工业产品中存在各种各样的缺陷。人工检测的方法存在效率低下等问题,因此实现工业产品的缺陷自动化检测势在必行。然而不同的产品缺陷特征不同,只能根据缺陷特征选取合适的方法来检测。本文从实际生产需求出发,针对太阳能电池板丝网的缺陷以及显示面板的不均匀现象——Mura缺陷的特点设计了不同的自动检测方法,并使用现实产线上的数据集进行了测试。本文包含的内容如下:（1）本文探究的是深度学习在缺陷检测行业中的应用,尤其是探究了太阳能电池板中丝网缺陷和显示面板中的Mura缺陷的自动检测方法。本文对这两种缺陷数据集的特点进行分析之后,基于Yolov5算法设计了丝网检测算法,对Mura缺陷数据集则设计了基于生成对抗网络的无监督检测方法进行检测。（2）基于对丝网缺陷数据集的特点分析,在检测缺陷之前需要进行数据增强以提高检测精度。针对数量较少的缺陷类别,使用了填充、滤波等图像处理手段进行了缺陷样本的构造。使用标注软件进行了标注,制作成了相应的数据集。本文探究了Yolov5模型的工作原理,根据丝网缺陷数据集的特点使用了分patch检测的方法,使得验证集的检测平均检测精度提高了0.294。同时平均单张样本的推理时间能保持在1s之内。（3）针对Mura缺陷数据集的分析表明,Mura缺陷具有对比度低、形状不规则等特点,目前缺少合适的检测手段。本文提出一种基于无监督学习的UADD-GAN的检测模型,模型包含生成器和鉴别器,用于模拟正常样本的分布。利用正常样本对模型训练之后,模型对于没有Mura的图像能良好地重构;而对于有Mura的图像,模型的重构效果则较差。设计的鉴别器在多个特征层进行监督,帮助生成器更好地重构正常样本。针对非正方形的样本,采取了两端测量的技巧,检测效果得到了较高的提升。