3D-ADAM

3D-ADAM数据集是一个大规模的工业相关数据集，用于高精度3D异常检测。该数据集包含来自4个工业深度成像传感器的217个独特部件的14120个高分辨率扫描，以及从12个类别中的27,346个缺陷实例和从16个类别中的8,110个机器元件特征的注释。与现有数据集不同，3D-ADAM是在实际工业环境中捕获的，具有部件位置和方向、相机定位、环境照明条件以及部分遮挡的变异性。

The 3D-ADAM dataset is a large-scale industry-related dataset designed for high-precision 3D anomaly detection. This dataset contains 14,120 high-resolution scans of 217 unique components collected from 4 industrial depth imaging sensors, along with annotations for 27,346 defect instances across 12 categories and 8,110 machine component features across 16 categories. Unlike existing datasets, 3D-ADAM is captured in real-world industrial environments, with variability in component position and orientation, camera placement, ambient lighting conditions, and partial occlusion.

原始信息汇总

3D-ADAM数据集概述

基本信息

• 数据集名称: 3D-ADAM (3D Anomaly Detection in Advanced Manufacturing)
• 数据集大小: 100K<n<1M
• 语言: 英语 (en)
• 标签:
  • computer-vision
  • anomaly-detection
  • 3D-anomaly-detection
  • 3D
  • industrial
  • detection
  • vision
  • anomaly
  • 3d-adam
  • advanced-manufacturing
  • manufacturing
• 许可证: cc-by-nc-sa-4.0

描述

• 用途: 用于高级制造中的3D异常检测。
• 提交信息: 提交至NeurIPS 2025 - Datasets and Benchmarks Track。
• 支持机构:
  • 1851 Royal Commission
  • HAL Robotics

搜集汇总

数据集介绍

构建方式

在先进制造业中，表面缺陷检测是提升产品质量的关键环节。3D-ADAM数据集的构建采用了高精度的工业级三维成像传感器，包括MechMind LSR-L、MechMind Nano、Intel RealSense和Stereolabs Zed2i，以确保数据的多样性和高质量。数据集通过增材制造技术（FDM）生产了217个独特零件，涵盖了12类缺陷和16类机械元素特征。数据采集过程中，零件在真实工业环境中以不同位置和方向进行扫描，模拟了实际制造场景中的复杂条件。

特点

3D-ADAM数据集以其大规模和高分辨率著称，包含14,120次高分辨率扫描和27,346个标注缺陷实例。其独特之处在于不仅标注了缺陷，还详细标注了机械元素特征，为研究提供了更丰富的上下文信息。数据集涵盖了多种工业表面缺陷类型，如切割、凸起、孔洞等，并且通过多传感器采集，确保了数据的多样性和广泛适用性。此外，数据集的标注经过行业专家验证，确保了其工业相关性和准确性。

使用方法

3D-ADAM数据集适用于监督学习环境下的3D和RGB+3D异常检测任务。数据集被划分为无异常的训练集和包含标注缺陷的测试集与验证集。研究人员可以利用该数据集评估和开发新的异常检测算法，特别是在多模态和少样本学习场景下。数据集还提供了详细的标注信息，包括缺陷分割掩码和机械元素边界框，支持像素级和图像级的异常定位与分类任务。

背景与挑战

背景概述

3D-ADAM数据集由格拉斯哥大学与HAL Robotics合作开发，旨在解决先进制造领域中三维异常检测的挑战。该数据集于2025年发布，包含14,120个高分辨率扫描样本，涵盖217个独特零件，并采用四种工业深度成像传感器进行数据采集。3D-ADAM的核心研究问题聚焦于工业表面缺陷的精确检测与定位，其标注的27,346个缺陷实例覆盖了12类常见工业缺陷，同时包含8,110个机械元素特征标注。该数据集的创新性在于其真实工业环境下的数据采集，涵盖了零件位置、光照条件及遮挡等实际场景变量，为三维异常检测领域提供了首个多模态、多传感器的工业级基准。

当前挑战

3D-ADAM数据集面临的主要挑战体现在两个方面：领域问题方面，现有三维异常检测模型在真实工业场景中的泛化能力不足，尤其在处理多传感器数据融合、复杂光照条件下的缺陷识别以及部分遮挡场景的定位等任务时性能显著下降；数据构建方面，工业级高精度三维数据的采集需协调多种传感器参数，且缺陷标注依赖专业领域知识，需通过半自动化标注与人工校验相结合的方式确保标注质量。此外，数据集中增材制造零件的单一材质特性（PLA）限制了模型对金属等其他工业材料表面缺陷的识别能力，这为后续研究提出了跨材质泛化的新挑战。

常用场景

经典使用场景

在先进制造领域，3D-ADAM数据集为3D异常检测提供了首个大规模、高精度的工业相关基准。该数据集通过多传感器采集的14,120个高分辨率扫描样本，覆盖了12类工业表面缺陷和16种机械设计形态因子，特别适用于在真实工业环境下（如零件位置变化、光照条件差异等）验证模型的鲁棒性。其经典应用场景包括基于点云和RGB数据的多模态缺陷分类、定位任务，为开发适用于增材制造质量控制的算法提供了标准化测试平台。

解决学术问题

3D-ADAM有效解决了当前3D异常检测领域缺乏真实工业场景数据的核心问题。相比MVTec3D-AD等现有数据集，它首次系统性地涵盖了机械加工中常见的切痕、毛刺、裂纹等12类缺陷，并标注了27,346个缺陷实例的精确分割掩膜。该数据集通过工业专家验证的标注体系，为研究社区提供了评估模型在零件多视角、遮挡、光照变化等复杂条件下性能的可靠基准，显著推进了从实验室环境到实际产线部署的技术跨越。

衍生相关工作

基于3D-ADAM的基准测试催生了一系列创新方法，如Chu等人提出的Shape-Guided双记忆库学习框架和Zavrtanik团队开发的3DSR网络。这些工作通过融合PointNet++的局部特征提取与ResNet的RGB特征映射，显著提升了多模态异常检测性能。数据集还启发了工业场景下的few-shot异常检测研究，其机械元素标注体系为后续工作建立缺陷-设计特征关联模型提供了新范式。