В современных автоматизированных системах и робототехнике для решения разного рода прикладных задач без участия человека широко используется машинное зрение — научное направление в области искусственного интеллект — и связанные с ним технологии получения изображений объектов реального мира, их обработки и использования полученных результатов. Большинство подсистем машинного зрения используют искусственные нейронные сети для решения таких задач, как обнаружение, классификация и сегментация объектов. Эффективность подсистем машинного зрения может быть оценена с помощью множества критериев, ключевым из которых является точность решения соответствующей задачи, например точность классификации объектов.Использование традиционных методов повышения точности, основанных на оптимизации структуры нейронной сети и нейронов, подборе гиперпараметров, не гарантируют стабильность результатов при изменениях условий съемки, например, при изменении освещения, ракурса съемки, зашумления. Увеличивается и становится неприемлемым число ложных обнаружений объектов в недопустимых позициях, или число пропусков объектов и ошибок классификации и сегментации. Альтернативным направлением повышения точности является использование методов аугментации данных для обучения сетей — получения синтетических изображений, обеспечивающих особые свойства обучающей выборки. Однако в исследованиях, посвященных методам аугментации, отсутствует анализ структуры изображения с точки зрения карт значимости, что не позволяет эффективно синтезировать обучающие данные.Для решения задачи повышения точности нейросетевой обработки изображений разработан итерационный метод аугментации, базирующийся на новых принципах синтеза изображений. Метод позволит парировать ложные активации нейронов за счет снижения влияния неключевых признаков на карте значимости изображения на результат классификации объектов. Предложенный метод был использован при обучении нейронных сетей стоматологического робота-тренажера. Разработано программное обеспечение, позволяющее синтезировать новые изображения в автоматическом режиме и выполнять обучение сети. При использовании предложенного метода аугментации наблюдается повышение точности классификации объектов на 2...10 %.