随着近几年制造业的突飞猛进,玻璃生产业对玻璃的精度要求也越来越高,尤其是应用于精密仪器所生产的玻璃面板。玻璃面板的缺陷检测,在工业生产上处于尤为重要的地位。由于手机玻璃面板本身具有易反光、表面光滑和精巧等特性,目前关于手机玻璃面板缺陷的数据非常稀缺,如果人为制造缺陷不仅会比较困难,还导致材料的浪费,加大了生产成本。另一方面,手机玻璃面板缺陷数据在采集过程中需要到独特的打光方式以及高清的工业相机,更加提升了缺陷数据采集的难度。此外,在目前的生产线上,对于手机玻璃面板缺陷检测,一直以来都是使用人工外加精密仪器辅助的方法进行检测颇为居多,这就直接导致了手机玻璃面板的缺陷检测存在人工检测效率低、漏检率高、检测结果不稳定、对于检测工人的技术要求高等弊端。即使现阶段的缺陷检测算法丰富多样,但是由于手机玻璃面板数据匮乏,这些算法大多数难以得到应用落地。国外对手机玻璃面板缺陷检测已经做出了一定的研究,然而国内企业在此方面的研究大多数为引进国外的技术,自身对于手机玻璃面板缺陷有针对性的研究较为缺乏。针对上述手机玻璃面板样本数据稀缺、小样本数据的训练困难、工人检测要求高且效率低的痛点问题,本研究搭建了玻璃面板缺陷检测系统,该系统由在线检测软件和硬件工作台所组成:（1）硬件工作台包含了由光源控制器、环形光源和线扫光源所组成的光源系统、由PLC、伺服放大器、伺服电机和传送平台所组成的运动控制系统,以及接有千兆网口的8K线扫相机,通过服务端PC对PLC和工业相机的协同控制,达到了对手机玻璃面板数据的实时采集与快速上传至服务端数据库的效果,并且所采集到的数据精度能够达到7μm,低于肉眼可观测大小范围,能够很好地保留手机玻璃面板缺陷的真实性。（2）在线检测软件则主要由Vue前端框架、Node.js架构、DCGAN模型、MongoDB数据库所组成,该在线检测软件由Node.js接收前端指令请求,执行相应的业务逻辑处理如缺陷检测、向采集平台发送指令和图像上传至数据库等,实现了手机玻璃面板在生产现场从数据采集到缺陷检测等功能。在线检测软件所使用的DCGAN模型则通过复现文献的训练方法所得到:在DCGAN的判别器中加入监督分类器并使之与原有的无监督判别器共享底层卷积,使DCGAN同时进行监督学习和无监督学习;并在模型参数的更新时,生成器不做任何改进,而判别器在监督学习中的损失函数使用交叉熵指导训练带标签的样本,在无监督学习中的损失函数则选用带梯度惩罚的Wasserstein距离对生成器生成的无标签样本进行指导训练。本论文所设计并实现的面向玻璃面板缺陷的检测系统,具有图像采集、缺陷检测、紧急停止、数据存档等功能,并且在复现的DCGAN检测模型中,针对手机玻璃面板数据集的检测准确率能够达到91.4%,在小样本环境下相对于传统机器学习和深度学习具有较强的优势。