You need to agree to share your contact information to access this dataset
This repository is publicly accessible, but you have to accept the conditions to access its files and content.
This dataset is released for research use. Access is reviewed and granted manually by the maintainers. Please state your name, affiliation, and intended use.
Log in or Sign Up to review the conditions and access this dataset content.
QIT-CEMC 四刃铣刀刃口显微照片（三分类，带 VBmax）
544 张铣刀刃口显微照片，三分类标签（正常 / 磨损 / 毛边卷刃），每张附带上游用显微镜 测量软件量到的 VBmax（后刀面磨损带宽度，毫米）。
照片来自 QIT-CEMC 数据集（Qilu Institute of Technology, Coated End Milling Cutter， 齐鲁工业学院在一台立式加工中心上采的涂层立铣刀全寿命数据）。本数据集只取了它的 image 文件夹和磨损量表，重新裁剪导出并加上了标签；上游同一批实验的振动、声音、 切削力、扭矩时序不在这里。
在用这份数据之前请先读完「已知局限」那一节。 里面有三条独立的检查都指向同一个结论：
磨损在这批照片上看不出来。worn 这一类里有相当一部分不是从像素里看出来的。
一、这批照片是怎么来的
- 一把四刃铣刀，工件是钛合金 Ti6Al4V，按上游的实验一路切到报废，共 68 个切削周期， 外加 第 00 周期 ＝ 全新刀，一刀都没切过。
- 每个周期结束后，把 4 个刃分别在两个面上放到显微镜下拍照：
face = "side"（周刃 / periphery flute，上游文件名side-*或zhouren-*）face = "end"（端刃 / end flute，上游文件名end-*或diren-*）- 所以一个周期正常是 4 刃 × 2 面 ＝ 8 张。
- VBmax 是上游量的，不是我们从照片里估的：上游用显微镜自带的测量软件，
逐刃逐周期量后刀面磨损带宽度，存在
tool wear.xls里。本数据集原样引用， 没有重新测量、没有插值、没有平滑。 - 第 2 周期以后，上游存下来的很多「照片」其实是整幅测量软件截图（带十字光标和界面）。 本数据集按最大的一块绿幕反推出相机画面再裁掉界面 —— 这是裁剪，不是缩放， 裁完就是相机的原生画面。
行数：551 → 544
上游索引里是 551 张。其中 7 张被拿去当人工判读测试的例题（判读者在开始答题前先看过 这 7 张和它们的答案），为避免泄题，这 7 张不在本数据集里：
c00_end1 c37_end4 c54_end4 c57_end1 c61_side4 c65_end1 c67_side2
剩下 544 张。周期 00–68 共 69 个周期，其中 61 个周期是完整的 8 张，8 个周期是 7 张 （7 个周期各被抽走一张例题，第 68 周期的周刃 4 号上游本来就没有）。
二、三个类，和最终标签是怎么定下来的
| 取值 | label |
label_letter |
判据 |
|---|---|---|---|
| 0 | normal |
N |
刃口那条线完整，刀面上也看不出用过 |
| 1 | worn |
W |
刃线完整，但刀面上留下了用过的痕迹（含粘屑积瘤） |
| 2 | edge_damage |
E |
刃口那条线不完整了（毛边、卷刃、崩刃缺口） |
判断顺序是 E > W > N：先看刃线完不完整。
两个判读者
label_model—— 一个模型分八轮（每刃每面各一轮）打的标；label_model_raw留着合并前的原始 5 类码（N正常 /C崩刃缺口 /D粘屑积瘤 /E毛边卷刃 /F看不清），model_conf是它自报的把握程度，rationale_model是它给的一句话理由。 并类规则：C → E，D → W，以及「原标 N 但量到 VBmax > 0.25 mm 的 → W」。label_human—— 一位人类判读者（代号duo1）在一个交互页面上把 544 张全判了一遍， 中位用时 3.0 秒/张，总计 68 分钟，跨 18 小时分 6 段完成。
合并规则（数据集作者定的，resolution / resolution_cn 列记录每一行用的是哪一条）
resolution |
resolution_cn |
规则 | 张数 | 占比 |
|---|---|---|---|---|
both_raters_agree |
两边一样 | 两边判得一样 → 照原样 | 227 | 41.7% |
