铝合金薄板激光焊接经常会出现咬边、凹陷等表面缺陷。这两种缺陷由于尺寸小、特征相似，难以通过传统视觉在线检测手段对其进行精确分类和测量。开发了一种基于深度学习缺陷分类-点云测量的在线监测系统，利用高密度的点云数据对缺陷进行识别、分类与测量，解决了上述检测难题。通过双目结构光传感器采集点云数据；利用基于区域推荐网络的卷积神经网络模型识别和定位缺陷；在识别和定位缺陷后，通过对局部缺陷区域的点云进行操作，快速测量缺陷尺寸。高密度点云数据训练的模型的识别准确率达到93%，高于传统二维视觉传感器图像训练的模型。该检测系统在线检测允许的最大焊接速度为316.87 mm/s，适用于大多数激光焊接。

在筒形件自动化对接过程中, 需对其姿态进行无靶标精密测量和调整。本文采用激光轮廓传感器对被测件进行扫描获得点云数据, 推导得出点云数据的直线拟合公式, 并进行了姿态拟合求解。基于蒙特卡洛数值模拟, 对筒形件的轴线拟合法和母线拟合法进行比较, 并根据两种方法各自的优缺点, 提出采用轴线拟合法求解俯仰角、母线拟合法求解偏转角的综合测量求解方法, 显著提高了姿态测量精度。此外, 探讨了截取椭圆个数、每个椭圆上的轮廓点数与姿态求解精度之间的关系, 为在满足测量精度的同时兼顾测量效率提供了参考依据。最后, 利用原理样机和激光跟踪仪进行了测量实验。实验结果显示, 轴线姿态角测量的绝对精度优于0.02°, 标准差低于0.01°, 由此证明了本文方法的有效性和准确性。