3CAD: Ein umfangreicher, praxisnaher 3C-Produktdatensatz für unüberwachtes Anomalieerkennung

3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly

February 9, 2025

Autoren: Enquan Yang, Peng Xing, Hanyang Sun, Wenbo Guo, Yuanwei Ma, Zechao Li, Dan Zeng

cs.AI

Zusammenfassung

Die industrielle Anomalieerkennung erzielt Fortschritte dank Datensätzen wie MVTec-AD und VisA. Allerdings leiden sie unter Einschränkungen hinsichtlich der Anzahl von defekten Proben, den Arten von Defekten und der Verfügbarkeit von realen Szenen. Diese Beschränkungen hindern Forscher daran, die Leistung der industriellen Erkennung mit höherer Genauigkeit weiter zu erforschen. Zu diesem Zweck schlagen wir einen neuen groß angelegten Anomalieerkennungsdatensatz namens 3CAD vor, der von realen 3C-Produktionslinien abgeleitet ist. Speziell umfasst das vorgeschlagene 3CAD acht verschiedene Arten von hergestellten Teilen, insgesamt 27.039 hochauflösende Bilder, die mit Pixel-Ebene Anomalien gekennzeichnet sind. Die wichtigsten Merkmale von 3CAD sind, dass es anomale Regionen unterschiedlicher Größen, mehrere Anomalietypen und die Möglichkeit mehrerer anomaler Regionen sowie mehrerer Anomalietypen pro anomalem Bild abdeckt. Dies ist der größte und erste Anomalieerkennungsdatensatz, der der Qualitätskontrolle von 3C-Produkten gewidmet ist, um die Erkundung und Entwicklung der Gemeinschaft zu fördern. Gleichzeitig stellen wir ein einfaches, aber effektives Rahmenwerk für die unüberwachte Anomalieerkennung vor: ein Grob-zu-Fein-Erkennungsparadigma mit Wiederherstellungsanleitung (CFRG). Um kleine Defektanomalien zu erkennen, nutzt das vorgeschlagene CFRG ein Grob-zu-Fein-Erkennungsparadigma. Speziell verwenden wir ein heterogenes Destillationsmodell für die grobe Lokalisierung und dann die Feinlokalisierung durch ein Segmentierungsmodell. Darüber hinaus führen wir zur besseren Erfassung normaler Muster Wiederherstellungsmerkmale als Anleitung ein. Abschließend berichten wir über die Ergebnisse unseres CFRG-Rahmens und beliebter Anomalieerkennungsmethoden auf dem 3CAD-Datensatz, die eine starke Wettbewerbsfähigkeit zeigen und einen hoch anspruchsvollen Benchmark zur Förderung der Entwicklung des Anomalieerkennungsfeldes bieten. Daten und Code sind verfügbar unter: https://github.com/EnquanYang2022/3CAD.

English

Industrial anomaly detection achieves progress thanks to datasets such as MVTec-AD and VisA. However, they suf- fer from limitations in terms of the number of defect sam- ples, types of defects, and availability of real-world scenes. These constraints inhibit researchers from further exploring the performance of industrial detection with higher accuracy. To this end, we propose a new large-scale anomaly detection dataset called 3CAD, which is derived from real 3C produc- tion lines. Specifically, the proposed 3CAD includes eight different types of manufactured parts, totaling 27,039 high- resolution images labeled with pixel-level anomalies. The key features of 3CAD are that it covers anomalous regions of different sizes, multiple anomaly types, and the possibility of multiple anomalous regions and multiple anomaly types per anomaly image. This is the largest and first anomaly de- tection dataset dedicated to 3C product quality control for community exploration and development. Meanwhile, we in- troduce a simple yet effective framework for unsupervised anomaly detection: a Coarse-to-Fine detection paradigm with Recovery Guidance (CFRG). To detect small defect anoma- lies, the proposed CFRG utilizes a coarse-to-fine detection paradigm. Specifically, we utilize a heterogeneous distilla- tion model for coarse localization and then fine localiza- tion through a segmentation model. In addition, to better capture normal patterns, we introduce recovery features as guidance. Finally, we report the results of our CFRG frame- work and popular anomaly detection methods on the 3CAD dataset, demonstrating strong competitiveness and providing a highly challenging benchmark to promote the development of the anomaly detection field. Data and code are available: https://github.com/EnquanYang2022/3CAD.