Los métodos actuales predominantes para detectar imperfecciones en la superficie del equipo de subestaciones generalmente dependen de extensos conjuntos de imágenes de imperfecciones para el entrenamiento. Sin embargo, la naturaleza impredecible y la ocurrencia poco frecuente de tales imperfecciones presentan desafíos significativos en la recolección de datos. Para abordar estos problemas, este documento propone un enfoque novedoso para generar imágenes de imperfecciones localizadas y representativas dentro de subestaciones. En primer lugar, para mitigar las variaciones de estilo globales en las imágenes generadas por las redes generativas adversarias (GANs), desarrollamos un método YOLO-LRD centrado en la detección de regiones locales dentro del equipo. Este método permite la identificación precisa de las ubicaciones de las imperfecciones en las imágenes del equipo de subestaciones. En segundo lugar, presentamos un modelo SEB-GAN diseñado específicamente para generar imágenes de imperfecciones dentro de subestaciones. Al confinar la generación de imperfecciones a regiones identificadas dentro de las imágenes del equipo, la autenticidad y diversidad de los datos de defectos generados se mejoran significativamente. Los resultados experimentales validan que las técnicas YOLO-LRD y SEB-GAN crean de manera efectiva conjuntos de datos precisos que representan fallas en subestaciones.