[作者-何双妹|审核-李伟夫]2026年1月，华中农业大学在Materials Characterization在线发表了题为Instance segmentation and microstructure characterization based on powder microscopic image data的研究论文。

金属粉末的颗粒尺寸与形貌特征对增材制造过程及构件性能至关重要，而传统SEM图像处理方法在复杂形貌分析中精度有限，难以实现高精度自动化分析。为此本研究提出了一种基于深度学习实例分割的金属粉末微观结构自动表征方法，实现了粉末颗粒识别与形貌参数提取的自动化与高精度分析。

研究采用多种深度学习实例分割模型对金属粉末显微图像进行对比研究。实验结果表明，YOLOv9-seg模型在复杂颗粒分布条件下具有更好的分割性能和边界识别能力，在测试数据集上获得超过95%的F1-score。论文建立了粉末颗粒形貌自动定量分析方法，通过实例分割结果提取颗粒面积、粒径和球形度等多种形貌特征参数，并进行统计分析。研究结果表明，大粒径粉末颗粒通常具有更高的球形度和更规则的形貌特征，而球形度相比其他形貌参数具有更好的稳定性。

论文整体框架图如上，针对镍基高温合金粉末显微图像，本研究提出了一种基于Detectron2和Ultralytics框架的智能分析流程，通过深度学习模型实现粉末颗粒的精确分割与多模型验证，进而提取粒径、形貌等特征参数并进行统计分析，最终完成了从图像处理到粉末微观结构定量表征的全流程分析。

本研究主要创新点和贡献包括：

1.提出了一种基于深度学习实例分割的金属粉末微观结构自动表征方法，实现粉末颗粒自动识别与高精度分割。

2.构建了金属粉末显微图像实例分割数据集，并系统比较了Mask R-CNN与YOLO系列模型在粉末颗粒分割任务中的性能差异。

3.建立了基于实例分割结果的粉末颗粒形貌定量分析方法，实现颗粒面积、粒径、圆度、球形度和长宽比等参数的自动计算。

4.验证了所建立方法在不同金属粉末数据集上的泛化能力，在未重新训练情况下仍保持较高分割精度。

5.分析了粉末颗粒尺寸与形貌参数之间的统计关系，为增材制造粉末质量评价提供了新的技术手段。

华中农业大学信息学院硕士生何双妹为论文第一作者，中南大学副研究员谭黎明和中南大学王子老师为论文共同通讯作者。华中农业大学信息学院涂佳濠参与前期研究调查工作及论文实验验证等工作，华中农业大学信息学院李伟夫副教授和中南大学王子老师参与了实验思路设计和论文修改工作。