感受野，而视觉Transformer则通过自注意力来建模全局上下文和长距离依赖性。这种整合全局上下文的能力对于纳米纤维分析特别有前景，因为其结构复杂、重叠并且覆盖较大的图像区域。例如，ViTs可以评估整体纤维对齐情况，区分紧密排列或交叉的纤维，或者在CNN可能难以处理的密集交叉处追踪纤维。然而，经典的ViTs操作的是固定大小的图像块，并且缺乏固有的局部性偏好，这意味着早期模型需要非常大的数据集和仔细的架构设计来进行分割任务。为了解决这个问题，研究人员引入了结合CNN主干网络和Transformer层的混合模型，以及专门用于分割的ViTs。在材料成像中，纯ViT的应用仍然有限，但在医学成像中的类似工作表明，Transformer通过建模长距离相互作用可以在分割复杂结构方面胜过CNN。例如，假设的纳米纤维视觉Transformer可以关注整个纤维的跨度，帮助在CNN可能混淆的密集交叉处追踪纤维。随着ViTs在一般视觉任务中的性能开始匹配或超越CNN，社区正在考虑将其应用于更精细的任务，如纤维分割。
尽管在纳米纤维成像中的特定领域应用仍然很少，但来自相关领域的早期证据和见解表明，基于Transformer的方法——无论是纯ViTs还是像TransUNet或SegFormer这样的CNN-Transformer混合模型——随着更大规模的标注纳米纤维数据集的出现，具有增强纤维分割和缺陷检测的巨大潜力。最近在视觉基础模型方面的发展为显微镜图像分析开辟了新的可能性。Meta AI开发的Segment Anything Model（SAM）代表了一种范式转变，它是一个在超过10亿个掩码上训练的可推广分割模型。Archet等人引入了μSAM（Segment Anything for Microscopy），这是一种为光学和电子显微镜应用专门调整的SAM版本。通过在多样化的显微镜数据集上训练通用模型，μSAM能够在最小的用户交互下实现高质量的分割（图8）。对于纤维分析，像SAM这样的基础模型具有零样本或少量样本学习的能力，这可能减少传统上限制深度学习在纳米纤维研究中应用的标注负担。结合CNN编码器与Transformer解码器的混合架构在复杂纤维网络方面显示出特别的前景。TransUNet和Swin-UNet利用卷积的空间归纳偏见进行局部特征提取，同时利用自注意力机制进行全局上下文建模。混合CNN-Transformer分割模型对于复杂显微镜问题很有前景，因为它们结合了局部卷积特征提取和全局上下文建模。
生成式AI技术，特别是生成对抗网络（GANs）和扩散模型，由于其同时在图像增强和合成数据生成方面的作用，越来越多地被用于纳米纤维分析。GANs通过让生成器与判别器竞争来生成模仿真实数据分布的图像。在材料科学中，GANs已被用于合成真实的微观结构图像以增强数据。对于静电纺丝纤维，GANs可以创建具有可控直径、方向和对齐模式的SEM样图像，从而扩展训练数据集并缓解通常限制深度学习应用的数据稀缺问题。Chun等人展示了一个能够生成与真实样本统计上无法区分的多孔、高能量材料微观结构的GAN。GANs也被用于图像增强任务，如超分辨率以提高SEM清晰度或去噪以减少充电伪影。虽然关于GAN增强纳米纤维图像的具体研究仍在发展中，但GAN在类似领域（如增强低光显微镜图像）的成功表明它们可以提高纳米纤维图像的清晰度，从而提高测量精度。尽管GAN训练可能不稳定，并且在没有伪影的情况下难以捕捉非常细的纤维细节，但扩散模型代表了一类新的生成架构，它们可以迭代地将随机噪声细化为高保真图像，并且最近在图像合成质量上超越了GANs。尽管目前关于专门针对纳米纤维图像的扩散模型的研究还很少，但它们的潜力很大。它们可以用来生成比GANs更具真实感的合成纳米纤维结构，或者执行图像增强任务，如超分辨率、去噪和重建。例如，用于超分辨率的扩散模型在自然图像上取得了令人印象深刻的结果，类似的策略也可以通过生成合理的高频细节来增强纤维的SEM图像。此外，扩散模型还可以用于修复纤维垫图像中缺失的区域——当图像的部分被遮挡或损坏时非常有用——同时保持真实的纤维纹理。除了这些任务外，扩散模型还被应用于一般图像恢复；将其应用于纳米纤维可以帮助纠正成像伪影或以学习的方式调整对比度。
总体而言，虽然Transformer和扩散模型是尖端技术，在纳米纤维计量学中尚未普及，但它们代表了下一代AI技术。通过生成逼真的合成纤维和增强图像质量，这些模型可以扩展训练数据集并提高测量精度。展望未来，随着这些技术的成熟，混合方法（例如，将CNN或U-Net与视觉Transformer模块结合以改进分割，或使用GANs/扩散模型生成训练数据和增强图像）将发挥越来越重要的作用。
在深度学习出现之前，已经开发了自动化图像处理技术来从显微镜图像中提取纳米纤维指标。许多这些技术仍然有用，并且经常与AI方法结合使用。关键步骤包括边缘检测、轮廓提取、形态学操作和图像增强，这些可以单独应用或作为ML模型的预处理。
