A pesquisa em ciência dos materiais está gradualmente desenvolvendo métodos de aprendizado profundo orientados por visão computacional, contudo, os dados experimentais limitados atualmente dificultam a exploração desses métodos baseados em big data. Para resolver esse problema, este artigo propõe um modelo de aumento de dados baseado em redes adversárias generativas de equilíbrio de fronteira aprimoradas (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Primeiramente, o método de normalização na rede geradora foi alterado para normalização espectral em vez de normalização por lotes, reduzindo a necessidade de volume de amostras de treinamento; em segundo lugar, foi adicionado um módulo residual no gerador/decodificador do modelo para evitar overfitting e acelerar o treinamento; por fim, um mecanismo de autoatenção foi incorporado para fortalecer a capacidade do modelo de extrair detalhes de defeitos, e a convergência dos parâmetros de perda durante o treinamento tornou-se mais suave e rápida. Experimentos de ablação e comparativos foram realizados utilizando um conjunto de dados público de defeitos em aço, e por meio de dois indicadores de avaliação da rede geradora e da precisão da rede de classificação, demonstrou-se que a qualidade do modelo aprimorado supera significativamente quatro modelos geradores líderes em experimentos comparativos. Em comparação com o conjunto de dados gerado pelo modelo BEGAN, o algoritmo de classificação de imagens apresentou um aumento de 5,55%; o valor FID diminuiu em 54,35%; o valor IS aumentou em 18,18%, e experimentos práticos confirmaram que a eficácia dos dados gerados é suficiente para lidar com o problema de overfitting em amostras pequenas.

Defeitos superficiais do aço;Aumento de dados;Redes neurais;Redes adversárias generativas;Mecanismo de autoatenção