dataset_info:
features:
- name: query
dtype: string
- name: image
dtype: image
- name: images
list: image
- name: annot
dtype: string
- name: reasoning
dtype: string
- name: cate
dtype: string
- name: task
dtype: string
- name: metadata
dtype: string
splits:
- name: train
num_bytes: 1278111611
num_examples: 512
download_size: 1277668803
dataset_size: 1278111611
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
pretty_name: Nonastreda
extra_gated_prompt: >-
Released for research use; access granted manually. State your name,
affiliation, and intended use.
extra_gated_fields:
Name: text
Affiliation: text
Intended use: text
license: cc-by-4.0
tags:
- smart-manufacturing
- cnc
- tool-wear
- multimodal
- industrial
Nonastreda (CNC 铣削刀具磨损 · 9 图像模态)
Nonastreda（Mudestreda 的作者扩展多模态版）reformatted into the unified smart-manufacturing SFT schema。 一个 sample = 一把刀在一次走刀上的一个刀刃，配 9 张图（刀具切削刃显微图 / 切屑图 / 工件表面图
- X/Y/Z 力谱图 spectrogram + X/Y/Z 尺度图 scalogram），判 3 类后刀面磨损状态 sharp / used / dulled。
本库只收 9 模态齐全的行（转换时校验，缺任何一个模态直接报错退出）；主图
image固定是刀具显微图。
⚠ task 码待定：目前
cate/task=C/T-C2（RUL & Health Estimation）是脚本暂定值。 本集输出是 3 类静态磨损档位判别，不是 run-to-failure 轨迹回归；磨损档位算不算文档定义里的 health state，需要学长拍板。拍板前别拿这个 task 码当定论。
🔴 行与行不独立，禁止逐行随机切分
- 512 行 = 10 把刀（T1–T10）× 128 次走刀 × 每走刀 4 个刀刃。ID 结构
T{刀}R{走刀}B{刀刃}，B∈{1,2,3,4}。 - 同一（刀, 走刀）的 4 行是兄弟：共享同一次走刀的切屑图/工件图/力信号，只有刀具显微图随刀刃变。
- 官方 notebook 的 512 行随机 70/15/15 切分实测泄漏严重：97.2% 的 test 样本在 train 里有同走刀兄弟， 98.4% 的 test 走刀在 train 里出现过。
- 正确做法：按
(metadata.tool_id, metadata.run_id)分组切，或直接按tool_id切。 本库把 tool_id / run_id 真列（取自上游 HF metadata.csv，不是从 ID 正则猜的）和blade都写进 metadata，就是为了让下游能做防泄漏切分。 - 每刀样本数（实测）：T1=40, T2=56, T3=52, T4=40, T5=48, T6=60, T7=56, T8=52, T9=52, T10=56。 T1–T8 合计 404，与 Zenodo（Mudestreda）的 404/52/56 tool-based split 对得上。
🔴 两套标签：本库 annot 用 image_label，不能对标论文的 ~75%
- 本库
annot取人类可读的 image_label 列，分布 sharp 197 / used 160 / dulled 155（转换时已与核验实测 197/160/155 对账，对不上会报错退出）。 - 论文（Data in Brief）报的 ~75%（10-fold leave-one-tool-out）训的是 force_phase（原名 tool_label）
那一列，不是 image_label。两套标签在 71/512 = 13.9% 的行上冲突，作者自己在上游 HF 版加了
labels_in_sync布尔列标记。所以在本库上跑出来的数不能直接和 75% 摆一起比。 - 顺带两个坑：
force_phase_label取值 1/2/3 是 1-based，官方代码先labels - 1再 one-hot； 它的语义是 Taylor 磨损曲线三阶段，不是刀具 ID —— 论文里 "Tool label (1 for tool ID)" 的说法是误导 （值域只有 {1,2,3}，与 sample_id 的 T 前缀只在 60/512 行偶然相等）。
⚠ 这几个 metadata 字段禁止进 prompt
force_phase_label / force_phase_name / flank_wear 都是标签侧信息：force_phase 与磨损类高度耦合，
flank_wear 就是定磨损档位的那个连续量（µm）。它们只能用来分组、当回归 target、或做审计，
不许出现在给模型的输入里，否则等于把答案喂进去。metadata 里每行都带同样的警告字段
