Texture-AD

Texture-AD数据集由南京大学苏州集成电路学院和未来智能芯片交叉研究中心创建，专注于工业质量检测中的无监督异常检测。该数据集包含43120张高分辨率图像，涵盖15种不同布料、14种半导体晶圆和10种金属板，模拟真实工业检测场景。数据集包括多种类型的缺陷，如划痕、皱纹、颜色变化和点缺陷，并提供像素级标注。创建过程中，图像通过高分辨率工业相机采集，并使用Labelme工具进行人工标注。Texture-AD旨在评估和提升工业缺陷检测算法的鲁棒性和泛化能力，解决现有数据集与实际生产环境数据差异大的问题。

The Texture-AD dataset was developed by the School of Integrated Circuits (Suzhou Campus) of Nanjing University and the Cross-disciplinary Research Center for Future Intelligent Chips, focusing on unsupervised anomaly detection in industrial quality inspection. It contains 43,120 high-resolution images spanning 15 fabric categories, 14 semiconductor wafer categories and 10 metal sheet categories, simulating realistic industrial inspection scenarios. The dataset includes diverse defect types such as scratches, wrinkles, color variations and point defects, with pixel-level annotations provided. During the dataset construction, images were collected via high-resolution industrial cameras and manually annotated using the Labelme tool. Texture-AD aims to evaluate and improve the robustness and generalization capability of industrial defect detection algorithms, solving the problem of large discrepancies between existing datasets and real production environment data.

搜集汇总

数据集介绍

构建方式

Texture-AD数据集的构建基于工业制造中的实际场景，涵盖了15种不同布料、14种半导体晶圆和10种金属板的高分辨率图像。这些图像在不同的光学环境下采集，包含超过10种真实生产过程中常见的缺陷类型，如划痕、皱纹、颜色变化和点缺陷。所有异常区域均提供像素级标注，以支持全面的异常检测模型评估。训练集仅包含无缺陷图像，而测试集则包含多种缺陷图像和无缺陷图像，以模拟算法在实际部署中的表现。

特点

Texture-AD数据集的显著特点在于其高度的真实性和多样性。该数据集不仅包含了多种材质和规格的产品图像，还涵盖了实际生产中常见的多种缺陷类型。此外，数据集提供了像素级的精确标注，使得图像级别的分类和像素级别的分割异常检测方法都能得到有效评估。这种设计使得Texture-AD成为评估工业缺陷检测算法在实际应用中性能的理想基准。

使用方法

Texture-AD数据集适用于评估和开发无监督异常检测算法。研究者可以使用该数据集进行模型训练和测试，通过对比训练集和测试集中的图像，评估算法在不同材质和规格产品上的泛化能力和鲁棒性。数据集提供的像素级标注可用于评估异常检测方法在图像分类和区域分割上的性能。此外，数据集还支持多种数据增强技术，以进一步提升模型的适应性和准确性。

背景与挑战

背景概述

在工业制造领域，异常检测是确保产品质量的关键环节。近年来，随着机器学习技术的发展，异常检测算法取得了显著进步。然而，现有数据集与实际生产环境中的数据存在较大差异，这限制了算法在真实场景中的应用效果。为此，南京大学的集成电路学院与未来智能芯片交叉研究中心联合开发了Texture-AD数据集，旨在为无监督异常检测算法提供一个真实且具有代表性的评估基准。该数据集包含了15种不同布料、14种半导体晶圆和10种金属板的图像，涵盖了多种实际生产中常见的缺陷类型，并提供了像素级的缺陷标注，以支持全面的算法评估。Texture-AD数据集的推出，填补了工业缺陷检测领域真实数据集的空白，为算法开发和评估提供了宝贵的资源。

当前挑战

Texture-AD数据集在构建过程中面临多项挑战。首先，实际生产环境中的缺陷种类繁多且复杂，如何准确捕捉和标注这些缺陷是一个难题。其次，不同产品在材质、颜色和纹理上的差异，以及外部环境如光照和相机设置的变化，导致数据分布的不一致性，这对算法的鲁棒性提出了更高要求。此外，现有数据集在场景和规模上的局限性，使得算法在真实工业环境中的泛化能力难以评估。Texture-AD数据集通过模拟真实工业检测场景，提供了多样化的训练和测试数据，旨在解决上述挑战，推动无监督异常检测算法在工业领域的实际应用。

常用场景

经典使用场景

Texture-AD数据集在工业异常检测领域中被广泛用于评估无监督异常检测算法的有效性。该数据集包含15种不同布料、14种半导体晶圆和10种金属板的图像，涵盖了多种实际生产中的缺陷类型，如划痕、皱纹、颜色变化和点缺陷。通过提供像素级标注，Texture-AD数据集支持对异常检测模型进行全面的评估，特别是在算法鲁棒性和泛化能力方面的考量。

实际应用

Texture-AD数据集在实际工业应用中具有广泛的应用前景，特别是在自动化质量控制设备的生产线中。通过模拟真实工业检测场景，该数据集帮助开发和测试工业检测算法，确保其在部署前能够有效处理各种规格的产品和复杂的缺陷类型。此外，Texture-AD数据集还支持对现有算法的性能进行全面评估，从而推动工业检测技术的进步。

衍生相关工作

Texture-AD数据集的发布催生了一系列相关研究工作，特别是在无监督异常检测领域。例如，基于合成方法的异常检测研究，如使用CycleGAN和SDGAN进行缺陷合成；基于重构方法的异常检测研究，如使用自编码器和生成对抗网络进行图像重构；以及基于特征嵌入的方法，如使用Uniformed Students和STPM进行特征提取和异常检测。这些研究工作在Texture-AD数据集上的实验结果展示了不同算法在实际工业环境中的表现，为进一步优化和开发新的异常检测算法提供了重要参考。