O substrato cerâmico é um material base importante para dispositivos eletrônicos. Utilizar a tecnologia de visão computacional combinada com estratégias de aprendizado profundo para detectar defeitos no substrato cerâmico é de grande importância para garantir a qualidade do produto. Aumentar o campo de visão do equipamento de imagem para capturar simultaneamente vários substratos cerâmicos pode melhorar significativamente a velocidade de inspeção; entretanto, isso também resulta na redução da resolução da imagem, o que acaba reduzindo a precisão da detecção de defeitos. Para resolver esse problema, este artigo propõe um método automático de detecção de defeitos em substratos cerâmicos de baixa resolução baseado em destilação de conhecimento. O método utiliza o framework YOLOv5 para construir redes de professor e aluno, e baseia-se na ideia de destilação de conhecimento para guiar o treinamento da rede do aluno utilizando as informações das características da imagem em alta resolução obtidas pela rede do professor, para melhorar a capacidade da rede do aluno em detectar defeitos em imagens de substratos cerâmicos de baixa resolução; simultaneamente, um módulo de fusão de características baseado no mecanismo de atenção coordenada (Coordinate Attention - CA) é introduzido na rede do professor, permitindo que as características aprendidas se adaptem tanto às informações de imagens de alta quanto de baixa resolução, o que ajuda a guiar melhor o treinamento da rede do aluno; por fim, uma função de perda de confiança baseada no Mecanismo de Harmonização de Gradientes (Gradient Harmonizing Mechanism - GHM) é introduzida para aumentar a taxa de detecção de defeitos. Os resultados experimentais mostram que o método de detecção de defeitos em substratos cerâmicos baseado em destilação de conhecimento proposto neste artigo alcança uma precisão média e uma taxa média de recall de 96,80% e 90,01%, respectivamente, para a detecção de cinco tipos de defeitos (manchas, corpos estranhos, metais múltiplos, deficiência de cerâmica e danos) em imagens de entrada com resolução de 224×224, obtendo melhores resultados de detecção em comparação com os algoritmos de detecção de objetos mais comuns.

substrato cerâmico;detecção de defeitos;YOLOv5;destilação de conhecimento