PD-REAL

PD-REAL是一个由福井大学创建的大型3D异常检测数据集，包含超过3,500对高分辨率RGB和深度图像，涵盖15个对象类别和6种异常类型。数据集中的样本均使用Play-Doh手工制作，模拟实际检测场景，通过Intel RealSense Depth Camera D405采集数据。PD-REAL旨在解决2D图像在异常检测中可能无法捕捉完整几何结构的问题，特别是在光照条件或拍摄角度不确定的情况下。该数据集适用于评估和开发利用3D信息进行异常检测的算法，特别是在工业检测领域。

PD-REAL is a large-scale 3D anomaly detection dataset developed by Fukui University. It contains over 3,500 pairs of high-resolution RGB and depth images, covering 15 object categories and 6 anomaly types. All samples in the dataset are handmade with Play-Doh to simulate real-world inspection scenarios, and the data is collected using an Intel RealSense Depth Camera D405. PD-REAL aims to address the issue that 2D images may fail to capture complete geometric structures during anomaly detection, particularly when lighting conditions or shooting angles are uncertain. This dataset is suitable for evaluating and developing algorithms that utilize 3D information for anomaly detection, especially in the industrial inspection field.

搜集汇总

数据集介绍

构建方式

在三维异常检测领域，数据采集常受限于高昂成本与环境变量控制。PD-REAL数据集通过创新性构建方法应对这一挑战，采用可塑性材料Play-Doh手工制作15类物体样本，并人工模拟凹陷、裂纹、穿孔等六类异常形态。数据采集使用英特尔RealSense D405相机，在受控、非受控及混合光照条件下同步捕获高分辨率RGB与深度图像，进而通过坐标转换生成对应三维点云。该流程显著降低了采集成本，并依托材料特性实现了数据集的灵活扩展与变量精准调控。

特点

PD-REAL数据集的核心特点在于其多维数据融合与真实场景仿真能力。数据集涵盖超过3500组RGB-深度图像对及对应点云，覆盖食物、蔬果、玩具等多样类别，每类样本均配备像素级异常标注真值。其独特之处在于通过Play-Doh材料实现真实物理异常构建，避免了合成数据的域偏差问题，同时通过多光照条件设置模拟了工业检测中的复杂环境。相较于依赖昂贵工业传感器或虚拟生成的现有三维数据集，PD-REAL在保持真实几何特征的前提下，兼具低成本、易扩展与高可控性优势。

使用方法

该数据集适用于无监督三维异常检测算法的开发与评估。研究者可利用其提供的训练集（仅含正常样本）与测试集（含正常及异常样本）进行模型训练与验证。典型使用流程包括：首先对RGB与深度图像进行预处理，融合生成点云数据；随后采用特征提取网络（如WideResNet50）提取多模态特征，或直接输入三维检测框架（如AST、M3DM）；最终通过计算异常得分实现像素级定位与图像级分类。评估时可依据数据集提供的AUPRO与AUROC指标，量化分析三维信息在不同物体类别与异常类型下的检测效能与挑战。

背景与挑战

背景概述

在计算机视觉领域，异常检测作为工业质检与医疗影像分析的核心技术，长期依赖于二维图像数据。然而，二维表征在复杂光照与拍摄角度下，难以完整捕捉异常区域的几何结构，限制了检测精度。为此，日本福井大学与新潟大学的研究团队于2023年推出了PD-REAL数据集，专注于三维无监督异常检测。该数据集以Play-Doh手工模型为基础，涵盖15类物体与六种异常类型，通过英特尔RealSense相机同步采集RGB与深度图像，构建了包含超过3500个样本的多模态数据。PD-REAL以低成本、高可控性的数据采集流程，弥补了现有三维异常检测数据集的不足，为探索三维信息在异常检测中的价值提供了重要基准。

当前挑战

PD-REAL数据集所应对的核心挑战在于提升异常检测任务中对几何结构特征的感知能力。传统二维异常检测方法易受光照变化与视角局限影响，难以识别凹陷、裂痕等表面缺陷的细微形变。该数据集通过融合三维点云与二维图像，旨在解决二维表征在几何信息缺失下的检测瓶颈。在构建过程中，研究团队面临的主要挑战包括：如何在可控环境中模拟真实异常形态，确保Play-Doh模型缺陷的多样性与真实性；以及设计高效低成本的数据采集流程，平衡深度传感器精度与扩展性需求，避免依赖高成本工业设备或虚拟合成数据带来的域偏差问题。

常用场景

经典使用场景

在三维异常检测领域，PD-REAL数据集为研究者提供了一个高度可控且成本低廉的实验平台。该数据集通过使用Play-Doh手工制作的模型，模拟了真实世界中的表面缺陷，如凹陷、裂纹和穿孔等，并结合RGB与深度图像对，实现了对物体几何结构的全面捕捉。其经典使用场景在于评估和比较各类无监督异常检测算法在三维数据上的性能，尤其是在不同光照条件下对细微缺陷的识别能力。通过这一数据集，研究者能够深入探索二维与三维信息融合在异常检测任务中的潜力，为算法设计提供可靠的基准测试环境。

实际应用

PD-REAL数据集在工业表面检测和质量控制中展现出重要的实际应用价值。通过模拟真实生产线上的缺陷类型，如产品表面的划痕或裂痕，该数据集可用于训练和优化自动检测系统，提升制造过程中的缺陷识别精度。其多模态数据特性使得系统能够结合颜色与深度信息，在复杂光照环境下稳定工作，减少误报率。此外，数据集的低成本采集方式为中小企业提供了可行的技术方案，有助于推动智能检测技术在食品、玩具等行业的普及，实现高效、可靠的产品质量监控。

衍生相关工作

基于PD-REAL数据集，多项经典研究工作得以衍生，进一步推动了三维异常检测领域的发展。例如，AST（Asymmetric Student-Teacher）网络利用该数据集验证了非对称师生架构在减少知识蒸馏过拟合方面的有效性；M3DM（Multimodal Industrial Anomaly Detection via Hybrid Fusion）方法则通过混合特征融合策略，探索了多模态数据在异常定位中的优势。这些工作不仅提升了算法在PD-REAL上的性能指标，还为后续研究提供了重要的技术参考，促进了三维异常检测模型在复杂工业场景中的实际部署与优化。