金属材料作为工业生产领域的主要原料之一,被广泛的运用于国防军工、石油化工等重点产业。由于生产工艺和制造环境等复杂因素的影响,其表面很容易产生各类缺陷。这些缺陷问题不但影响产品外观,还会对其性能与安全产生不利影响。因此,对金属表面缺陷进行检测以控制其质量尤为重要。传统机器视觉缺陷检测方法存在检测效果不理想、应用环境要求高、检测效率低和适应性差等不足。随着计算机技术的进步,基于深度学习的方法开始被引入金属表面缺陷检测领域。本文主要研究了基于生成对抗网络的金属表面缺陷检测方法,并针对缺陷检测的特点对生成对抗网络进行改进,主要的研究内容分为以下三个部分:1.针对大量标记的缺陷样本难以获得而面临的小样本问题,提出一种基于改进辅助分类生成对抗网络的金属表面缺陷生成与分类方法。首先利用残差块优化基础网络结构,加强网络对更深层特征的挖掘性能,并在模型的卷积层中引入谱范数归一化,防止模型异常的梯度变化,提高训练的稳定性;然后,在生成器和判别器中引入注意力机制模块,提升对缺陷特征的学习和生成能力;同时,为缓解生成对抗网络的模式崩塌问题,在损失函数中添加梯度惩罚来约束判别器的梯度剧烈变化;最后,通过对抗优化训练实现样本扩充,训练后将模型用于公开的带钢表面缺陷数据集以及实际采集叶轮加工面缺陷数据集的金属表面缺陷检测中,取得了良好的效果。2.针对实际检测中标记的缺陷数据难获取以及存在大量无标记数据未合理利用的问题,提出一种改进半监督辅助分类生成对抗网络的表面缺陷检测模型。首先,基于正-未标记学习的思想改进判别网络的损失函数,提升生成样本质量,增强半监督分类模型的稳定性;其次,为提升半监督缺陷分类的准确率,建立了一个基于标签置信度的阈值筛选器,在保证合成样本类别准确的同时,通过阈值筛选器筛选出具有高置信度标签的未标记数据来进行分类损失的更新,提升了未标记数据的利用率;最后,在公开的带钢表面缺陷数据集以及实际采集的叶轮表面缺陷数据集上验证了模型的有效性。该模型结合样本生成和半监督学习,提升了标记样本较少情况下缺陷检测的准确率。3.由于实际生产环境中存在数据领域分布差异以及监督样本不足的问题,结合生成对抗网络与无监督域自适应的思想,建立一种新的用于金属表面缺陷检测的模型。首先,针对传统机器学习受限于数据同分布的限制,无法解决数据分布差异的问题,引入域自适应的思想,充分利用源域数据的特征信息来辅助目标域完成在无标记情况下的缺陷检测任务;其次,为了使得迁移信息更加准确,利用基于对抗训练的编解码网络学习域间的公有特征,避免各域私有特征迁移导致的负迁移现象,提高模型的适应性;同时,为避免迁移信息不足以表征特征空间而导致的模型过拟合问题,引入自适应特征嵌入的增强方法来充分挖掘特征信息,提升缺陷检测的准确率;最后,在带钢表面缺陷数据集和实际工业表面缺陷数据集上进行了实验验证。