Kokkuvõte: Infotehnoloogia põhjaliku rakendamise abil tööstusliku tootmise valdkonnas on tööstusliku tootmise suurandmete uurimine muutumas oluliseks tugialuseks aruka tootmise realiseerimiseks ja valitsuse abistamiseks tootmisettevõtete ümberkujundamise ja täiendamise suunamisel. traditsioonilises terase-, alumiiniumi- ja muu metallitööstuses on probleeme nagu ulatuslik tootmisviis ja lihtne tootmisprotsess. Seetõttu on tootmisprotsessi parandamiseks ja tootmise efektiivsuse parandamiseks kiiresti vaja kasutada uue põlvkonna infotehnoloogiat, näiteks tehisintellekti. .Alumiiniumi kasutamisel tuleb pinda kontrollida. Olemasolevat alumiiniumpinna defektide tuvastamist piirab traditsiooniline käsitsi visuaalne kontroll, see on väga töömahukas või põhineb traditsioonilisel masinnägemise algoritmil, tuvastamise määr ei ole kõrge, tavaliselt ei saa seda täpselt kindlaks pinna defektid õigeaegselt ma nner. Nende probleemide lahendamiseks kasutatakse kahe sihtmärgi tuvastamise algoritmi abil toodetud alumiiniumist defektide andmekogumi tuvastamiseks konvolutsioonilisi närvivõrke ja YOLOv3. Seejärel tehti YOLOv3 algoritmi põhjal täiustusi, et parandada alumiste pindade väikeste defektide tuvastamise mõju. Eksperimentaalne kontroll viidi läbi GG-ga; alumiiniumprofiilide defektide tuvastamine GG-ga; andmekogum, mille pakub Guangdong Industrial Intelligence Big Data Innovation Competition. Katsetulemused näitasid, et täiustatud algoritmi' keskmine keskmine täpsus (mAP) oli 3,4% kõrgem kui YOLOv3 algoritm ja 1,8% kõrgem kui Faster R-CNN algoritm.
