Аннотация: С углубленным применением информационных технологий в области промышленного производства, исследования больших данных в промышленном производстве становится важной справочной основой для реализации интеллектуального производства и оказания помощи правительству в преобразовании и модернизации производственных предприятий. В традиционной сталелитейной, алюминиевой и других металлургических промышленности существуют такие проблемы, как обширный режим производства и простой производственный процесс. Поэтому необходимо срочно использовать новое поколение информационных технологий, таких как искусственный интеллект, для улучшения производственного процесса и повышения эффективности производства. При использовании алюминия поверхность должна быть проверена. Существующее обнаружение дефектов алюминиевой поверхности ограничено традиционным ручным визуальным осмотром, очень трудоемким, или на основе традиционного алгоритма машинного зрения, скорость распознавания не высока, как правило, не может точно определить дефекты поверхности своевременно. Для решения этих проблем для обнаружения набора данных о дефектах алюминия, производимых двумя алгоритмами обнаружения целевых объектов, используются конволюционные нейронные сети и YOLOv3. Затем, на основе алгоритма YOLOv3, были сделаны улучшения для улучшения эффекта обнаружения мелких дефектов на алюминиевой поверхности. Экспериментальная проверка была проведена на "алюминиевый профиль распознавания дефектов" набор данных, предоставленных Гуандун промышленной разведки Big Data Innovation Competition. Экспериментальные результаты показали, что средняя точность (mAP) улучшенного алгоритма была на 3,4% выше алгоритма YOLOv3 и на 1,8% выше, чем алгоритм Faster R-CNN.
