Santrauka: Nuodugniai taikant informacines technologijas pramonės gamybos srityje, didžiųjų duomenų tyrimai pramonės gamyboje tampa svarbiu pamatu, siekiant realizuoti protingą gamybą ir padėti vyriausybei vadovauti gamybos įmonių pertvarkai ir modernizavimui. Tradicinėje plieno, aliuminio ir kitų metalų gamybos pramonėje yra problemų, tokių kaip platus gamybos būdas ir paprastas gamybos procesas. Todėl būtina skubiai naudoti naujos kartos informacines technologijas, tokias kaip dirbtinis intelektas, siekiant pagerinti gamybos procesą ir padidinti gamybos efektyvumą. Naudojant aliuminį, paviršius turi būti patikrintas. Esamą aliuminio paviršiaus defektų aptikimą riboja tradicinis rankinis vizualinis patikrinimas, labai sunkus arba pagrįstas tradiciniu mašinos matymo algoritmu, atpažinimo greitis nėra didelis, paprastai negali tiksliai laiku nustatyti paviršiaus defektų. Norėdami išspręsti šias problemas, Convolutional nervų tinklai ir YOLOv3 naudojami aliuminio defektų duomenų rinkiniui, kurį sukūrė du taikinių aptikimo algoritmai, aptikti. Tada, remiantis YOLOv3 algoritmu, buvo atlikti patobulinimai, siekiant pagerinti mažų defektų aptikimo poveikį aliuminio paviršiui. Eksperimentinis patikrinimas buvo atliktas dėl "aliuminio profilio defektų atpažinimo" duomenų rinkinio, kurį pateikė Guangdongo pramonės žvalgybos didžiųjų duomenų inovacijų konkursas. Eksperimentiniai rezultatai parodė, kad patobulintas algoritmo vidutinis tikslumas (mAP) buvo 3,4% didesnis nei YOLOv3 algoritmas ir 1,8% didesnis nei greitesnis R-CNN algoritmas.





