La recherche en science des matériaux développe progressivement des méthodes d'apprentissage profond guidées par la vision par ordinateur, cependant, les données expérimentales limitées actuellement disponibles ne permettent pas d'explorer pleinement ces méthodes basées sur les big data. Pour remédier à ce problème, cet article propose un modèle d'augmentation de données amélioré basé sur les réseaux antagonistes génératifs à équilibre aux frontières (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Premièrement, la normalisation dans le réseau générateur a été modifiée en normalisation spectrale, ce qui réduit la nécessité d'un grand nombre d'échantillons d'entraînement par rapport à la normalisation par lot ; deuxièmement, des modules résiduels ont été ajoutés dans le générateur/décodeur du modèle pour éviter le surapprentissage et accélérer l'entraînement du modèle ; enfin, un mécanisme d'attention autocentrée a été intégré pour renforcer la capacité du modèle à extraire les détails des défauts, ce qui rend la convergence des paramètres de perte durant l'entraînement plus fluide et rapide. Des expériences d'ablation et des comparaisons ont été réalisées sur un ensemble de données publiques de défauts d'acier, démontrant, par deux indices d'évaluation des réseaux génératifs et la précision des réseaux de classification, que la qualité du modèle amélioré surpasse nettement quatre des modèles génératifs les plus courants dans l'expérience comparative. Par rapport au dataset généré par BEGAN, l'efficacité des algorithmes de classification d'images s'est améliorée de 5,55 % ; la valeur FID a diminué de 54,35 % ; la valeur IS a augmenté de 18,18 %, et des expériences en application réelle ont confirmé que les données générées sont suffisamment efficaces pour faire face au surapprentissage sur de petits échantillons.

défauts de surface de l'acier;augmentation de données;réseau antagoniste génératif;mécanisme d'attention autocentrée