Die Materialwissenschaftsforschung entwickelt allmählich tiefgehende Lernmethoden, die von der Computer Vision geleitet werden. Allerdings reichen die derzeit begrenzten experimentellen Daten nicht aus, um solche datenintensiven Methoden zu erforschen. Zur Lösung dieses Problems schlägt dieser Artikel ein verbessertes Datenaugmentierungsmodell basierend auf Boundary Equilibrium Generative Adversarial Networks (BEGAN) vor. Erstens wurde die Normalisierung im Generator-Netzwerk auf spektrale Normalisierung umgestellt, was den Bedarf an Trainingsdaten im Vergleich zur Batch-Normalisierung reduziert; zweitens wurde dem Generator/Decoder ein Residualmodul hinzugefügt, um Überanpassung zu vermeiden und das Modelltraining zu beschleunigen; schließlich wurde ein Selbstaufmerksamkeitsmechanismus eingeführt, der die Fähigkeit des Modells verbessert, Defektdetails zu extrahieren, und während des Trainings eine glattere und schnellere Konvergenz der Verlustparameter ermöglicht. Ablations- und Vergleichsexperimente wurden mit einem öffentlichen Stahldefektdatensatz durchgeführt. Durch zwei Bewertungsmetriken generativer Netzwerke und die Genauigkeit von Klassifikationsnetzwerken wurde bewiesen, dass die Qualität des verbesserten Modells die von vier gängigen generativen Modellen im Vergleichsexperiment deutlich übertrifft. Im Vergleich zum vom BEGAN-Modell generierten Datensatz verbesserte sich die Genauigkeit des Bildklassifikationsalgorithmus um 5,55 %; der FID-Wert sank um 54,35 %; der IS-Wert stieg um 18,18 %; und tatsächliche Anwendungsexperimente bestätigten, dass die generierten Daten effektiv genug sind, um Probleme der Überanpassung bei kleinen Stichproben zu bewältigen.

Stahloberflächendefekte;Datenaugmentation;Generative Adversarial Networks;Selbstaufmerksamkeitsmechanismus