disagree_vb_below_0.25_to_normal |
VB<0.25→正常 | 两边不一样，且 VBmax < 0.25 mm → 一律 normal |
272 | 50.0% |
disagree_vb_at_or_above_0.25_take_human |
VB≥0.25→听 duo1 | 两边不一样，且 VBmax ≥ 0.25 mm → 以人类判读者为准 | 40 | 7.4% |
new_tool_unmeasured_to_normal |
新刀没量→正常 | 全新刀（第 00 周期，还没开切，上游没量 VBmax）→ normal |
5 | 0.9% |
0.25 mm 这条线不分刃面：周刃端刃用同一个阈值，没有各算各的。代价见下面第 3 条局限。
类别分布
| 合计 | normal |
worn |
edge_damage |
|
|---|---|---|---|---|
| 全部 | 544 | 344 (63.2%) | 61 (11.2%) | 139 (25.6%) |
周刃 side |
273 | 140 | 59 | 74 |
端刃 end |
271 | 204 | 2 | 65 |
三、已知局限（用这份数据之前必须知道）
1. 两个判读者只在 227/544 上判得一样，kappa ≈ 0.20
N |
W |
E |
和最终标签一致 | |
|---|---|---|---|---|
label_model |
290 | 110 | 144 | 451 / 544 ＝ 82.9% |
label_human |
70 | 223 | 251 | 270 / 544 ＝ 49.6% |
一致 227/544 ＝ **41.7%**，Cohen's kappa ＝ 0.198（三类，544 张）。 两个人的边际分布差得离谱：模型说 53.3% 正常，人说 12.9% 正常。
最后一列不要读成「谁判得准」：合并规则在两边不一样时**默认倒向 normal**，
而模型本来就判得比人保守得多，所以它跟最终标签对得上 82.9% 是规则带来的，不是独立证据。
所以最终标签里有 277 张（50.9%）不是任何一个判读者的判断，而是 VBmax 规则定的 （272 张「不一样且 VB<0.25 → 正常」＋ 5 张「新刀 → 正常」）。 把这一半当成「人工标注」用是不对的。
2. 三条独立的检查都说：磨损在这批照片上看不出来
① 手搓近刃特征，真值用 VBmax 不用人标。 绿幕抠出刀体、按「离刃口多远」分带， 比近刃带（4–20 px）和深处（60–120 px）的亮度与局部起伏。在每个刃面内按 VBmax 中位数 对半分组（周刃切在 0.221 mm，端刃切在 0.0957 mm）：
| 张数 | 亮度比 AUC | 纹理比 AUC | 同样两个特征去分「第几个周期」 | |
|---|---|---|---|---|
| 周刃 | 270 | 0.494 | 0.493 | 0.414 / 0.432 |
| 端刃 | 272 | 0.610 | 0.524 | 0.547 / 0.675 |
0.5 就是随机。周刃两个数都压在随机线上；端刃唯一像样的那个（纹理 0.675） 是在分周期，不是在分磨损（它对 VBmax 只有 0.524）。 （这一项跑在 542 张上 —— 551 张里有 9 张绿幕抠图失败被丢掉，且它包含那 7 张例题， 所以集合和本数据集的 544 张略有出入。）
② 亮度—距离剖面不按 VBmax 排序。 把每张照片按「离刃口多远」重采样成一条亮度曲线， 按自己深处的亮度归一（消掉曝光差异），再按 VBmax 分档平均近刃 4–20 px 的值：
- 周刃五档（VBmax 上界 0.08 / 0.14 / 0.20 / 0.26 / 0.34 mm）： 1.059 / 1.038 / 1.300 / 1.026 / 1.066 —— 不单调，最高的是中间那档， 磨损更重的 0.26 档反而最低。
- 端刃三档（0.00 / 0.08 / 0.14）：0.900 / 0.916 / 0.910 —— 基本重叠。
③ 全新刀上，人类判读者仍然判出了缺陷。 第 00 周期是一刀没切过的新刀，
本数据集里有 7 张，人类判读者判了 5 张有缺陷：
c00_end3 c00_end4 c00_side1 c00_side3 判磨损，c00_side4 判毛边卷刃。
新刀上不可能有磨损或崩刃 —— 他看到的是取景、曝光、对焦和原始磨削纹的差别。
结论：
worn这一类在很大程度上是一个「另一台仪器量出来的物理量」上的阈值， 不是一个在像素里立得住的视觉类别。 不要把在这份数据上刷出来的 N/W 分类准确率 读成「模型看得出磨损」。
但这句话要说得更准一点 —— 61 张 worn 到底是怎么来的：
| 来源 | 张数 |
|---|---|
两边都判 W，且模型的原始标是 D 粘屑积瘤（看得见的粘附物） |
32 |
两边都判 W，但模型那一边是「原标 N、被 VBmax>0.25 规则提成 W」 |
