AnomalyCoT数据集：工业异常检测的可解释性突破

1. 项目概述：AnomalyCoT数据集的核心价值

工业异常检测（Industrial Anomaly Detection, IAD）作为智能制造领域的核心技术，其准确性和可靠性直接影响产品质量控制效率。传统IAD系统通常采用专用视觉算法，但面临场景适应性差、解释性不足等痛点。多模态大语言模型（MLLMs）的出现为解决这些问题提供了新思路，然而现有数据集存在三个关键缺陷：一是样本标注仅提供最终判断结果，缺乏推理过程；二是场景覆盖单一，难以反映真实工业环境的复杂性；三是异常定位与分类任务割裂，不符合实际质检流程。

AnomalyCoT的创新性在于构建了首个包含完整思维链（Chain-of-Thought, CoT）的工业异常检测数据集。其核心价值体现在：

• 可解释性增强：每个样本不仅标注异常类型，还包含逐步推理过程（如"观察到表面存在不规则凸起→测量尺寸超出公差范围→判定为加工缺陷"）和异常区域精确坐标
• 场景多样性：整合13个公开数据集并补充自建数据，覆盖金属加工、电子元件、纺织品等59类工业场景
• 任务统一性：将异常判别（有无缺陷）与缺陷分类（何种缺陷）整合为端到端任务，更贴近产线质检员的实际工作流程

关键提示：数据集构建过程中特别注重推理逻辑的严谨性。例如对于"划痕类"缺陷，要求标注人员必须描述划痕的走向、长度与标准值的偏差，以及其对产品功能的影响程度，避免主观臆断。

2. 数据集构建方法论与技术细节

2.1 数据采集与预处理流程

数据来源采用三级混合架构：

1. 公开数据集整合：精选13个主流IAD数据集（包括MVTec AD、VisA等），通过统一坐标转换和标签映射实现格式标准化
2. 工业现场采集：与5家制造企业合作，使用2000万像素工业相机获取产线实时图像，涵盖冲压、焊接、装配等典型工艺
3. 合成数据增强：利用Blender物理引擎模拟常见缺陷（如气泡、裂纹），参数化控制缺陷形态和出现位置

数据预处理包含关键三步：

• 几何校正：采用仿射变换消除拍摄角度偏差，确保图像坐标系与实物比例1:1对应
• 光照归一化：基于Retinex理论进行光照补偿，减少环境光对缺陷识别的影响
• 噪声抑制：针对不同传感器特性（如CMOS的固定模式噪声）设