高质量图像预处理可以显著改善分析结果。SEM/TEM图像中的噪声（例如来自传感器或环境来源）可能导致虚假边缘。传统滤波器（高斯模糊、中值滤波器）通常用于在分割前平滑图像。现在，AI技术提供了更先进的去噪方法——例如，卷积自编码器可以通过训练图像对来学习将噪声输入映射到干净输出。同样，对比度增强可以通过自适应直方图均衡化或更新颖的方法（如基于GAN的增强）来实现。一个训练有素的GAN可以将低对比度图像转换为高对比度版本，从而大大提高纤维的可见性。例如，已经开发了生成模型来通过学习特定的噪声模式和照明问题来增强低光或低对比度图像。基于扩散的增强方法也可以用于去噪。通过本质上学习干净纳米纤维图像的分布，扩散模型可以迭代地改善退化的图像。
Huarachi等人的深度学习方法将距离变换直接构建到网络中——他们的U-Net输出一个距离图图像，其中强度对应于纤维半径。这简化了直径计算，因为输出中的每个像素值直接给出了到最近边缘的距离。这种端到端的AI方法避免了单独的骨架化和距离变换步骤的需要，从而可能减少连接处的错误。对于孔隙率估计，图像分析涉及识别孔隙区域（无论是显式分割孔隙还是通过纤维掩码隐式识别）。一个简单的指标是面积孔隙率：空隙的总面积除以总面积。更复杂的是孔径分布，可以通过测量纤维掩码的二进制补码中连接空隙区域的面积来获得。传统方法可能会对每个孔隙应用最大内切圆等算法来获得有效孔径。AI可以通过准确分割孔隙来改进这一点，即使孔隙形状不规则或对比度低。一些研究使用像素聚类或分割来识别纤维间的孔隙；例如，一种无监督学习方法可能会聚类像素强度以区分固体和空隙。使用深度学习，可以训练模型根据需要将每个像素标记为纤维、孔隙或背景（使其成为多类分割）。输出可以直接突出显示用于测量的孔隙区域。
AI还被用于纤维方向和对齐检测：传统上，使用图像的快速傅里叶变换（FFT）来识别主导的纤维方向（频谱中的峰值对应于对齐方向）。现在，CNN可以通过回归或分类直接学习方向。Yaman等人（2021年）使用自动化图像分析来量化金纳米棒在蛋白质纳米纤维上的对齐精度，结合了ML和图像处理来评估纳米棒跟随纤维方向的程度。虽然仍然使用结构张量或方向直方图（来自骨架化纤维）等技术，但AI有可能将整个图像分类为“对齐”或“随机”，甚至输出方向分布。
随着AI模型成为纳米纤维表征、质量控制和材料评估不可或缺的一部分——特别是在生物医学支架和高价值制造等高风险领域——信任和透明度至关重要。可解释AI（XAI）技术旨在使这些黑箱模型更具可解释性，提供关于模型为何给出特定输出的见解。在纳米纤维表征中，XAI可以用于突出显示图像中的哪些区域导致AI模型标记缺陷，或者模型如何决定纤维是“有珠状”还是“平滑的”。例如，显著性图、Grad-CAM或特征归因等技术可以在纤维图像上叠加热图，显示最影响AI决策的区域。这种透明度至关重要：技术人员可能不会接受没有解释的AI样本质量检查结果，但如果系统指出五个位置具有异常大的孔径大小（热图上显示为亮红色），则可以验证和信任这一判断。XAI还帮助开发人员调试模型，确保他们关注与纤维相关的特征而不是虚假的背景模式。如果AI测量结果与经典方法不同，解释工具（如显著性图或Grad-CAM）可以帮助揭示哪些图像区域和边界驱动了模型的预测。XAI可视化可以显示模型确实将这个光环视为纤维的一部分。同样，在分割任务中，XAI（可解释人工智能）可能会可视化特征图，以显示网络识别为纤维的结构，有助于确保微不足道的伪影不会被错误地分类为缺陷。最近的材料科学文献强调了将领域知识整合到AI中并提供解释的重要性。（80）例如，可以使用XAI方法来确保孔隙率预测模型基于可见的孔隙结构进行预测，而不是基于图像亮度等虚假的相关性。一些研究人员已经开始创建用于解释微观结构-性能关系的模型。Pilania等人提供了一个用于材料信息学中的可解释机器学习的框架。（81）通过应用这些想法，可以开发出量化纤维直径均匀性对对齐影响的纳米纤维AI系统，并产生人类可解释的性能（例如，孔隙率高，对齐度低，因此质量 = X）。此外，可以从神经网络中提取更简单的替代模型或规则，以验证AI测量结果是否符合已知的物理规律（例如，验证模型测量的纤维直径分布是否在工艺参数变化时遵循预期的趋势）。由于用户更有可能信任和采用那些推理过程可以检查并与领域知识相关联的模型，因此XAI的重要性在许多应用领域都得到了强调。（79,80,82）在制造业中尤其如此——如果AI带有解释功能，工厂经理和工程师更有可能采用它。总体而言，结合XAI将是将AI无缝集成到纳米纤维表征工作流程中的关键。通过提供人类可理解的输出以及预测结果，未来的纳米纤维AI模型可以从神秘的神谕转变为透明的助手，使最终用户和行业利益相关者更有可能信任并采用它们。
3.5.4. 多参数AI表征
