في عالم التصنيع، يأتي التحدي الأكبر من القدرة على اكتشاف العيوب في الأسطح بدقة. بينما يعاني المجال من نقص في عينات العيوب، ووجود توزيع طويل الذيل للبيانات، تصبح الحاجة ملحة لتطوير تقنيات جديدة لمواجهة هذه التحديات. في دراسة حديثة، قدم الباحثون أسلوبًا غير مُشرف (Unsupervised) لاكتشاف العيوب، يستند إلى نماذج تشتت الضوضاء (Denoising Diffusion Probabilistic Models) وهندسة المعلم (Teacher) والطالب (Student).

تبدأ هذه الطريقة بتدريب نموذج التشتت فقط على العينات السليمة، حيث يتم إدخال اضطرابات غاوسية ذات تباين ثابت وأقنعة مستندة إلى ضوضاء بيليين، لتوليد عينات ذات عيوب دقيقة ومتوافقة ماديًا، مما يحل مشكلة نقص البيانات بشكل فعال. يتم بناء شبكة ثنائية مجرى غير متوازنة حيث يقدم المعلم تمثيلات مستقرة للميزات السليمة، بينما يقوم الطالب بإعادة تشكيل الأنماط السليمة وتعزيز الفروق بين المناطق السليمة والشاذة.

وبفضل استراتيجية تحسين مشتركة تجمع بين خسارة التشابه الكوني (Cosine Similarity Loss) وإشراف تقسيم البكسل (Pixel-wise Segmentation Supervision)، تحقق هذه الحلول دقة فريدة في تحديد مواقع العيوب الدقيقة. أظهرت النتائج التجريبية على مجموعة بيانات MVTecAD أن الطريقة المقترحة حققت نسبة نجاح بلغت 98.4% على مستوى الصورة و98.3% على مستوى البكسل، مما يتجاوز بكثير الأساليب الحالية.

يمثل هذا الابتكار خطوة كبيرة نحو تحقيق اكتشاف العيوب الصناعية بشكل دقيق ومستقر، دون الحاجة إلى كميات كبيرة من عينات العيوب الحقيقية. في ضوء هذه التطورات، يصبح التساؤل حتمياً: كيف يمكن أن تؤثر هذه التكنولوجيا على مستقبل التصنيع؟ شاركونا آرائكم في التعليقات.