3CAD

3CAD是一个用于无监督异常检测的大规模真实世界3C产品数据集。该数据集包含27,039张高分辨率图像，涵盖了八种不同类型的制造部件，并标注了像素级异常。3CAD的特点包括覆盖不同大小的异常区域、多种异常类型，以及每张异常图像可能包含多个异常区域和多种异常类型。这是社区探索和开发中最大的首个专注于3C产品质量控制的异常检测数据集。

3CAD is a large-scale real-world 3C product dataset tailored for unsupervised anomaly detection. It comprises 27,039 high-resolution images spanning eight distinct types of manufactured components, with pixel-level anomaly annotations. Key features of 3CAD include anomaly regions of varying sizes, diverse anomaly types, and the fact that each anomalous image may contain multiple anomaly regions and multiple types of anomalies. It is the first and largest anomaly detection dataset dedicated to 3C product quality control for community exploration and development.

原始信息汇总

3CAD 数据集概述

数据集简介

3CAD 是一个大规模的真实世界 3C 产品数据集，专为无监督异常检测而设计。该数据集旨在解决现有工业异常检测数据集（如 MVTec-AD 和 VisA）在缺陷样本数量、缺陷类型和真实场景可用性方面的局限性。3CAD 数据集包含来自真实 3C 生产线的 27,039 张高分辨率图像，涵盖了八种不同类型的制造部件，并提供了像素级的异常标注。

数据集特点

• 多样性：涵盖了不同大小的异常区域、多种异常类型，并且每张异常图像可能包含多个异常区域和多种异常类型。
• 规模：包含 10,493 张训练图像和 16,546 张测试图像，是当前最大的 3C 产品质量控制异常检测数据集。
• 标注：所有图像均带有像素级的异常标注。

数据集统计

类别	训练图像	测试图像（全部）	测试图像（正常）	测试图像（缺陷）	缺陷类型	图像高度	图像宽度	异常区域/异常类型
ACC	784	1446	369	1077	10	288~1024	288~1024	1~6/1~1
AI	2096	2047	913	1134	3	760~1024	600~1024	1~10/1~2
AMF	1548	1479	731	748	5	540~1024	800~950	1~9/1~4
ANMF	1072	1406	670	736	6	400~1024	430~1024	1~6/1~2
ANI	2233	4936	999	3937	4	420~1024	580~1024	1~23/1~2
AP	1698	3161	911	2250	14	430~1024	409~1024	1~12/1~3
CS	409	959	196	763	1	1024~1024	1024~1024	1~9/1~1
IS	653	1112	295	817	4	1024~1024	1024~1024	1~12/1~2
总计	10493	16546	5084	11462	47	-	-	-

数据集应用

3CAD 数据集可用于无监督异常检测任务，特别是针对 3C 产品的质量控制。数据集提供了一个高度挑战性的基准，促进了异常检测领域的发展。

数据集评估

数据集评估采用了多种异常检测方法，包括基于嵌入的方法（E-b）、基于合成的方法（A-syn）、基于重建的方法（R-b）和统一方法（U-ni）。评估结果显示，3CAD 数据集在多种方法下均表现出色，特别是在 P-AUROC 和 AP 指标上。

引用

如果您使用该数据集，请引用以下论文： BibTex @inproceedings{Yang3CAD, title={3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly Detection}, author={ Enquan Yang and Peng Xing and Hanyang Sun and Wenbo Guo and Yuanwei Ma and Zechao Li and Dan Zeng}, year={2025}, }

搜集汇总

数据集介绍

构建方式

3CAD数据集的构建源于3C产品生产线的高质量分割数据，经过多年积累与筛选，最终形成了包含27,039张高分辨率图像的庞大数据集。这些图像涵盖了八种不同类型的制造部件，每张图像均标注了像素级的异常区域。数据集的构建过程中，特别注重了异常区域的多样性，包括不同大小的异常、多种异常类型以及单张图像中可能存在的多个异常区域和多种异常类型。通过这种精细的标注方式，3CAD为工业异常检测领域提供了一个真实且具有挑战性的基准。

