- 解决工业后磁选阶段仍需**人工分拣铜杂质** 的问题，缺乏自动化分拣的高质量标注数据
- 现有数据集多为简单场景或低分辨率图像，无法反映**复杂异质废料流(heterogeneous scrap streams)** 的真实工况
- 研究背景：废钢回收中铜污染物会导致钢材质量下降，亟需**计算机视觉驱动的自动分拣系统**
- 构建**SteelDS** 高分辨率视频数据集，在受控实验室环境下采集粉碎E40钢与铜废料在传送带上的视频序列
- 包含24,297张标注帧，分为5个子集，涵盖**396个钢** 和**101个铜** 物体，并按尺寸分类
- 提供**像素级分割掩膜(pixel-wise segmentation masks)** 和**材料类别(material classes)** 作为真值标注
- 模拟工业分拣条件，引入物体间距和密度的变化以增强**场景多样性**
- **首个** 针对后磁选阶段**E40钢与铜废料** 的高分辨率视频标注数据集，填补工业废料分拣领域的空白
- 同时支持**目标检测(object detection)**、**实例分割(instance segmentation)** 和**材料分类(material classification)** 多种任务
- 通过尺寸分级和密度变化，覆盖从稀疏到密集的**真实工业堆叠场景**，增强模型泛化能力
- 提供**视频序列** 而非静态图像，便于时序建模和运动信息利用
- 为废钢自动分拣算法提供标准化**基准(benchmark)**，推动工业级**机器学习模型** 的评估与优化
- 开源高质量标注数据，促进**材料识别** 和**杂质检测** 领域的研究复现与对比
- 支持开发更鲁棒的**自动化分拣系统**，有望降低人工成本并提升废料回收纯度