随着深度学习和结构光条纹投影三维成像技术的发展，直接从单幅条纹图中恢复物体的三维形状的研究近年来受到了多个领域的关注。提出改进的全局引导路径网络MultiResHNet，实现对单幅条纹图的3D形状重建，将现有结构光学三维成像方案与深度卷积神经网络结合，对仿真数据和实验数据分别进行了验证。实验结果表明，所提方法预测的3D形状比已有的U-Net神经网络预测的3D形状更加准确，误差更小，精度更高。实验结果证明了所提技术的有效性和鲁棒性，为后续的3D形状重建技术的提高提供了科学依据，具有一定的参考和应用价值。

金刚线断线检测是金刚线生产过程中的重要环节。针对现有接触式检测敏感度低、断线反馈滞后等问题，提出了一种基于机器视觉检测强光下金刚线反射的光斑点的非接触式断线检测方法。在金刚线光斑点检测的嵌入式平台上，针对传统图像处理的光斑点检测操作复杂、易受外部光照影响的局限性，研究了基于深度学习的光斑点目标检测，对多种Yolo系列模型进行了训练部署，针对原有模型网络层次较深、模型体积较大，在嵌入式设备中存在检测实时性较差的问题，提出了一种基于Yolox改进的轻量化目标光斑点检测模型MCA-Yolox，利用MobileNetV3轻量化特征提取网络替换Yolox模型的主干特征提取网络，对模型进行轻量化改进，然后利用深度可分离卷积和倒残差结构对加强特征提取网络进行了轻量化改进。结合CA注意力机制提高了轻量化模型的检测精度。最后，将改进后的模型部署于嵌入式平台。实验结果表明，改进后模型MCA-Yolox的大小和运算量减小到Yolox模型的1/3以下，与同样规模的Yolox-Tiny和Yolov4-Tiny相比具有更高的检测精度，模型的mAP提升了1%以上，加速优化后检测速度可达30 frame/s，提供了一种基于深度学习检测金刚线断线的完整工业检测方案。

枸杞槟榔的放料工序目前仍需工人手动完成，生产效率低且存在食品卫生问题。为了解决这个问题，设计了一种基于结构光3D视觉的槟榔姿态识别与定位系统。首先，由数字投影仪向槟榔投影蓝光正弦条纹，相机采集变形条纹图像后，通过计算机进行三维重建，获得高精度槟榔点云；然后，融合2D图像和3D点云信息，采用所提特征线法估计槟榔的姿态参数；最后，定位槟榔空腔中心并将其作为放料点，根据手眼标定将放料点坐标转换到机械臂基坐标系下，使机械臂自动放料。利用500个槟榔进行姿态识别与定位实验，并统计处理时间和分类准确率。实验结果表明，1个槟榔的处理时间为0.39~0.59 s。整体的识别准确率为95.6%。对放料点的定位误差在0.25 mm之内，低于放料要求的0.3 mm。所提方法能有效解决形状复杂且自由放置目标的姿态识别与定位问题，具有较高的定位精度以及良好的稳定性，满足实际生产要求。

提出一种新型的关键点距离表征学习网络，该网络利用位姿变换过程的几何不变性信息，在网络中引入距离量的估计，进而推导出稳健关键点，以此来提升基于深度学习的六自由度物体位姿估计方法的精度。所提方法包含两个阶段。首先，设计了关键点距离表征网络，通过一种骨干网络模块和特征融合结构实现RGB-D图像特征提取，并结合多层感知机预测物体逐点相对于关键点的距离量、语义和置信度。其次，根据可视点投票法及四点距离定位法，利用网络输出的多维信息推理计算关键点坐标，并最终通过最小二乘拟合算法得到物体位姿。为了证明所提方法的有效性，在公开数据集LineMOD和YCB-Video上进行了测试，实验结果表明，所提方法相比于原PSPNet框架中的ResNet参数量减少一半且精度有所提升，在两个数据集上精度分别提升了1.1个百分点和5.8个百分点。

针对目前航空发动机表面人工缺陷检测效率低的问题，提出一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先，在网络中融合数据增强策略搜索算法，自动为当前数据集搜索最佳的数据增强策略，实现训练效果的提升；其次，在backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后，将YOLOv5的定位损失函数改进为efficient intersection over union损失，在加快模型收敛的同时提高预测框回归精度。实验结果表明，所提YOLOv5-CE模型，相比原YOLOv5s网络，在检测速度几乎没有下降的情况下平均精度均值提高了1.2个百分点，达到了98.5%，能够高效智能检测航空发动机4种常见类型缺陷。

