재료과학 연구는 점차 컴퓨터 비전 기반의 딥러닝 방법을 개발하고 있으나 현재 제한된 실험 데이터로 인해 대용량 데이터 기반의 방법 탐색에 어려움이 있다. 이를 해결하기 위해 본 논문은 개선된 경계 균형 생성 적대 네트워크(Boundary Equilibrium Generative Adversarial Networks, BEGAN)에 기반한 데이터 증강 모델을 제안한다. 먼저, 생성기 네트워크 내 정규화를 배치 정규화에서 스펙트럼 정규화로 변경하여 훈련 샘플 수요를 줄였다; 둘째, 모델의 생성기/디코더에 잔차 모듈을 추가하여 과적합을 방지하고 모델 훈련을 가속화하였다; 마지막으로, 자기 주의 메커니즘을 도입하여 결함 세부 사항 추출 능력을 강화하고 훈련 과정의 손실 파라미터 수렴을 보다 부드럽고 신속하게 만들었다. 공개된 강재 결함 데이터셋을 사용하여 소거 실험과 비교 실험을 수행하였으며, 두 가지 생성 네트워크 평가 지표와 분류 네트워크 정확도를 통해 개선된 모델의 품질이 비교 실험의 4가지 주류 생성 모델보다 현저히 우수함을 증명하였다. BEGAN 모델의 생성 데이터셋과 비교하여 이미지 분류 알고리즘의 성능이 5.55% 향상되었으며, FID 값은 54.35% 감소, IS 값은 18.18% 증가하였고, 실제 응용 실험을 통해 생성 데이터가 소량 샘플 과적합 문제를 해결하는 데 충분함을 확인했다.

강재 표면 결함;데이터 증강;신경망;생성 적대 네트워크;자기 주의 메커니즘