数据集概述
本数据集包含通过微调VideoMAE模型从定向能量沉积（DED）增材制造过程中CLAMIR和FLIR中波红外相机捕获的熔池监控视频中提取的特征表示，支持基于SHAP的可解释机器学习工作流，用于分类镍-碳化钨金属基复合材料（Ni-WC MMC）增材制造中的缺陷严重程度，涵盖6类缺陷及3级程度标签，共12个CSV文件。
文件详解
- 特征选择子集归档文件
- 文件名称：feature_indices_files.zip（含gas_porosity、sp、edb等6类缺陷对应子集）
- 文件格式：ZIP
- 字段映射介绍：包含各缺陷类别（如GP代表气孔）的最优特征子集索引，文件命名中以缺陷类别缩写（gp/sp/edb/ncd/ecd/rphp）区分，索引0、1、2分别对应缺陷程度（无/低/高）
- 训练测试集归档文件
- 文件名称：train_test_files.zip（含6类缺陷对应训练测试集）
- 文件格式：ZIP
- 字段映射介绍：包含各缺陷类别的训练特征文件（train_features_）和测试特征文件（test_features_），测试文件分CLAMIR/FLIR的稳定版、不稳定版，噪声版由稳定版处理生成
适用场景
- 增材制造缺陷可解释分类：基于SHAP方法分析DED-AM过程中Ni-WC MMC的6类缺陷（气孔、收缩孔等）及3级程度的可解释机器学习分类
- 红外熔池特征提取研究：分析CLAMIR和FLIR MWIR相机捕获的熔池视频特征与缺陷形成的关联
- 缺陷特征选择优化：利用feature_indices_files中的最优子集探索不同缺陷类别的关键区分特征
- 传感器数据融合分析：对比CLAMIR和FLIR两种传感器数据在缺陷检测中的性能差异与融合潜力
