随着工业的快速发展,如何实现工业产品质量的自动化检测是一个亟待解决的问题,表面缺陷检测是其中一个至关重要的环节。深度学习在表面缺陷检测领域已经取得了可观的成果,但缺陷样本数量稀缺的问题,会对其训练造成很大的困难。本文的课题来源于校企合作项目,研究了两种不同的工业产品在缺陷样本稀缺情况下的表面缺陷检测问题,基于生成对抗网络设计了不同的缺陷检测方案。针对有机发光二极管（Organic Light-Emitting Diode,OLED）屏幕Mura缺陷样本稀缺、缺陷偶发及缺陷特征多变等问题,结合其背景简单的特点,本文基于生成对抗网络提出了一种无监督异常检测模型Res-unet GAN。该模型的生成器由Res Net50和UNet组成,来实现对正常样本的高质量重构,并对判别器和损失函数进行了优化,来提高模型性能。该模型只需正常样本进行训练,即可完成样本的分类检测。相较于其他基于生成对抗网络的无监督异常检测模型,本文模型对Mura缺陷具备更好的分类检测性能。针对5G陶瓷滤波器表面缺陷样本稀缺问题,因其背景复杂无法采用无监督异常检测的方法,本文基于生成对抗网络提出了一种生成缺陷仿真样本的模型。该模型基于Pix2Pix HD网络改进而来。首先为了解决高分辨率下缺陷图像仿真问题,对Pix2Pix HD网络进行逐分辨率训练,使其能够将标记图像仿真成缺陷图像。其次为了解决缺陷仿真图像背景噪声的问题,提出了通过掩膜图像来实现图像融合的方法,来进一步提高缺陷仿真样本的质量,实现了缺陷样本的扩增。在生成5G陶瓷滤波器表面缺陷仿真样本后,为了实现缺陷的目标检测,本文基于YOLOv3网络进行改进得到一种目标检测模型。该模型通过Mixup算法和SE注意力机制提高YOLOv3网络的泛化能力和加强对特征微弱缺陷的检测。实验表明,优化后的模型对陶瓷滤波器缺陷的检测性能要优于YOLOv3网络。模型对真实缺陷样本的成功检测,也证明了通过生成缺陷仿真样本来解决缺陷样本稀缺问题的可行性。