Real3D-AD

Real3D-AD是首个高分辨率3D异常检测数据集，由南方科技大学和腾讯优图实验室合作创建，旨在解决精密制造和先进加工中的缺陷识别问题。该数据集包含1254个高分辨率3D物品，每个物品包含从四十万到数百万个点，覆盖360度无盲点，分辨率高达0.0010mm-0.0015mm。通过使用高精度激光扫描技术，Real3D-AD能够捕捉到物品的每一个细节，适用于工业制造中的高精度点云异常检测。数据集的应用领域主要集中在工业生产线的质量控制，旨在通过精确检测和定位缺陷，提高生产效率和产品质量。

Real3D-AD is the first high-resolution 3D anomaly detection dataset, co-created by Southern University of Science and Technology and Tencent YouTu Lab. It is developed to address defect recognition issues in precision manufacturing and advanced processing. This dataset includes 1254 high-resolution 3D objects, each with point counts ranging from 400,000 to several million, featuring 360-degree full coverage without blind spots and a resolution of 0.0010 mm to 0.0015 mm. By adopting high-precision laser scanning technology, Real3D-AD can capture every detail of the objects, making it suitable for high-precision point cloud anomaly detection in industrial manufacturing. The dataset is primarily applied for quality control in industrial production lines, aiming to improve production efficiency and product quality via accurate defect detection and localization.

搜集汇总

数据集介绍

构建方式

Real3D-AD数据集的构建过程严谨且精细。首先，研究者使用高分辨率的双目3D扫描仪PMAX-S130对物体进行全方位扫描，确保获取到高精度的点云数据。然后，通过旋转物体并进行多次扫描，构建出每个物体的原型。在标注阶段，利用CloudCompare软件对点云数据进行标注，区分正常和异常区域。整个数据集的收集和标注过程耗费了大量的人力和时间，充分体现了数据集的严谨性和可靠性。

特点

Real3D-AD数据集具有以下显著特点：1）高精度：点云分辨率高达0.0010mm-0.0015mm，远超过现有3D异常检测数据集；2）无盲点：采用多角度扫描，避免了RGBD相机单视角扫描的局限性；3）真实原型：数据集来自真实世界中的应用，通过高分辨率3D扫描仪获取，保证了数据集的真实性和准确性。

使用方法

Real3D-AD数据集的使用方法如下：1）数据预处理：包括点云数据的清洗、归一化等操作；2）模型训练：使用训练集进行模型训练，可以采用多种3D异常检测方法，如BTF、M3DM等；3）模型评估：使用测试集对模型进行评估，评估指标包括AUROC、AUPR等；4）异常检测：将待检测的点云数据输入训练好的模型，进行异常检测和定位。此外，Real3D-AD数据集还提供了ADBENCH-3D工具包，其中包含了数据预处理、模型评估、可视化等工具，方便研究人员进行实验和研究。

背景与挑战

背景概述

在先进制造和精密加工领域，高精度点云异常检测技术对于识别产品缺陷至关重要。尽管该领域在方法论上取得了一定的进展，但由于数据集的稀缺性和缺乏系统性的基准测试，其发展受到阻碍。为了解决这些问题，刘家祺等人于2023年10月23日发布了Real3D-AD数据集，这是目前最大的高精度3D工业异常检测数据集。Real3D-AD数据集包含1254个高分辨率3D物品（每个物品的点数从数千到数百万不等），在点云分辨率、360度覆盖范围和完美原型方面超越了现有的3D异常检测数据集。此外，还提供了一个全面的基准测试平台ADBENCH-3D，揭示了高精度点云异常检测领域缺乏基准方法的问题。为了解决这个问题，提出了Reg3D-AD，这是一种基于配准的3D异常检测方法，它结合了一个新颖的特征记忆库，可以保留局部和全局表示。在Real3D-AD数据集上的广泛实验表明，Reg3D-AD是有效的。为了可重复性和可访问性，提供了Real3D-AD数据集、基准测试源代码和Reg3D-AD。Real3D-AD数据集的发布填补了学术界和工业界之间的空白，为点云异常检测技术的进一步发展奠定了基础。

当前挑战

Real3D-AD数据集面临的挑战主要包括：1)训练数据集中每个类别的训练数据量有限（≤4），导致训练模型难以泛化；2)测试样本仅扫描物体的一侧，需要模型能够从单侧扫描中识别缺陷；3)缺乏与现有3D异常检测方法的直接比较，需要进一步研究和开发更有效的模型。为了解决这些挑战，需要开发更先进的模型，利用有限的训练数据实现更好的泛化，并能够从单侧扫描中准确识别缺陷。此外，还需要建立一个全面的基准测试平台，以便对不同的3D异常检测方法进行评估和比较。

常用场景

经典使用场景

Real3D-AD数据集主要用于高精度点云异常检测任务，特别是在先进加工和精密制造领域。该数据集提供了1254个高分辨率3D物体，每个物体包含从数万到数百万个点。Real3D-AD数据集在点云分辨率、360度覆盖范围和完美原型方面超越了现有的3D异常检测数据集。这使得Real3D-AD成为迄今为止最大的高精度3D工业异常检测数据集。

解决学术问题

Real3D-AD数据集解决了现有3D异常检测数据集的几个关键问题。首先，现有的数据集精度不足以满足高精度点云异常检测的需求。其次，使用RGBD相机收集3D数据会导致盲点，影响检测效果。最后，模拟数据集难以扩展到现实场景。Real3D-AD数据集通过高分辨率激光扫描收集真实世界的产品，消除了盲点，并提供了真实的高精度原型。

衍生相关工作

Real3D-AD数据集的发布促进了3D异常检测领域的研究。基于Real3D-AD数据集，研究人员提出了许多新的3D异常检测方法，例如Reg3D-AD。这些方法在Real3D-AD数据集上取得了显著的性能提升，并为未来的研究提供了新的思路。