3CAD: Een grootschalige dataset van 3C-producten in de echte wereld voor ongesuperviseerde anomaliedetectie.

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

February 9, 2025

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

cs.AI

Samenvatting

Industriële anomaliedetectie boekt vooruitgang dankzij datasets zoals MVTec-AD en VisA. Echter, ze kampen met beperkingen wat betreft het aantal defectmonsters, soorten defecten, en de beschikbaarheid van realistische scènes. Deze beperkingen belemmeren onderzoekers om verder te verkennen hoe de prestaties van industriële detectie kunnen worden verbeterd met een hogere nauwkeurigheid. Daarom stellen we een nieuwe grootschalige anomaliedetectiedataset voor genaamd 3CAD, die is afgeleid van echte 3C-productielijnen. Specifiek omvat het voorgestelde 3CAD acht verschillende soorten vervaardigde onderdelen, in totaal 27.039 hoogwaardige afbeeldingen gelabeld met pixelniveau anomalieën. Belangrijke kenmerken van 3CAD zijn dat het anomaliegebieden van verschillende groottes bestrijkt, meerdere anomalietypen omvat, en de mogelijkheid biedt van meerdere anomaliegebieden en meerdere anomalietypen per anomalieafbeelding. Dit is de grootste en eerste anomaliedetectiedataset die is gewijd aan 3C-productkwaliteitscontrole voor gemeenschappelijke verkenning en ontwikkeling. Ondertussen introduceren we een eenvoudig maar effectief raamwerk voor ongesuperviseerde anomaliedetectie: een Grof-naar-Fijn detectieparadigma met Herstelbegeleiding (CFRG). Om kleine defectanomalieën te detecteren, maakt het voorgestelde CFRG gebruik van een grof-naar-fijn detectieparadigma. Specifiek gebruiken we een heterogeen distillatiemodel voor grove lokalisatie en vervolgens fijne lokalisatie via een segmentatiemodel. Bovendien introduceren we herstelkenmerken als begeleiding om normale patronen beter vast te leggen. Tot slot rapporteren we de resultaten van ons CFRG-raamwerk en populaire anomaliedetectiemethoden op de 3CAD-dataset, waarbij we sterke concurrentie laten zien en een zeer uitdagende benchmark bieden om de ontwikkeling van het anomaliedetectieveld te bevorderen. Data en code zijn beschikbaar op: 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.