El aprendizaje profundo basado en imágenes y análisis in situ para el proceso de cristalización es esencial para optimizar la calidad del producto, reducir los costos experimentales a través del monitoreo en tiempo real y controlar el proceso. Sin embargo, se requieren conjuntos de datos grandes y de alta calidad con anotaciones para entrenar modelos precisos, lo cual es consumidor de tiempo. Por lo tanto, propusimos una metodología novedosa que aplicó redes neuronales de síntesis de imágenes para generar imágenes virtuales ricas en información, lo que permite una expansión eficiente y rápida del conjunto de datos al mismo tiempo que reduce los costos de anotación.