带钢是一种重要的工业原材料,带钢缺陷检测对产品质量至关重要。基于大数据训练的深层神经网络可实现准确检测,然而在工业环境各种因素限制下采集的数据量往往不能满足训练需求。生成对抗网络GAN是一种重要的数据集扩充方法,但它在生成高质量的多类别图像上训练困难。此外,为了在工业现场实时检测,神经网络还要尽可能轻巧快速。因此,本文围绕GAN和轻量级神经网络这两个焦点开展带钢表面缺陷类别检测研究。为了让GAN生成类别清晰且质量较好的图像来扩充带钢缺陷数据集,首先,设计了四种以不同方式强化图像标签引导作用的生成器。其次,设计了既能判断图像真假又能判断图像类别的判别器。然后,设计了可以增强训练稳定性、缓解模式崩溃问题的目标函数。最后,将生成器、判别器及目标函数结合形成四种GAN模型,并通过实验选出最好的GAN模型进行数据集扩充。为了满足工业检测的准确性及实时性要求,首先,研究了Shuffle Net V2、Mnas Net、Mobile Net V3和Ghost Net四种具有代表性的轻量级图像分类网络的原理。然后,根据实际情况对这四种轻量模型进一步精简优化。最后,将图像分类模型在扩充后的数据集上训练并选择综合性能好的模型用于带钢表面缺陷类别检测。实验结果表明,本文设计的GAN模型均能生成类别清晰且质量较好的图像,其中用于带钢表面缺陷图像数据集扩充的CD-GAN（条件反卷积生成对抗网络）模型平均FID为6.22。所改进的轻量级神经网络均能较好实现图像分类,选择的改进Ghost Net准确率为95.33%,参数量为0.09M,推理时间为23.1毫秒,能够有效实现带钢表面缺陷类别检测。