Durante la producción de acero laminado en frío se producirán diferentes tipos de defectos en la superficie. Para garantizar la calidad de producción, es esencial clasificar estos defectos. Nuestra investigación indica que existen dos problemas principales en los métodos de clasificación de defectos en la superficie del acero laminado en frío existentes: (1) no pueden resolver el problema de datos desequilibrados utilizando pocos datos en la realidad, (2) no pueden cumplir con el requisito de clasificación en tiempo real en línea. Para resolver los problemas mencionados, se presenta en este trabajo una red de reducción de residuos autoadaptativa de destilación de conocimiento relacional (RKD-SARSN). Primero, se diseña la estrategia de mejora de datos de migración de muestras defectuosas de Cycle GAN. En segundo lugar, se pretende que la red de reducción de residuos autoadaptativa (SARSN) sea la red principal para la extracción de características. Se propone una función de pérdida adaptativa basada en la precisión y la media geométrica (Gmean) para resolver el problema de muestras desequilibradas. Finalmente, se propone un modelo de destilación de conocimiento relacional (RKD), y se diseñan las funciones de encapsulación de interfaz de operación GUI mediante la tecnología de procesamiento de imágenes. SARSN se utiliza como modelo profesor, su rendimiento de generalización se transfiere a la red ligera ResNet34, y se despliega convenientemente como modelo estudiante. Los resultados muestran que el método propuesto puede mejorar la eficiencia de despliegue del modelo y garantizar el rendimiento en tiempo real de los algoritmos de clasificación. Es superior a otros algoritmos principales para imágenes detalladas con clasificación de datos desequilibrados.