Исследования в области материаловедения постепенно развивают методы глубинного обучения на основе компьютерного зрения, однако ограниченное количество экспериментальных данных затрудняет использование таких методов, основанных на больших данных. Для решения этой проблемы в статье предложена модель увеличения данных на основе улучшенной сети с генеративно-состязательными сетями равновесия границ (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Во-первых, метод нормализации в генераторе был изменен на спектральную нормализацию вместо пакетной, что уменьшает потребность в объеме обучающих выборок; во-вторых, в генератор/декодер модели добавлен остаточный модуль, чтобы избежать переобучения и ускорить обучение модели; в-третьих, добавлен механизм самовнимания для улучшения способности модели извлекать детали дефектов, что делает процесс сходимости потерь более плавным и быстрым. Проведены абляционные и сравнительные эксперименты на открытом наборе данных дефектов стали; по двум метрикам оценки генеративной сети и точности классификационной сети доказано, что улучшенная модель значительно превосходит 4 ведущие генеративные модели в сравнительных экспериментах: точность алгоритма классификации изображений улучшилась на 5.55%, значение FID снизилось на 54.35%, значение IS повысилось на 18.18%, а экспериментальное применение подтвердило эффективность сгенерированных данных в решении проблемы переобучения при малом количестве образцов.

Поверхностные дефекты стали;Увеличение данных;Нейронные сети;Генеративно-состязательные сети;Механизм самовнимания