23 |
两边不一样、VBmax ≥ 0.25、听人类判读者的（他判 W） |
6 |
按 VBmax 分：42 张 ≥ 0.25 mm，19 张 < 0.25 mm，而那 19 张全部是
「两边都看见了粘屑积瘤」。所以更准确的说法是：worn 里约三分之一（19/61）靠的是
肉眼可见的粘附物，约一半（29/61 ＝ 23+6）在至少一边依赖 0.25 mm 这条阈值。
3. 周刃的 VBmax 几乎就是「第几个周期」，端刃不是
Spearman ρ（VBmax vs cycle） |
1 号刃 | 2 号刃 | 3 号刃 | 4 号刃 | |
|---|---|---|---|---|---|
周刃 side（n=269） |
+0.687（p ＝ 7.5e-39） | +0.668 | +0.810 | +0.710 | +0.569 |
端刃 end（n=268） |
−0.130（p ＝ 0.033） | −0.050 | −0.047 | −0.025 | −0.387 |
在周刃上，「磨损」和「这把刀旧不旧」几乎是同一件事。 一个模型在周刃 normal/worn 上 拿到高分，完全可能只是读出了周期号（照片的取景、曝光、界面版式都随周期漂移）。 要评估「看不看得出磨损」，请只用端刃那一半，或者把周期配对掉。
而端刃上做不了这个评估，因为端刃几乎没有 worn（271 张里只有 2 张）：
统一用 0.25 mm 一条线，端刃根本够不着。
| VBmax 分位 | n | min | p50 | p90 | p99 | max | ≥0.25 mm |
|---|---|---|---|---|---|---|---|
周刃 side |
269 | 0.024 | 0.221 | 0.358 | 0.619 | 0.698 | 96 (35.7%) |
端刃 end |
268 | 0.042 | 0.096 | 0.137 | 0.169 | 0.912 | 1 (0.4%) |
端刃那个 0.912 mm 是 c63_end3，比端刃第二高的 0.184 mm 高出 5 倍，
和端刃其余 267 个值完全不在一个量级。上游没有对它作任何说明。
把它当成上游测量值里的一个可疑点，不要让它单独驱动任何结论。
4. 两对上游文件是字节完全相同的重复
同一张图被上游存进了两个不同的周期目录：
两个 photo_id |
源文件 md5 |
|---|---|
c38_side4 ＝ c44_side4 |
6536dc131223f33adcd7d8dce0c2d3d8 |
c46_end4 ＝ c49_end4 |
075721acbd4a0fd8068dc29068914ecf |
两对都留在数据集里（各自带着自己那个周期的元数据和 VBmax），
所以 544 行对应 542 张互不相同的图。source_md5 列可以自己查出来。
划分训练/测试集时请按 md5 去重，否则会泄漏。
5. 图像格式：原生分辨率、无二次压缩，但上游本身有一多半是 JPEG
本数据集的每一张都是从上游原始文件重新导出的 PNG， 没有缩放、没有补边、没有再压一次 JPEG。尺寸就是裁完之后的相机原生尺寸。
但上游文件本身：544 张里 358 张的字节内容是 JPEG，只有 186 张是真 PNG。 注意上游大量文件扩展名写着
.png、内容却是 JPEG （本数据集这 544 张里有 351 张如此；上游索引的全部 551 张里有 355 张如此）。 所以「无损」只是相对上游而言 —— 上游那一层的 JPEG 压缩已经在里面了，取不掉。source_format列记录了每一行上游的真实格式。原生尺寸分布（544 张）：
尺寸 张数 640 × 480 354 没裁过（ cropped = false）640 × 479 182 裁过 634 × 475 2 裁过 638×478 / 636×476 / 632×473 / 630×472 / 620×464 / 586×439 各 1 裁过 共 190 张裁过（
cropped = true），354 张没裁。
四、schema
本集用的是本语料库的标准 7 列，列序固定，和
AI4Manufacturing/191-annotated 完全一致（同为「无 mask、无 reasoning_grounded」的整图分类档）：
query | image | annot | reasoning | cate | task | metadata
| 列 | 类型 | 内容 |
|---|---|---|
query |
string | 指令。从一个 40 条的 query 池里按 md5(photo_id + "|annotated") % 40 定到行 —— 语料库惯例，本地 98 个档没有一个是单一 query |
image |
Image |
原生分辨率 PNG（640×480 等，见局限 5），内嵌在 parquet 里 |
annot |
