論文の概要: 3D-ADAM: A Dataset for 3D Anomaly Detection in Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2507.07838v2
• Date: Tue, 23 Sep 2025 14:58:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 16:16:25.710977
• Title: 3D-ADAM: A Dataset for 3D Anomaly Detection in Additive Manufacturing
• Title（参考訳）: 3D-ADAM:添加物製造における3次元異常検出用データセット
• Authors: Paul McHard, Florent P. Audonnet, Oliver Summerell, Sebastian Andraos, Paul Henderson, Gerardo Aragon-Camarasa,
• Abstract要約: 3D-ADAMは、添加物製造においてRGB+3D表面欠陥検出のための最初の大規模産業関連データセットである。 3D-ADAMは、14,120個の高分解能スキャン、217個のユニークなパーツで構成され、4つの産業用深度センサーで撮影されている。 12のカテゴリにまたがる27,346のアノテート欠陥と16のクラスにおけるマシンエレメント機能の27,346のアノテーションが含まれている。
• 参考スコア（独自算出の注目度）: 8.279480828330183
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Surface defects are a primary source of yield loss in manufacturing, yet existing anomaly detection methods often fail in real-world deployment due to limited and unrepresentative datasets. To overcome this, we introduce 3D-ADAM, a 3D Anomaly Detection in Additive Manufacturing dataset, that is the first large-scale, industry-relevant dataset for RGB+3D surface defect detection in additive manufacturing. 3D-ADAM comprises 14,120 high-resolution scans of 217 unique parts, captured with four industrial depth sensors, and includes 27,346 annotated defects across 12 categories along with 27,346 annotations of machine element features in 16 classes. 3D-ADAM is captured in a real industrial environment and as such reflects real production conditions, including variations in part placement, sensor positioning, lighting, and partial occlusion. Benchmarking state-of-the-art models demonstrates that 3D-ADAM presents substantial challenges beyond existing datasets. Validation through expert labelling surveys with industry partners further confirms its industrial relevance. By providing this benchmark, 3D-ADAM establishes a foundation for advancing robust 3D anomaly detection capable of meeting manufacturing demands.
• Abstract（参考訳）: 表面欠陥は製造における収量損失の主な原因であるが、既存の異常検出手法は、制限された非表現的なデータセットのために、現実のデプロイメントで失敗することが多い。 そこで本研究では,RGB+3D表面欠陥検出のための大規模産業関連データセットとして,付加製造における3次元異常検出である3D-ADAMを紹介する。 3D-ADAMは、14,120個の高分解能スキャン、217個のユニークなパーツを4つの産業用深度センサーでキャプチャし、12のカテゴリで27,346個の注釈付き欠陥と、16のクラスで27,346個の機械要素のアノテーションを含む。 3D-ADAMは実工業環境で撮影され、部品配置、センサーの位置決め、照明、部分閉塞などの実際の生産条件を反映している。 最先端モデルのベンチマークは、3D-ADAMが既存のデータセット以上の大きな課題を提示していることを示している。 専門家による業界パートナーとのラベル付け調査による検証は、産業関連性をさらに確認する。 このベンチマークを提供することにより、3D-ADAMは、製造要求を満たすことのできる堅牢な3D異常検出の基盤を確立する。

関連論文リスト

• Real-IAD D3: A Real-World 2D/Pseudo-3D/3D Dataset for Industrial Anomaly Detection [53.2590751089607]
  Real-IAD D3は高精度なマルチモーダルデータセットであり、フォトメトリックステレオによって生成された擬似3Dモダリティが組み込まれている。 本稿では,RGB,点雲,擬似3次元深度情報を統合し,各モードの相補的強度を活用する効果的な手法を提案する。 本実験は,検出の堅牢性向上とIAD全体の性能向上におけるこれらのモダリティの重要性を強調した。
  論文  参考訳（メタデータ） (2025-04-19T08:05:47Z)
• 3D-PNAS: 3D Industrial Surface Anomaly Synthesis with Perlin Noise [1.6585375093252448]
  パーリンノイズと表面パラメータ化に基づく3D-PNASを提案する。 提案手法は,2次元平面上に点雲を投影し,パーリンノイズ場からマルチスケールノイズ値をサンプリングし,その通常の方向に沿って点雲を摂動させることにより,現実的な3次元表面異常を生成する。
  論文  参考訳（メタデータ） (2025-04-17T11:23:17Z)
• ISP-AD: A Large-Scale Real-World Dataset for Advancing Industrial Anomaly Detection with Synthetic and Real Defects [0.0]
  産業用スクリーン印刷異常検出データセット(ISP-AD) ISP-ADは、ファクトリフロアから直接収集された合成欠陥と実際の欠陥を含む、これまでで最大のパブリックな産業データセットである。 合成および実際の欠陥を取り入れた複合教師あり訓練手法の実験を行った。 研究結果は, 偽陽性率の低い, 高いリコールなどの産業検査要求を満たすことによって, 合成的, 蓄積的両欠陥による監督が相互に補完できることを示唆している。
  論文  参考訳（メタデータ） (2025-03-06T21:56:31Z)
• A Survey on RGB, 3D, and Multimodal Approaches for Unsupervised Industrial Image Anomaly Detection [24.634671653473397]
  無監督産業画像異常検出技術は、異常サンプルの不足を効果的に克服する。 このアーティカルは、3つのモード設定でUIADタスクの包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2024-10-29T12:12:45Z)
• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Real3D-AD: A Dataset of Point Cloud Anomaly Detection [75.56719157477661]
  本稿では,高精度なクラウド異常検出データセットであるReal3D-ADを紹介する。 1,254個の高解像度の3Dアイテムが、各項目に4万から数百万のポイントがあり、Real3D-ADは高精度な3D産業異常検出のための最大のデータセットである。 本稿では,高精度点雲異常検出のためのベースライン手法が存在しないことを明らかにする,Real3D-ADの総合ベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-09-23T00:43:38Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and Localization [17.437967037670813]
  教師なし異常検出と局所化のタスクのための,最初の包括的3Dデータセットを提案する。 これは、モデルが製造された製品の様々な種類の欠陥を検出する必要がある実世界の視覚検査シナリオにインスパイアされている。
  論文  参考訳（メタデータ） (2021-12-16T17:35:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。