工業(yè)產(chǎn)線缺陷樣本稀缺，導(dǎo)致深度學(xué)習(xí)分類器訓(xùn)練困難。本文提出基于條件生成對(duì)抗網(wǎng)絡(luò)（cGAN）的缺陷圖像增強(qiáng)方法。生成器輸入隨機(jī)噪聲和缺陷類別標(biāo)簽（裂紋、劃痕、氣孔），輸出合成缺陷圖；判別器區(qū)分真實(shí)/合成并驗(yàn)證類別正確性。使用少量真實(shí)缺陷圖像（每類50張）訓(xùn)練cGAN，生成10000張合成圖像。再以ResNet-50為骨干構(gòu)建分類器，先用合成圖像預(yù)訓(xùn)練，再用真實(shí)圖像微調(diào)。實(shí)操案例：某軸承表面缺陷檢測(cè)，原始每類缺陷僅35張，直接訓(xùn)練分類器準(zhǔn)確率71%；采用cGAN增強(qiáng)后準(zhǔn)確率升至94%。推理時(shí)，部署TensorFlow Lite模型至邊緣設(shè)備（樹莓派4），每幀檢測(cè)時(shí)間65ms。編程要點(diǎn)：生成圖像需經(jīng)后處理（同態(tài)濾波去除偽影），并加入圖靈測(cè)試驗(yàn)證——人工抽檢50張合成圖，可辨識(shí)率<15%為合格。