Исследования в области материаловедения постепенно разрабатывают методы глубокого обучения, управляемые компьютерным зрением, однако текущие ограниченные экспериментальные данные затрудняют исследование таких методов, основанных на больших данных. Для решения этой проблемы в статье предлагается улучшенная модель увеличения данных на основе генеративных состязательных сетей с граничным равновесием (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Во-первых, в генераторе заменён способ нормализации на спектральную нормализацию, что снижает потребность в объёмах обучающих данных по сравнению с пакетной нормализацией; во-вторых, в генератор/декодер добавлен остаточный модуль, что предотвращает переобучение и ускоряет обучение модели; наконец, добавлен механизм самовнимания для усиления способности модели извлекать детали дефектов, процесс сходимости параметров функции потерь обучения стал более плавным и быстрым. Проведены абляционные и сравнительные эксперименты с использованием общедоступного набора данных дефектов стали. По двум метрикам оценки генеративных сетей и точности классификационных сетей доказано, что улучшенная модель значительно превосходит четыре популярных генеративных модели из сравнительных экспериментов: по сравнению с генеративным набором данных BEGAN точность алгоритма классификации изображений улучшилась на 5,55%; значение FID снизилось на 54,35%; значение IS увеличилось на 18,18%. Реальные прикладные эксперименты подтвердили, что сгенерированные данные достаточно эффективны для борьбы с проблемой переобучения на небольших выборках.

дефекты поверхности стали;увеличение данных;генеративные состязательные сети;механизм самовнимания