| ---
|
| 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
|
|
|
| ```python
|
| 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。
|
|
|
