ISP-AD：用于推进工业异常检测的大规模真实数据集，涵盖合成与真实缺陷

利用机器学习进行自动视觉检测在工业中实现零缺陷政策方面发挥着关键作用。异常检测的研究受限于数据集的可用性，这些数据集需要捕捉生产过程中的复杂缺陷外观和不完美的成像条件。近期基准测试表明，大多数公开可用的数据集偏向于最优成像条件，导致其在真实工业场景中的适用性被高估。为填补这一空白，我们提出了工业丝网印刷异常检测数据集（ISP-AD）。它展示了嵌入在具有高允许设计变异性的结构化图案中的具有挑战性的小且弱对比度表面缺陷。据我们所知，它是迄今为止最大的公开工业数据集，同时包含从工厂现场直接采集的合成缺陷和真实缺陷。除了对近期无监督异常检测方法进行基准测试外，我们还进行了混合监督训练策略的实验，该策略同时纳入合成缺陷和真实缺陷。实验表明，即使少量注入的弱标注真实缺陷也能提升泛化能力。此外，从仅基于合成缺陷的训练开始，新出现的真实缺陷样本可以高效地集成到后续的可扩展训练中。总体而言，我们的结果表明，无模型的合成缺陷可以提供冷启动基线，而少量注入的真实缺陷则能细化先前未见缺陷特征的决策边界。所提供的无监督和监督数据集划分旨在强调对无监督、自监督和监督方法的研究，增强其在工业环境中的适用性。