目前,工业产品质量检测是依赖人工提取特征的传统视觉检测算法。但因产品存在多样性,检测条件多变,需频繁更改算法以适应检测需求。而深度学习可自行提取样本特征,降低成本。但在工业生产采集数据过程中,往往存在某些缺陷类别样本少和缺陷特征不明显问题,与深度学习样本需求量大、特征明显相悖。因此,本文以换向器缺陷检测为研究对象,提出基于生成对抗网络(GAN)的数据增强模型。具体工作如下:1.针对检测任务制定样本检测模块与样本增强模块结合的产品质量检测框架,分析框架中的生成模型与预测模型,即以GAN模型对换向器缺陷样本进行数据增强;并以CNN模型预测缺陷类别。再剖析AlexNet模型、DCGAN模型与DAGAN模型的原理、结构与特点。2.结合换向器缺陷样本分析产品质量检测的难题,提出邻域差分滤波生成式对抗网络(NDF-GAN)模型,以解决换向器缺陷样本背景特征较为复杂、前景特征不明显,而难以利用现有GAN模型生成有效样本的问题。然后描述NDF-GAN模型基本理论、模型结构、损失函数。3.对应用于GAN的多种损失函数进行理论研究分析。根据优化目标表达式,剖析了Vanilla GAN、WGAN、LSGAN及DRAGAN模型的损失函数,再对每种损失函数中判别概率的计算方式进行研究,从而分析损失函数对模型训练过程的影响。4.结合换向器缺陷样本利用NDF-GAN数据增强模型进行实验与数据分析。先采集并预处理换向器缺陷样本,经超参数调试后,使用DCGAN模型、DAGAN模型对比NDF-GAN模型的性能。以多种邻域差分矩阵参数试验NDF-GAN模型。再以Vanilla GAN、WGAN、LSGAN、DRAGAN模型损失函数训练NDF-GAN模型。实验表明,用较少真实样本训练本文提出NDF-GAN模型,其生成样本质量提高,并有效提升AlexNet模型缺陷类别预测性能。不同邻域差分滤波矩阵参数及多种GAN损失函数对数据增强效果产生不同的影响。综上所述,本文为产品质量检测提出一种新方法,并验证了其可行性。