业界最大！腾讯优图发布Real-IAD大规模工业异常检测数据集！

本文已被CVPR2024收录

（上海交通大学，腾讯优图，复旦大学，荣旗工业科技，上海计算机软件技术开发中心）

Title:Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection

Project Page：https://realiad4ad.github.io/Real-IAD/

动机：为什么构建Large-scale Real-world Real-IAD数据集

• 一方面，大多数最先进的方法在MVTec / VisA等主流数据集上已经达到饱和(AUROC超过99%)，无法很好地区分方法之间的差异，且由于难度较小而与实际应用场景之间存在较大差距，因此需要更具挑战性的数据集来支持AD领域的进一步研究。
• 另一方面，各种新的实用异常检测设置的研究受到数据集规模的限制（比如带噪和小样本更贴近实际应用的setting），存在评估结果过拟合的风险，因此需要更大规模的数据集来支持；
• 工业生产中的良率通常介于60%-100%之间，与现有的100%良率实验setting不符，因此，需要更具实际应用价值的setting，即我们提出的Fully Unsupervised Industrial Anomaly Detection，FUIAD。

Real-IAD数据集特性：

• 更多的类别：30类真实产线物料
• 大规模数据量：150K数据
• 多种材料：金属，塑料，木材，陶瓷和混合材料
• 多种缺陷类别：缺失、划伤、裂纹、脏污、破洞、变形、凹坑、破损
• 多视角：5个拍摄角度（顶拍+4个侧拍）
• 更高的分辨率：2K~5K
• 支持多种实验设置：1）FUIAD；2）多视角AD；3）无监督AD；4）Zero-/Few-shot AD；5）带噪AD等

与主流的2D异常检测数据集规模及属性对比如下表

5个视角的采集效果图示例，包含两种典型异常场景：

1）缺陷可以在一个sample中的每个view都可见

2）缺陷仅在一个sample中部分view上可见

这更具有实际意义和更大的挑战性，将AD推向实际应用迈出了新的一步！

本文贡献

• 提出了一个新的Real-IAD数据集，它比现有的主流数据集大十倍以上。它包括30类对象，每类对象包含5个拍摄角度，共计150K高分辨率图像。Real-IAD具有更大的缺陷面积和缺陷比例范围，能够更好地区分不同方法的性能，满足IAD的各种研究设置。
• 基于Real-IAD数据集构建了一个更接近实际应用场景的FUIAD（Fully Unsupervised Industry Anomaly Detection）设置，其中仅使用大多数生产线的成品率大于60%的自然存在约束，而不引入额外的手动注释。
• 我们报告了常用的IAD方法在Real-IAD数据集上在几种设置下的性能，并提供了一个极具挑战性的基准，以促进异常检测领域的发展。

拆解 Real-IAD 数据收集的具体过程，如下图所示：

• 物料准备及缺陷产品构建
• 材料：包含金属，塑料，木材，陶瓷和混合材料
• 缺陷类型：包含缺失、划伤、裂纹、脏污、破洞、变形、凹坑、破损共8种
• 原型采集设备准备：包含1个顶拍相机加4个侧拍相机
• 工业级数据收集、标注、清洗过程：

使用3个基于HRNet-32w主干网络的Cascade RCNN进行检测、交叉验证，直到检测结果偏差小于预定条件（AP基本不变，修改标注的图片数/instance足够小）

Real-IAD数据统计分析：

更多的数据信息、下载方式及Benchmark 结果可移步项目主页：

Project Page: https://realiad4ad.github.io/Real-IAD/

基于该数据集的已有开源方法推荐：

AD Benchmark: https://github.com/zhangzjn/ader

MambaAD[NeurIPS'24]: https://github.com/lewandofskee/MambaAD

Dinomaly: https://github.com/guojiajeremy/Dinomaly

腾讯云智能生态计划

腾讯云智能，依托腾讯优图实验室、腾讯AILab、腾讯多媒体实验室、微信智聆、微信智言等腾讯顶级实验室的产品和技术能力，持续引入生态合作伙伴，共建智能生态。通过授权认证、商机共享、技术共建、平台助力、品牌升级、标杆打造等合作形式，帮助合作伙伴和客户高效打造针对性的解决方案，助力各行各业的数字化和智能化转型。

END