Abstrak: Dengan penggunaan teknologi maklumat yang mendalam dalam bidang pembuatan perindustrian, penyelidikan data besar dalam pembuatan perindustrian menjadi asas rujukan penting untuk merealisasikan pembuatan pintar dan membantu kerajaan membimbing transformasi dan menaik taraf perusahaan pembuatan. Dalam keluli tradisional, aluminium dan industri pembuatan logam lain, terdapat masalah seperti mod pengeluaran yang luas dan proses pengeluaran yang mudah. Oleh itu, adalah penting untuk menggunakan teknologi maklumat generasi baru seperti kecerdasan buatan untuk meningkatkan proses pengeluaran dan meningkatkan kecekapan pengeluaran. Apabila menggunakan aluminium, permukaan mesti diperiksa. Pengesanan kecacatan permukaan aluminium yang sedia ada adalah terhad oleh pemeriksaan visual manual tradisional, sangat susah payah, atau berdasarkan algoritma penglihatan mesin tradisional, kadar pengiktirafan tidak tinggi, biasanya tidak dapat menentukan kecacatan permukaan tepat pada masanya. Untuk menyelesaikan masalah ini, Rangkaian Neural Konvolusi dan YOLOv3 digunakan untuk mengesan set data kecacatan aluminium yang dihasilkan oleh dua algoritma pengesanan sasaran. Kemudian, berdasarkan algoritma YOLOv3, penambahbaikan telah dibuat untuk meningkatkan kesan pengesanan kecacatan kecil pada permukaan aluminium. Pengesahan eksperimen telah dijalankan ke atas set data "pengiktirafan kecacatan profil aluminium" yang disediakan oleh Pertandingan Inovasi Data Besar Perisikan Perindustrian Guangdong. Keputusan eksperimen menunjukkan bahawa ketepatan Purata algoritma (mAP) yang lebih baik adalah 3.4% lebih tinggi daripada algoritma YOLOv3 dan 1.8% lebih tinggi daripada algoritma R-CNN yang lebih cepat.
