Co-occurrence Anomaly Detection Screw Dataset (CAD-SD)

该数据集用于异常检测，包括局部异常和共现异常。正常图像为带有六角螺母的螺杆产品图像。异常类型包括局部区域的划痕和油漆，以及共现关系的过度耦合和缺失。训练集包含400张正常图像，评估集包含不同类型的异常图像共376张。

This dataset is developed for anomaly detection tasks, covering both local anomalies and co-occurrence anomalies. Normal images are those of screw products with hexagonal nuts. Anomaly types include scratches and paint defects in local regions, as well as over-coupling and missing issues in co-occurrence relationships. The training set contains 400 normal images, while the evaluation set includes a total of 376 abnormal images of various types.

原始信息汇总

Co-occurrence-Anomaly-Detection-Screw-Dataset (CAD-SD)

数据集概述

CAD-SD是一个用于异常检测的数据集，包含局部异常和共现异常。数据集主要包含带有六角螺母的正常产品图像以及多种异常图像。

异常类型

• 局部异常：包括“划痕”和“油漆”，分别表示产品部分区域被划伤和附着油漆。
• 共现异常：包括“过度耦合”和“缺失”，分别表示六角螺母在螺杆两侧都耦合和六角螺母在螺杆两侧都未耦合。

数据集组成

• 训练图像：400张正常图像。
• 评估图像：
  • “正常”：210张
  • “划痕”：41张
  • “油漆”：41张
  • “过度耦合”：44张
  • “缺失”：40张

图像规格

• 原始图像大小：5472×3648
• 调整后图像大小：700×700

拍摄环境

• 相机：DFK33UX183，由Argo Corporation制造
• 光圈和拍摄距离：光圈16，距离25厘米
• 照明设备：HPR2-75SW，由CCS Corporation制造
• 电源：PD2-5024 (A)

搜集汇总

数据集介绍

构建方式

Co-occurrence Anomaly Detection Screw Dataset (CAD-SD)的构建过程基于高精度的工业摄影技术。数据集中的图像通过Argo Corporation生产的DFK33UX183相机拍摄，光圈设置为16，拍摄距离固定为25厘米。拍摄后，图像从原始分辨率5472×3648裁剪至700×700，以确保数据的一致性和处理效率。照明设备采用CCS Corporation的HPR2-75SW，电源使用PD2-5024 (A)，确保了拍摄环境的光线均匀和稳定。

特点

CAD-SD数据集专注于螺丝产品的异常检测，包含局部异常和共现异常两种类型。局部异常包括“划痕”和“油漆”，而共现异常则涉及“过度耦合”和“缺失”。数据集提供了400张正常训练图像，以及210张正常、41张划痕、41张油漆、44张过度耦合和40张缺失的评估图像。这种多样化的异常类型和充足的数据量为异常检测算法的训练和验证提供了坚实的基础。

使用方法

使用CAD-SD数据集时，研究人员和开发者可以通过提供的Google Drive链接访问数据集。数据集的结构清晰，便于直接用于训练和测试异常检测模型。用户可以根据需要选择特定类型的异常图像进行模型训练，或使用整个数据集进行全面的性能评估。此外，数据集的高质量图像和详细的异常标注为开发高效的异常检测算法提供了宝贵的资源。

背景与挑战

背景概述

Co-occurrence Anomaly Detection Screw Dataset (CAD-SD) 是一个专门用于异常检测的数据集，主要关注局部异常和共现异常。该数据集由Argo Corporation和CCS Corporation等机构的研究人员创建，旨在解决工业制造中螺丝杆及其附件的异常检测问题。数据集包含正常图像和多种异常图像，如局部区域的划痕和油漆附着，以及共现关系的过度耦合和缺失。通过提供400张正常训练图像和多种异常类型的评估图像，CAD-SD为工业制造中的质量控制提供了重要的数据支持。该数据集的创建时间为近期，其发布对工业自动化和计算机视觉领域的研究具有重要影响。

当前挑战

CAD-SD数据集在解决工业制造中的异常检测问题时面临多重挑战。首先，局部异常和共现异常的检测需要高精度的图像识别技术，尤其是在复杂的工业环境中，光照和拍摄距离的变化可能影响检测效果。其次，数据集的构建过程中，研究人员需要确保图像的质量和一致性，这涉及到复杂的拍摄环境设置和图像处理技术。此外，异常类型的多样性和样本数量的不平衡也对模型的训练和评估提出了挑战。这些挑战不仅要求算法具备高度的鲁棒性，还需要数据集本身具有足够的代表性和多样性，以支持有效的模型训练和评估。

常用场景

经典使用场景

CAD-SD数据集在工业制造领域中被广泛应用于螺丝及其附件的异常检测。该数据集通过提供正常和异常状态的图像，帮助研究人员和工程师识别螺丝杆上的局部异常（如划痕和油漆）以及共现关系异常（如过度耦合和缺失）。这些图像数据为开发自动化检测系统提供了宝贵的训练和测试资源。

衍生相关工作

基于CAD-SD数据集，许多研究工作得以展开，特别是在异常检测算法的改进和优化方面。例如，一些研究利用该数据集开发了基于深度学习的异常检测模型，这些模型在识别局部和共现关系异常方面表现出色。此外，该数据集还促进了工业检测领域的数据标准化和算法评估方法的发展。

数据集最近研究

最新研究方向

在工业制造领域，异常检测技术对于确保产品质量和生产效率至关重要。Co-occurrence Anomaly Detection Screw Dataset (CAD-SD) 提供了一个专注于螺丝及其附件的异常检测数据集，涵盖了局部异常和共现关系异常。近年来，随着深度学习技术的进步，研究者们开始探索如何利用卷积神经网络（CNN）和生成对抗网络（GAN）等先进模型来提升异常检测的准确性和鲁棒性。特别是在处理复杂的共现关系异常时，多模态学习和图神经网络（GNN）的应用成为了研究热点。这些技术不仅能够有效识别局部缺陷，还能捕捉到部件之间的复杂关系，从而在智能制造和质量控制中发挥重要作用。CAD-SD 数据集的发布为这一领域的研究提供了宝贵的资源，推动了工业异常检测技术的进一步发展。