في عالم التصنيع، يُعد الكشف عن العيوب الصناعية أحد التحديات الرئيسية التي تواجه المهندسين. غالبًا ما يتم تحديد قدرة نماذج الكشف عن العيوب ليس من القدرة الحاسوبية، بل من نقص البيانات الموصوفة. هذا الأمر دفع الباحثين لتطوير حلول مبتكرة لتجاوز هذه العقبة، ومن أبرزها تقنية *SynSur*.

تعتبر *SynSur* خط أنابيب متكامل يجمع بين توليد العيوب الاصطناعية وتوصيفها باستخدام الأطر القائمة على نماذج الرؤية واللغة (Vision-Language Models). تكمن القوة الحقيقية لهذه التقنية في دمج عدة تقنيات، منها *LoRA*-المتوافقة مع الانتشار (diffusion)، والرسم بمساعدة القناع (mask-guided inpainting)، وتصفية العينة باستخدام اقتباسات تلقائية.

تم اختبار هذه التقنية على مجموعة بيانات صعبة تتعلق بعيوبة بسيطة على محركات الكرة اللولبية، بالإضافة إلى جزء من مجموعة بيانات عيوب شاشة الهواتف المحمولة (MSD) لاختبار نقل المعرفة عبر المجالات. وأظهرت نتائج الاختبارات أن التدريب على بيانات اصطناعية فقط لا يمكن أن يحل محل البيانات الحقيقية، بل يمكنها تعزيز الأداء عند دمجها مع بيانات حقيقية.

تركز الأبحاث أيضًا على تقييم المراحل الأساسية لخط الأنابيب، بما في ذلك بناء الطلب، واختيار *LoRA*، وتصفية العينة باستخدام *DreamSim* و*CLIPScore*، لفهم أي العينات الاصطناعية تعتبر واقعية ومفيدة.

تُظهر هذه الدراسات أنه بينما تتنقل القدرة الهيكلية لخط الذكاء الاصطناعي عبر مجالات الفحص، فإن هناك أهمية كبيرة للتكيف مع المجالات الخاصة والسيطرة على جودة التوصيف. وبشكل عام، تقدم هذه الدراسة تقييمًا شاملاً لتوليد العيوب الصناعية المعتمدة على الانتشار، وتؤكد أن قيمتها الكبرى تكمن في تعزيز البيانات الحقيقية النادرة بدلاً من استبدالها.