Los métodos de aprendizaje profundo se utilizan actualmente en industrias para mejorar la eficiencia y calidad del producto. La detección de defectos en placas de circuito impreso (PCBs) es una tarea desafiante y generalmente se resuelve mediante inspección visual automatizada, inspección óptica automatizada, inspección manual y métodos de aprendizaje supervisado, como you only look once (YOLO) de tiny YOLO, YOLOv2, YOLOv3, YOLOv4 y YOLOv5. Los métodos previamente descritos para la detección de defectos en PCBs requieren un gran número de imágenes etiquetadas, lo cual es computacionalmente costoso en el entrenamiento y requiere un gran esfuerzo humano para etiquetar los datos. Este documento introduce un nuevo método de aprendizaje no supervisado para la detección de defectos en PCB utilizando el emparejamiento de pirámide de características alumno-profesor como un modelo de clasificación de imágenes pre-entrenado utilizado para aprender la distribución de imágenes sin anomalías. Por lo tanto, extraímos el conocimiento en una red de estudiantes que tenía la misma arquitectura que la red de profesores. Esta transferencia de un solo paso retiene las pistas clave tanto como sea posible. Además, incorporamos una estrategia de emparejamiento de características a escala múltiple en el marco de trabajo. Una mezcla de conocimiento multinivel de la pirámide de características pasa a través de una mejor supervisión, conocida como alineación jerárquica de características, que permite que la red de estudiantes la reciba, lo que permite la detección de anomalías de varios tamaños. Una función de puntuación refleja la probabilidad de la ocurrencia de anomalías. Este marco de trabajo nos ayudó a lograr una detección precisa de anomalías. Además de la precisión, su velocidad de inferencia también alcanzó alrededor de 100 cuadros por segundo.