现代基于AI的图像分析能够同时从纳米纤维SEM图像中提取多个形态参数，超越单一指标的表征，提供全面的结构评估。基于AI的孔隙率估计通常采用语义分割将每个像素分类为纤维或孔隙，然后计算面积比。基于图像的孔隙率估计通常从纤维和空隙区域的分割开始，接着进行面积比计算。在静电纺丝薄膜中，基于图像的数字孔隙率已被证明是一种可行且快速的图像分析指标。（9）Cuahuizo-Huitzil等人（2024年）证明，基于图像的数字孔隙率与传统重量法测量结果有很强的相关性（R2 > 0.90），验证了基于AI的孔隙率估计作为一种快速、无损的替代方法。（9）先进的方法结合了来自多个2D图像或断层扫描数据的3D重建，以估计体积孔隙率，考虑了单图像分析无法捕捉到的厚度变化。实例分割方法可以识别和测量纳米纤维垫中的单个孔隙。在分割出空隙空间后，连通组件分析或分水岭算法分离重叠的孔隙，并为每个孔隙计算形态描述符（面积、等效直径、长宽比）。当需要在下游分析之前分离重叠结构时，具有实例意识和可提示的分割模型非常有价值；FibeR-CNN在纤维图像上的分割性能优于标准的Mask R-CNN（112），而μSAM在经过微调后，在不同的光学和电子显微镜条件下提高了分割质量（104）。
纤维取向分析传统上依赖于快速傅里叶变换（FFT）或结构张量方法应用于骨架化图像。增强型AI方法使用CNN直接回归取向分布或根据对齐质量对图像进行分类。OrientationJ与DiameterJ结合使用，提供了自动化的取向直方图生成功能（8），而更高级的方法训练神经网络来预测取向参数，而无需显式的骨架化。（94）结构异常，包括珠状物、纤维断裂和非均匀区域，可以使用分类或异常检测网络自动识别。（77）最近的方法采用无监督异常检测，在无缺陷图像上训练生成模型，并标记与学习到的分布的偏差。表2比较了用于纳米纤维表征的AI模型，图9显示了用于选择这些方法的决策树。
表2. 纳米纤维表征的AI/ML方法比较总结
AI模型 | 类别 | 主要任务 | 性能与特点 |
| --- | --- | --- | --- |
| 随机森林（RF） | 经典MLD | 直接静电纺丝证据：集成树回归/分类。在一个基于文献的静电纺丝数据集上，RF的测试集R2 = 0.9468，RMSE = 92.3 nm，优于其他评估的ML模型；底层算法在（85,113）中有定义 |
| 多层感知器（ANN） | 神经网络 | 过程建模 | 直接静电纺丝证据：根据纺丝溶液浓度、纺丝电压、收集距离和溶液流速预测PAN纳米纤维直径；报告综合拟合系数0.98952，平均误差为2%。（33） |
| 自编码器+MLP（AE-MLP） | 混合ML | 缺陷/异常分类 | 直接静电纺丝证据：用于有缺陷与无缺陷SEM纳米贴片的混合无监督-监督流程；报告准确率高达92.5%，相对于基于CNN的策略模型复杂度更低。（77） |
| U-Net | 语义分割 | 纤维/背景分离和直径图回归 | 直接纤维/静电纺丝证据：带有跳跃连接的编码器-解码器架构。修改后的U-Net/U-Net回归工作流程在自动纤维直径计算中报告了低误差（例如，在真实测试子集上的MAE为0.1094，MSE为0.0711），并支持多图像批量处理。（7,35,78） |
| 迁移学习CNN（ResNet/GoogleNet） | CNN | 形态分类 | 直接静电纺丝证据：在静电纺丝纤维形态图像上的迁移学习显著提高了分类准确性；微调后的ResNet达到了95.21%的测试准确率，GoogleNet达到了96.34%，而没有迁移学习的ResNet为79.35%。（94,114） |
| FibeR-CNN | 实例分割 | 单个纤维隔离和尺寸分布 | 直接纤维图像证据：扩展了Mask R-CNN的实例分割模型，增加了宽度和长度预测的头部；在平均精度上超过了标准Mask R-CNN 33%（11个百分点），并预测纤维宽度/长度分布。（112） |
| SAM/μSAM | 基础模型 | 可提示/少样本分割 | 可转移的显微镜证据：SAM是一个可提示的分割基础模型；μSAM适应光学和电子显微镜，并在多种成像条件下报告了改进的分割质量，支持交互式和自动使用。（103,104） |
| 条件GAN（c-GAN）+ 迁移学习 | 生成AI | 合成SEM生成和异常分类 | 直接静电纺丝证据：c-GAN生成了合成的有缺陷/无缺陷的静电纺丝纳米纤维SEM图像，基于真实图像的迁移学习分类器报告了高达95.31%的准确率。（115） |
| 视觉变换器（ViTs） | 变换器 | 全局上下文特征建模和分割骨干 | 方法级/新兴证据：基于自注意力的架构捕获全局上下文和长距离依赖性；在这篇综述中，它们最好被视为分割的新兴骨干或混合编码器，而不是完全经过静电纺丝验证的独立方法。（101,102,105） |
| 去噪扩散概率模型（DDPMs） | 生成模型 | 合成数据生成/恢复/增强 | 方法级/新兴证据：生成扩散模型通过迭代去噪学习数据分布；在当前纳米纤维背景下，它们最好被视为有前途的合成图像生成和图像恢复/增强工具，而不是成熟的静电纺丝基准。（109,116） |
图9. 选择适合纳米纤维表征的AI方法的决策树。从主要任务需求开始，该树指导用户通过关键决策点，包括可用数据、计算资源和特定应用需求，以推荐最合适的方法。叶节点表示推荐的方法，并附有简要的理由。
