SimTho/IndustrialTextileDataset

该数据集是一个用于无监督织物缺陷检测的彩色数据集，包含通过多台工业相机在访问机器中收集的真实工业织物缺陷数据。数据集的设计遵循了MVTEC AD数据集的命名规则，适用于无监督异常检测任务。数据集包含训练集和测试集，训练集仅包含无缺陷样本，测试集包含无缺陷和有缺陷样本。数据集的下载链接和结构也被详细说明。

原始信息汇总

数据集概述

数据集描述

• 目的: 用于无监督织物缺陷检测的新数据集。
• 特点: 包含真实的工业织物缺陷数据，由多个工业相机在巡检机器上采集。
• 命名规则: 与MVTEC AD数据集(https://www.mvtec.com/company/research/datasets/mvtec-ad)相同，适用于无监督异常检测。

数据集结构

• 分类: 数据集分为多个类型，如type1cam1至type10cam2。
• 统计信息:
  • 总样本数: 从386至917不等。
  • 训练集(良好样本): 从199至721不等。
  • 测试集(良好样本): 固定为19个样本。
  • 测试集(缺陷样本): 从11至117不等。

数据集下载

• 下载链接: Google Drive链接

数据集用途

• 主要用途: 无监督异常检测任务。
• 其他用途: 领域泛化方法。

数据集组织结构

• 目录结构:
  • category/
    • train/
      • good/
        • img1.png
        • ...
    • test/
      • anomaly/
        • img1.png
        • ...
      • good/
        • img1.png
        • ...

数据集示例

• 缺陷分割示例: 使用基于知识蒸馏的方法获得的缺陷分割结果。

数据集引用

• 引用格式:

  @inproceedings{Thomine_2023_Knowledge, author = {Thomine, Simon and Snoussi, Hichem}, title = {Distillation-based fabric anomaly detection}, booktitle = {Textile Research Journal}, month = {August}, year = {2023} }

数据集许可证

• 许可证: MIT

---

license: mit

搜集汇总

数据集介绍

构建方式

在工业纺织品缺陷检测领域，SimTho/IndustrialTextileDataset数据集的构建旨在提供一个包含真实工业纺织品缺陷的彩色图像数据集。该数据集通过在工业摄像机访问机器中收集图像，确保了数据的实际应用背景。数据集的命名法与MVTEC AD数据集保持一致，以便于无监督异常检测任务的实施。数据集的构建过程中，图像被分为训练集和测试集，其中训练集仅包含无缺陷的样本，而测试集则同时包含无缺陷和有缺陷的样本，以模拟实际检测场景。

特点

SimTho/IndustrialTextileDataset数据集的主要特点在于其真实性和多样性。数据集包含了多种类型的纺织品缺陷，涵盖了不同摄像机视角下的图像，确保了检测模型的泛化能力。此外，数据集的结构设计便于无监督学习任务的实施，训练集与测试集的明确划分使得模型能够在无监督环境下有效识别缺陷。数据集的命名法与MVTEC AD数据集保持一致，便于研究人员在已有研究基础上进行进一步探索。

使用方法

SimTho/IndustrialTextileDataset数据集适用于无监督异常检测任务，同时也适用于领域泛化研究。数据集的结构设计遵循标准的分类目录，包括训练集和测试集，其中训练集仅包含无缺陷样本，测试集则包含无缺陷和有缺陷样本。使用时，研究人员可以直接从Google Drive下载数据集，并根据目录结构进行数据加载和预处理。数据集的命名法和结构设计确保了其在无监督学习环境下的高效应用，为纺织品缺陷检测提供了可靠的数据支持。

背景与挑战

背景概述

在纺织工业中，无监督的织物缺陷检测是一个关键的研究领域。SimTho/IndustrialTextileDataset数据集由Simon Thomine和Hichem Snoussi等研究人员在法国特鲁瓦技术大学创建，旨在提供一个包含真实工业织物缺陷的彩色数据集。该数据集通过在工业摄像机访问机器中收集数据，设计了与MVTEC AD数据集相同的命名法，以支持无监督异常检测。其核心研究问题是如何在无监督环境下有效检测织物缺陷，这对于提高生产效率和产品质量具有重要意义。

当前挑战

SimTho/IndustrialTextileDataset在构建过程中面临多重挑战。首先，数据收集需在复杂的工业环境中进行，确保图像质量与缺陷识别的准确性。其次，无监督学习方法的应用要求模型能够从无标签数据中学习，这增加了模型训练的难度。此外，数据集的多样性和缺陷类型的复杂性也增加了检测算法的泛化能力要求。最后，如何在高噪声和低对比度环境下准确识别微小缺陷，是该数据集面临的另一大挑战。

常用场景

经典使用场景

在工业纺织品缺陷检测领域，SimTho/IndustrialTextileDataset 数据集以其丰富的图像样本和多样的缺陷类型，成为无监督异常检测的经典工具。该数据集通过模拟实际工业环境中的纺织品检测场景，提供了高质量的训练和测试数据，使得研究者能够在无监督条件下训练模型，从而有效识别和定位纺织品中的各种缺陷。

解决学术问题

SimTho/IndustrialTextileDataset 数据集解决了工业纺织品缺陷检测中的关键学术问题，即如何在无监督条件下实现高精度的缺陷识别。通过提供大量真实工业环境中的纺织品图像，该数据集为研究者提供了一个标准化的测试平台，促进了无监督学习算法的发展和优化，对提升纺织品质量检测的自动化水平具有重要意义。

衍生相关工作

基于 SimTho/IndustrialTextileDataset 数据集，研究者们开展了一系列相关工作，推动了纺织品缺陷检测技术的发展。例如，MixedTeacher 方法通过知识蒸馏技术实现了快速推理的纺织品异常检测；FABLE 项目则专注于自动化纺织品异常检测流程。这些研究不仅提升了检测精度，还加速了检测过程，为工业应用提供了强有力的技术支持。