Керамическая подложка является важным базовым материалом для электронных устройств. Использование технологий машинного зрения в сочетании с методами глубокого обучения для обнаружения дефектов керамической подложки имеет важное значение для обеспечения качества продукции. Увеличение поля зрения оборудования для съемки с целью одновременного захвата нескольких керамических подложек может значительно повысить скорость обнаружения дефектов, однако это приводит к снижению разрешения изображения и, в конечном итоге, к снижению точности обнаружения дефектов. В связи с вышеуказанными проблемами в данной работе предложен метод автоматического обнаружения дефектов керамических подложек с низким разрешением на основе дистилляции знаний. Метод использует фреймворк YOLOv5 для построения учительской и ученической сетей, где с помощью идеи дистилляции знаний высокоразрешенные признаки изображения, полученные учительской сетью, направляют обучение ученической сети с целью повышения способности ученической сети обнаруживать дефекты на изображениях керамических подложек с низким разрешением; одновременно в учительскую сеть введен модуль слияния признаков на основе координатного внимания (CA), что позволяет учебным признакам соответствовать как информации высокоразрешенных, так и низкоразрешенных изображений и лучше направлять обучение ученической сети; наконец, введена функция потерь достоверности на основе механизма гармонизации градиентов (GHM) для повышения обнаруживаемости дефектов. Результаты экспериментов показывают, что предложенный метод на основе дистилляции знаний достигает среднюю точность и средний отзыв по пяти видам дефектов (пятна, посторонние предметы, многократное включение металла, отсутствие керамики и повреждения) при входных изображениях разрешением 224×224 на уровне 96,80% и 90,01% соответственно, что превосходит современные ведущие алгоритмы обнаружения объектов.

Керамическая подложка;Обнаружение дефектов;YOLOv5;Дистилляция знаний