La investigación en ciencia de materiales está desarrollando gradualmente métodos de aprendizaje profundo guiados por visión por computadora, sin embargo, los datos experimentales limitados actualmente dificultan la exploración de estos métodos basados en grandes datos. Para abordar este problema, este artículo propone un modelo de aumento de datos mejorado basado en redes generativas antagónicas de equilibrio límite (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Primero, se cambió el método de normalización en la red generadora a normalización espectral, lo que reduce la necesidad de grandes cantidades de muestras de entrenamiento en comparación con la normalización por lotes; segundo, se añadieron módulos residuales en el generador/decodificador del modelo para evitar el sobreajuste y acelerar el entrenamiento del modelo; finalmente, se incorporó un mecanismo de atención automática para mejorar la capacidad del modelo para extraer detalles de defectos, haciendo que la convergencia de los parámetros de pérdida durante el entrenamiento sea más suave y rápida. Se realizaron experimentos de ablación y comparación utilizando un conjunto de datos público de defectos de acero. Mediante dos métricas de evaluación de redes generativas y la precisión de redes de clasificación, se demostró que la calidad del modelo mejorado supera significativamente a cuatro modelos generativos principales en los experimentos comparativos. En comparación con el conjunto de datos generado por BEGAN, la precisión del algoritmo de clasificación de imágenes mejoró un 5.55%; el valor FID disminuyó un 54.35%; el valor IS aumentó un 18.18%, y los experimentos en aplicaciones prácticas confirmaron que los datos generados son lo suficientemente efectivos para abordar el problema de sobreajuste en muestras pequeñas.

defectos superficiales del acero;aumento de datos;red generativa antagónica;mecanismo de atención automática