近年来,机器学习和计算机视觉检查方法已广泛应用于缺陷检测领域。由于工业产品的表面缺陷会对产品的美观度、舒适度和使用性能等带来不良影响,因此产品表面缺陷的检测对生产企业来说尤为重要。机器学习检测方法的运用可以很大程度上克服人工检测方法存在的弊端,如人工抽检存在的准确性低、实时性差等问题。由于有缺陷的样本数量稀少,因此样本收集往往面临样本量小和样本类别失衡问题,导致大多数现有的机器学习检测方法无法在工业产品测试中获得良好的精度和速度。对于实际情况下的工业产品缺陷检测,自动且精确地检测少量的样本的缺陷是非常有必要的。而深度学习有着强大的学习数据集基本特征的能力,可以同时满足高精度和高速度的要求。但是使用小规模数据集来训练高精度的深度学习模型仍然是一个挑战而生成式对抗网络可以很好地解决小样本和样本不平衡问题。深度卷积生成式对抗网络作为生成式对抗网络的变体,成功将生成式对抗网络的应用数据空间由连续数据空间推广至离散数据空间。该研究为生成式对抗网络在小样本和不平衡样本在工业产品缺陷检测的应用研究提供了可能,也为神经网络优化等问题提供了新思路。缺陷检测中的一个普遍问题是样本缺陷形状大小不一致,并且类别分布不平衡。为了解决这个问题,我们提出了一种将迁移学习和生成对抗网络相结合的方法。具体工作内容如下:(1)为解决样本不平衡问题,将原有的VGG16深度学习网络的损失函数替换为Focal损失函数,从而使得改进后的VGG16网络更适用于对小型的、样本类别不平衡的数据集。(2)为了进一步提高算法性能,本文提出使用深度卷积生成式对抗网络来扩充稀有类别样本,以平衡类别分布。扩充了原有的数据集后,在一定程度上缓解了样本分布不均的情况。(3)将改进的基于生成式对抗网络的缺陷检测算法应用于实际的工业产品缺陷检测领域,在药品生产过程中,西林瓶瓶盖经常会存在质量缺陷,从而影响药品的质量。为了解决这一问题,将本文的算法用于西林瓶瓶盖缺陷检测中,以检测有缺陷的西林瓶,且在精度和速度上取得了鲁棒性。此外,本文通过实验将本文提出的基于生成式对抗网络的缺陷检测算法与现有的机器学习检测算法进行对比。实验结果表明基于生成式对抗网络的缺陷检测算法在工业应用领域中,即西林瓶的缺陷检测中能够得到高精度、高速度,且在检测公共数据集中不规则的异常图片也能得到较好的结果。