本数据集为结构化单物体抓取检测信息，含 12 个核心字段。image_id 存图像文件名，是唯一标识符；width/height 以整型记原始图像分辨率（640×480 至 1024×768 像素），为检测框坐标空间基准；class 以字符串标物体类别（12 类，参考 ISO8373:2021）。检测结果含 confidence（浮点 0-1）、x_min/y_min/x_max/y_max（整型边界框，需 x_min/x_max∈[0,width]、y_min/y_max∈[0,height] 且 x_min<x_max、y_min<y_max）、anchor_id（整型）。算法过程含 rpn_score（浮点）、nms_flag（二进制，1 表通过抑制筛选，置信度默认≥0.5）。所有字段符合《广东省数据知识产权登记指南》，坐标支持机械臂抓取位姿解算，class 兼容 ISO 标准，算法字段保处理痕迹；字段逻辑明确：width/height 定坐标基准，confidence 与 nms_flag 控数据质量，anchor_id 关联锚框策略，形成闭环可验证结构。

1. 数据完整性校验：确保无缺失值；逻辑校验：边界框需 x_max>x_min 且 y_max>y_min、置信度∈[0,1]、NMS 标志仅 0/1；异常处理：修正越界坐标（如 x_min 80%，单独分析 nms_flag=1。4.NMS 专项分析：统计整体保留率（nms_flag=1 比例）、分类别保留率（各类物体 NMS 通过率），分析被抑制样本平均置信度、高频被抑制类别、低保留率锚框特征。5. 统计输出规范：全局统计总样本、有效样本、平均置信度、整体 NMS 保留率；分类统计按类别聚合检测频次、平均 / 最高置信度、NMS 保留率并降序排列。

1.工业分拣系统：基于边界框坐标计算机械臂抓取位姿（如bottle类抓取点定位） 2.模型训练：使用confidence>0.8的高质量样本训练抓取成功率预测模型 3.算法优化：通过anchor_id分析锚框设置合理性，提升小物体（bird类）检测率 4.仿真验证：结合Gazebo平台实现检测→抓取→放置全流程模拟

image_id width height class confidence x_min y_min x_max y_max anchor_id rpn_score nms_flag img_0001.jpg 1024 480 person 0.871 250 57 402 444 7 0.806 0 img_0002.jpg 1024 600 person 0.515 223 119 750 437 2 0.737 1 img_0003.jpg 640 600 bird 0.639 3 81 445 265 18 0.493 1

字段名 数据类型 说明 示例值 image_id 字符串 图像文件名 img_0001.jpg width 整数 图像宽度（像素） 1024 height 整数 图像高度（像素） 480 class 字符串 物体类别 person confidence 浮点数 检测置信度（0-1） 0.871 x_min 整数 边界框左上角X坐标 250 y_min 整数 边界框左上角Y坐标 57 x_max 整数 边界框右下角X坐标 402 y_max 整数 边界框右下角Y坐标 444 anchor_id 整数 生成框的锚点编号 7 rpn_score 浮点数 区域建议网络得分 0.806 nms_flag 二进制 非极大值抑制标识（0/1） 0