数据集概述
本数据集包含史密森尼国家自然历史博物馆提供的912张高分辨率甲虫标本标签JPEG图像，涵盖6个鞘翅目科，标注有多标签信息。辅以OCR文本转录JSON文件和基于文本相似度的聚类CSV文件，支持鞘翅目研究、生物多样性信息学及计算机视觉相关应用。
文件详解
- 主数据文件
- 文件名称：USNM_CURC_CAM.csv
- 文件格式：CSV
- 字段映射介绍：包含filename（文件名）、permalink（标本图像永久链接）字段，记录标本标签图像的存储路径与访问地址
- OCR转录文件
- 文件名称：OCR_USNM_COL_CAM.json
- 文件格式：JSON
- 字段映射介绍：存储通过Google Cloud Vision API生成的标签文本转录内容，支持自动文本提取与结构化元数据检索
- 聚类结果文件
- 文件名称：Clustering_0.9_USNM_COL_CAM.csv
- 文件格式：CSV
- 字段映射介绍：包含ID（标本标签图像ID）、Cluster_ID（聚类ID）、TranscriptOCR（OCR转录文本）字段，基于0.9文本相似度阈值的K-Medoids聚类输出
数据来源
史密森尼国家自然历史博物馆（Smithsonian National Museum of Natural History）
适用场景
- 计算机视觉模型训练: 用于开发和优化标本标签图像的文本检测、识别与信息提取算法
- 生物多样性数据标准化: 通过OCR转录与聚类结果，实现标本标签信息的结构化处理与重复记录识别
- 鞘翅目分类学研究: 辅助整理不同科甲虫标本的采集信息，支持物种分布与历史采集规律分析
- 大规模标本数据管理: 为博物馆标本标签的自动化处理、索引与检索提供技术支撑
- 文本聚类算法验证: 基于标本标签文本的聚类结果，可用于评估生物分类学领域文本聚类方法的有效性