4. 基准测试和公共数据集
为了评估和比较纳米纤维表征的AI模型，研究人员依赖于各种数据集和性能指标。然而，由于该领域的应用较为小众以及标注纤维结构所需的努力，目前缺乏一个大型、标准化的专门针对纳米纤维图像的公共数据库。尽管如此，已经有一些数据集可供使用，并作为有用的基准。
4.1. 纳米纤维SEM图像集
Carrera等人（2016年）发布了一个包含45张静电纺丝聚碳酸酯纳米纤维垫SEM图像的数据集，其中包含专家对缺陷区域的注释。这个数据集与其缺陷检测研究相关，已被用于后续的异常检测工作。它为“正常”与“缺陷”像素提供了标签，允许对分类/分割模型进行监督训练和测试。这些图像在放大倍数和纤维密度上有所不同，使其成为通用缺陷检测算法的挑战性基准。作者公开了这个数据集以鼓励比较——事实上，他们的论文报告了一种算法和基线准确率，后来的方法都试图超越这一水平。（117）
4.2. DiameterJ验证数据集
在开发DiameterJ期间，Hotaling等人编制了一组用于验证纤维直径测量的合成和真实图像。（8）他们生成了具有已知直径的纤维数字图像（黑色背景上的白线），并包括了具有已知参考直径的纤维SEM图像（例如，校准过的纤维或电线）。虽然这个数据集没有广泛用作独立的基准，但它对于测试直径测量算法的准确性非常有用。（118）任何新的直径测量方法都可以应用于这些图像，以直接比较测量直径与真实直径。DiameterJ数据集相对较小，但它是少数具有真实直径标签的数据集之一。
4.3. 合成纤维图像库
为了缓解数据稀缺问题，研究人员使用模拟创建了合成数据集。例如，Huarachi等人生成了一组包含随机数量纤维、取向和噪声水平的模拟纤维显微图像。这些合成图像（带有已知的真实标签）有效地作为无限的数据集，用于训练和评估分割模型。其中一些库已经开源或在出版物中描述，以便其他人可以重新生成它们。虽然这些不是真实数据，但由于具有完全已知的真实标签，它们对于基准测试非常有价值。模型的性能可以根据与已知标签的像素级准确性或Dice系数来量化。在Huarachi的研究中，他们将图像组织成训练和测试组（例如，G1：真实训练，G2：真实测试，G3：合成训练，G4：合成测试），以系统地评估模型在真实数据与合成数据上的表现。这样的基准测试表明，例如，在真实和合成图像的混合上进行训练可以提高在真实测试图像上的性能，突出了合成增强的好处。（7）
虽然上述数据集提供了有用的基准，但专门针对纳米纤维分析的公共挑战或排行榜尚未建立，这可能是由于数据专有性和问题的特殊性。然而，随着社区的发展，我们可能会看到共享数据集（可能通过如材料基因组或图像数据库等倡议）和有组织的挑战的出现。同时，鼓励作者在可能的情况下发布他们的训练模型和数据。已经发布的少数模型（例如，GitHub上的FibeR-CNN扩展（112）极大地促进了可重复性。在一个团队的数据上对另一个团队的模型进行基准测试变得越来越普遍，提供了更客观的比较。例如，在一个实验室训练的深度模型可能在另一个实验室的聚丙烯腈（PAN）纤维图像上进行测试，以评估其泛化能力。
4.4. 评估指标
纳米纤维分析中使用的评估指标与图像分割和对象检测中使用的指标相同。在架构之间的基准测试中，研究通常将新方法与先前方法在共同数据集上进行比较。这些基准测试对于证明转向AI方法是必要的。总体趋势是，每一代AI模型（例如，从基本CNN到U-Net，再到高级架构）在可用数据集上显示出改进的指标。常用的AI驱动的纳米纤维分析评估指标列在表3中。
表3. 常用的AI驱动纳米纤维分析评估指标
评估指标 | 目标属性 | 例子 |
| --- | --- | --- |
| 像素级准确性和交并比（IoU） | 分割质量 | 对于与专家绘制的纤维掩膜非常匹配的模型，可能会报告IoU高于0.90。 |
| Dice系数或F1分数 | 分割质量 | 表示预测的纤维区域与真实纤维区域之间的重叠。 |
| 平均绝对误差（MAE）和均方误差（MSE） | 连续测量 | 如果知道每个纤维的真实直径（或分布统计信息，如平均直径），可以计算AI测量的误差。Huarachi等人报告了他们的U-Net直径预测的MAE和MSE，以证明其准确性。（7） |
| 准确率、精确度、召回率和F1分数 | 分类任务（缺陷与非缺陷识别，或根据对齐质量对图像进行分类等） | 缺陷检测模型可以通过精确度（检测到的缺陷区域中有多少是真实缺陷）和召回率（实际检测到多少缺陷）来评估。 |
| R2（决定系数） | 回归任务 | R2也可以用来评估基于图像分析的孔隙率估计与参考孔隙率测量之间的一致性。（9） |
5. 与传统表征方法的比较
将AI驱动的方法与传统的图像处理和手动技术进行基准测试，有助于量化在速度、准确性、可重复性和可扩展性方面的改进。
5.1. 准确性和检测能力
