Abstrakt: Med den grundige anvendelsen av informasjonsteknologi innen industriell produksjon, blir forskning av store data i industriell produksjon et viktig referansegrunnlag for å realisere intelligent produksjon og hjelpe regjeringen med å veilede transformasjon og oppgradering av produksjonsbedrifter. I den tradisjonelle stål-, aluminiums- og andre metallindustrien er det problemer som omfattende produksjonsmodus og enkel produksjonsprosess. Derfor haster det å bruke den nye generasjonen av informasjonsteknologi som kunstig intelligens for å forbedre produksjonsprosessen og forbedre produksjonseffektiviteten. Ved bruk av aluminium, må overflaten inspiseres. Den eksisterende aluminiumoverflatefeildeteksjonen er begrenset av den tradisjonelle manuelle visuelle inspeksjonen, svært arbeidskrevende, eller basert på den tradisjonelle maskinvisjonsalgoritmen, er gjenkjenningshastigheten ikke høy, vanligvis ikke nøyaktig kan bestemme overflatefeilene i tide. For å løse disse problemene brukes Convolutional Neural Networks og YOLOv3 til å oppdage datasettet for aluminiumsfeil produsert av to måldeteksjonsalgoritmer. Deretter, basert på YOLOv3 algoritme, ble det gjort forbedringer for å forbedre deteksjonseffekten av små defekter på aluminiumsoverflaten. Eksperimentell verifisering ble utført på datasettet "aluminiumprofilfeilgjenkjenning" levert av Guangdong Industrial Intelligence Big Data Innovation Competition. De eksperimentelle resultatene viste at den forbedrede algoritmens gjennomsnittlige presisjon (mAP) var 3,4% høyere enn YOLOv3-algoritmen og 1,8% høyere enn Raskere R-CNN-algoritme.
