OpenIndustry

我们首先发布了OpenIndustry数据集。在当前阶段，我们提供了用于自监督异常检测任务的数据集分割，使其便于在传统的自监督设置中使用。在后续版本中，我们的官方数据加载器将自动生成论文中介绍的开放集设置的分割。We have first released the OpenIndustry dataset. At the current stage, we provide dataset splits tailored for self-supervised anomaly detection tasks, which facilitates convenient application in conventional self-supervised learning settings. In subsequent versions, our official data loader will automatically generate the splits for the open-set setting introduced in the paper.

原始信息汇总

OpenIndustry 数据集概述

数据集基本信息

• 数据集名称：OpenIndustry
• 核心研究领域：开放集监督式3D异常检测
• 主要应用场景：工业场景，专注于检测训练阶段未观察到的未知缺陷
• 关联预印本论文：Open-Set Supervised 3D Anomaly Detection: An Industrial Dataset and a Generalisable Framework for Unknown Defects

数据集发布状态与规划

当前发布状态（Step 1）

• 已发布内容：OpenIndustry 数据集
• 当前提供的数据划分：适用于自监督异常检测任务的数据划分
• 数据集访问地址：https://huggingface.co/datasets/HanzheL/open-industry

未来发布计划

• Step 2：将发布论文中使用的基准实现，用于基准测试和复现。
• Step 3：将发布 Open3D-AD，这是一个用于开放集监督式3D异常检测的通用框架。
• 后续数据划分：官方数据加载器将在后续版本中自动生成论文中介绍的开放集设置的数据划分。

引用信息

如果使用本项目，请引用以下论文： bibtex @misc{liang2026opensetsupervised3danomaly, title={Open-Set Supervised 3D Anomaly Detection: An Industrial Dataset and a Generalisable Framework for Unknown Defects}, author={Hanzhe Liang and Luocheng Zhang and Junyang Xia and HanLiang Zhou and Bingyang Guo and Yingxi Xie and Can Gao and Ruiyun Yu and Jinbao Wang and Pan Li}, year={2026}, eprint={2604.01171}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2604.01171}, }

搜集汇总

数据集介绍

构建方式

在工业视觉检测领域，三维异常检测面临未知缺陷识别的挑战。OpenIndustry数据集针对这一需求，通过采集真实工业场景下的三维点云数据构建而成。该数据集目前提供了自监督异常检测任务的数据划分，便于在传统自监督设置中使用。未来版本将集成论文中提出的开放集设置，通过官方数据加载器自动生成相应的数据划分，以支持对训练阶段未观测缺陷的检测研究。

使用方法

为促进三维异常检测领域的研究，OpenIndustry数据集已公开发布于Hugging Face平台。使用者可直接下载数据集，并利用其提供的自监督任务划分进行模型训练与评估。在后续版本中，官方数据加载器将支持开放集设置的自动生成，方便研究者复现论文中的实验设置。该数据集旨在为开发通用性强的异常检测框架提供基础数据支持，推动工业视觉检测技术的进步。

背景与挑战

背景概述

在工业制造领域，三维异常检测技术对于保障产品质量与生产安全具有至关重要的意义。OpenIndustry数据集于2026年由Hanzhe Liang等研究人员发布，旨在推动开放集监督下的三维异常检测研究，其核心研究问题聚焦于识别训练阶段未曾出现的未知缺陷。该数据集通过提供工业场景下的三维点云数据，为学术界与工业界探索未知缺陷的检测方法奠定了数据基础，有望促进智能检测系统的泛化能力提升，对计算机视觉与工业自动化领域产生深远影响。

当前挑战

OpenIndustry数据集致力于解决工业三维异常检测中的开放集识别挑战，即模型需在训练数据仅包含正常样本或已知缺陷的情况下，有效检测出未知类型的缺陷。这一任务面临模型泛化能力不足、未知缺陷特征难以捕捉等难题。在数据集构建过程中，挑战主要体现在工业场景数据采集的复杂性，包括三维点云的高精度获取、缺陷标注的可靠性保障，以及数据分布的多样性与平衡性处理，这些因素共同增加了数据集构建的技术难度与资源投入。

常用场景

经典使用场景

在智能制造与工业质检领域，三维异常检测技术对于保障产品质量至关重要。OpenIndustry数据集作为开放集监督三维异常检测的基准资源，其经典使用场景聚焦于工业环境下的未知缺陷识别。该数据集通过提供自监督任务划分，支持研究者构建模型以检测训练阶段未曾出现的异常类型，从而模拟真实生产线上复杂多变的缺陷模式，为算法泛化能力评估提供了标准化平台。

解决学术问题

该数据集致力于解决开放集监督学习中的核心挑战，即如何使模型在仅接触已知正常样本的情况下，有效识别未知类别的异常。它突破了传统异常检测方法对封闭假设的依赖，推动了从有限标注到开放环境下的泛化研究。通过构建包含未知缺陷的工业场景数据，为探索模型在分布外样本上的鲁棒性与可扩展性提供了实证基础，对提升机器学习系统在动态工业环境中的适应性具有深远意义。

实际应用

在实际工业应用中，OpenIndustry数据集可直接服务于高精度三维视觉质检系统。例如，在汽车制造、精密电子或航空航天零部件生产线上，该系统能够自动扫描物体表面与结构，检测划痕、凹陷、装配错误等训练数据中未涵盖的缺陷形态。这种能力显著降低了漏检率，提升了生产流程的自动化水平与可靠性，为工业4.0背景下的智能质量控制提供了关键技术支撑。

数据集最近研究

最新研究方向

在工业质检领域，三维异常检测技术正从封闭设定向开放设定演进，以应对实际生产中未知缺陷的识别挑战。OpenIndustry数据集的发布，标志着研究焦点转向开放集监督下的三维异常检测，旨在构建能够泛化至未见缺陷类型的模型。这一方向紧密关联工业4.0背景下智能制造的实时质检需求，通过提供自监督任务的数据划分，为探索未知缺陷的检测机制奠定了数据基础。其影响在于推动异常检测模型超越有限标注缺陷的局限，提升工业系统在复杂环境中的适应性与可靠性，对实现全自动、高鲁棒性的生产质量控制具有关键意义。