AI模型在识别纤维和缺陷方面已被证明比传统方法更准确。例如，经典的CT-FIRE算法（小波变换+纤维提取）曾被用于半自动纤维分割，但在复杂图像上经常失败——它可能会遗漏重叠的纤维或长度低于某个阈值的纤维，并且在具有挑战性的数据集上产生的结果不够理想。(112) 相比之下，像FibeR-CNN这样的深度学习模型几乎可以检测到所有可见的纤维，甚至可以通过学习它们的轮廓来区分重叠的纤维。(112) 在缺陷检测中，由于疲劳或偏见，人类检查员可能会忽略细微的问题，而AI可以一致地应用相同的标准来处理所有图像。(94) 在纤维直径测量方面，手动或基于阈值的方法通常会报告几十纳米的误差，并且可能会因为阈值选择的主观性而产生偏差；基于U-Net的分割方法能够提供更客观的测量结果，并且在一系列图像上与真实值有更好的一致性。(78) 因此，在准确性方面，基于AI的特征描述要么与人类水平相当，要么超过人类水平，尤其是在图案复杂或模糊的情况下。5.2. 速度和吞吐量手动分析纳米纤维图像的速度极慢——一个熟练的技术人员可能需要花费15-30分钟来使用ImageJ等软件追踪纤维或测量直径。传统的半自动工具（例如DiameterJ或CT-FIRE）虽然提高了速度，但处理每张图像仍然可能需要几分钟的时间，特别是如果每张图像都需要迭代参数调整的话。例如，据报道CT-FIRE在单个CPU核心上的速度非常慢（大约每张图像需要几分钟）。(112) 一旦训练完成，AI方法在推理时速度惊人地快。在现代GPU上，CNN可以在几分之一秒内处理一张图像，而在CPU上则需要几秒钟。这意味着数百张图像的整个数据集可以在几分钟内完成分析，这是一个巨大的改进。在生产环境中，曾经是瓶颈的问题（停止生产、将样品送到实验室、分析数小时）现在可以变成近乎实时的反馈。香港生产力委员会（HKPC）的一个工业案例表明，当推理速度与生产吞吐量相匹配时，连续监控是可行的。(119) 此外，AI具有线性扩展性；分析100张图像的时间大约是分析一张图像的100倍，当每张图像的处理时间在一秒或更短时，这就不成问题了；增加更多的计算资源可以进一步实现并行处理。另一方面，对于人类或半自动过程来说，增加更多的图像可能会引入指数级的努力（更多的疲劳、更多的参数调整）。因此，在高吞吐量的场景中，AI是不可或缺的。5.3. 可重复性和客观性传统的手动测量受到操作者间和操作者内变异性的影响。两个人测量同一个纤维样本可能会因为对图像进行阈值处理的方式不同或选择测量的纤维不同而得到略有不同的直径分布。即使是同一个人，如果感到疲劳，也可能得到不一致的结果。AI方法提供了远优于传统方法的可重复性：训练有素的模型每次对相同的输入都会产生相同的输出，没有漂移。这种一致性对于质量控制和研究比较至关重要。如果参数固定，传统的图像处理流程也是可重复的，但实际上，用户通常会根据每张图像的情况调整设置以获得良好的结果，从而引入了微妙的偏见。例如，一种阈值处理方法可能需要逐张图像地调整亮度或对比度。AI方法在很大程度上避免了这种逐个案例的调整；在多样化数据上训练的模型知道如何处理典型的变化。正如一项研究所指出的，传统的纤维分析工具有许多参数需要仔细调整——通常需要针对每张图像进行调整——以优化结果，(112) 而深度网络可以自动学习鲁棒的特征，消除了手动参数调整的需要。这种客观性意味着AI分析可以被验证，并且可以信任其自主运行，这对于行业采用来说是一个关键优势。5.4. 可扩展性随着纳米纤维生产的增加和实验研究涉及更大的数据集（例如，捕获整卷纳米纤维垫或进行高通量实验），方法必须具备可扩展性。手动方法显然不具备可扩展性——劳动力成本和时间变得过高。传统软件可能在一定程度上可以扩展，但内存和计算限制，或者前面提到的参数调整需求，通常限制了其在非常大的数据集上的实用性。AI解决方案由于其推理算法的效率，可以处理大量数据。此外，AI模型可以被训练来处理变化（例如，不同的材料、成像条件），使得单个模型适用于多种场景，而传统方法可能需要为每个新场景重新配置。还有分布式或基于云的AI处理框架，这意味着多台机器可以共享分析TB级图像数据的负担——这是交互式手动分析无法实现的。总之，AI的可扩展性使得现代纳米材料研究和制造中的大数据处理成为可能，将曾经繁琐的采样过程转变为对整个数据集的全面分析。5.5. 解决传统限制AI有效地解决了许多传统特征描述的局限性。例如，图像质量差（噪声、对比度低）会阻碍简单的边缘检测器或阈值方法，但CNN可以通过在具有变化的样本上进行训练来学会穿透噪声——实际上同时起到了去噪和分割的作用。不规则或复杂的纤维布局（非均匀背景、纤维交叉）会打破算法假设的孤立对象，但AI可以通过学习来处理这种复杂性。而以前根本无法完成的任务，比如直接从图像预测机械性能，现在可以通过能够发现隐藏相关性的AI模型来实现。有争议的是，AI并不是完全无误的；如果它遇到完全超出其训练分布的数据，可能会错误分类或分割。通过仔细的训练和验证，其在预期领域内的性能远远超过了旧方法。研究人员发现，即使他们故意引入变化，AI模型仍然表现稳健：例如，在合成图像上训练的模型仍然可以在不同对比度的真实图像上工作，(120) 显示出任何手工制作的方法都无法比拟的灵活性。