Keramiksubstrat ist ein wichtiges Basismaterial für elektronische Geräte. Die Verwendung von Maschinensehtechnologie kombiniert mit Deep-Learning-Strategien zur Erkennung von Fehlern in Keramiksubstraten ist von großer Bedeutung für die Sicherstellung der Produktqualität. Die Vergrößerung des Sichtfeldes der Bildgebungsgeräte, um mehrere Keramiksubstrate gleichzeitig abzubilden, kann die Erkennungsgeschwindigkeit der Keramiksubstrate erheblich verbessern; führt jedoch auch zu einer Verringerung der Bildauflösung, was letztlich zu einer geringeren Fehlererkennungsgenauigkeit führt. Zur Lösung dieses Problems wird in diesem Artikel eine Methode zur automatischen Erkennung von Fehlern in Keramiksubstraten mit niedriger Auflösung auf Basis von Wissensdistillation vorgeschlagen. Diese Methode verwendet das YOLOv5-Framework zur getrennten Konstruktion eines Lehrer- und eines Studentennetzwerks. Basierend auf dem Konzept der Wissensdistillation wird das vom Lehrernetzwerk erhaltene hochauflösende Bildmerkmalswissen verwendet, um das Studentennetzwerk beim Training anzuleiten, wodurch die Fähigkeit des Studentennetzwerks zur Fehlererkennung in Keramiksubstratbildern mit niedriger Auflösung verbessert wird; gleichzeitig wird im Lehrernetzwerk ein auf Coordinate Attention (CA) basierendes Merkmalfusionmodul eingeführt, wodurch die vom Lehrernetzwerk erlernten Merkmale sowohl auf hochauflösende als auch auf niedrigauflösende Bildinformationen angepasst werden und somit das Training des Studentennetzwerks besser leiten können; schließlich wird eine auf dem Gradient Harmonizing Mechanism (GHM) basierende Konfidenzverlustfunktion eingeführt, um die Entdeckungsrate von Fehlern zu erhöhen. Die experimentellen Ergebnisse zeigen, dass die auf Wissensdistillation basierende Methode zur Fehlererkennung in Keramiksubstraten eine durchschnittliche Genauigkeit und durchschnittliche Rückrufrate von 96,80 % bzw. 90,01 % bei der Erkennung von fünf Fehlerarten (Flecken, Fremdkörper, Metallüberschuss, Keramikmangel und Beschädigungen) bei Eingabebildern mit einer Auflösung von 224×224 erreicht und somit bessere Ergebnisse erzielt als derzeit führende Objekterkennungsalgorithmen.

Keramiksubstrat;Fehlererkennung;YOLOv5;Wissensdistillation