EN | FR

Les lignes de production industrielle modernes doivent être dotées de modules d'inspection des défauts robustes, capables de résister à une grande variabilité des produits. Cela signifie que dans un contexte de production industrielle, de nouveaux défauts encore inconnus peuvent apparaître et doivent donc être identifiés.

Sur les lignes de production industrielle, la typologie des défauts potentiels est vaste (texture, défaillance d'une pièce, défauts logiques, etc.) Les systèmes d'inspection doivent donc être capables de détecter les défauts non répertoriés, c'est-à-dire les défauts qui n'ont pas encore été observés lors du développement du système d'inspection. Pour résoudre ce problème, la recherche et le développement d'algorithmes d'IA non supervisés sur des données réelles sont nécessaires.

Le Groupe Renault et l'Université de technologie de Compiègne (Laboratoires Roberval et Heudiasyc) ont développé conjointement le jeu de données d'inspection visuelle automobile (AutoVI), dont l'objectif est de servir de référence scientifique pour comparer et développer des algorithmes avancés de détection d'anomalies non supervisées dans des conditions de production réelles. Les images ont été acquises sur les chaînes de production automobile du groupe Renault, dans un environnement industriel authentique, avec des variations de luminosité et d'éclairage sur des composants en mouvement constant. Cet ensemble de données est représentatif des conditions réelles d'acquisition de données sur les lignes de production automobile.

Le dataset contient 3950 images, divisées en 1530 images d'entrainement et 2420 images de test.

Métadonnées

Nous fournissons des métadonnées Croissant et une feuille de données (Datasheets for Datasets).

Télécharger les métadonnées Croissant
Télécharger la feuille de données

Référence

Merci d'utiliser la référence suivante pour citer AutoVI dans vos travaux de recherche :

@misc{Carvalho2023AutoVI,
    title   = {The Automotive Visual Inspection Dataset (AutoVI): A Genuine Industrial Production Dataset for Unsupervised Anomaly Detection},
    author  = {Philippe Carvalho and Meriem Lafou and Alexandre Durupt and Yves Grandvalet and Antoine Leblanc},
    year    = {2024},
    doi     = {https://doi.org/10.5281/zenodo.10459003}
}