深度学习驱动协作机器人加速昆虫标本数字化：面向未来博物馆收藏的革命性管道

这篇综述展示了英国自然历史博物馆(NHM)如何利用深度学习(DL)和协作机器人(cobot)技术革新昆虫标本数字化流程。研究团队开发了基于YOLOv8的计算机视觉(CV)管道，在图像测试中实现了标本识别0.95、针头检测0.79、标签识别0.92的准确率，为博物馆大规模数字化提供了高效安全的自动化解决方案。

　　

博物馆标本数字化的迫切需求

自然历史博物馆收藏着数以百万计的昆虫标本，这些珍贵的生物多样性资料对全球气候变化和生态研究至关重要。然而传统人工数字化方法效率低下，按当前进度完成全部馆藏数字化可能需要数个世纪。英国自然历史博物馆(NHM)作为行业先驱，已探索将协作机器人(cobot)技术与深度学习相结合，重点突破其馆藏量最大的针插昆虫标本数字化瓶颈。

协作机器人与机器学习融合的创新路径

Techman TM5-900协作机器人凭借六自由度灵活机械臂和5MP视觉系统，成为处理脆弱标本的理想选择。研究团队设计了创新的三阶段工作流：机器人首先扫描整个标本抽屉并规划最优路径；随后精准识别并抓取主针头；最后通过360°成像完成标签信息采集。这种自动化流程避免了传统方法需要手动移除标签的 invasive 操作，显著提升了安全性。

深度学习管道的技术突破

研究采用YOLOv8-medium模型构建核心识别系统，该模型在MOSAIC数据增强策略下表现出色。通过ALICE标本数字化系统获取的600张多视角图像构成训练集，使用基于Segment Anything Model(SAM)的ISAT半自动标注工具，仅用两周就完成了全部数据标注。特别值得注意的是，模型在 dorsal 视图下对针头的检测mAP₅₀达到0.957，这对机器人精准抓取至关重要。

视频测试中的挑战与优化

当模型应用于模拟真实场景的视频测试时，初期在抽屉扫描阶段遇到挑战：黑色鳞翅目翅膀斑点被误判为针头，密集标本出现合并识别。研究人员通过添加40个关键视频帧进行模型微调，使标本分割精确度提升至0.982。标签追踪采用BoT-SORT算法，在旋转平台上实现了0.921的标签完整重建率，为后续自动转录奠定基础。

未来发展方向与应用前景

当前2D视觉系统在3D针头高度估计方面存在局限，未来计划整合TM5-900机械臂的3D摄像头实现深度感知。RT-DETR等基于注意力机制的新模型有望进一步提升小目标检测性能。这项研究不仅为NHM的数百万昆虫标本数字化提供了可行方案，其模块化设计更可扩展至其他类型博物馆藏品的自动化处理，推动全球生物多样性数据共享进入新纪元。