3CAD: 비지도 학습을 위한 대규모 실제 세계 3C 제품 데이터셋

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

February 9, 2025

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

cs.AI

초록

산업 이상 감지는 MVTec-AD 및 VisA와 같은 데이터셋 덕분에 진전을 이루고 있습니다. 그러나 결함 샘플 수, 결함 유형 및 실제 세계 장면의 가용성 측면에서 제한 사항이 있습니다. 이러한 제약으로 인해 연구자들은 산업 감지의 성능을 더 높은 정확도로 탐구하는 데 제약을 받습니다. 이에 우리는 실제 3C 생산 라인에서 파생된 새로운 대규모 이상 감지 데이터셋인 3CAD를 제안합니다. 구체적으로, 제안된 3CAD에는 총 27,039개의 고해상도 이미지가 포함되어 있으며 픽셀 수준의 이상이 라벨링되어 있는 여덟 가지 다른 유형의 제조 부품이 포함되어 있습니다. 3CAD의 주요 특징은 다양한 크기의 이상 영역, 여러 이상 유형 및 이상 이미지 당 여러 이상 영역 및 여러 이상 유형을 다룬다는 것입니다. 이는 커뮤니티 탐구 및 개발을 위한 3C 제품 품질 통제를 위한 최대 및 최초의 이상 감지 데이터셋입니다. 한편, 우리는 비지도 학습 이상 감지를 위한 간단하면서 효과적인 프레임워크인 Coarse-to-Fine 감지 패러다임과 회복 가이던스 (CFRG)를 소개합니다. 작은 결함 이상을 감지하기 위해 제안된 CFRG는 Coarse-to-Fine 감지 패러다임을 활용합니다. 구체적으로, 우리는 거친 위치 결정을 위해 이질적 증류 모델을 활용하고 그 후 세분화 모델을 통해 세밀한 위치 결정을 합니다. 또한 정상 패턴을 더 잘 포착하기 위해 회복 특징을 가이드로 소개합니다. 마지막으로, 우리의 CFRG 프레임워크와 인기 있는 이상 감지 방법의 결과를 3CAD 데이터셋에서 보고하여 강력한 경쟁력을 입증하고 이상 감지 분야의 발전을 촉진하기 위한 매우 도전적인 벤치마크를 제공합니다. 데이터와 코드는 다음에서 확인할 수 있습니다: 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.