缺陷检测是确保工业产品质量的重要环节。当大量标记样本可用时，深度学习在缺陷检测方面取得了巨大成功。然而，在许多制造过程中收集和标记大量样品是不可行的。同时，深度学习方法在标记样本稀少但变化多样的情况下，无法满足严格的生产要求的高缺陷识别精度。本文提出了一种新颖的多尺度卷积神经网络架构和一种使用软伪标签和互校正分类器的半监督学习策略，以在标记样本稀缺时提高缺陷检测精度。在著名的工业缺陷检测基准数据集和包含从实际注塑生产线收集的图像的实用数据集上验证了所提出方法的有效性。结果表明，该方法在基准缺陷数据集上达到了99.03%的准确率，当训练数据集每个类别仅包含45个标记图像和135个未标记样本时，该方法比其他方法高出约13.2%。该方法在基准数据集上的最佳准确率达到99.72%。此外，在实际缺陷检测任务中，每个类别只有 20个标记样本和180个未标记样本，平均准确率达到99.25%。可视化方法证明，性能提升来自所提出的多尺度架构和半监督学习策略。该方法可用于工业制造的实际缺陷检测应用，例如轧钢、焊接和注塑成型。