Apstrakt: Uz dubinsku primjenu informacione tehnologije u oblasti industrijske proizvodnje, istraživanje velikih podataka u industrijskoj proizvodnji postaje važna referentna osnova za realizovanje inteligentne proizvodnje i pomaganje vladi da vodi transformaciju i nadogradnju proizvodnih preduzeća. U tradicionalnoj industriji proizvodnje čelika, aluminija i drugih metala postoje problemi kao što su obimni način proizvodnje i jednostavan proizvodni proces. Stoga je hitno koristiti novu generaciju informacijske tehnologije kao što je umjetna inteligencija za poboljšanje proizvodnog procesa i poboljšanje efikasnosti proizvodnje. Pri upotrebi aluminija, površina mora biti pregledana. Postojeća detekcija površinskih defekta aluminija je ograničena tradicionalnim ručnim vizualnim pregledom, vrlo mukotrpnim, ili na osnovu tradicionalnog algoritma mašinskog vida, stopa prepoznavanja nije visoka, obično ne može precizno odrediti površinske mane na pravi način. Za rješavanje ovih problema, Convolutional Neural Networks i YOLOv3 se koriste za otkrivanje kompleta podataka o neispravnosti aluminija koji proizvode dva algoritma za otkrivanje ciljeva. Zatim, na osnovu YOLOv3 algoritma, napravljena su poboljšanja kako bi se poboljšao efekat detekcije malih nedostataka na aluminijumske površine. Eksperimentalna verifikacija je izvršena na skupu podataka "prepoznavanje nedostataka aluminijumskog profila" koji je obezbedio Guangdong Industrial Intelligence Big Data Innovation Competition. Eksperimentalni rezultati su pokazali da je poboljšana srednja prosječna preciznost algoritma (mAP) bila za 3,4% višu od YOLOv3 algoritma i 1,8% višu od Brži R-CNN algoritam.
