Die Materialwissenschaft forscht zunehmend an der Entwicklung von Deep-Learning-Methoden, die von der Computer Vision geleitet werden. Allerdings sind die derzeit begrenzten experimentellen Daten unzureichend für die Erforschung dieser datenbasierten Methoden. Zur Lösung dieses Problems wird in diesem Artikel ein verbessertes Datenaugmentationsmodell auf Basis des Boundary Equilibrium Generative Adversarial Networks (BEGAN) vorgeschlagen. Erstens wurde die Normalisierung im Generator auf spektrale Normalisierung umgestellt, was im Vergleich zur Batch-Normalisierung den Bedarf an Trainingsdaten verringert; zweitens wurden Residualmodule im Generator/Decoder des Modells hinzugefügt, um Overfitting zu vermeiden und das Training zu beschleunigen; schließlich wurde ein Self-Attention-Mechanismus integriert, 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 Stahldefektdatensatz durchgeführt. Durch zwei Bewertungsmetriken für generative Netzwerke und die Genauigkeit des Klassifikationsnetzwerks wurde gezeigt, dass die Qualität des verbesserten Modells signifikant besser ist als die von vier führenden generativen Modellen im Vergleichsexperiment; im Vergleich zu dem von BEGAN erzeugten Datensatz verbesserte sich die Bildklassifikationsgenauigkeit um 5,55 %; der FID-Wert sank um 54,35 %; der IS-Wert stieg um 18,18 %, und praktische Anwendungsexperimente bestätigten, dass die generierten Daten ausreichen, um das Problem des Overfittings bei kleinen Stichproben zu bewältigen.

Stahloberflächenfehler;Datenerweiterung;Generative Adversarial Networks;Self-Attention-Mechanismus