面向实验室自动化的化学实验仪器图像数据集：涵盖25类设备的真实场景检测

《Scientific Data》：Real-world chemistry lab image dataset for equipment recognition across 25 apparatus categories

本刊推荐：为解决化学实验室中设备检测面临的透明材料、重叠遮挡等挑战，研究团队构建了包含4,599张真实场景图像的数据集，覆盖25类常用化学仪器。该数据集通过多设备采集、边界框标注（Bounding Box Regression）和预处理技术，支持YOLO系列及RF-DETR等模型训练，最高mAP@50达0.992。该资源为实验室自动化、安全监控及库存管理提供了关键数据基础。

　　

在现代化化学实验室中，烧杯、锥形瓶、滴定管等仪器的精准识别是实现自动化操作和安全监控的核心挑战。由于玻璃材质的透明特性、仪器重叠摆放以及复杂光照环境等因素，传统计算机视觉模型往往难以实现高精度检测。尽管已有研究尝试构建专用数据集，但多数存在类别覆盖有限、场景单一等问题，无法满足真实实验室环境的多样性需求。

为解决这一瓶颈，来自孟加拉国United International University的Md Sakhawat Hossain团队在《Scientific Data》发表了题为“Real-world chemistry lab image dataset for equipment recognition across 25 apparatus categories”的研究论文。该研究构建了目前最全面的化学实验室仪器图像数据集，包含4,599张在真实场景下采集的图像，涵盖25类常见设备，为开发鲁棒的物体检测模型提供了重要资源。

研究团队采用多设备采集策略，使用四款不同规格的智能手机（包括Samsung Galaxy A05s、OnePlus 9R等）在孟加拉国两所高校的生化实验室内进行图像采集。这种设计有效引入了设备间的分辨率、光照和视角差异，增强了数据集的多样性。所有图像均通过Roboflow平台进行边界框回归（Bounding Box Regression）标注，每个标注包含中心坐标（b_x, b_y）、宽度（b_w）、高度（b_h）和类别信息。

在数据预处理阶段，团队采用自动定向（Auto-Orient）和统一缩放至640×640像素的操作，确保图像格式标准化。数据集按70:20:10的比例随机划分为训练集、验证集和测试集，避免因数据分布偏差影响模型泛化能力。

技术验证与模型性能

研究团队使用七种前沿物体检测模型进行基准测试，包括YOLOv11、YOLOv9、RF-DETR等。所有模型均表现出色，mAP@50（mean Average Precision at 50% IoU）均超过0.9。其中RF-DETR以0.992的mAP@50位居榜首，YOLOv11以0.987紧随其后。混淆矩阵和F1-置信度曲线显示，模型对透明仪器（如烧杯、锥形瓶）和细小设备（如移液管）均保持高识别精度。

数据集结构与可访问性

数据集以YOLO和COCO两种格式发布，包含图像文件夹和标注文件。元数据文件（metadata.csv）详细记录了每张图像的设备来源、边界框坐标和类别信息。所有数据可通过Figshare平台公开获取，支持实验室自动化系统开发、安全监控算法优化等应用。

研究意义与展望

该数据集突破了现有资源在类别多样性和真实场景覆盖方面的局限。通过引入多设备采集策略和复杂环境因素（如遮挡、光照变化），显著提升了模型在真实实验室条件下的适应性。未来可进一步扩展至动态场景检测、人机交互分析等领域，为智能实验室建设提供核心数据支撑。

研究结果表明，该数据集不仅能有效支持化学实验室仪器的精准识别，还为跨领域物体检测任务提供了可借鉴的构建范式。通过公开数据集和基准模型，团队推动了实验室自动化研究的可重复性发展，为AI驱动的新型科研范式奠定了坚实基础。