连接基础模型和 ASTM 冶金标准，通过显微图像自动估算晶粒尺寸

由于复杂的晶粒形态和监督分割的数据需求，从显微图像中提取标准化的冶金指标仍然具有挑战性。为了将基础计算机视觉与实际冶金评估联系起来，我们提出了一种用于密集实例分割和晶粒尺寸估计的自动化管道，该管道使 Cellpose-SAM 适应微观结构，并将其拓扑感知梯度跟踪与 ASTM E112 Jeffries 平面模块集成。我们系统地将这个管道与经典卷积网络（U-Net）、自适应提示视觉基础模型（MatSAM）和当代视觉语言模型（Qwen2.5-VL-7B）进行基准测试。我们的评估表明，虽然开箱即用的视觉语言模型难以满足密集微观计数所需的局部空间推理，并且 MatSAM 尽管具有特定领域的提示生成，但仍遭受过度分割，但我们改编的管道成功地保持了拓扑分离。此外，逐步减少训练分割的实验证明了出色的少样本可扩展性；该系统仅利用两个训练样本来预测 ASTM 晶粒尺寸数 (G)，平均绝对百分比误差 (MAPE) 低至 1.50%，而针对不同目标晶粒数的鲁棒性测试则根据经验验证了 ASTM 50 晶粒采样最小值。这些结果凸显了应用级基础模型集成在高精度、自动化材料表征方面的功效。我们的项目存储库位于 https://github.com/mueez-overflow/ASTM-Grain-Size-Estimator。