近日，付华栋教授团队提出了一种基于视觉大模型的免训练高效材料微观结构提取方法，在无人工标注的情况下精确识别了11种通过不同表征方法获得的金属材料微观结构。相关研究工作于2025年3月21日以“A novel training-free approach to efficiently extracting material microstructures via visual large model”为题发表在Acta Materialia上。

在材料科学研究中，精确描述材料微观结构对于探索材料成分与性能之间的关系至关重要。从各种类显微照片中获取关键微观结构信息，在很大程度上依赖于专家经验，即使采用机器学习/深度学习方法，也需要专家进行大量标注训练，且训练后的模型泛化能力弱、对新图像识别效果不佳。随着自动化表征设备和实验机器人的发展，需要分析的显微图像呈指数级增长，因此开发标准化、高精度的材料显微图像微观结构信息提取模型成为迫切需求。

研究者提出了一种名为MatSAM（Materials Segment Anything Model）的免训练方法，用于基于视觉大模型（VLM）高效提取材料微观结构。该方法通过结合区域标记和显微镜适应点，开发了一种自动化的点提示策略，以实现准确高效的材料微观结构识别。MatSAM无需任何人工标注，精确识别了11种通过不同表征方法获得的金属材料微观结构。与最优的传统规则方法相比，MatSAM在结合调整兰德指数（ARI）和交并比（IoU）的指标上平均相对提高了35.4%，优于原始SAM模型平均13.9%。在四个公共微观结构分割数据集上，MatSAM的IoU平均比需要标注的专业深度模型提高了7.5%。同时，MatSAM满足了单个模型对不同微观结构（如晶界、相和缺陷）的泛化能力，显著降低了定量表征材料微结构的人力和计算成本，大幅提升了微观结构的提取效率。该方法可高效应用于材料制备加工工艺的优化和性能提升，从而加速新材料的开发进程。