Le substrat en céramique est un matériau de base important pour les dispositifs électroniques. L'utilisation de la technologie de vision par ordinateur combinée à des stratégies d'apprentissage profond pour détecter les défauts des substrats en céramique est d'une grande importance pour garantir la qualité des produits. L'augmentation du champ de vision des équipements d'imagerie afin de capturer simultanément plusieurs substrats en céramique peut améliorer considérablement la vitesse de détection des défauts ; cependant, cela entraîne également une baisse de la résolution de l'image, ce qui diminue finalement la précision de la détection des défauts. Pour résoudre ce problème, cet article propose une méthode de détection automatique des défauts des substrats en céramique à basse résolution basée sur la distillation des connaissances. Cette méthode utilise le cadre YOLOv5 pour construire séparément un réseau enseignant et un réseau étudiant, et s'appuie sur l'idée de distillation des connaissances pour guider l'entraînement du réseau étudiant avec les informations des caractéristiques d'images haute résolution obtenues par le réseau enseignant, afin d'améliorer la capacité du réseau étudiant à détecter les défauts sur les images des substrats en céramique à basse résolution ; en même temps, un module de fusion des caractéristiques basé sur l'attention coordonnée (CA) est introduit dans le réseau enseignant pour que les caractéristiques apprises s'adaptent à la fois aux informations des images haute résolution et basse résolution, ce qui permet de mieux guider l'entraînement du réseau étudiant ; enfin, une fonction de perte de confiance basée sur le mécanisme d'harmonisation des gradients (GHM) est introduite pour améliorer le taux de détection des défauts. Les résultats expérimentaux montrent que la méthode proposée basée sur la distillation des connaissances atteint une précision moyenne et un rappel moyen respectifs de 96,80 % et 90,01 % pour cinq types de défauts (taches, corps étrangers, multi-métaux, manque de céramique et dommages) sur des images d'entrée en résolution 224×224, surpassant les algorithmes de détection d'objets dominants actuels.

substrat en céramique;détection des défauts;YOLOv5;distillation des connaissances