Heterogeneous Same-Sort Industrial Anomaly Detection (HSSIAD) dataset

这是一个异质同种工业异常检测数据集，包含8,580张金属类工业部件图像和精确的异常标注。这些部件在结构和外观上存在变化，具有与基材相似的微小缺陷。数据集还提供了前景图像用于合成异常生成。

This is a homogeneous yet intra-class heterogeneous industrial anomaly detection dataset, which contains 8,580 images of metallic industrial components and precise anomaly annotations. These components exhibit variations in both structure and appearance, and feature subtle defects that are similar to the base material. Additionally, the dataset provides foreground images for synthetic anomaly generation.

原始信息汇总

HSS-IAD-Dataset

概述

HSS-IAD（Heterogeneous Same-Sort Industrial Anomaly Detection）数据集是针对论文“HSS-IAD: A Heterogeneous Same-Sort Industrial Anomaly Detection Dataset”的配套数据集。该数据集包含8,580张金属类工业部件图像和精确的异常标注。这些部件在结构和外观上存在差异，具有与基础材料相似的微小缺陷。数据集还提供了前景图像用于合成异常生成。HSS-IAD数据集专注于结构外观存在差异的同类型工业产品，并解决检测与基础材料相似的微小缺陷的挑战，这些问题在现实工业环境中很常见。该数据集的设计涵盖了各种缺陷和干扰源，如加工标记和油渍，具有原创性和创新性。

数据集中展示了三种对象（Casting_C1、Casting_C2、Casting_C3）和四种纹理（KolektorSDD、KolektorSDD2、Magnetic-tile-defect、STEEL）的图像，其中正常图像在左侧显示，每种类型中的不同异常在右侧展示，所有异常区域均以红色标记。

数据使用

图像数据可以从这里下载。

搜集汇总

数据集介绍

构建方式

HSSIAD数据集的构建，以 metallic-like 工业部件的8578张图像为基础，辅以精确的异常标注。该数据集特别关注同种工业产品中结构及外观的差异性，并包含用于合成异常生成的前景图像。数据集的设计旨在涵盖多种缺陷及现实工业场景中的常见干扰源，如加工痕迹和油渍，从而为工业异常检测研究提供了新颖且具有创新性的资源。

特点

该数据集显著的特点在于其针对同种工业产品的结构及外观多样性，以及模拟实际工业环境中难以察觉的微小缺陷。HSSIAD数据集的原创性和创新性体现在对各种缺陷和干扰源的全面覆盖，与过往未能有效解决这些实际问题的数据集形成鲜明对比。数据集通过可视化展示了三种物体（Casting_C1, Casting_C2, Casting_C3）和四种纹理（KolektorSDD, KolektorSDD2, Magnetic-tile-defect, STEEL），并标注了所有异常区域。

使用方法

用户可以通过提供的链接下载HSSIAD数据集的图像数据。数据的使用不受限制，但建议用户在研究和应用中遵循学术诚信和相应的数据使用规范。数据集的图像和标注可用于训练机器学习模型，以进行工业异常检测的相关研究。

背景与挑战

背景概述

Heterogeneous Same-Sort Industrial Anomaly Detection (HSSIAD) 数据集，作为研究论文'HSS-IAD: A Heterogeneous Same-Sort Industrial Anomaly Detection Dataset'的配套数据集，由相关研究人员创建于近期。该数据集汇集了8,580张金属类工业部件图像，并提供了精确的异常标注。这些部件在结构和外观上存在差异，其微小的缺陷与基材极为相似，为工业场景中的异常检测问题提供了真实的研究素材。该数据集旨在解决同种类工业产品中结构和外观变化引起的检测难题，其创新性在于涵盖了多种缺陷和干扰源，如加工痕迹和油渍等，在现实工业环境中极为常见。HSSIAD数据集因其独特性和创新性，对工业异常检测领域产生了显著影响。

当前挑战

HSSIAD数据集在解决同种类工业产品中微小缺陷检测问题的同时，也面临着一系列挑战。首先，数据集的构建过程中，如何有效捕捉和标注那些与基材极为相似的微小缺陷是一个挑战。其次，由于数据集中部件结构和外观的多样性，构建一个既能覆盖各种缺陷类型，又能应对不同干扰源的检测模型，同样具有难度。此外，数据集的预览版本存在一些小错误和格式问题，这要求研究人员在后续工作中进行数据清洗和格式化，以确保数据质量和可用性。

常用场景

经典使用场景

在工业领域，产品一致性的维护至关重要。HSSIAD数据集为此提供了专门的图像资源，其包含了金属质感工业部件的8578张图片及精确的异常标注，旨在训练模型以识别出细微的缺陷，这些缺陷与基础材料极为相似，使得检测工作极具挑战性。该数据集的经典使用场景在于，研究者可通过其进行深度学习模型的训练与验证，以提升模型对同种类型工业产品中细微结构变化的检测能力。

实际应用

在工业生产实际应用中，HSSIAD数据集的应用可以帮助制造企业提高产品质量检验的自动化水平。通过训练得到的模型能够识别出产品中的微小缺陷，这对于确保产品的一致性和可靠性至关重要，有助于减少人为检验的误差和成本，提高生产效率和客户满意度。

衍生相关工作

HSSIAD数据集的发布促进了相关领域的研究工作，衍生出了一系列经典研究。学者们基于该数据集开发了多种检测算法，探索了不同类型的特征提取和分类方法，进一步推动了工业异常检测技术的发展，并在智能制造和工业4.0的背景下，对提升工业视觉检测系统的智能水平产生了深远影响。