Исследования в области материаловедения постепенно разрабатывают методы глубокого обучения на основе компьютерного зрения, однако существующие ограниченные экспериментальные данные затрудняют изучение данных методов, основанных на больших данных. Для решения этой проблемы в данной статье предложена усовершенствованная модель увеличения данных на основе сети генеративно-состязательных сетей с балансом границ (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Во-первых, способ нормализации в генераторе изменён на спектральную нормализацию, что снижает требования к объёму обучающих выборок по сравнению с батч-нормализацией; во-вторых, в генератор/декодер модели добавлены остаточные модули, чтобы избежать переобучения и ускорить обучение модели; наконец, добавлен механизм самовнимания для усиления способности модели извлекать детали дефектов, что делает процесс обучения более гладким и быстрым по сходимости параметров потерь. Проведены абляционные и сравнительные эксперименты с использованием открытого набора данных дефектов стали, показано, что по двум метрикам оценки генеративных сетей и точности классификационной сети качество улучшенной модели значительно превосходит четыре ведущие генеративные модели в сравнительных экспериментах; по сравнению с датасетом, сгенерированным моделью BEGAN, точность алгоритма классификации изображений повысилась на 5,55%; значение FID снизилось на 54,35%; значение IS увеличилось на 18,18%. Практические эксперименты подтвердили, что сгенерированные данные достаточно эффективны для решения проблемы переобучения на малых выборках.

дефекты поверхности стали;увеличение данных;генеративно-состязательные сети;механизм самовнимания