Résumé : Avec l’application approfondie des technologies de l’information dans le domaine de la fabrication industrielle, la recherche du Big Data dans la fabrication industrielle devient une base de référence importante pour la réalisation de la fabrication intelligente et aider le gouvernement à guider la transformation et la modernisation des entreprises manufacturières. Dans l’industrie traditionnelle de l’acier, de l’aluminium et d’autres métaux, il y a des problèmes tels que le mode de production étendu et le processus de production simple. Par conséquent, il est urgent d’utiliser la nouvelle génération de technologies de l’information telles que l’intelligence artificielle pour améliorer le processus de production et améliorer l’efficacité de la production. Lors de l’utilisation de l’aluminium, la surface doit être inspectée. La détection des défauts de surface en aluminium existants est limitée par l’inspection visuelle manuelle traditionnelle, très laborieuse, ou basée sur l’algorithme traditionnel de vision automatique, le taux de reconnaissance n’est pas élevé, ne peut généralement pas déterminer avec précision les défauts de surface en temps opportun. Pour résoudre ces problèmes, Convolutional Neural Networks et YOLOv3 sont utilisés pour détecter l’ensemble de données sur les défauts d’aluminium produite par deux algorithmes de détection de cibles. Puis, sur la base de l’algorithme YOLOv3, des améliorations ont été apportées pour améliorer l’effet de détection de petits défauts sur la surface en aluminium. Des vérifications expérimentales ont été effectuées sur l’ensemble de données sur la « reconnaissance des défauts de profil d’aluminium » fourni par guangdong Industrial Intelligence Big Data Innovation Competition. Les résultats expérimentaux ont montré que la précision moyenne moyenne (mAP) de l’algorithme amélioré était de 3,4 % supérieure à celle de l’algorithme YOLOv3 et de 1,8 % supérieure à celle de l’algorithme R-CNN plus rapide.
