El sustrato cerámico es un material base importante para dispositivos electrónicos. El uso de tecnología de visión por máquina combinada con estrategias de aprendizaje profundo para lograr la detección de defectos en sustratos cerámicos tiene una gran importancia para garantizar la calidad del producto. Aumentar el campo de visión del equipo de imagen para realizar la captura simultánea de múltiples sustratos cerámicos puede mejorar significativamente la velocidad de detección; pero también conlleva una reducción en la resolución de la imagen, lo que finalmente conduce a una disminución en la precisión de la detección de defectos. Para abordar estos problemas, este documento propone un método automático de detección de defectos en imágenes de sustratos cerámicos de baja resolución basado en la destilación de conocimiento. Este método utiliza el marco YOLOv5 para construir por separado una red docente y una red estudiante, y basándose en la idea de destilación de conocimiento, guía el entrenamiento de la red estudiante con la información de características de imágenes de alta resolución obtenidas por la red docente, para mejorar la capacidad de la red estudiante en la detección de defectos en imágenes de sustratos cerámicos de baja resolución; al mismo tiempo, se introduce en la red docente un módulo de fusión de características basado en la atención coordenada (CA), lo que hace que las características aprendidas por la red docente se adapten tanto a la información de imágenes de alta resolución como de baja resolución, permitiendo guiar mejor el entrenamiento de la red estudiante; por último, se introduce una función de pérdida de confianza basada en el Mecanismo de Armonización de Gradientes (GHM) para mejorar la tasa de detección de defectos. Los resultados experimentales muestran que el método propuesto basado en la destilación de conocimiento logra una precisión media y un promedio de recuperación para cinco tipos de defectos (manchas, cuerpos extraños, contaminación metálica múltiple, falta de cerámica y daños) en imágenes de entrada con resolución 224×224 del 96.80% y 90.01% respectivamente, superando a los algoritmos principales de detección de objetos actuales.

sustrato cerámico;detección de defectos;YOLOv5;destilación de conocimiento