用合成图像训练的YOLOv8识别二维胶体组装体：合成集上准确率97–99%，真实显微照片上平均误差43.1%，球体20%、立方体58.5%

把胶体组装体的分类从球形颗粒扩展到椭球、棒、立方体四种形状，并把环（loop）作为独立类别纳入，共五类：孤立颗粒、二聚体、链、环、团簇。 此前同类分类只针对球形颗粒且未把环单列，而环作为闭合结构对凝胶弹性有贡献；本文首次在多种非球形颗粒上统一这套分类并给出可自动识别的框架。 分类定义基于邻接关系（表面接触即视为邻居）逐条给出，并配示意图；四种形状各建一个数据集，每个数据集含135–155张图像，经旋转与加噪增强后划分为训练、验证、测试三部分。

用多边形实例分割替代边界框，可以正确分离彼此紧邻的颗粒，避免把独立颗粒错误合并为一个区域。 作者此前工作发现边界框对复杂形状组装体精度不足，尤其在链、团簇、环等交织构型下会错误合并；本文改用YOLOv8-seg的多边形标注来精确刻画每个对象边界。 方法层面明确说明多边形标注可处理部分重叠与复杂形貌；数据集记录格式为类别号加归一化多边形顶点坐标，类别号为0链、1团簇、2二聚体、3孤立颗粒、4环。

在合成数据上四个模型识别准确率约97–99%，但迁移到实验图像后性能大幅下降，平均相对误差43.1%，且误差随颗粒几何复杂度上升。 这一合成—实验落差量化了“纯合成数据训练”的可迁移性边界，并首次给出按形状排序的误差谱：球体20%、椭球44.7%、棒49.2%、立方体58.5%。 合成测试集上球体Precision与Recall均为1，椭球、立方体、棒在0.94–1之间；实验数据上球体Precisionc=0.73、Recallc=0.88，棒状Precisionc降至0.31，立方体Recallc=0.38；误差按δ=|Xe−Xs|/Xs×100%计算，取四项指标算术平均。

误差结构不平衡：精确率下降幅度大于召回率，说明主要问题是把背景噪声、碎屑、标签等误判为组装体，而非漏检。 作者据此指出单一指标评估不充分，并对出现概率重叠的情形改用软精确率与软召回率公式，同时把评估对象从组装体扩展到图像中的单个颗粒。 精确率平均相对误差为构型52%、颗粒47%，召回率为构型36.85%、颗粒36.35%；棒状在构型判定上精确率下降67%而召回率仅下降35%；软指标公式引自Fränti与Mariescu-Istodor。

该框架面向二维单层胶体组装体的自动识别，适用于颗粒表面接触即视为邻居的简化邻接定义，覆盖球形、椭球、立方体、棒状四种形状与孤立颗粒、二聚体、链、环、团簇五类构型。它服务于需要高通量统计结构基元数量的场景，例如为凝胶化的渗流与主方程动力学模型提供实验侧的结构数据。数据集与训练脚本以gPL-3.0许可公开，相应模块已集成到isanm.space信息系统，便于工程师与相关领域研究者直接复用或作为基线比较。作者指出，要提升真实图像上的表现，需要基于实验显微照片重新构建训练数据集，并建议未来以具体图像为样例与本文模型结果对比，同时把不同形状颗粒的混合物纳入考察。

实验评估仅基于40张实验图像（每种形状10张），样本规模有限，按形状给出的误差数值应视为该样本下的观察而非普适常数。立方体数据集是四种中唯一出现明显过拟合的，作者据此把训练限制在35个epoch，并判断最佳模型质量约出现在第30–50个epoch，这一取舍对最终指标的影响仍值得关注。颗粒截断（丢失颗粒碎片）这一现象作者明确表示尚未完全理解，且图中“500 nm”标尺被误识别为链，说明标尺、标签等非颗粒元素会干扰计数。真实颗粒形状常偏离理想几何模型，被标为椭球的颗粒可能实际接近棒状，棒状颗粒有时弯曲，立方体可视为棒的特例、球可视为椭圆的特例，这些边界情形如何影响分类一致性仍是开放问题。此外，本文为快速解析版本，图2至图13的混淆矩阵、损失曲线与识别示例图未随文本提供，因此无法核对各类别的具体混淆分布与过拟合曲线的细节。