本研究面向磁浮轨道定子面缺陷检测场景，数据集仅 1000 张图像，存在样本总量少、类别不均衡（IR≈5.19）、缺陷语义与位置难以管控的长尾分布难题，缺陷分为三类形态多变缺陷、两类具备规则几何特征结构。研究构建融合生成与检测的分阶段联合框架，整合 LLM 链式提示、掩码扩散生成、视觉语言检测三大技术路径。框架分为提示词生成、可控数据增广、视觉 - 语言双模态检测三大模块：依托缺陷四维、结构三维属性空间构建 378 组提示词组合，借助 CLIP 完成语义过滤；采用 LoRA 微调、空间掩码替换采样、注意力聚集约束实现可控增广，将数据集扩充至 10000 张并实现五类样本均衡；通过 Swin 多尺度视觉与 CLIP 类别语义完成视觉 - 语言特征深度融合，结合跨模态解码、多类损失函数完成缺陷检测。实验结果显示，数据生成质量提升 15%，FID 降至 15.6；模型 mAP@50 达 85.86%、F1 为 91.87%，平均检测精度提升 7%，在线推理速度约 28FPS，验证了方法在工业小样本缺陷检测场景的有效性。适用人群：轨道交通质检研发人员、工业视觉算法工程师、小样本缺陷检测方向科研学者。