تتطور أبحاث علوم المواد تدريجيًا نحو تطوير طرق التعلم العميق الموجهة بواسطة رؤية الحاسوب، ومع ذلك، فإن البيانات التجريبية المحدودة حاليًا لا تدعم استكشاف هذه الطرق القائمة على البيانات الكبيرة. لمعالجة هذه المشكلة، يقترح هذا البحث نموذج تحسين لتكوين البيانات يعتمد على شبكة الخصومة التوليدية المتوازنة على الحدود (Boundary Equilibrium Generative Adversarial Networks، BEGAN). أولاً، تم تحويل طريقة التطبيع في شبكة المولد إلى التطبيع الطيفي، الذي يقلل من الحاجة إلى كمية كبيرة من عينات التدريب مقارنة بالتطبيع الدُفعي؛ ثانياً، تم دمج وحدات التبقي (الريزيدوال) في المولد/فك الترميز لتجنب ظاهرة فرط التخصيص وتسريع تدريب النموذج؛ وأخيراً، تمت إضافة آلية الانتباه الذاتي لتعزيز قدرة النموذج على استخراج تفاصيل العيوب، مما جعل تقارب معلمات الخسارة أثناء التدريب أكثر سلاسة وسرعة. وتم إجراء تجارب إقصائية وتجارب مقارنة باستخدام مجموعة بيانات عيوب الفولاذ العامة، وأثبت المؤشران الخاصان بشبكات التوليد ودقة شبكات التصنيف أن جودة النموذج المحسن تتفوق بشكل كبير على أربعة نماذج توليد رئيسية في التجارب المقارنة، حيث تحسنت دقة خوارزمية تصنيف الصور بنسبة 5.55% مقارنة بمجموعة بيانات التوليد الخاصة بـBEGAN؛ انخفضت قيمة FID بنسبة 54.35%; ارتفع مؤشر IS بنسبة 18.18%، وتم تأكيد فعالية البيانات المولدة في التعامل مع مشكلة فرط التخصيص على عينات قليلة من خلال التجارب التطبيقية.

عيوب سطح الفولاذ;تعزيز البيانات;شبكة الخصومة التوليدية;آلية الانتباه الذاتي