现实世界化学实验室图像数据集用于25种设备类别的设备识别

科学领域:

• 化学和计算机视觉 化学和计算机视觉
• 实验室自动化和安全
• 机器学习用于科学应用.

背景情况:

• 准确检测实验室设备对于现代实验室自动化和安全至关重要.
• 现有的数据集可能缺乏强大的设备识别所需的多样性和规模.
• 需要一个全面的资源来训练机器学习模型来识别化学实验室设备.

研究的目的:

• 为检测25种常见的化学实验室设备引入一种新的,大规模和多样化的数据集.
• 促进先进实验室自动化和安全系统的发展.
• 为在实验室环境中评估物体检测模型建立一个基准.

主要方法:

• 创建了一个由4,599张JPG图像组成的数据集,捕捉了25种化学实验室设备.
• 图像是在各种现实条件下获得的 (照明,角度,背景,重叠,距离).
• 数据集分为培训 (70%),验证 (20%) 和测试 (10%) 的模型开发和评估子集.

主要成果:

• 在数据集上评估了七种最先进的物体检测模型.
• 所有模型都实现了高性能,平均平均精度在50%的IOU (mAP@50) 评分超过0.9.
• RF-DETR获得了0.992的最高mAP@50得分,证明了数据集的有效性.

结论:

• 开发的数据集是检测化学实验室设备的最广泛的公开资源.
• 它为推进实验室自动化,安全监测和库存管理方面的研究提供了坚实的基础.
• 测试模型的高性能验证了数据集的质量和实用性,用于训练可靠的设备检测系统.