La investigación en ciencia de materiales está desarrollando gradualmente métodos de aprendizaje profundo dirigidos por la 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 basado en una red generativa antagónica límite equilibrado mejorada (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Primero, se cambió la normalización en la red generadora a normalización espectral en lugar de por lotes, lo que reduce la necesidad del volumen de muestras de entrenamiento; segundo, se agregó un módulo residual en el generador/decodificador del modelo para evitar el sobreajuste y acelerar el entrenamiento; finalmente, se incorporó un mecanismo de autoatención para mejorar la capacidad del modelo para extraer detalles de defectos, haciendo que la convergencia de los parámetros de pérdida sea más suave y rápida. Se realizaron experimentos de ablación y comparación con un conjunto de datos públicos de defectos del acero, y mediante dos indicadores de evaluación de redes generativas y la precisión de la red de clasificación se demostró que la calidad del modelo mejorado supera significativamente a cuatro modelos generativos líderes en los experimentos comparativos; en comparación con el conjunto de datos generado por el modelo BEGAN, el algoritmo de clasificación de imágenes mejoró en un 5.55%; el valor FID se redujo en un 54.35%; el valor IS aumentó en un 18.18%, y mediante experimentos prácticos se confirmó que la eficacia de los datos generados es suficiente para enfrentar el problema del sobreajuste con muestras pequeñas.

Defectos superficiales del acero;Aumento de datos;Redes neuronales;Redes generativas antagónicas;Mecanismo de autoatención