MIRAD - 面向大规模个性化的鲁棒异常检测基准数据集
计算机视觉与模式识别
2025-10-21 v1
摘要
社交制造利用社区协作和分散资源，实现现代工业中大规模个性化生产。然而，这一范式转变也在质量控制方面带来了重大挑战，尤其是在缺陷检测方面。主要难点来自三个方面：首先，产品常常具有高度定制化的配置；其次，生产通常涉及碎片化、小批量订单；第三，影像环境在分布式 sites 之间差异很大。为克服现有数据集稀缺和算法定制化的困境，我们引入了大规模个性化鲁棒异常检测（MIRAD）数据集。作为第一个专为社交制造异常检测设计的基准数据集，MIRAD 捕捉了该领域的三个关键维度：(1) 具有大 intra-class 变异的多样化个性化产品；(2) 来自六个地理分布分散制造节点的数据；(3) 包括照明、背景和运动条件等方面的显著影像异质性。我们随后对现有 SOTA 异常检测方法在 MIRAD 上的进行了广泛评估，涵盖单类、多类和零样本方法。结果显示与传统基准相比，所有模型性能均出现显著下降，凸显了个性化生产中缺陷检测未解决的复杂性。通过连接工业需求与学术研究，MIRAD 为开发对 Industry 5.0 至关重要的鲁棒质量控制解决方案提供了真实可靠的基础。该数据集已公开提供于 https://github.com/wu33learn/MIRAD。
关键词
引用
@article{arxiv.2510.16370,
title = {MIRAD - A comprehensive real-world robust anomaly detection dataset for Mass Individualization},
author = {Pulin Li and Guocheng Wu and Li Yin and Yuxin Zheng and Wei Zhang and Yanjie Zhou},
journal= {arXiv preprint arXiv:2510.16370},
year = {2025}
}
备注
https://github.com/wu33learn/MIRAD