航空发动机叶片异常检测数据集 (AeBAD)

航空发动机叶片异常检测数据集(AeBAD)由西安交通大学机械工程学院创建，包含两个子数据集：单叶片数据集(AeBAD-S)和叶片视频异常检测数据集(AeBAD-V)。AeBAD-S包含不同尺度的单叶片图像，样本未对齐，存在训练集与测试集间的域转移问题，主要由光照和视角变化引起。AeBAD-V包含安装在航空发动机上的叶片视频，用于检测叶片在旋转过程中的异常。该数据集旨在解决实际工业应用中叶片异常检测的问题，强调同一数据类别内的域多样性。

Aero-engine Blade Anomaly Detection Dataset (AeBAD) was created by the School of Mechanical Engineering, Xi'an Jiaotong University. It consists of two sub-datasets: the Single Blade Dataset (AeBAD-S) and the Blade Video Anomaly Detection Dataset (AeBAD-V). AeBAD-S contains single-blade images of varying scales, with unaligned samples and domain shift between the training and test sets, which is mainly caused by variations in illumination and viewing angles. AeBAD-V contains videos of blades installed on aero-engines, which is used for detecting anomalies during blade rotation. This dataset aims to address the problem of blade anomaly detection in real-world industrial applications and emphasizes domain diversity within the same data category.

搜集汇总

数据集介绍

构建方式

AeBAD数据集的构建旨在填补现有工业异常检测数据集的不足，特别是那些忽略了同一数据类别内域多样性的数据集。该数据集由两个子数据集组成：单叶片数据集（AeBAD-S）和叶片视频异常检测数据集（AeBAD-V）。AeBAD-S包含不同尺度的单个叶片图像，样本未对齐，存在域偏移，主要是由于光照和视角的变化。AeBAD-V包括安装在航空发动机盘片上的叶片视频，用于检测盘片旋转过程中的叶片异常。该数据集的特点在于其测试集中正常样本的分布与训练集存在域偏移，这使得AeBAD数据集更加贴近现实世界的工业应用场景。

特点

AeBAD数据集的两个显著特点是：1）目标样本未对齐且处于不同尺度；2）测试集中正常样本的分布与训练集之间存在域偏移，主要是由于光照和视角的变化。这些特点使得AeBAD数据集成为现实世界中工业异常检测任务的有力工具。AeBAD-S和AeBAD-V的构建充分考虑了实际工业场景中的多样性，为研究提供了更真实的测试环境。

使用方法

使用AeBAD数据集的方法包括但不限于以下步骤：1）数据准备：将数据集下载并解压，准备训练和测试数据；2）模型训练：使用AeBAD数据集训练异常检测模型，如MMR方法；3）异常检测：将训练好的模型应用于新的数据集或实际工业场景，进行异常检测；4）性能评估：通过AUROC、PRO等指标评估模型在AeBAD数据集上的性能，以验证模型的鲁棒性和准确性。AeBAD数据集的使用有助于研究者开发更加有效和鲁棒的工业异常检测算法。

背景与挑战

背景概述

航空发动机叶片异常检测数据集（AeBAD）由西安交通大学机械工程学院的Zilong Zhang等研究人员于2023年创建，旨在解决现有工业异常检测数据集在模拟实际工业场景时存在的不足。AeBAD数据集包含两个子数据集：单叶片数据集和叶片视频异常检测数据集。该数据集的主要特点是目标样本未对齐且尺度不同，以及在测试集和训练集之间存在着由光照和视角变化引起的领域转移。AeBAD的创建填补了现有数据集在领域多样性方面的空白，为开发更全面的工业异常检测算法提供了基础，对相关领域的研究具有重要的推动作用。

当前挑战

AeBAD数据集所解决的领域问题是在工业过程中对异常的识别和定位，尤其是航空发动机叶片的异常检测。该数据集构建过程中遇到的挑战主要包括：1) 样本未对齐且尺度不同，这使得传统的基于合成异常的方法难以有效应用；2) 测试集中正常样本的领域与训练集存在差异，导致现有的异常检测方法在领域转移的情况下表现不佳。为了解决这些问题，研究人员提出了一个名为掩码多尺度重建（MMR）的新方法，该方法通过掩码重建任务增强了模型对正常样本中斑块之间因果关系推导的能力，从而在AeBAD数据集上取得了优于现有方法的性能。

常用场景

经典使用场景

航空发动机叶片异常检测数据集（AeBAD）的主要经典使用场景在于工业质量检测的自动化。该数据集的设计考虑了现实世界中工业产品质量检测的复杂性和多样性，特别是针对航空发动机叶片这一关键部件的异常检测。AeBAD数据集包含了两种子数据集：单叶片数据集和叶片视频异常检测数据集。这些数据集的样本未对齐且尺度不一，更贴近实际工业检测环境。此外，测试集中的正常样本分布与训练集存在领域偏移，主要由光照和视角变化引起，这使得AeBAD成为评估和开发鲁棒性IAD算法的理想选择。

实际应用

AeBAD数据集的实际应用场景主要在于航空发动机叶片的异常检测。该数据集通过模拟实际检测环境中的光照和视角变化，为工业界提供了评估和开发IAD算法的基准。通过使用AeBAD数据集，研究人员可以开发出更鲁棒的IAD算法，这些算法能够在实际工业检测环境中准确识别出叶片的异常，从而确保航空发动机的稳定运行。此外，AeBAD数据集的构建也为其他领域的工业异常检测提供了参考，推动了工业自动化和智能化的进程。

衍生相关工作

AeBAD数据集的提出衍生了许多相关的研究工作。其中，掩码多尺度重建（MMR）方法因其出色的性能而在IAD领域引起了广泛关注。MMR通过掩码重建任务，增强了模型在正常样本中不同区域之间因果关系推理的能力，从而提高了模型在领域偏移情况下的鲁棒性。此外，AeBAD数据集的构建也为其他领域的工业异常检测提供了参考，推动了工业自动化和智能化的进程。