Abstrakt: S důkladnou aplikací informačních technologií v oblasti průmyslové výroby se výzkum velkých objemů dat v průmyslové výrobě stává důležitým referenčním základem pro realizaci inteligentní výroby a pomáhá vládě řídit transformaci a modernizaci výrobních podniků. V tradičním ocelářském, hliníkovém a jiném kovodělném průmyslu existují problémy, jako je rozsáhlý výrobní režim a jednoduchý výrobní proces. Proto je naléhavě nutné využít novou generaci informačních technologií, jako je umělá inteligence, ke zlepšení výrobního procesu a zlepšení efektivity výroby. Při použití hliníku musí být povrch zkontrolován. Stávající detekce defektů hliníkového povrchu je omezena tradiční manuální vizuální kontrolou, velmi namáhavou nebo na základě tradičního algoritmu strojového vidění, míra rozpoznání není vysoká, obvykle nemůže přesně určit povrchové vady včas. K vyřešení těchto problémů se konvoluční neuronové sítě a YOLOv3 používají k detekci data hliníkových defektů vytvořeného dvěma algoritmy detekce cílů. Poté, na základě algoritmu YOLOv3, byla provedena zlepšení s cílem zlepšit detekční účinek malých defektů na hliníkovém povrchu. Experimentální ověření bylo provedeno na datovém souboru "rozpoznávání vad hliníkového profilu", který poskytla společnost Guangdong Industrial Intelligence Big Data Innovation Competition. Experimentální výsledky ukázaly, že průměrná přesnost algoritmu (mAP) vylepšeného algoritmu byla o 3,4 % vyšší než algoritmus YOLOv3 a o 1,8 % vyšší než algoritmus Faster R-CNN.
