Kopsavilkums: padziļināti pielietojot informācijas tehnoloģijas rūpnieciskās ražošanas jomā, lielo datu izpēte rūpnieciskajā ražošanā kļūst par svarīgu atskaites pamatu, lai realizētu inteliģentu ražošanu un palīdzētu valdībai vadīt ražošanas uzņēmumu pārveidošanu un modernizāciju. tradicionālajā tērauda, alumīnija un citas metāla ražošanas nozarē ir problēmas, piemēram, plašs ražošanas veids un vienkāršs ražošanas process. Tāpēc ražošanas procesa uzlabošanai un ražošanas efektivitātes uzlabošanai ir steidzami jāizmanto jaunās paaudzes informācijas tehnoloģijas, piemēram, mākslīgais intelekts. . Izmantojot alumīniju, virsma ir jāpārbauda. Esošo alumīnija virsmas defektu noteikšanu ierobežo tradicionālā manuālā vizuālā pārbaude, kas ir ļoti darbietilpīga vai balstīta uz tradicionālo mašīnu redzamības algoritmu, atpazīšanas līmenis nav augsts, parasti nevar precīzi noteikt virsmas defekti savlaicīgi ma nner. Lai atrisinātu šīs problēmas, konvolucionālie neironu tīkli un YOLOv3 tiek izmantoti, lai noteiktu divu mērķa noteikšanas algoritmu radīto alumīnija defektu datu kopu. Tad, pamatojoties uz YOLOv3 algoritmu, tika veikti uzlabojumi, lai uzlabotu nelielu defektu noteikšanas ietekmi uz alumīnija virsmu. Eksperimentālā pārbaude tika veikta uz" alumīnija profila defektu atpazīšanas" datu kopu nodrošina Guangdong Industrial Intelligence Big Data Innovation Competition. Eksperimenta rezultāti parādīja, ka uzlabotā algoritma' vidējā vidējā precizitāte (mAP) bija par 3,4% augstāka nekā YOLOv3 algoritma un par 1,8% augstāka nekā ātrāka R-CNN algoritma.