（label_side_fields_no_prompt）。
模态与规格（抽样实测）
tool/.jpg 1550×500 RGB 为主，掺 3100×1000（20 张抽样里 4 张，恰好 2×，疑似两种放大倍率；全量 512 未核）；chip/.jpg 1024×1024 RGB；work/.png 512×512 单通道灰度（mode='L'）。spec_{x,y,z}.jpg 495×369 RGB；scal_{x,y,z}.png 496×369 RGBA —— 扩展名和尺寸都不统一， 按metadata.modality_files走，别猜。- 原始力信号在上游
forces_xyz_raw.mat（1 kHz，Fx/Fy/Fz，单位 N），本库未收。 - 回归量：
metadata里的gaps/flank_wear/overhang（官方列序，单位 µm；实测量程 flank_wear 22.55–346.66 / gaps 0.00–154.56 / overhang 0.00–76.75）。论文和官方仓库没报过任何回归指标； gaps 与 overhang 的物理定义论文只给了名字和单位。
⚠ 上游已知的其他坑（详见核验记录）
spec/频谱图逐图归一化（librosa power_to_db, ref=每图自己的 max），绝对力幅值被抹掉、不可逆； 而且用的是给人耳设计的 mel 尺度处理切削力。- spec 与 scal 的采样率参数差 10 倍（scalogram 脚本 1 kHz 与论文一致，spectrogram 脚本却写 sr=10000）， 两者频率轴对不上。
- 论文承认 Fz 强漂移、靠周期性归零缓解，原话是 Fz "primarily reflects sequential progression rather
than absolute tool wear" ——
spec_z/scal_z有伪相关捷径风险。 - 9 张图里 6 张（spec+scal）是 matplotlib jet 伪彩渲染图，VLM 读伪彩热力图普遍很差；
最有判别力的大概率是
tool/显微图（所以主图固定取它）。
Schema（7 字段）
query（固定提示） · image（刀具显微图，主图） ·
images（9 张，固定顺序 tool / chip / work / spec_x / spec_y / spec_z / scal_x / scal_y / scal_z） ·
annot（sharp / used / dulled，取 image_label 列） · reasoning（null） ·
cate=C / task=T-C2（⚠ 待学长核，见上） ·
metadata（sample_id · tool_id / run_id（真列）/ blade · split_note · image_label_id ·
force_phase_label/force_phase_name（1-based，禁入 prompt） · labels_in_sync ·
gaps/flank_wear/overhang（µm；flank_wear 禁入 prompt） · label_side_fields_no_prompt ·
n_modalities（恒为 9） · modality_files）
Load
from datasets import load_dataset
ds = load_dataset("AI4Manufacturing/nonastreda")
Gated — request access; granted manually.
复现（原始数据不入库）
- 一条命令从零重建：
FORGE_DATASETS_SUB=<dir> python nonastreda/convert_nonastreda.py --fetch - 流程：先拉
metadata.csv，再按其中 9 个*_file_name列从 resolve 直链逐文件拉齐 512×9=4,608 张图 （上游约 2.55 GB）。 - 上游没有逐文件字节清单，所以这里是运行时校验而非预登记字节数：每个文件非空 + 512 行 + 9 模态齐全 + 类别计数对账（197/160/155）+ 分组结构（128 走刀 × 4 刀刃，每刀样本数逐一对账）， 任何一条对不上转换器就报错退出，不会静默产出缺行的库。
Provenance & license
- 源：HuggingFace
hubtru/nonastreda—— 页面标 CC-BY-4.0（原始约 2.55 GB，含 parquet/raw； 本库取图像模态 + metadata）。我们是研究用途、非商用，按 CC-BY-4.0 标注并引用上游。 - ⚠ 许可有歧义：同一血统的数据三处口径不一 —— Mendeley 写 CC BY 4.0，同源的 Mudestreda 在 Zenodo 挂 GPL-3.0，Minape 的 README 又写 MIT。研究使用没有障碍，但商用前必须向作者书面确认 到底哪个证覆盖数据本体。
- 相关：
Mudestreda（Zenodo 8238653，4 模态）已单独上传为AI4Manufacturing/mudestreda。 两者 ID 结构 / 样本数 / 刀具数完全一致，强烈疑似同源（未做文件级比对）；若确认同源， 两库并存会造成重复语料。原始登记表把两者合并成一行，实为两个集 —— 建议拆行（都待团队确认）。 - 论文/仓库：Data in Brief 数据论文；github.com/hubtru（Minape / Impala / Girape 系列）。 Reformatted for research use；请引用上游。