“一项针对工业实际场景的研究取得了重要进展。该研究团队发布了名为PD4CV(Part Detection for Control Valve)2023的密集控制阀零件数据集,为工业生产中的自动目标检测提供了新的资源。该数据集源自控制阀生产车间,包含了9类零件、510张工盘图像和15015个零件样本,具有密集摆放、遮挡、尺寸差异大、外形相似等特点,为自动目标检测带来了诸多挑战。通过对比实验,研究团队发现一般场景数据集和特定工业场景数据集难以应对PD4CV2023数据集的特殊性。然而,一系列目标检测算法在该数据集上的综合对比验证了其有效性,显示出PD4CV2023数据集在一般性目标检测、多尺度目标检测、小规模、不均衡数据下目标检测中的优越性。这一研究成果为面向工业的目标检测研究提供了新的方向,有望推动工业生产中的自动化智能化进程。同时,该数据集也为相关领域的研究人员提供了宝贵的实验资源,为解决工业自动化中的目标检测问题奠定了坚实的基础。”
摘要:工业生产中的自动化智能化离不开自动目标检测,而高准确性的自动目标检测则依赖于与实际场景相适应的数据集。本文针对工业实际场景,发布了一个密集控制阀零件数据集,命名为PD4CV(Part Detection for Control Valve)2023。该数据集的图像全部来源于控制阀生产车间,图像采集完成后,首先对数据集图片进行预处理操作,接着对数据集图片中的零件目标进行标注,然后再对数据集图片进行训练集、验证集以及测试集的划分。PD4CV2023数据集共涵盖9类零件,包括510张工盘图像和15 015个零件样本,平均每张图像含有约29个零件样本。与现有的目标检测数据集相比,该数据集具有零件摆放密集、遮挡,零件尺寸差异大,部分零件外形相似,零件样本数量不均衡等特点。最后,在不同类型数据集上的预训练对比实验表明,一般场景数据集、特定工业场景数据集只适用于一般和特定任务,而代表实际控制阀生产工况下的PD4CV2023数据集,可用于控制阀零件目标检测,其具有其特殊性和不可替代性;一系列目标检测算法在该数据集上的综合对比则验证了PD4CV2023数据集在一般性目标检测、多尺度目标检测、小规模、不均衡数据下目标检测中的有效性。PD4CV2023数据集可用于面向工业的目标检测的相关研究。