Abstrakt: Vďaka dôkladnej aplikácii informačných technológií v oblasti priemyselnej výroby sa výskum veľkých dát v priemyselnej výrobe stáva dôležitým referenčným základom pre realizáciu inteligentnej výroby a pomoc vláde pri usmernení transformácie a modernizácie výrobných podnikov. V tradičnom oceliarskom, hliníkovom a inom kovospracujúca priemysle existujú problémy, ako je rozsiahly výrobný režim a jednoduchý výrobný proces. Preto je naliehavé využiť novú generáciu informačných technológií, ako je umelá inteligencia, na zlepšenie výrobného procesu a zlepšenie efektívnosti výroby. Pri použití hliníka musí byť povrch skontrolovaný. Existujúce detekcie hliníkových povrchových defektov je obmedzená tradičnou manuálnou vizuálnou kontrolou, veľmi namáhavé, alebo na základe tradičného algoritmu strojového videnia, miera rozpoznávania nie je vysoká, zvyčajne nemôže presne určiť povrchové chyby včas. Na vyriešenie týchto problémov sa používajú konvolučné neurónové siete a YOLOv3 na detekciu súboru údajov o defekte hliníka vytvoreného dvoma algoritmami detekcie cieľov. Potom, na základe algoritmu YOLOv3, boli vykonané zlepšenia na zlepšenie detekčného účinku malých chýb na hliníkový povrch. Experimentálne overenie bolo vykonané na "hliníkový profil rozpoznávanie chýb" dátový súbor, ktorý poskytuje Guangdong Industrial Intelligence Big Data Innovation Competition. Experimentálne výsledky ukázali, že priemerná priemerná presnosť algoritmu (mAP) zlepšila algoritmus o 3,4 % vyššia ako algoritmus YOLOv3 a o 1,8 % vyššia ako algoritmus Faster R-CNN.
