这是一篇数据描述符（data descriptor）论文，详细介绍了名为raw-fabrid（raw fabric image dataset）的公开织物缺陷检测数据集。论文由来自瓦伦西亚理工大学（universitat politècnica de valència，upv）信息系统与计算机系（departamento de informática de sistemas y computadores，disca）以及瓦伦西亚信息技术研究所（instituto tecnológico de informática，iti）的ruben pérez-llorens、teresa albero-albero和javier silvestre-blanes共同撰写，于2026年5月12日发表在开放获取期刊 data 上，论文编号为data 2026, 11, 116，数据集可通过mendeley data平台以cc by 4.0许可公开获取。通讯作者为teresa albero-albero。

该研究属于纺织工业质量检测与计算机视觉交叉领域。自20世纪90年代中期以来，纺织检测自动化已被公认为降低运营成本、提高产品质量和客户满意度的关键因素。然而，该领域长期面临一个根本性障碍：大多数研究依赖私有数据集、异构成像系统和不一致的采集参数，导致不同方法之间难以进行客观比较，结果的再现性受到严重限制。raw-fabrid数据集的核心目标正是填补这一空白——提供一个公开可用、全面标注、采集条件严格受控且文档完善的基准数据集，以支持织物缺陷检测与无监督异常检测（unsupervised anomaly detection，uad）算法的公平评估与可重复研究。

在数据生成的方法学层面，研究团队构建了一套完整的实验流程，包含四个主要阶段：数据采集、人工专家标注、数据预处理与组织、以及面向基准测试的补丁（patch）格式化。数据采集阶段使用了basler ral2048-48gm线阵扫描相机（line-scan camera），该相机配备2048像素宽的高速传感器，像素尺寸为7µm×7µm，最大线速率达51 khz，通过gige接口进行实时传输。相机与led照明单元均安装在可调节的机械支架上，支持对相机俯仰角、偏转角以及照明高度和入射角的精确控制。数据采集采用双照明策略，同时激活背光和前光，前光照明条配置为45度入射角，工作距离为距相机视场5厘米。织物通过编码器轮（encoder wheel）与线阵相机采集同步，确保所有捕获图像的空间分辨率一致，原始采集的空间分辨率为每毫米4像素。所有织物样品来自多家不同制造商，以确保纹理、纱线粗细、线密度和织造图案的变异性。基材规格统一为100%纯棉平纹组织（plain weave），经纱密度约9根/厘米，纬纱密度约20根/厘米，使用ne 24/2纱线。这种从多个供应商采购同一规格基材的策略引入了真实世界中的类内变异性，如织机张力差异和纱线批次变化，但避免了因材料结构完全不同而混淆异常检测算法。纹理检测专注于染色前的原布（grey fabric）阶段，因此数据集仅包含单通道灰度图像，以反映未着色结构缺陷的工业检测需求。

采集完成后，所有图像经过由领域专家监督的严格人工质量控制，仅保留对焦良好、清晰度足够、中心区域照明一致的样本。所有经批准的图像被系统性裁剪至1792像素宽，以消除卷边处不可避免的边缘阴影和物理磨损伪影。最终数据集包含709张高分辨率灰度png图像（8位，1792×1024像素），其中505张为无缺陷样本，204张为含缺陷样本。缺陷定义由专家协议确定为任何偏离标准平纹组织结构或色调的局部异常，主要包括断纱、破洞、织造结和液体污渍等，而非大规模全局变形。为对齐无监督异常检测范式，地面真值标注严格采用二值标签（异常像素对正常像素），缺陷像素强度值为255，非缺陷背景为0，共提供204个对应的像素级二值掩膜。在标注阶段，缺陷区域的像素级语义分割由来自织物供应商公司的领域专家手工完成，确保了纺织瑕疵轮廓的高精度。除二值掩膜外，还生成了coco格式的边界框和多边形标注，支持目标检测和语义分割任务。

