ITDD

工业纺织品缺陷检测（ITDD）数据集包含1885张工业纺织品图像，分为4类：棉织物、染色织物、麻织物和格子织物。这些类别是从[WEIQIAO Textile](http://www.wqfz.com/en/)的工业生产现场收集的。ITDD是[WFDD](https://github.com/cqylunlun/GLASS?tab=readme-ov-file#1wfdd-download-link)的升级版本，重新组织了三个原始类别并添加了一个新类别。

Industrial Textile Defect Detection (ITDD) Dataset contains 1,885 industrial textile images, categorized into 4 classes: cotton fabric, dyed fabric, linen fabric and plaid fabric. All these classes were collected from industrial production sites of [WEIQIAO Textile](http://www.wqfz.com/en/). ITDD is an upgraded version of [WFDD](https://github.com/cqylunlun/GLASS?tab=readme-ov-file#1wfdd-download-link), which reorganizes three original classes and adds one new class.

原始信息汇总

CRAS数据集概述

数据集基本信息

• 名称：CRAS (Center-aware Residual Anomaly Synthesis)
• 类型：工业异常检测数据集
• 包含内容：
  • 源代码（PyTorch实现）
  • 自建数据集ITDD

数据集详情

ITDD数据集

• 全称：Industrial Textile Defect Detection
• 数据量：1885张工业纺织品图像
• 类别：
  • 棉织物 (cotton fabric)
  • 染色织物 (dyed fabric)
  • 麻织物 (hemp fabric)
  • 格子织物 (plaid fabric)
• 来源：中国WEIQIAO纺织工业生产现场
• 特点：WFDD数据集的升级版本，重组了三个原始类别并新增一个类别
• 下载链接：https://drive.google.com/file/d/1Iy-f_jxJFhSxDc4J0f85wwQKuwj1NzvX/view?usp=sharing/

相关公开数据集

• MVTec AD：https://www.mvtec.com/company/research/datasets/mvtec-ad/
• VisA：https://github.com/amazon-science/spot-diff/
• MPDD：https://github.com/stepanje/MPDD/

实验环境

• Python版本：3.9.21

• GPU要求：NVIDIA GeForce RTX 4090 (24GB)

• 依赖安装：

  conda create -n cras_env python=3.9.21 conda activate cras_env pip install -r requirements.txt

引用信息

bibtex @article{chen2025center, title={Center-aware Residual Anomaly Synthesis for Multi-class Industrial Anomaly Detection}, author={Chen, Qiyu and Luo, Huiyuan and Yao, Haiming and Luo, Wei and Qu, Zhen and Lv, Chengkan and Zhang, Zhengtao}, journal={arXiv preprint arXiv:2505.17551}, year={2025} }

许可协议

• 许可证类型：MIT许可证
• 许可证链接：https://github.com/cqylunlun/CRAS?tab=MIT-1-ov-file/

AI搜集汇总

数据集介绍

构建方式

在工业纺织品缺陷检测领域，ITDD数据集的构建体现了严谨的工业场景适配性。该数据集由1885张工业纺织品图像组成，涵盖棉织物、染色织物、麻织物和格子织物四大类别，数据采集自魏桥纺织工业生产现场。作为WFDD数据集的升级版本，ITDD对原有三个类别进行了系统性重组，并新增了一个织物类别，通过真实工业环境下的图像采集确保了数据的实用价值。

使用方法

该数据集的使用遵循工业检测领域的标准实践流程。用户可通过提供的Google Drive链接下载完整数据集，按照MVTec AD的目录结构进行组织。配套的shell脚本支持快速配置实验参数，包括数据路径、类别选择等关键参数。研究人员可根据需要切换训练与测试模式，通过修改--test参数实现不同阶段的模型验证。数据集特别适合与CRAS等采用中心感知残差学习的算法配合使用，为多类别工业异常检测研究提供可靠基准。

背景与挑战

背景概述

ITDD（Industrial Textile Defect Detection）数据集是由Qiyu Chen等研究人员于2025年提出的，旨在解决工业纺织品缺陷检测中的多类别异常检测问题。该数据集由WEIQIAO Textile工业生产现场采集的1885张工业纺织品图像组成，涵盖棉织物、染色织物、麻织物和格子织物四种类别。作为WFDD数据集的升级版，ITDD通过重新组织原有类别并新增一类，显著提升了数据多样性和实用性。该数据集的发布为工业异常检测领域提供了重要的基准数据，推动了基于中心感知残差学习和距离引导异常合成的多类别异常检测方法的发展。

当前挑战

ITDD数据集面临的挑战主要体现在两个方面：在领域问题层面，多类别工业异常检测存在类间干扰和类内重叠问题，传统方法难以区分相似纹理的细微异常；在构建过程中，工业场景的数据采集受限于环境复杂性，需平衡不同类别的样本分布，同时确保缺陷标注的精确性。此外，纺织品纹理的多样性和缺陷形态的随机性，进一步增加了数据集的构建难度。

常用场景

经典使用场景

ITDD数据集作为工业纺织品缺陷检测领域的重要资源，其经典使用场景主要集中在多类别异常检测任务中。该数据集通过提供棉花织物、染色织物、麻织物和格子织物四类工业纺织品图像，为研究者构建了一个具有挑战性的跨类别缺陷识别平台。在计算机视觉领域，研究人员常利用该数据集验证新型异常检测算法在复杂纹理背景下的泛化能力，特别是在处理类间干扰和类内重叠问题时的表现。

解决学术问题

ITDD数据集有效解决了工业缺陷检测中的若干关键学术问题。其通过精心设计的类别划分和样本采集，显著缓解了传统方法在跨材质缺陷识别中的特征混淆问题。该数据集支持的中心感知残差学习框架，为多类别异常检测中的特征解耦提供了实证基础。更重要的是，其升级版WFDD的数据结构为研究工业场景下的增量学习问题提供了宝贵资源。

实际应用

在实际工业质检场景中，ITDD数据集已成功应用于纺织生产线的自动化缺陷检测系统。数据集包含的1885张高分辨率图像来自魏桥纺织真实产线，能够有效支持缺陷分类模型的产业落地。基于该数据集开发的算法已在布匹表面瑕疵检测、染色均匀度评估等具体场景中展现出商用价值，显著降低了传统人工质检的成本与误检率。

数据集最近研究

最新研究方向

在工业异常检测领域，ITDD数据集的推出为多类别纺织品缺陷识别提供了新的研究基准。该数据集通过整合棉织物、染色织物、麻织物和格子织物四类样本，显著提升了模型在复杂工业场景下的泛化能力。当前研究聚焦于中心感知残差学习和距离引导异常合成技术，旨在解决多类别检测中的类间干扰和类内重叠问题。随着智能制造需求的增长，基于深度学习的表面缺陷检测技术正成为行业热点，ITDD的发布为算法性能评估提供了更贴近实际生产的数据支撑，推动了工业质检向自动化、智能化方向的发展。