从定量角度来看，文献一致报告AI方法的准确性指标（IoU、分割的F1分数、分类准确性等）高于传统方法。(94) 结合速度和一致性的定性优势，基于AI的纳米纤维特征描述明显优于传统方法。主要成本——准备训练数据集和训练模型——通过迁移学习、合成数据和协作努力得到了越来越多的缓解，如上所述。AI的任何剩余限制（如可解释性或需要大量训练数据）正在通过可解释AI和联邦学习等新兴技术得到解决。表4示例了手动、传统方法、机器学习和深度学习方法在纳米纤维直径分析中的角色比较。表4. 基于AI（机器学习和深度学习）和传统方法（手动测量和传统方法）在纳米纤维直径分析中的比较指标手动测量传统/半自动（例如，SIMPoly/DiameterJ）机器学习（例如，RF/ANN）深度学习（例如，U-Net/FibeR-CNN）每张图像的测量次数25–100（有限）>1000（统计）基于参数的预测全像素级分析（约300万+像素）分析时间15–60分钟20–120秒<1分钟（训练完成后）0.5–10秒（GPU加速）测量准确性基线（主观）高（如果二值化完美）非常高（高IoU/mAP）处理重叠情况差/主观在交叉点容易出错间接/基于模式的优秀（特定优化）操作者依赖性高（高偏差）中等（对阈值敏感）低（结果一致）无到低（自动化流程）缺陷检测手动视觉检查有限（基于模式的）好（特征分类）优秀（自动识别）训练需求无无100–500个数据样本100–1000+张图像（SAM：<50）主要限制低吞吐量和疲劳对噪声/分辨率敏感需要结构化输入数据高计算（GPU）成本参考文献（39）（29,76）（33,85）（112）6. 行业应用和智能制造除了学术研究之外，AI驱动的纳米纤维特征描述在工业应用中也越来越受到重视，特别是在智能制造和工业4.0的框架下。生产纳米纤维产品（过滤器、纺织品、医疗垫等）的制造商开始将AI集成到生产线的实时监控和质量控制中。6.1. 电纺过程中的实时质量控制AI在工业中最有价值的用途之一是在生产过程中实时检查纤维（例如，在电纺机中）。高速摄像机或成像传感器可以用来观察收集器上的纤维沉积情况，AI视觉模型可以即时分析这些图像。深度学习算法可以立即检测到缺陷，如珠子的形成、纤维直径不均匀或纤维沉积不均匀。这种实时分析允许生产系统在反馈循环中调整参数——例如，如果AI检测到纤维直径突然增加（可能是由于电压下降或溶液粘度变化），系统可以自动调整纺丝电压或进料速率来进行补偿。(121) 这种AI驱动的控制有助于保持纤维质量的一致性。此外，实时异常检测意味着如果发生严重问题（例如，喷丝头堵塞导致没有纤维输出或严重错位），系统可以立即提醒操作员，甚至暂停过程以防止材料浪费。最终效果是减少缺陷并提高产品质量，且几乎不需要人工干预。尽管这项研究是针对光学微/纳米纤维制造而不是电纺，但它展示了如何在纤维制造系统中实现在线直径测量和反馈控制。(122) 虽然这是针对光学微纤维的，但同样的概念也适用于电纺：相机或在线显微镜可以实时捕捉纤维沉积情况，AI模型可以分析纤维厚度和对齐情况，并立即调整参数（电压、收集器速度）以纠正任何偏差。现代模型的高推理速度（有些模型在普通硬件上可以达到每秒超过100帧）使得这一点成为可能。这为智能制造设置闭合了循环，减少了浪费并确保了产品的一致性。预计进一步研究轻量级模型或现场可编程门阵列（FPGA）/嵌入式部署将促进机载分析。此外，AI与机器人技术的结合（用于自动化样品处理和成像）可以实现完全自动化的质量控制站：纳米纤维垫的样品可以被成像，由AI进行分析（检测缺陷、均匀性等），并且可以在无需人工参与的情况下做出决策。一个值得注意的行业例子是HKPC与纳米纤维制造商Nanoshields Technology Ltd.的合作，共同创建了智能电纺生产线。(119) 2022年，HKPC为Nanoshields定制了两条配备先进AI、物联网传感器和机器人的自动化纳米纤维生产线。每条生产线都集成了机器视觉和传感器系统，实时收集环境和过程数据（如湿度、电压和溶液流速）。AI模型分析流式数据以预测产品质量指标并检测异常。例如，计算机视觉监控纤维垫的形成；如果纤维层密度偏离目标（表明可能存在较薄或较厚的区域），系统会标记出来。实时监控系统可视化生产数据，并使用AI预测来缩短对质量问题的响应时间。根据HKPC的公开案例报告，该实施与人力和质量控制负担的减少以及产量的提高有关。(119) 这个案例表明，AI不仅仅局限于实验室环境，而是深入集成到了制造过程中——它正在实时分析纤维并做出决策以保持高质量标准。本质上，电纺机已经变得智能化，能够在生产材料的同时调整以确保纤维的均匀性和对齐，AI作为控制系统的大脑。6.2. 自动化光学检测系统在工业纳米纤维生产中（例如，用于过滤器），在纤维生产并收集成垫子或膜之后，自动化检测至关重要。基于AI的检测系统使用摄像机或显微镜扫描完成的纳米纤维材料卷或片材。然后，计算机视觉模型评估关键的质量指标，如纤维均匀性、孔径分布、重量分布以及缺陷的存在（污染、断裂纤维等）。