La detección de anomalías industriales es importante para la fabricación inteligente, ya que los defectos pueden reducir la fiabilidad del producto. Los métodos existentes basados en la destilación de conocimientos normalmente utilizan un único maestro, limitando la diversidad de características y la robustez. Los métodos de maestros múltiples a menudo requieren un alineamiento explícito de características entre diferentes arquitecturas de red, lo que puede introducir conflictos semánticos y debilitar las respuestas anómalas. Proponemos una destilación implícita de múltiples maestros (IMTD) para la detección de anomalías industriales. IMTD emplea tres redes maestras complementarias, específicamente ResNet18, ResNet34 y Wide-ResNet50, para capturar representaciones de textura, estructurales y semánticas de diferentes espacios de características. Cada maestro está emparejado con un decodificador independiente entrenado solo con muestras normales, permitiendo una transferencia de conocimiento implícita sin alineamiento de características entre arquitecturas. Además, se presenta un módulo de agregación de respuesta máxima consciente de falsos negativos (FN-MRA) para preservar la evidencia de anomalías más fuerte durante la fusión. Los experimentos en MVTec AD, el marco de referencia de anomalías visuales (VisA) y el conjunto de datos de defectos de piezas metálicas (MPDD) demuestran que IMTD supera constantemente las últimas metodologías avanzadas tanto en la detección de anomalías a nivel de imagen como de píxel. Los resultados demuestran la eficacia de combinar maestros complementarios, reconstrucción implícita y agregación de respuesta máxima en condiciones escasas de anomalías.

Detección de anomalías industriales; Destilación de conocimientos; Conjunto de múltiples maestros; Reconstrucción implícita; Agregación de respuesta máxima consciente de falsos negativos (FN-MRA)