IndustrialTextileDataset|工业织物缺陷检测数据集|无监督异常检测数据集

该数据集旨在提供一个包含真实工业织物缺陷的彩色数据集，这些缺陷数据是通过多个工业相机在巡检机器上收集的。数据集设计采用与MVTEC AD数据集相同的命名规则，用于无监督异常检测。

This dataset aims to provide a comprehensive collection of color images depicting real industrial fabric defects, captured by multiple industrial cameras mounted on inspection machines. The dataset is structured following the same naming conventions as the MVTEC AD dataset, specifically designed for unsupervised anomaly detection.

原始信息汇总

数据集概述

描述

本数据集旨在提供一个用于无监督织物缺陷检测的彩色数据集，包含从工业相机收集的真实工业织物缺陷图像。数据集设计遵循MVTEC AD数据集的命名规范，适用于无监督异常检测任务。

数据集结构

数据集包含多种类型的织物图像，具体分类如下：

类型	总数	训练(良好)	测试(良好)	测试(缺陷)	示例
type1cam1	386	272	28	86
type2cam2	257	199	19	39
type3cam1	689	588	54	47
type4cam2	229	199	19	11
type5cam2	298	199	19	80
type6cam2	291	199	19	73
type7cam2	917	711	89	117
type8cam1	868	711	89	68
type9cam2	856	721	86	49
type10cam2	871	717	90	64

下载

数据集可通过以下链接在Google Drive下载：下载链接

使用

该数据集专为无监督异常检测任务设计，也可用于领域泛化方法。数据集的命名规范如下：

• category/
  • train/
    • good/
      • img1.png
      • ...
  • test/
    • anomaly/
      • img1.png
      • ...
    • good/
      • img1.png
      • ...

作者

• Simon Thomine, PhD student - @SimonThomine - [e-mail]
• Hichem Snoussi, Full Professor

引用

使用本数据集时，请引用：

@inproceedings{Thomine_2023_Knowledge, author = {Thomine, Simon and Snoussi, Hichem}, title = {Distillation-based fabric anomaly detection}, booktitle = {Textile Research Journal}, month = {August}, year = {2023} }

AI搜集汇总

数据集介绍

构建方式

IndustrialTextileDataset的构建源于对工业纺织品缺陷检测的深入研究，旨在提供一个真实工业环境下的彩色织物缺陷数据集。该数据集通过多台工业相机在生产线上的实际采集，确保了数据的真实性和多样性。其构建方式借鉴了MVTEC AD数据集的命名规范，专门为无监督异常检测任务设计。数据集中包含了多种类型的织物样本，每种类型均分为训练集和测试集，训练集仅包含无缺陷样本，而测试集则包含无缺陷和有缺陷的样本，以便于模型的无监督学习和评估。

特点

IndustrialTextileDataset的特点在于其丰富的样本类型和高质量的图像数据。数据集涵盖了十种不同类型的织物，每种类型均通过不同的相机进行采集，确保了数据的多样性和广泛性。图像分辨率高，能够清晰地展示织物的纹理和缺陷细节。此外，数据集的命名规范清晰，便于用户快速理解和使用。数据集的设计特别适合无监督异常检测任务，同时也适用于领域泛化方法的研究。

使用方法

使用IndustrialTextileDataset时，用户需按照其命名规范进行数据加载和处理。数据集的结构分为训练集和测试集，训练集仅包含无缺陷样本，测试集则包含无缺陷和有缺陷的样本。用户可以通过加载训练集进行模型的无监督训练，随后在测试集上进行异常检测和性能评估。数据集支持多种深度学习框架，用户可以根据需求选择合适的方法进行实验。此外，数据集的相关文档和示例代码为用户提供了详细的使用指南，帮助用户快速上手并开展研究工作。

背景与挑战

背景概述

IndustrialTextileDataset是由法国特鲁瓦技术大学的Simon Thomine和Hichem Snoussi教授团队于2023年推出的一个专注于无监督织物缺陷检测的彩色数据集。该数据集通过多台工业相机采集了真实工业环境中的织物缺陷图像，旨在为无监督异常检测任务提供高质量的数据支持。其命名规则与MVTEC AD数据集保持一致，便于研究者进行对比和迁移学习。该数据集的发布不仅推动了织物缺陷检测领域的研究进展，还为工业自动化中的质量控制提供了重要的数据基础。

当前挑战

IndustrialTextileDataset在解决织物缺陷检测问题时面临多重挑战。首先，织物缺陷的多样性和复杂性使得模型难以准确识别和定位不同类型的缺陷，尤其是在无监督学习场景下，缺乏标注数据进一步增加了难度。其次，工业环境中的光照变化、织物纹理的多样性以及相机视角的差异对数据采集和模型泛化能力提出了更高要求。在数据集构建过程中，如何确保数据的高质量采集、标注一致性以及类别平衡也是研究者需要克服的关键问题。此外，如何将无监督学习方法与工业实际需求相结合，实现高效且可靠的缺陷检测，仍是该领域亟待解决的核心挑战。

常用场景

经典使用场景

IndustrialTextileDataset在无监督异常检测领域具有重要应用，特别是在纺织品的缺陷检测中。该数据集通过工业相机采集的真实纺织缺陷图像，为研究者提供了一个标准化的测试平台。其设计遵循MVTEC AD数据集的命名规范，确保了数据的一致性和可比性。研究者可以利用该数据集训练和验证无监督学习模型，以识别纺织品中的异常区域，从而提升检测精度和效率。

衍生相关工作

IndustrialTextileDataset催生了一系列相关研究工作，特别是在知识蒸馏和无监督异常检测领域。例如，MixedTeacher方法利用该数据集实现了高效的纹理异常检测，而FABLE项目则探索了自动化缺陷检测流程的优化。此外，CSE方法通过对比选择嵌入技术，进一步提升了表面异常检测的精度。这些研究不仅验证了数据集的实用性，还为纺织品缺陷检测领域提供了新的技术路径和理论支持。

数据集最近研究

最新研究方向

在纺织工业领域，无监督异常检测技术正逐渐成为研究热点，尤其是在织物缺陷检测方面。IndustrialTextileDataset的推出，为这一领域提供了丰富的真实工业场景数据，极大地推动了基于知识蒸馏的异常检测方法的发展。近期研究主要集中在如何通过混合教师模型（MixedTeacher）和双模型知识蒸馏（Dual Model Knowledge Distillation）等技术，提升检测的准确性和效率。这些方法不仅能够在不依赖大量标注数据的情况下实现高精度检测，还能在复杂的工业环境中保持鲁棒性。此外，对比选择嵌入（CSE）技术的引入，进一步优化了特征提取过程，使得模型在面对多样化的织物缺陷时表现更为出色。这些前沿研究不仅为纺织工业的自动化检测提供了新的解决方案，也为其他领域的无监督学习研究提供了重要参考。