Para abordar el desafío de la detección de defectos en la producción de paneles de vidrio templado debido a la escasez de muestras, este documento propone una metodología de detección de pocos disparos que integra un modelo de Difusión Estable mejorado con Mask R-CNN. Específicamente, el enfoque utiliza un Codificador de Máscara para optimizar la arquitectura de Difusión Estable, empleando el Índice de Medida de Similitud Estructural (SSIM) para evaluar la calidad de las muestras. Este proceso genera muestras virtuales de alta fidelidad para construir un conjunto de datos híbrido para la ampliación de datos de entrenamiento. Además, se adopta una estrategia de aislamiento de recursos para facilitar la detección en línea utilizando un marco de Mask R-CNN semi-supervisado mejorado. Los resultados experimentales demuestran que el esquema propuesto resuelve eficazmente las dificultades de detección para ocho tipos de defectos, incluidos el astillado de bordes y los arañazos. El método logra un mAP50 del 81.5%, lo que representa una mejora de casi el 47% en comparación con los métodos de referencia que dependen únicamente de muestras reales, logrando así una detección de defectos industrial de alta precisión y alta eficiencia.