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.
Released for research use; access granted manually. State your name, affiliation, and intended use.
Log in or Sign Up to review the conditions and access this dataset content.
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。
- Downloads last month
- 35