与人类检查员不同，AI系统可以高速检查100%的产品，确保没有缺陷被忽略。一个实际的例子是在质量实验室中使用带有自动化分析软件的台式扫描电子显微镜（SEM）。商业系统如Phenom的FiberMetric用于从SEM图像中自动测量纤维直径、方向和与孔相关的描述符。(123) 该系统被宣传为操作者独立且快速，能在几分钟内提供统计上显著的数据。虽然FiberMetric的底层算法是专有的（可能基于传统的图像处理），但它反映了行业对自动化特征描述的认可。更新的AI驱动的检测系统通过利用深度学习来处理更大的图像变化，进一步推动了这一发展。例如，AI即使在图像对比度变化或存在少量杂质的情况下也能稳健地测量纤维，而固定算法可能会失败。在纤维过滤器的生产过程中，公司已经开始使用在线视觉系统来检查纤维层的均匀性。如果人工智能发现某个区域的纤维过于稀疏（这可能会影响过滤效率），那么该区域可以被标记或剔除。在纺织纳米纤维领域，人工智能检测可以通过分析卷材上的纤维取向分布来确保纤维网满足对齐要求（这对各向异性的机械性能非常重要）。
6.3. 过程监控和机械性能预测
人工智能也被用来将观察到的纤维结构与最终使用性能相关联，从而创建材料性能的预测模型。在制造环境中，一旦人工智能模型对纤维进行了分割并提取了相关指标（如纤维直径分布、孔径大小、取向分布等），这些指标就可以输入到预测算法中（可以是机器学习回归模型），以估算材料的性能，例如拉伸强度、过滤效率或透气性。例如，如果已知某种程度的纤维对齐可以提高某个方向的拉伸强度，人工智能系统就可以实时量化这种对齐情况，并预测一批产品是否符合机械规格。研究人员正在积极开发这样的结构-性能预测模型。最近一项关于复合材料的研究表明，卷积神经网络（CNN）可以从微观结构图像中预测机械应力-应变曲线。在纳米纤维领域，类似的方法也在开发中，人工智能架起了从成像到性能之间的桥梁，实现了真正的智能制造——不仅能够检测缺陷，还能确保最终产品的功能符合预期。
总体而言，工业界对人工智能在纳米纤维表征方面的应用正在增加。从能够自我校正的智能电纺生产线到替代繁琐手动检查的自动化视觉检测，人工智能提高了效率、降低了成本，并改善了产品的一致性。这些智能制造的实施基于在研究中验证过的算法，并将其大规模应用。
7. 结论与建议
总之，在过去五年中，人工智能驱动的方法彻底改变了纳米纤维的表征方式，在效率、准确性和能力方面取得了显著进步。从能够精确测量和检测特征的先进卷积神经网络和变换器模型，到用于合成训练数据的生成模型，再到在智能工厂中实现实时质量控制的部署，取得的进展令人瞩目。人工智能方法解决了手动和传统技术的长期局限性，实现了高通量、一致的分析，能够跟上现代纳米纤维生产的步伐。展望未来，新兴的人工智能创新——如变换器、扩散生成器、联邦协作训练和可解释人工智能——有望进一步提升我们对纳米结构纤维的分析能力，使这些工具更加强大、通用和可靠。材料科学和人工智能的结合正在推动智能纳米纤维制造和研究的新时代，在这个时代，数据在每个决策环节都发挥着重要作用，纳米尺度世界可以以前所未有的清晰度被量化。用于纳米纤维表征的人工智能技术正在迅速发展。未来，一些有前景的进展和新兴趋势将进一步增强这些能力。
7.1. 研究成果总结
对于常规的单参数表征（针对背景清晰的纤维SEM图像），传统的自动化工具仍然是首选。这些工具易于使用，无需额外训练，并且性能已经得到验证。当传统工具的分割结果不可靠（纤维碎片化或合并）时，可以使用经典的机器学习模型（随机森林和SVM）。深度学习方法应保留用于最具挑战性的场景，例如高通量工业检测或数据使得手动或半自动化方法不可行的情况。在所有情况下，建议将人工智能得出的测量结果与一部分传统或手动测量结果进行交叉验证，以确保结果的一致性和可靠性。
人工智能驱动的图像分析为纳米纤维研究带来了显著的好处。深度学习分割技术（如U-Net、Mask R-CNN）即使在纤维密集或重叠的复杂图像中也能实现像素级的纤维提取，从而比半自动阈值处理技术提供更准确的直径和孔径测量结果。机器学习模型可以高置信度地分类和检测缺陷，减少了对人工检查的依赖。生成模型（GANs、扩散模型）通过生成逼真的合成纤维图像来增强数据的可用性，用于训练、去噪和超分辨率处理。基于变换器的架构虽然仍处于早期阶段，但有望通过捕捉纤维网络的全局上下文来进一步改进分割效果。基准测试显示，人工智能方法与真实值之间的吻合度非常高（直径的误差通常在几个百分点以内，分割的IoU超过90%），而手动方法则难以达到这一水平。此外，人工智能提供了人类无法实现的一致性和速度——原本需要数小时的测量现在可以在几秒钟内完成，且变异性极小。这些优势推动了人工智能在学术研究和纳米纤维制造领域的应用。
7.2. 最佳实践
根据现有文献，建议在纳米纤维表征中应用人工智能时考虑以下几点：
(1) 结合混合方法：将人工智能分割与基于物理的计算相结合来获取指标（例如，使用CNN获取纤维掩模，然后使用传统几何方法计算直径和孔隙率）。这样可以利用人工智能的优势，同时保持结果在物理意义上的可解释性。