string | 标量答案：normal / worn / edge_damage |
reasoning |
string | **全部为 null**，见下 |
cate |
string | 恒为 "B" |
task |
string | 恒为 "T-B2" |
metadata |
string | JSON 字符串，键见下表 |
query：判据写在指令里
三个类名（normal / worn / edge_damage）对这批照片不是自解释的，所以 40 条 query
每一条都把三条判据逐字带上，并且规定判断顺序 edge_damage → worn → normal：
Inspect the cutting edge of this milling-cutter flute under the microscope and judge its state. Decide in this order:
- edge_damage: the edge line itself is no longer clean and continuous — burrs, a curled-over lip, chipping, or notches.
- worn: the edge line is still continuous, but the flank face shows it has been used — a polished or darkened band running along the edge, or material stuck onto the edge.
- normal: the edge line is continuous and the flank face still looks close to new, with the grinding marks running all the way up to the edge.
Write 'FINAL ANSWER: <state>' — one of: normal, worn, edge_damage.
40 条只在开头一句和结尾一句上变（10 × 4 的组合），中间三条判据一个字不动，
index 0 就是上面这一条。**cycle、vb_max_mm、face 绝不出现在 query 里** ——
前两个是标签的来源（会直接泄题），face 会挪先验（worn 有 59/61 在周刃）。
建库时用正则把这三类词逐条扫过，40 条全干净。
与其他档的一个差别，用的人应当知道：其他数据集的 query 池是模型写、另一家族的模型判等价 （
annotate/gen_query_pools.py＋audit_query_equivalence.py）。本池是确定性组合的， 没跑改写模型，因此也没做跨家族等价审计 —— 因为判据是人指定的，不能让改写漂移。 变化的只有开头和结尾两句，是一个封闭的手写集合。
reasoning 为什么整列是空的
没有跑 CoT teacher，这一列是故意留空的。 保留这一列只是为了和语料库的 schema 对齐。
原因就是上面「已知局限」第 2 条：这批照片里有一半的标签不是从像素里看出来的
（277/544 由 VBmax 规则定，且三条独立检查都表明磨损在这些像素上不可见）。
在这种数据上让 teacher 补一段「看图说理」，产出的会是为已知答案倒推的解释——
对 worn 这一类尤其如此，因为它的依据是另一台仪器量出来的数字，照片里根本没有对应的证据。
编一段 CoT 比不写更糟：它会把一个不可见的判据包装成看起来可验证的推理。
真要补 CoT，先解决「磨损看不看得见」这个前提。
metadata 的键
| 键 | 说明 |
|---|---|
image_sha256 |
本集所存 PNG 字节的 sha256 |
image_path |
上游包内相对路径，如 imgex/Image/05/side-1.png |
split |
恒为 "train"（单一划分） |
source |
恒为 "QIT-CEMC" |
image_wh |
[宽, 高] |
photo_id |
如 c68_side3，＝ c<周期两位>_<face><edge>，全集唯一 |
cycle |
0–68；0 ＝ 全新刀，还没开切 |
face |
side 周刃 / end 端刃 |
edge |
刃号 1–4 |
vb_max_mm |
上游显微镜量的后刀面磨损带宽度（mm）；**第 00 周期为 null**（7 行） |
label_letter |
答案的单字母写法 N / W / E（annot 的另一种写法） |
label_model |
模型那一边的 3 类标 |
label_human |
人类判读者那一边的 3 类标 |
resolution / resolution_cn |
这一行被哪条合并规则定下来（英文码 / 原始中文） |
rationale_model |
模型给的一句话理由（中文） |
label_model_raw |
