Περίληψη: Με τη σε βάθος εφαρμογή της τεχνολογίας της πληροφορίας στον τομέα της βιομηχανικής κατασκευής, η έρευνα των μεγάλων δεδομένων στη βιομηχανική βιομηχανία γίνεται μια σημαντική βάση αναφοράς για την πραγματοποίηση έξυπνης κατασκευής και βοηθώντας την κυβέρνηση να καθοδηγήσει τον μετασχηματισμό και την αναβάθμιση των μεταποιητικών επιχειρήσεων. ο παραδοσιακός χάλυβας, το αλουμίνιο και η άλλη βιομηχανία κατασκευής μετάλλων, υπάρχουν προβλήματα όπως ο εκτεταμένος τρόπος παραγωγής και η απλή διαδικασία παραγωγής. Ως εκ τούτου, είναι επείγον να χρησιμοποιήσετε τη νέα γενιά τεχνολογίας πληροφοριών όπως η τεχνητή νοημοσύνη για να βελτιώσετε τη διαδικασία παραγωγής και να βελτιώσετε την απόδοση παραγωγής . Όταν χρησιμοποιείτε αλουμίνιο, η επιφάνεια πρέπει να επιθεωρείται. Η υπάρχουσα ανίχνευση ελαττωμάτων επιφάνειας αλουμινίου περιορίζεται από την παραδοσιακή χειροκίνητη οπτική επιθεώρηση, πολύ επίπονη ή βάσει του παραδοσιακού αλγορίθμου μηχανικής όρασης, το ποσοστό αναγνώρισης δεν είναι υψηλό, συνήθως δεν μπορεί να προσδιορίσει με ακρίβεια τα ελαττώματα της επιφάνειας εγκαίρως nner. Για την επίλυση αυτών των προβλημάτων, τα Convolutional Neural Networks και το YOLOv3 χρησιμοποιούνται για την ανίχνευση του συνόλου δεδομένων ελαττωμάτων αλουμινίου που παράγονται από δύο αλγόριθμους ανίχνευσης στόχων. Στη συνέχεια, με βάση τον αλγόριθμο YOLOv3, έγιναν βελτιώσεις για τη βελτίωση της επίδρασης των μικρών ελαττωμάτων στην επιφάνεια του αλουμινίου. Πραγματοποιήθηκε πειραματική επαλήθευση στο&«αλουμίνιο προφίλ ελαττώματος αναγνώρισης GG». σύνολο δεδομένων που παρέχεται από τον διαγωνισμό Big Data Innovation Industrial Guangdong Τα πειραματικά αποτελέσματα έδειξαν ότι ο βελτιωμένος μέσος όρος ακριβείας του αλγόριθμου&# 39 (mAP) ήταν 3,4% υψηλότερος από τον αλγόριθμο YOLOv3 και 1,8% υψηλότερος από τον αλγόριθμο Faster R-CNN.
