Sammanfattning: Med en djupgående tillämpning av informationsteknik inom industritillverkning, forskning av stordata inom industriell tillverkning blir en viktig referens grund för att förverkliga intelligent tillverkning och hjälpa regeringen styra omvandling och uppgradering av tillverkningsföretag. I den traditionella stål- aluminium- och annan metalltillverkningsindustri finns det problem som omfattande produktionsläge och enkel produktionsprocess. Därför är det angeläget att använda den nya generationen av informationsteknik som artificiell intelligens för att förbättra produktionsprocessen och förbättra produktionseffektiviteten. Vid användning av aluminium måste ytan inspekteras. Den befintliga aluminiumytan defekt detektering begränsas av den traditionella manuella visuella inspektion, mycket mödosam, eller baserat på den traditionella maskinen vision algoritm, är erkännandet inte hög, vanligtvis inte exakt kan fastställa ytan defekter i rätt tid. För att lösa dessa problem, Är Convolutional Neural Networks och YOLOv3 används för att upptäcka den aluminium defekt datauppsättning som produceras av två mål upptäckt algoritmer. Sedan, baserat på YOLOv3 algoritm, förbättringar gjordes för att förbättra detektionseffekten av små defekter på aluminium yta. Experimentell verifiering utfördes på "aluminiumprofil defekt erkännande" data som tillhandahålls av Guangdong Industrial Intelligence Big Data Innovation Competition. De experimentella resultaten visade att den förbättrade algoritmens genomsnittliga genomsnittliga precision (mAP) var 3,4% högre än YOLOv3-algoritmen och 1,8% högre än Faster R-CNN-algoritm.