模型并类前的原始 5 类码 N/C/D/E/F |
model_conf |
模型自报把握程度（高/中/低） |
native_width / native_height |
原生像素尺寸（和 image_wh 同值，冗余保留） |
source_format |
上游文件的真实格式（JPEG / PNG），不是扩展名 |
source_md5 |
上游源文件的 md5（用来查那两对重复） |
cropped |
是否裁掉过测量软件界面 |
derived |
这一档是怎么来的，一句话 |
import json
from datasets import load_dataset
ds = load_dataset("AI4Manufacturing/QIT-CEMC-FLUTE-PHOTOS", split="train")
ds = ds.map(lambda r: {"md": json.loads(r["metadata"])})
end = ds.filter(lambda r: r["md"]["face"] == "end") # 干净的那一半（见局限 3）
五、建议的用法
- 可以直接用：
edge_damagevs 其余。刃线完不完整是照片上真的能看的东西， 两个判读者在这一刀上也最对得上（二分 kappa 0.302，高过三类的 0.198）。 - 谨慎：
normalvsworn。必须分刃面报，周刃那一半和周期高度混淆。 - 不要：拿本数据集当「VBmax 视觉回归」的训练集。上面第 2 条说的就是这件事
—— 没有证据表明 VBmax 在这些像素里有信号。
vb_max_mm列放在这里是 给你做分层、做对照、做 confounder 分析用的，不是当回归目标用的。 - 划分训练/测试时：按
source_md5去重，并且考虑按cycle分组而不是随机切分 —— 同一周期同一面的 4 个刃是同一次拍摄、同一套曝光。
六、来源与许可
- 上游数据集：QIT-CEMC dataset（上游自己的叫法）——
Wang, Wanzhen (2024). Milling dataset. figshare. Dataset.
https://doi.org/10.6084/m9.figshare.27323346.v3
上游另有一个放插图和说明的 GitHub 仓库 https://github.com/wwz456/QIT-CEMC-dataset。
上游的
readme.pdf写明：数据采自齐鲁工业学院（Qilu Institute of Technology）的一台 立式加工中心，刀具是涂层立铣刀，4 个刃；VBmax的定义就是 "the max value of flank wear"， 周刃另外还量了VB in 1/2ap和磨损面积S（这两项不在本数据集里）。 （一处上游自身的出入：readme.pdf说标签在tool_wear.csv，实际发布的包里是tool wear.xls。） - 上游许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
这个许可是从 figshare 的 article 元数据里读到的，并已向 figshare API 复核确认
（
api.figshare.com/v2/articles/27323346→license.name = "CC BY 4.0"，version 3）。 上游 RAR 包内没有单独的 LICENSE 文件；包内只有一份readme.pdf和Image/00/Read me.txt（内容只有一句 "All images in this folder are from the new tool."）。 逐字检查过readme.pdf的全部两页文本：不含 licen* / copyright / Creative Commons / CC BY 任何字样，只在结尾写了 "Please cite this paper if you use our datasets" 和一个联系邮箱。所以许可的唯一依据是 figshare 的 article 元数据。 - 本数据集沿用 CC BY 4.0。引用上游时请用上面那条 figshare 引文。
- 本数据集只用了上游包里
imgex/Image/下的显微照片和tool wear.xls里的 VBmax。 上游同一批实验还有振动、声音、切削力和扭矩的时序数据，不在本数据集内。 - 本数据集新增的部分：绿幕裁剪与 PNG 重导出、模型标签与理由、人类判读者的判读、 以及上面那条合并规则。这些都不是上游提供的。
七、可复现
- 裁剪用的
viewport()与建库脚本：见build_qit_flute_photos.py。 - 建库时逐张核对过：551/551 张裁剪结果的尺寸和「有没有裁过」都和参考索引
photos_index.json里的orig_wh/cropped完全一致； 入库的 544/544 张 PNG 回读后与写入前逐像素相同。
- Downloads last month
- 17