La investigación en ciencia de materiales está desarrollando gradualmente métodos de aprendizaje profundo basados en 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 Redes Generativas Antagónicas de Equilibrio de Frontera mejoradas (Boundary Equilibrium Generative Adversarial Networks, BEGAN). Primero, la normalización en la red generadora se cambió a normalización espectral, lo que reduce la necesidad de muestras de entrenamiento en comparación con la normalización por lotes; en segundo lugar, se incorporaron módulos residuales en el generador/decodificador del modelo para evitar el sobreajuste y acelerar el entrenamiento; finalmente, se añadió un mecanismo de autoatención 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 comparativos utilizando un conjunto de datos públicos de defectos de acero, demostrando mediante dos métricas de evaluación de redes generativas y la precisión de la red de clasificación 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 el modelo 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 de aplicación práctica confirmaron que la efectividad de los datos generados es suficiente para manejar el problema del sobreajuste con pocas muestras.

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