La recherche en science des matériaux développe progressivement des méthodes d'apprentissage profond basées sur la vision par ordinateur. Toutefois, les données expérimentales limitées actuellement disponibles rendent difficile l'exploration de ces méthodes basées sur les données massives. Pour répondre à ce problème, cet article propose un modèle d'augmentation de données basé sur un réseau antagoniste génératif à équilibre de frontière amélioré (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Premièrement, la méthode de normalisation dans le générateur est remplacée par la normalisation spectrale, ce qui réduit les exigences en volume d’échantillons d’entraînement par rapport à la normalisation par lot; deuxièmement, des modules résiduels sont ajoutés dans le générateur/décodeur du modèle, évitant le surapprentissage et accélérant l’entraînement; enfin, un mécanisme d’attention automatique est intégré pour renforcer la capacité du modèle à extraire les détails des défauts, rendant la convergence des paramètres de perte plus douce et rapide. Des expériences d’ablation et des comparaisons ont été menées sur un ensemble de données ouvertes de défauts d’acier, montrant que selon deux métriques d’évaluation des réseaux génératifs et la précision du réseau de classification, la qualité du modèle amélioré est nettement supérieure à quatre modèles génératifs populaires dans les expériences comparatives; comparé au jeu de données généré par le modèle BEGAN, la précision de l’algorithme de classification d’images a augmenté de 5,55 %; la valeur FID a diminué de 54,35 %; la valeur IS a augmenté de 18,18 %, et les expériences en application pratique ont confirmé que les données générées sont suffisamment efficaces pour traiter le problème de surapprentissage sur de petits échantillons.

défauts de surface de l'acier;augmentation des données;réseau antagoniste génératif;mécanisme d’attention automatique