Die Materialwissenschaftsforschung entwickelt allmählich tiefenlernmethoden, die von Computer Vision geleitet werden, jedoch sind die derzeit begrenzten experimentellen Daten nicht ausreichend, um explorative Ansätze, die auf Big Data basieren, zu unterstützen. Zur Lösung dieses Problems schlägt dieser Artikel ein verbessertes Datenaugmentation-Modell basierend auf Boundary Equilibrium Generative Adversarial Networks (BEGAN) vor. Erstens wurde die Normalisierung im Generator-Netzwerk auf spektrale Normalisierung geändert, was den Bedarf an Trainingsdaten im Vergleich zur Batch-Normalisierung senkt; zweitens wurde im Generator/Decoder des Modells ein Residualmodul eingefügt, um Overfitting zu vermeiden und das Modelltraining zu beschleunigen; schließlich wurde ein Self-Attention-Mechanismus hinzugefügt, um die Fähigkeit des Modells zur Extraktion von Defektdetails zu verbessern, wodurch die Konvergenz der Verlustparameter während des Trainings glatter und schneller verläuft. Ablations- und Vergleichsexperimente wurden mit einem öffentlichen Datensatz von Stahldefekten durchgeführt. Durch zwei Bewertungskennzahlen für generative Netzwerke und die Genauigkeit des Klassifizierungsnetzwerks wurde nachgewiesen, dass die Qualität des verbesserten Modells die von vier führenden generativen Modellen in Vergleichsexperimenten deutlich übertrifft. Im Vergleich zum BEGAN-Modell führte das generierte Datenset zu einer Verbesserung der Bildklassifikationsgenauigkeit um 5,55%, einem Rückgang des FID-Werts um 54,35% und einem Anstieg des IS-Werts um 18,18%. Praktische Anwendungsexperimente bestätigten die Wirksamkeit der generierten Daten im Umgang mit dem Overfitting-Problem bei kleinen Stichproben.

Oberflächendefekte von Stahl;Datenaugmentation;Neuronale Netze;Generative Adversariale Netzwerke;Self-Attention-Mechanismus