تتطور أبحاث علوم المواد تدريجيًا في تطوير طرق التعلم العميق المدعومة برؤية الحاسوب، إلا أن البيانات التجريبية المحدودة حاليًا لا تدعم استكشاف الطرق القائمة على البيانات الكبيرة. لمواجهة هذه المشكلة، يقترح هذا البحث نموذج تعزيز بيانات باستخدام شبكة تنافسية توليدية متوازنة محسنة (Boundary Equilibrium Generative Adversarial Networks، BEGAN). أولاً، تم تعديل طريقة التطبيع في شبكة المُنشئ إلى التطبيع الطيفي، مما يقلل متطلبات حجم عينات التدريب مقارنةً بالتطبيع الدفعي؛ ثانيًا، تم إضافة وحدات متبقية في المُنشئ/المفكك لتجنب ظاهرة الإفراط في التكيّف وتسريع تدريب النموذج؛ وأخيرًا، تم دمج آلية الانتباه الذاتي لتعزيز قدرة النموذج على استخراج تفاصيل العيوب، مما يجعل عملية تدريب النموذج أكثر سلاسة وسرعة في تقارب معاملات الخسارة. أجريت تجارب استئصال ومقارنة باستخدام مجموعة بيانات عيوب الصلب العامة، وأظهرت مؤشرا تقييم الشبكة التوليدية ودقة شبكة التصنيف أن جودة النموذج المحسن تفوق بشكل ملحوظ أربعة نماذج توليد رئيسية في تجارب المقارنة، حيث تحسنت دقة خوارزمية تصنيف الصور بنسبة 5.55% مقارنة بمجموعة بيانات BEGAN المولدة؛ انخفضت قيمة FID بنسبة 54.35%، وزاد مؤشر IS بنسبة 18.18%، وأكدت التجارب التطبيقية العملية أن فعالية البيانات المولدة كافية لمواجهة مشكلة الإفراط في التكيف ذات العينات الصغيرة.

عيوب سطح الصلب;تعزيز البيانات;شبكة تنافسية توليدية;آلية الانتباه الذاتي