La segmentación de los límites de grano es crucial para el análisis cuantitativo de las estructuras de grano y la optimización de materiales. Sin embargo, persisten desafíos debido a la interferencia del ruido, altos costos de etiquetado y baja detección. Por lo tanto, proponemos un método semisupervisado llamado Semi-SRUnet, basado en destilación de conocimiento entre profesor y alumno y reparación de pseudoetiquetas para lograr la detección de límites de grano con un pequeño número de etiquetas. Específicamente, el método introduce SCConv (Convolución de Reconstrucción Espacial y de Canal) y regresión de límites para mejorar la U-Net (una arquitectura de red neuronal convolucional) como red profesora. Estas innovaciones tienen como objetivo reducir la redundancia espacial y de canal, expandir el campo receptivo y capturar de manera efectiva información contextual de las imágenes, mejorando así la robustez de la extracción de características y la precisión de los límites en entornos ruidosos. Además, diseñamos un algoritmo de reparación de pseudoetiquetas para mejorar las pseudoetiquetas generadas por la red profesora y utilizamos la destilación de conocimiento para entrenar una red estudiante ligera. Los resultados experimentales demuestran que Semi-SRUnet logra un 88.86% de Intersección sobre Unión promedio (), un 96.64% de Recuperación promedio (), un 91.5% de Precisión promedio (), y un 98.77%, superando a los modelos de vanguardia y ofreciendo un enfoque novedoso para la segmentación y análisis confiable de límites de grano.