מופשט: עם יישום מעמיק של טכנולוגיית מידע בתחום הייצור התעשייתי, המחקר של ביג דאטה בייצור תעשייתי הופך לבסיס התייחסות חשוב למימוש ייצור חכם וסיוע לממשלה להנחות את הטרנספורמציה והשדרוג של מפעלי ייצור. בפלדה המסורתית, אלומיניום ותעשיית ייצור מתכת אחרת, יש בעיות כגון מצב ייצור נרחב ותהליך ייצור פשוט. לכן, דחוף להשתמש בדור החדש של טכנולוגיית מידע כגון בינה מלאכותית כדי לשפר את תהליך הייצור ולשפר את יעילות הייצור. בעת שימוש באלומיניום, יש לבדוק את פני השטח. זיהוי פגמי פני השטח הקיימים של משטח האלומיניום מוגבל על ידי בדיקה חזותית ידנית מסורתית, מייגעת מאוד, או מבוססת על אלגוריתם ראיית מכונה מסורתי, שיעור הזיהוי אינו גבוה, בדרך כלל לא יכול לקבוע במדויק את פגמי פני השטח בזמן. כדי לפתור בעיות אלה, רשתות עצביות מפותלות ו- YOLOv3 משמשות לזיהוי סט נתוני פגמים באלומיניום המיוצר על ידי שני אלגוריתמים לזיהוי יעד. לאחר מכן, בהתבסס על אלגוריתם YOLOv3, נעשו שיפורים כדי לשפר את אפקט הזיהוי של פגמים קטנים על משטח אלומיניום. אימות ניסיוני בוצע על "פרופיל אלומיניום זיהוי פגם" נתונים להגדיר שסופק על ידי גואנגדונג תעשייתי מודיעין ביג דאטה חדשנות תחרות. התוצאות הניסיוניות הראו כי הדיוק הממוצע הממוצע (mAP) הממוצע של האלגוריתם המשופר היה גבוה ב-3.4% מהאלגוריתם של YOLOv3 וגסה ב-1.8% מהאלגוריתם R-CNN מהיר יותר.
