材料科学の研究は徐々にコンピュータビジョン主導の深層学習手法を開発しているが、現在の限られた実験データはこのようなビッグデータに基づく手法の探究を支えるには不十分である。これらの問題に対処するため、本論文では改良された境界均衡生成敵対ネットワーク（Boundary Equilibrium Generative Adversarial Networks、BEGAN）に基づくデータ増強モデルを提案する。まず、生成器ネットワーク内の正規化方式をバッチ正規化からスペクトル正規化に変更し、訓練サンプル数の必要性を低減した。次に、モデルの生成器／デコーダーに残差モジュールを追加し、過学習の発生を防ぎモデル訓練を加速した。最後に、自己注意機構を導入し、欠陥の詳細抽出能力を強化し、訓練過程の損失パラメータ収束をより滑らかに速やかにした。公開鋼材欠陥データセットを用いてアブレーション実験と対比実験を実施し、２種類の生成ネットワーク評価指標と分類ネットワークの正確率により、改良モデルの品質が４種類の主流生成モデルを上回ることを証明した。BEGANモデルの生成データセットと比較して、画像分類アルゴリズムの効果が5.55％向上し、FID値は54.35％低下、IS値は18.18％上昇し、実際の応用実験で生成データの効果が少数サンプルの過学習問題に対処できることを確認した。

鋼材表面欠陥;データ増強;ニューラルネットワーク;生成敵対ネットワーク;自己注意機構