(2) 增强训练数据：利用合成纤维图像和数据增强（旋转、噪声、强度变化）来提高模型的鲁棒性。
(3) 纳米纤维的形态变化很大；接触多种变化的模型能更好地泛化到新样本上。
(4) 与传统测量结果进行交叉验证：特别是在关键应用中，将人工智能测量结果与一部分手动测量结果或已知标准进行对比，以建立信心（例如，检查模型计算出的平均纤维直径是否与手动使用ImageJ在几张图像上估计的结果一致）。
(5) 根据成像方式调整模型：纤维的SEM、TEM和光学图像具有不同的特性（对比度、分辨率），因此网络架构和预处理应相应优化——例如，TEM图像可能需要处理低对比度的模型，而SEM图像可能受益于能够处理复杂背景的网络。
(6) 考虑迁移学习：如果针对特定纤维的标记数据有限，可以考虑在预训练在其他纤维图像或相关纹理上的模型上进行微调。这可以在少量训练样本的情况下显著提升性能。
7.3. 未来展望与研究方向
除了传统的指标之外，人工智能还可能在纳米纤维研究中开启新的见解，例如预测建模——利用人工智能直接从图像特征预测纤维垫的机械或功能性能。如果有足够的数据将图像特征与性能（如拉伸强度、过滤效率）联系起来，就可以训练替代模型来预测SEM图像的性能，这将大大加快研发反馈循环。另一个新兴应用是一类学习中的异常检测：使用生成模型或自编码器来学习正常纳米纤维垫的样子，并标记任何偏差（这对于捕捉未知缺陷类型或工艺漂移非常有用）。这方面已经有一些研究（如使用自编码器进行无监督缺陷检测），并且将进一步完善。
在未来的趋势方面，我们预计人工智能模型会变得更轻量化和更易于使用。知识蒸馏和模型量化等技术可以减小模型大小，这有助于在便携设备或芯片实验室系统中部署。此外，还有向开源工具和平台发展的趋势（例如，包含常见任务预训练模型的库）。随着这些工具整合最新的人工智能模型，纳米纤维研究人员将能够在没有深厚人工智能专业知识的情况下应用复杂的分析方法。这种民主化将促进更广泛的应用。
最后，领域专家和数据科学家之间的合作将会增加。纳米纤维生产的细微差别（例如湿度如何影响纤维形态）可以通过自定义损失函数或将物理知识纳入模型中来纳入人工智能模型中。例如，知道纤维应该是连续的，就可以在分割预测中强制保持连续性。这种基于物理知识或指导的人工智能将确保模型对图像做出物理上合理的解释，这是一个充满研究潜力的领域。
还确定了几个需要进一步研究的挑战和机会。一个挑战是提高模型的泛化能力：在一个纤维类型或成像条件下训练的模型可能在另一个条件下表现不佳。未来的研究应专注于领域适应技术，使模型更具通用性，或者构建涵盖多种纳米纤维材料和成像设置的全面训练集。另一个领域是标准和基准的制定：社区将受益于开放的基准数据集（或代表不同纤维场景的几个数据集）和标准评估指标，以便公平比较各种算法。这可以与开放竞赛相结合，促进创新。此外，将领域知识（如电纺物理）整合到人工智能模型中，可以使解决方案更加符合物理现实，减少数据需求。在可解释性方面，还需要更多工作来创建可解释的模型——也许可以通过设计输出人类可理解参数的网络（如纤维密度或平均取向）作为中间步骤，或者使用注意力机制来突出重要图像区域（让研究人员验证模型确实关注的是纤维而不是噪声）。
当前一代基于人工智能的纳米纤维分析方法存在一些明显的局限性。首先是数据可用性。实际上，全面的数据集通常是通过结合高通量成像、合成数据生成、注释和数据增强来构建的，但这需要大量的时间、专业知识和资源。第二个局限性是泛化能力。广泛的数据集有助于减少过拟合并提高模型的迁移能力，但即使是先进的基础模型，在与训练数据相似的数据上表现最佳。第三个局限性是计算成本。尽管在某些情况下推理是可行的，但现代模型的训练和微调仍然需要大量的计算资源。因此，未来的研究应优先考虑模型的可重用性。可解释的人工智能也应成为重点，以便未来的系统不仅能生成预测结果，还能指示这些预测何时不可信。
人工智能与纳米纤维技术之间的协同作用仍在不断扩展。随着计算能力和算法的进步，实时监控和控制系统将变得普遍，从而实现更智能的电纺机器，能够即时调整以保持产品规格。在研究实验室中，自动化表征将使科学家有更多时间专注于材料设计和结果解释，而不是繁琐的测量工作。多尺度人工智能分析——将纳米尺度纤维特征与宏观尺度膜性能联系起来——是一个令人兴奋的前沿领域，可以通过成像和人工智能性能预测快速筛选候选材料，加速纳米纤维产品（从空气过滤器到组织支架）的开发。
总之，基于人工智能的技术已被证明对纳米纤维表征具有革命性影响，提供了快速、准确且丰富的分析能力，扩展了传统方法的功能。通过采用这些工具并不断改进它们，纳米纤维研究社区可以更深入地了解结构-性能关系，并更好地控制纤维制造过程。建议研究人员和工程师投资于开发和采用人工智能解决方案作为他们的表征工具包的一部分，同时认识到其局限性并彻底验证结果。通过跨学科合作——结合材料科学、成像和机器学习的专长——人工智能在纳米纤维分析中的全部潜力将得到实现，推动该领域向更创新的材料和更高效的制造过程发展。
打赏
