随着信息技术在工业制造领域的深入应用,工业制造大数据研究正成为实现智能制造、帮助政府指导制造企业转型升级的重要参考依据。在传统的钢铁、铝材等金属制造行业,更是存在生产方式粗放、生产工艺简单等问题,因此迫切需要通过利用人工智能等新一代信息技术改善生产流程、提高生产效率。铝材厂家在铝材出厂前要对铝材质量进行监测,最重要的是对铝材表面缺陷检测。而铝材表面缺陷种类繁多,大小不一,形状复杂,人眼通常不能及时准确地判断出表面瑕疵,而传统的机器视觉检测方法属于手工特征检测,因此检测速度缓慢,准确率不高。另一方面,较小的缺陷很难被检测出来。伴随着计算机网络的大力发展,本文主要基于深度卷积神经网络的方法来对铝材表面缺陷进行检测。首先针对传统检测算法检测速度缓慢和准确率不高问题,本文主要采用了两个基于深度卷积神经网络的主流目标检测算法对制作的铝材缺陷数据集进行检测,即Faster R-CNN和YOLOv3。前者继续沿用了启发式预选框的设计,但是算法的整体过程都是基于卷积神经网络,无须手工特征提取,这样的设计使得缺陷检测的效果和效率都得以提升。后者也采用了预选框的设计但是网络整体设计是端到端的,即输入到输出是一个合在一起的整体,使其在检测效率上更胜一筹。最后针对铝材表面较小的缺陷,提出了一种基于YOLOv3进行改进的算法,针对锚点框的设计原理和感受野原理,我们在每层的特征图上各添加一个锚点框,使得铝材表面很小缺陷的检测效果得到了提升。在广东工业智造大数据创新大赛提供的“铝型材瑕疵识别”数据集进行了实验,实验结果显示改进算法的平均精度均值(mAP)比YOLOv3高3.4%,比Faster R-CNN高1.890。