对工业异常检测数据集的分析与整理

对于异常检测在工业数据集的实验，有如下特点：

以mvtec举例：（目前异常检测比较公认常用的）

训练集中只包含正常样本

，测试集中包含正常样本与缺陷样本，因此需要使用无监督方法学习正常样本的特征表示，并用其检测缺陷样本。这是符合现实的做法，因为

异常情况不可预知并无法归纳。

数据集一共包含15个类别，其中3629张图片用于训练与验证，1725张用于测试，其中训练集只包含正常样本，其中5类为纹理类数据，剩下的10类为物体类的数据。

现有收集的工业

缺陷检测

数据集的内部组成：

先查到几个汇集的数据集：

这里面

AITEX、DAGM2007、kolektor、original-crack-dataset-1024-1024、ucl

这几个数据集存在数据量小，标签文件与原图像文件不对称的现象，难以使用。

天池数据集中，他的数据量总体可以，但是就训练集来讲，有groundtrue，但是训练集没有给出groundtrue，需要将测试的结果生成json文件，再上传到天池实验室通过后天反馈得出实验结果，不方便！

东北大学给出的热轧带钢表面缺陷数据集，他的数据集里面的缺陷特征不明显！

目前主要是对轨道表面缺陷数据集-RSDDS数据集进行处理。

图片的格式主要是长条形的钢材，在数据扩充上有一定的难度，同时还需要对数据集进行，划分！