双向相移结构光三维成像具有更高鲁棒性，但在两个方向上使用相同数量的多频相移编码，增加了扫描时间。利用极线几何，提出一种改进的双向结构光编解码算法，在保证精度的前提下能有效减少一个方向的编码图像的数量。首先，在纵向进行多频相移结构光扫描，得到纵向相位。利用极线几何，将纵向相位映射为横向临时相位。然后，在横向使用最高频结构光扫描，得到横向的高频缠绕相位。利用横向临时相位，对横向的缠绕相位进行解缠绕，得到最终的横向相位。最后，建立相机和投影机间的直线模型，在计算三维点云时，计算相机视线和投影机视线的交点，避免了传统的矩阵求逆方法，提高了点云计算速度。实验结果表明：1）最终横向相位的均方根误差为4.89×10-3rad；2）双向扫描和单向扫描后的三维点云计算速度分别提升了6.08倍和4.10倍；3）与传统的方法相比，所提针对单向扫描三维重建方法的误差在10-11mm以内。

非球类物体形状结构复杂，利用点云直接进行配准易出现误匹配现象。针对该问题，引入流形上的测地距离结合物体的实际几何形状，将三维点云配准问题转换为聚类问题，提出一种基于流形聚类的多站点云配准方法。首先，将经粗配准后的三维点云划分为若干个聚类；然后，以测地距离作为聚类划分的依据更新聚类中心，同时更新刚性变换，再循环迭代此过程以获得最终配准结果；最后，由于在配准过程中计算测地距离矩阵时易产生计算消耗，引入热梯度法将点集在空间中的遍历过程转换为泊松方程的求解过程以提升效率，完成多站点云配准。在斯坦福大学公共数据集中的Bunny、Dragon等点云数据上的实验结果表明，所提方法可有效将非球类物体的配准精度整体提升20%∼30%。

孔轴装配是工业制造领域的一个重要基础问题，针对空间狭窄视觉困难、容易碰撞损坏、人工装配效率低等问题，提出一种基于双目视觉的监测方案，将图像叠加融合，扩大监测视野，并通过轴与孔的截交线来测量装配参数。此外，根据重投影误差，对不同位置的双目数据的融合权重进行优化，使误差降低10%左右，在实现快速检测的同时保证了测量精度。实验结果表明，所提算法可以对间隙为0.25 mm的小直径和小间隙孔轴的装配过程进行实时监测，平均误差约为0.015 mm。同时，所提算法对摄像机的倾斜角度不敏感，在不同的摄像机安装位置具有良好的鲁棒性。

激光扫描仪等设备直接收集到的原始点云通常会受到噪声的影响，这会影响后续的处理，如三维重建、语义分割等，因此点云去噪算法尤为重要。现有的点云去噪网络大多以噪声点与干净点的距离作为目标函数进行迭代训练，这可能导致点云聚集与异常值。针对以上问题，提出一种基于多尺度点云分布分数（即点云对数概率函数的梯度）的新型去噪网络multiscale score point（MSPoint）。MSPoint网络主要由两部分组成：特征提取模块和位移预测模块。在特征提取模块中输入点云的邻域，通过对数据添加多尺度噪声扰动加强MSPoint的抗噪性能，使提取到的特征具有更强的表达能力。位移预测模块根据分数估计单元预测的分数迭代学习噪声点的位移。在公开数据集上的实验结果表明，相比现有的方法，MSPoint有着更好的去噪效果以及更强的鲁棒性。

红外探测系统具有隐蔽性好、抗干扰能力强等特点，广泛应用于**和民用领域，红外弱小目标的检测是红外探测系统中的重要组成部分，已成为了当前的研究热点。近年来，学者们在基于低秩稀疏分解的红外弱小目标检测算法研究方面取得了丰硕的成果，为此，重点阐述了基于低秩稀疏分解的红外弱小目标检测算法的研究现状和研究进展。从背景分量约束、目标分量约束和联合时域信息约束等3个方面详细地综述了基于低秩稀疏分解的红外弱小目标检测算法。首先把背景分量约束划分为块图像的低秩约束、张量的低秩约束和全变分约束，其次从目标的稀疏性表示和融合局部先验的目标分量加权策略两方面分析了目标分量的约束，然后分析了联合时域信息约束，将典型的基于低秩稀疏分解的检测算法和单帧检测算法进行了性能对比，最后讨论了该领域下一步的研究方向。