تبحث علوم المواد تدريجياً في تطوير طرق التعلم العميق التي تُدار بواسطة الرؤية الحاسوبية، ومع ذلك فإن البيانات التجريبية المحدودة حالياً لا تدعم استكشاف هذه الطرق القائمة على البيانات الضخمة. لمعالجة هذه المشكلة، يقترح هذا المقال نموذج تعزيز بيانات يعتمد على شبكة التوليد التنافسية المتوازنة المحسنة (Boundary Equilibrium Generative Adversarial Networks، BEGAN). أولاً، تم تغيير طريقة التطبيع في شبكة المولد إلى التطبيع الطيفي بدلاً من التطبيع الدفعي، مما يقلل من الاحتياج إلى حجم عينات التدريب؛ ثانياً، تم إدخال وحدة متبقية في المولد/المُفكك للنموذج لتجنب فرط التضمين وتسريع تدريب النموذج؛ أخيراً، أُضيفت آلية الانتباه الذاتي لتعزيز قدرة النموذج على استخلاص تفاصيل العيوب، مما يجعل خسارة المعلمات في التدريب أكثر سلاسة وسرعة. تم إجراء تجارب أبليشن ومقارنة باستخدام مجموعة بيانات عيوب الفولاذ العامة، وأثبتت تقييمات شبكتين (توليد وتصنيف) أن جودة النموذج المحسن تتفوق بشكل ملحوظ على أربع نماذج توليد رائدة في التجارب المقارنة، حيث حقق نموذج BEGAN المحسن زيادة في دقة تصنيف الصور بنسبة 5.55%، وانخفاض في قيمة FID بنسبة 54.35%، وزيادة في قيمة IS بنسبة 18.18%، وتم تأكيد فعالية البيانات المنتجة في مواجهة مشكلة فرط التضمين ذات العينات الصغيرة من خلال تجارب تطبيق فعلية.

عيوب سطح الفولاذ;تعزيز البيانات;الشبكات العصبية;الشبكات التنافسية التوليدية;آلية الانتباه الذاتي