在数据预处理与格式化阶段，高分辨率图像在光度学上保持完全未处理状态——未施加任何照明校正、强度调整或直方图裁剪，仅进行了消除暗边的空间裁剪。这种保留光度学原始格式的策略允许未来研究者开发和基准测试自己的预处理或归一化算法。为了与广泛采用的mvtec异常检测基准结构兼容，研究团队将1792×1024高分辨率图像划分为256×256像素的补丁网格。选择256×256补丁尺寸的原因是在保留原始空间分辨率（4像素/毫米）的同时生成与标准卷积神经网络和视觉变换器（vision transformer，vit）的感受野及内存约束兼容的输入维度。基础网格划分产生每张原始图像7×4=28个补丁，但为防止缺陷跨补丁边界被分割，采用了动态裁剪策略：边缘附近含缺陷的补丁被重新居中处理，引入有意的空间重叠以确保完整异常被包含在单个补丁内。最终的补丁数据集包含训练集（train）中14196个无缺陷补丁，测试集（test）中4969个无缺陷补丁和687个含缺陷补丁，总计19852个补丁。每个含缺陷测试补丁都配有对应的256×256二值掩膜，文件名在原图名称基础上添加_mask后缀。数据集的根目录还包含四个辅助文件：两个csv元数据文件分别对应高分辨率图像和补丁数据集，记录了文件名、匿名化织物来源id、二分类标签（good/defect）、缺陷面积和每张图像的缺陷数量；两个coco格式json文件分别对应高分辨率图像和补丁数据集，定义了精确的边界框和多边形标注。补丁数据集的csv和json文件明确将每个补丁映射回其原始高分辨率源图像，确保了完整的数据可追溯性。

在与现有公共数据集的比较中，raw-fabrid展现出独特的定位。tilda数据集虽提供了基础基准，但其分辨率较低（768×512）且仅为图像级标注，限制了其对现代高精度分割架构的适用性。mvtec ad提供出色的像素级标注，但使用标准面阵扫描rgb相机。zju-leaper和lusitano等近年大型纺织数据集虽提供了显著的数据量，但或依赖面阵扫描传感器，或缺乏密集像素级标注。本研究团队早期的afid数据集引入了线阵扫描以反映连续制造过程，但使用标准8位图像且在不同分辨率下进行多类缺陷标注。raw-fabrid的差异化特征在于将线阵扫描采集模式与光度学原始灰度图像在高分辨率（1792×1024）下相结合，同时提供像素级二值掩膜和coco格式元数据，确保了强可追溯性以及与主流无监督异常检测评估协议的直接兼容性。

在用户使用层面，作者特别强调了数据集的预期评估机制。虽然204张高分辨率缺陷图像对于从头训练传统监督式多类深度学习模型可能存在局限，但该数据集专为无监督异常检测范式设计：模型仅使用无缺陷样本训练以学习织物的规范分布，缺陷样本严格保留用于测试。当处理为mvtec风格的256×256补丁格式时，会产生数千个异常评估样本，超过了标准工业uad基准中单个类别所含的测试缺陷数量。数据集的物理局限性在于其专注于100%纯棉平纹组织织物，这源于合作工业伙伴的真实生产线需求。虽然这种拓扑结构在纺织工业中具有标准和普遍性，但作者承认该组成限制了向厚重、不透明或高纹理结构（如牛仔布或汽车内饰织物）的直接泛化。然而，聚焦于原布阶段的缺陷检测具有重要的工业价值——在染色、印花或化学整理等昂贵后续工艺之前检测结构和色调缺陷，可防止显著的经济损失并减少不必要的环境影响。

该研究的核心价值体现在多个维度。在科学层面，它解决了纺织检测研究中长期存在的私有数据集问题，为算法比较提供了标准化基础，其双格式组织策略（高分辨率图像与mvtec风格补丁）同时支持定制化高分辨率处理流程和标准化深度学习管道。在数据质量层面，线阵扫描采集模式反映了连续制造的实际工业条件，光度学原始的灰度图像保留了未经任何后处理干扰的传感器原始信息。在标注精细度层面，像素级二值掩膜结合coco格式边界框和多边形标注，既能支持传统分割方法，也能支持高精度目标检测算法。在可追溯性层面，csv和json辅助文件将每个补丁明确映射回源图像，确保数据处理链路完全透明。最终，raw-fabrid为可重复研究和客观基准测试提供了一个稳健的平台，使研究者能够在一致且文档完善的采集条件下评估计算机视觉与机器学习算法，推动织物缺陷检测与无监督异常检测领域的实质性进展。