La recherche en science des matériaux développe progressivement des méthodes d'apprentissage profond guidées par la vision par ordinateur, cependant les données expérimentales limitées actuelles ne permettent pas d'explorer ces approches basées sur les big data. Pour répondre à ce problème, cet article propose un modèle d'augmentation de données basé sur un réseau antagoniste génératif à équilibre des frontières amélioré (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Premièrement, la normalisation dans le générateur a été modifiée en normalisation spectrale plutôt que par batch, réduisant les besoins en échantillons d'entraînement ; deuxièmement, un module résiduel a été ajouté dans le générateur/décodeur du modèle pour éviter le surapprentissage et accélérer l'entraînement ; enfin, un mécanisme d'attention automatique a été intégré pour renforcer la capacité du modèle à extraire les détails des défauts, ce qui rend la convergence des paramètres de perte plus lisse et rapide. Des expériences d’ablation et comparatives ont été menées sur un ensemble de données publiques de défauts d’acier ; à travers deux indicateurs d’évaluation des réseaux génératifs et la précision du réseau de classification, il a été démontré que la qualité du modèle amélioré dépasse significativement quatre modèles génératifs courants dans les expériences comparatives, avec une amélioration de 5,55% de la précision de l'algorithme de classification d'images, une baisse de 54,35% de la valeur FID, une hausse de 18,18% de la valeur IS, et la confirmation par une expérimentation pratique que l’efficacité des données générées permet de contrer le surapprentissage sur de petits échantillons.

Défauts de surface de l'acier;Augmentation des données;Réseaux neuronaux;Réseaux antagonistes génératifs;Mécanisme d'attention automatique