人工智能与机器学习在化工行业工艺优化中的作用探索
机器学习
2025-02-25 v1 计算机视觉与模式识别
光学
摘要
光学化学结构识别（Optical Chemical Structure Recognition, OCSR）是一个关键领域，旨在将化学结构照片转换为机器可读格式，以便高效存储和查询化学数据库。尽管已 developed 许多 OCSR 技术，但关于它们在不同图片恶化情景下的性能如何尚无确切了解。本文提出了一套系统性受压缩、噪声、失真和黑色叠加等图形恶化处理的化学结构图像数据集。我们对这些子集进行了彻底测试，以确定这些工具在不利条件下的韧性。结果表明性能存在显著差异，凸显每种工具的优势与不足。有趣的是，MolScribe 在重度压缩下表现最佳（99%压缩下达55.8%），在无损图像中识别率最高（94.6%）。MolVec 在噪声和黑色叠加方面表现卓越（40%噪声下达86.8%），尽管在极端失真下表现下降（<70%）。Decimer 在噪声和黑色叠加上的识别率低于30%，表明其高度敏感；Imago 的基准准确率最低（73.6%）。本研究的独特评估提供了关于 OCSR 工具在图像恶化情况下的性能的重要新信息，也为未来工具开发提供了有用的标准。
引用
@article{arxiv.2502.15768,
title = {Exploring the Role of Artificial Intelligence and Machine Learning in Process Optimization for Chemical Industry},
author = {Zishuo Lin and Jiajie Wang and Zhe Yan and Peiyong Ma},
journal= {arXiv preprint arXiv:2502.15768},
year = {2025}
}