特点

3CAD数据集的特点在于其规模庞大且多样性丰富。它不仅包含了27,039张高分辨率图像，还涵盖了八种不同类型的3C产品部件，每种部件都有多种异常类型和不同大小的异常区域。此外，3CAD还首次引入了单张图像中多个异常区域和多种异常类型的复杂场景，为异常检测算法的鲁棒性和泛化能力提供了更高的挑战。数据集的这些特点使其成为当前工业异常检测领域中最具代表性的数据集之一，能够有效推动该领域的研究进展。

使用方法

3CAD数据集的使用方法主要包括数据准备、模型训练和测试三个步骤。用户首先需要按照提供的README文件中的指示准备数据集，随后通过修改`train.py`中的`item_list`来适配不同的数据集。训练过程中，用户可以使用提供的CFRG框架进行无监督异常检测，并通过命令行指定数据集路径和模型名称。测试阶段，用户需将最佳模型权重放置在`save_weights/`目录下，并通过命令行运行测试脚本。3CAD还提供了多种流行的异常检测算法的基准测试结果，用户可以通过这些结果进行性能对比和模型优化。

背景与挑战

背景概述

3CAD数据集是由Enquan Yang、Peng Xing等研究人员于2025年提出的大规模真实世界3C产品异常检测数据集。该数据集旨在解决工业异常检测领域中现有数据集（如MVTec-AD和VisA）在缺陷样本数量、缺陷类型多样性以及真实场景可用性方面的局限性。3CAD数据集包含来自3C生产线的27,039张高分辨率图像，涵盖了八种不同类型的制造部件，并标注了像素级异常。其独特之处在于，每张异常图像可能包含不同大小的异常区域、多种异常类型，甚至多个异常区域和多种异常类型的组合。3CAD的发布为3C产品质量控制领域的研究提供了首个大规模基准数据集，推动了无监督异常检测技术的发展。

当前挑战

3CAD数据集在构建和应用过程中面临多重挑战。首先，数据集的构建需要从真实生产环境中收集大量高质量图像，并确保图像标注的准确性，尤其是在像素级异常标注方面，这对数据采集和标注团队提出了极高的要求。其次，3CAD数据集中的异常类型多样且复杂，涵盖了从微小缺陷到大规模异常的不同情况，这对模型的泛化能力和鲁棒性提出了严峻考验。此外，由于3C产品的生产环境复杂多变，数据集中可能存在光照、角度、背景等干扰因素，增加了模型训练的难度。最后，尽管3CAD提供了丰富的异常样本，但如何在无监督学习框架下有效利用这些数据，进一步提升模型的检测精度和效率，仍然是当前研究的核心挑战之一。

常用场景

经典使用场景

3CAD数据集在工业异常检测领域具有广泛的应用，特别是在3C（计算机、通信和消费电子）产品的质量控制中。该数据集通过提供大量高分辨率图像和像素级异常标注，为研究人员提供了一个理想的实验平台。其经典使用场景包括在无监督学习框架下进行异常检测模型的训练和评估，尤其是在处理复杂多变的工业生产线数据时，3CAD能够有效模拟真实世界的异常情况，帮助模型提升检测精度和鲁棒性。

实际应用

在实际应用中，3CAD数据集被广泛用于3C产品生产线的质量检测系统。通过利用该数据集训练的模型，企业能够自动化地识别生产线上的缺陷产品，从而大幅提高生产效率和产品质量。例如，在铝制相机外壳、iPad外壳等产品的生产过程中，3CAD支持的异常检测系统能够快速定位并分类多种类型的缺陷，减少人工检测的成本和误差。此外，该数据集还为智能制造和工业4.0的发展提供了重要的数据基础。

衍生相关工作

3CAD数据集的发布催生了一系列相关研究工作。例如，基于3CAD的无监督异常检测框架CFRG在学术界引起了广泛关注，并成为后续研究的基准模型。此外，许多研究团队利用3CAD数据集开发了新的异常检测算法，如基于嵌入的方法（E-b）、合成方法（A-syn）和重建方法（R-b）等。这些工作不仅提升了异常检测的性能，还为工业应用提供了更多可能性。3CAD的广泛应用也推动了相关领域的数据集标准化和算法优化研究。