Con el aumento del tamaño de obleas y la diversificación de los patrones de troqueles, la inspección óptica automatizada (AOI) está reemplazando progresivamente la inspección visual tradicional (VI) para la detección de defectos en obleas. Sin embargo, la eficacia de clasificación de defectos de los sistemas actuales de AOI en nuestra empresa no es óptima. Esta limitación se debe a la dependencia de los algoritmos de características diseñadas expertamente, lo que reduce la adaptabilidad entre varios modelos de productos. Además, el tiempo limitado disponible para que los operadores anoten muestras de defectos restringe el potencial de aprendizaje. Nuestro estudio introduce un novedoso algoritmo híbrido de autoentrenamiento, aprovechando el aprendizaje semisupervisado que integra la pseudoetiquetado, estudiante ruidoso, etiquetado de currículo y el método Taguchi. Este enfoque permite a los clasificadores integrar de forma autónoma información de datos no etiquetados, evitando la necesidad de extracción de características, incluso con datos escasamente etiquetados. Nuestros experimentos en un conjunto de pequeña escala muestran que con un 25% y un 50% de datos etiquetados, el método logra más del 92% de precisión. Notablemente, con solo un 10% de datos etiquetados, nuestro método híbrido supera al clasificador supervisado DenseNet en más del 20%, logrando más del 82% de precisión. En un conjunto de gran escala, el método híbrido supera consistentemente a otros enfoques, logrando hasta un 88.75%, 86.31% y 83.61% de precisión con un 50%, 25% y 10% de datos etiquetados. Experimentos adicionales confirman la superioridad consistente de nuestro método, resaltando su potencial para una alta precisión de clasificación en escenarios de datos limitados.