Depuis longtemps, l’apprentissage non supervisé pour la détection d’anomalies occupe une place centrale dans la recherche en traitement d’images et constitue une pierre angulaire des processus d’automatisation industrielle à haut rendement. Avec l’émergence des réseaux de neurones convolutifs (CNN), plusieurs méthodes ont été proposées, telles que les autoencodeurs, les GAN, ou encore l’extraction de caractéristiques profondes. Dans cet article, nous proposons une nouvelle méthode fondée sur le concept prometteur de la distillation de connaissances, qui consiste à entraîner un réseau (l’élève) sur des échantillons normaux tout en exploitant la sortie d’un réseau pré-entraîné plus grand (le maître). Les contributions principales de ce travail sont doubles : premièrement, une architecture d’élève réduite avec une sélection optimale des couches est proposée ; deuxièmement, une nouvelle architecture élève-maître incluant une réduction du biais du réseau, combinant deux maîtres, est introduite afin d’améliorer conjointement la performance de détection d’anomalies et sa précision de localisation. Le détecteur de défauts texturel proposée présente une capacité remarquable à détecter des anomalies sur toute forme de texture, tout en offrant un temps de déduction rapide par rapport aux méthodes de pointe (SOTA).