基于改进DCGAN网络的钢材表面缺陷图像数据增强方法

来源：计量学报杂志2025年第9期北京时间：

作者：时培明, 申世春, 叶蕾, 许学方, 阚俊明, 韩东颖

摘要：针对传统深度卷积生成对抗网络（DCGAN）在生成钢材表面缺陷图像中存在质量差和网络训练不稳定等问题，提出了一种改进DCGAN的钢材表面缺陷图像数据增强模型。首先，将残差模块和自注意力机制添加到DCGAN网络中，提高网络对缺陷图像的特征提取能力；其次，引入谱归一化和带梯度惩罚项的Wasserstein距离损失函数，提高网络训练的稳定性；最后，将所提模型在NEU-DET数据集上进行试验。试验结果表明，所提出的模型能够稳定地生成质量较高的钢材表面缺陷图像，相较于原始DCGAN网络，该模型生成图像在AlexNet网络上识别准确率提高了6.8%，FID值降低了61.3%，IS值提高了20.8%，且质量优于GAN、DCGAN、CGAN和WGAN四种主流模型所生成的图像，能够作为一种有效的策略解决钢材表面缺陷图像小样本问题。

关键词：几何量计量,钢材表面缺陷,生成对抗网络,图像生成,残差模块,自注意力机制,谱归一化

基金资助：河北省自然科学基金(F2024203035)