[18]。通過(guò)知識(shí)蒸餾技術(shù)，把不同模態(tài)數(shù)據(jù)的知識(shí)結(jié)合到一個(gè)模型里，充分利用各種數(shù)據(jù)的優(yōu)勢(shì)，讓異常檢測(cè)更精準(zhǔn)、更穩(wěn)定。同時(shí)設(shè)計(jì)動(dòng)態(tài)蒸餾策略，讓學(xué)生模型實(shí)時(shí)學(xué)習(xí)新的異常特征，快速適應(yīng)變化，滿足復(fù)雜工業(yè)場(chǎng)景的需求。系統(tǒng)中的蒸餾損失函數(shù)主要是基于KL散度、MSE和交叉熵?fù)p失進(jìn)行的，通過(guò)計(jì)算三者的加權(quán)和得到總損失值。雖然在本研究中有效，但在復(fù)雜場(chǎng)景下仍存在優(yōu)化空間。未來(lái)將利用生成對(duì)抗網(wǎng)絡(luò)（GAN）的對(duì)抗損失以及其他損失等進(jìn)行創(chuàng)新的設(shè)計(jì)，滿足復(fù)雜環(huán)境下能更好地掌握復(fù)雜模型的信息分布，從而提高輕量模型的學(xué)習(xí)效率。根據(jù)實(shí)驗(yàn)結(jié)果不斷調(diào)整配置文件中的知識(shí)蒸餾損失函數(shù)的權(quán)重、不斷改進(jìn)模型結(jié)構(gòu)等方法，降低假陰性（FN）和假陽(yáng)性（FP）的比例。同時(shí)，關(guān)注訓(xùn)練好的學(xué)生模型在實(shí)際應(yīng)用中的表現(xiàn)，希望可以把訓(xùn)練好的模型用到實(shí)際生產(chǎn)中去，觀察它在真實(shí)環(huán)境下的表現(xiàn)，再根據(jù)反饋進(jìn)一步優(yōu)化和改進(jìn)，讓它更好地滿足工業(yè)智能化生產(chǎn)的需求。綜上所述，本研究設(shè)計(jì)的基于知識(shí)蒸餾的工業(yè)品異常檢測(cè)系統(tǒng)，為工業(yè)品異常檢測(cè)提供了一種高效且智能的方式，既加快了檢測(cè)速度，又減少了資源的消耗。相信知識(shí)蒸餾技術(shù)在工業(yè)檢測(cè)中的地位會(huì)越來(lái)越高，研究在未來(lái)會(huì)繼續(xù)改進(jìn)工業(yè)品異常檢測(cè)的知識(shí)蒸餾模型，提高檢測(cè)的效率，不斷優(yōu)化工業(yè)檢測(cè)系統(tǒng)的性能，為工業(yè)品質(zhì)量的異常檢測(cè)提供更加便捷的系統(tǒng)以及更加有效的方法。參考文獻(xiàn)ChanChandolaV,BanerjeeA,KumarV.AnomalyDetection:ASurvey[J].ACMComputingSurveys(CSUR),2009,41(3):1-58.AlajlanNN,IbrahimDM.TinyML:EnablingofInferenceDeepLearningModelsonUltra-Low-PowerIoTEdgeDevicesforAIApplications[J].Micromachines,2022,13(6):851.HintonG,VinyalsO,DeanJ.DistillingtheKnowledgeinaNeuralNetwork[J].arXivpreprintarXiv:1503.02531,2015.Wang,Y.,&Zhang,M.(2021).AdvancedKnowledgeDistillationTechniquesforDeepLearningModels.JournalofArtificialIntelligenceResearch,72,89-123.RomeroA,BallasN,KahouSE,etal.FitNets:HintsforThinDeepNets[J].arXivpreprintarXiv:1412.6550,2014.DengHQ,LiXY.AnomalyDetectionviaReverseDistillationfromOne-ClassEmbedding[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2022:2071-2080.黃震華,楊順志.知識(shí)蒸餾研究綜述[J].計(jì)算機(jī)學(xué)報(bào),2022.AkcayS,Atapour-AbarghoueiA,BreckonTP.GANomaly:Semi-SupervisedAnomalyDetectionviaAdversarialTraining[EB/OL].arXiv:1805.06725,2018.孫悅，陳宏.基于深度學(xué)習(xí)的工業(yè)品異常檢測(cè)技術(shù)綜述[J].電子技術(shù)應(yīng)用，2022,48(12):1-7.丁楊柳.基于多曝光增強(qiáng)與回顧蒸餾學(xué)習(xí)的工業(yè)品表面缺陷檢測(cè)[D].江蘇大學(xué),2023.張玥,陳錫偉.基于對(duì)比學(xué)習(xí)生成對(duì)抗網(wǎng)絡(luò)的無(wú)監(jiān)督工業(yè)品表面異常檢測(cè)[J].電子測(cè)量與儀器學(xué),2023.LiuH,LiK,LiX,ZhangY.UnsupervisedAnomalyDetectionwithSelf-TrainingandKnowledgeDistillation[C]//2022IEEEInternationalConferenceonImageProcessing(ICIP).IEEE,2022:9897777.劉蕊.SRAM存儲(chǔ)單元陣列閾值電壓偏差檢測(cè)[M].浙江大學(xué)，2024.Wu,Z.,&Huang,S.(2022).ResearchontheApplicationofConvolutionalNeuralNetworksinIndustrialImageAnomalyDetection.JournalofImageandGraphics,27(8),2035-2048.Zhao,X.,&Sun,H.(2023).ANovelApproachtoImprovetheEfficiencyofIndustrialProductAnomalyDetection.InternationalJournalofAdvancedManufacturingTechnology,124(1-4),1235-1248.Zhou,Y.,&Wang,Z.(2021).OptimizationofDistillationLossFunctionsforModelCompression.NeuralComputingandApplications,33(10),4797-4808.葛琪，吳麗麗，康立軍?；诟倪M(jìn)ResNet50的中藥材分類識(shí)別[J].甘肅農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，2025年.AmaladassP.Klinton;

PriyaS.Jeba.AnefficientParkinson'sdiseasedetectionusingsmoothedpseudo-WignerVilledistributionandMobil