La détection d'anomalies industrielles est importante pour la fabrication intelligente puisque les défauts peuvent réduire la fiabilité des produits. Les méthodes existantes basées sur la distillation des connaissances utilisent généralement un seul enseignant, limitant ainsi la diversité et la robustesse des caractéristiques. Les méthodes à plusieurs enseignants nécessitent souvent un alignement explicite des caractéristiques entre différentes architectures de réseau, ce qui peut introduire des conflits sémantiques et affaiblir les réponses aux anomalies. Nous proposons une distillation implicite multi-enseignants (IMTD) pour la détection d'anomalies industrielles. IMTD utilise trois réseaux enseignants complémentaires, à savoir ResNet18, ResNet34 et Wide-ResNet50, pour capturer des représentations de texture, structurelles et sémantiques à partir de différents espaces de caractéristiques. Chaque enseignant est associé à un décodeur indépendant entraîné uniquement avec des échantillons normaux, permettant un transfert implicite de connaissances sans alignement des caractéristiques entre architectures. Un module d'agrégation de réponse maximale sensible aux faux négatifs (FN-MRA) est également introduit pour préserver la preuve la plus forte d'anomalie lors de la fusion. Les expériences sur la détection d'anomalies MVTec (MVTec AD), la référence d'anomalie visuelle (VisA), et le jeu de données de défauts de pièces métalliques (MPDD) montrent qu'IMTD surpasse systématiquement les méthodes récentes à la pointe de la technologie dans la détection d'anomalies au niveau de l'image et au niveau des pixels. Les résultats démontrent l'efficacité de la combinaison d'enseignants complémentaires, de la reconstruction implicite et de l'agrégation de réponse maximale dans des conditions rares de anomalies.

Détection d'anomalies industrielles; Distillation des connaissances; Ensemble multi-enseignants; Reconstruction implicite; Agrégation de réponse maximale sensible aux faux négatifs (FN-MRA)