Multi-instrument surface metrology dataset

本研究使用了一个包含约40000个实例的数据集，该数据集源自触觉和光学仪器（触觉轮廓仪、坐标测量机、圆度测试仪、相位光栅干涉仪、相干相关干涉仪）的实验测量。这些测量覆盖了参考粗糙度标准（基于玻璃或钢）和多材料（钢、铝、黄铜、聚酰胺）的加工样品。数据集包含Ra、Rz、RONt及其相关标准不确定度（后缀“_uncert”）、材料指示符、参考标志（标准）、过滤标志/截止相关描述符（Lc、Ls）、评估长度Lr和二进制过滤指示符（F）。该数据集旨在支持表面参数和其不确定度的预测，并评估其在多仪器数据上的校准性能。

This study employs a dataset comprising approximately 40,000 instances, which originates from experimental measurements performed using tactile and optical instruments: tactile profilometers, coordinate measuring machines (CMMs), roundness testers, phase grating interferometers, and coherent correlation interferometers. These measurements encompass reference roughness standards based on glass or steel and machined specimens fabricated from multiple materials, namely steel, aluminum, brass, and polyamide. The dataset includes surface roughness parameters Ra, Rz, and RONt along with their corresponding standard uncertainties (marked with the suffix "_uncert"), material identifiers, reference markers (denoting standards), filter flags and cutoff-related descriptors (Lc, Ls), evaluation length Lr, and a binary filter indicator (F). This dataset is designed to support the prediction of surface parameters and their associated uncertainties, as well as to evaluate the calibration performance of relevant models using multi-instrument measurement data.

搜集汇总

数据集介绍

构建方式

在表面计量学领域，多仪器表面计量数据集的构建采用了实验测量与数据增强相结合的方法。原始数据来源于触觉轮廓仪、坐标测量机、圆度扫描仪、相位光栅干涉仪和相干相关干涉仪等多种仪器，覆盖了玻璃或钢基参考粗糙度标准件以及机械加工试样。每个记录包含表面参数Ra、Rz、RONt及其标准不确定度，以及材料类型、参考标志、滤波参数和评估长度等描述符。为缓解原始样本量有限的问题，通过自助重采样和添加高斯噪声的受控特征扰动进行数据增强，将有效训练实例扩展至约40000条，同时通过分层划分训练、验证和测试集来避免统计泄漏。

使用方法

该数据集在表面计量学中支持分类与回归任务的双重应用。对于分类任务，可通过多层感知器架构预测五种测量系统类型，利用类别权重处理数据不平衡问题。回归任务则专注于预测表面参数及其不确定度，采用分位数回归、异方差高斯回归和保形预测等方法构建校准的预测区间。实践应用中，用户需将连续输入进行标准化处理，分类特征进行独热编码，并依据目标尺度选择损失函数。数据集支持单目标模型训练以优化异构噪声尺度下的性能，同时提供温度缩放等后处理技术来改进概率校准。最终模型输出可用于公差带合规性预评估和仪器选择决策支持。

背景与挑战

背景概述

表面计量学作为精密制造与材料科学的核心分支，致力于通过触觉与光学测量系统量化表面形貌参数。2025年，波兰波兹南理工大学联合克拉科夫理工大学、华沙理工大学等机构共同构建了多仪器表面计量数据集，旨在解决传统方法在表面参数预测中忽略测量不确定度量化的问题。该数据集整合了触觉轮廓仪、坐标测量机、圆度仪及相位光栅干涉仪等五类仪器，覆盖钢、铝、黄铜等多种材料的参考标准件与加工试样，通过深度学习框架同步预测表面粗糙度参数（Ra、Rz、RONt）及其标准不确定度，为计量决策提供校准化区间估计。

当前挑战

在表面参数预测领域，该数据集需克服多目标异质性噪声导致的负迁移现象，例如粗糙度参数与圆度参数在尺度与噪声特性上的显著差异。数据构建过程中，仪器间域偏移与标签噪声构成主要挑战：不同圆度测量仪的探测机制与评估协议存在差异，导致RONt参数的不确定度标签可信度降低；同时，数据增强需在保持物理测量方差的前提下通过自助重采样与高斯扰动扩充样本，避免验证集与测试集的信息泄露。

常用场景

经典使用场景

在表面计量学领域，多仪器表面计量数据集为深度学习模型提供了跨触觉和光学系统的统一训练平台。该数据集最经典的应用场景在于同时预测表面纹理参数及其标准不确定度，通过多任务学习框架实现对Ra、Rz、RONt三个核心参数的协同回归分析。研究人员利用该数据集构建的专用单目标回归器展现出卓越性能，其中Ra参数的确定系数达到0.9824，Rz参数达0.9847，充分验证了数据集在复杂计量任务中的可靠性。

解决学术问题

该数据集有效解决了表面计量学中多仪器数据融合与不确定性量化两大核心难题。通过整合触觉轮廓仪、坐标测量机、圆度测量仪及多种光学干涉仪的测量数据，突破了传统单仪器模型的局限性。在学术层面，该数据集为异质噪声尺度下的负传递现象研究提供了实证基础，揭示了多输出模型中目标尺度差异对预测精度的影响机制，推动了计量学与人工智能的跨学科融合。

实际应用

在工业实践中，该数据集支撑的深度学习框架已应用于精密制造的质量控制环节。通过预测表面粗糙度参数及其置信区间，为加工工艺优化提供数据支撑。具体而言，基于该数据集训练的模型可实现92.85%的测量系统分类准确率，辅助工程师在触觉与光学测量方案间做出最优选择。在航空航天领域，该技术被用于涡轮叶片表面质量评估，显著提升了检测效率与可靠性。

数据集最近研究

最新研究方向

表面计量学领域正经历人工智能技术的深度渗透，多仪器表面计量数据集的研究聚焦于深度学习框架的不确定性量化与多任务协同建模。前沿方向体现在将表面纹理参数（如Ra、Rz、RONt）与其标准不确定度作为联合监督目标，通过分位数回归、异方差高斯建模与事后保形校准构建分层不确定性栈，实现校准化预测区间。当前热点在于解决异构噪声尺度下的负迁移问题，实证表明单目标回归器在多数参数上显著优于朴素多输出架构，例如Ra和Rz的确定系数分别达0.9824和0.9847。这一进展为计量工作流中的仪器选择与公差决策提供了可解释的置信边界，推动了跨模态测量数据的可信人工智能应用。

相关研究论文

• 通过

  波兰波兹南工业大学,波兰克拉科夫工业大学,波兰华沙工业大学,波兰凯尔采工业大学,波兰华沙计量总局,波兰华沙国家信息处理研究所 · 2025年