Al aplicar métodos de aprendizaje profundo para detectar microdefectos en superficies de LCD de bajo contraste, existen desafíos relacionados con desequilibrios en conjuntos de datos de muestra y la complejidad y laboriosidad de la anotación y adquisición de máscaras de imagen objetivo. Para resolver estos problemas, se propone un método basado en la auto-generación de muestras y máscaras para modelos de redes generativas profundas. Primero generamos un conjunto de datos aumentado de muestras negativas utilizando una red generativa adversaria (GAN), y luego resaltamos las regiones defectuosas en estas muestras utilizando el método de entrenamiento construido por la GAN para generar automáticamente máscaras para las imágenes defectuosas. Los resultados experimentales demuestran la efectividad de nuestro método propuesto, ya que puede generar simultáneamente muestras de imágenes de cristal líquido y sus máscaras de imagen correspondientes. A través de un experimento comparativo sobre el método de aprendizaje profundo Mask R-CNN, demostramos que las máscaras de imagen obtenidas automáticamente tienen una alta precisión de detección.