随着计算机视觉和自动化技术的快速发展,关于工业产品表面缺陷的视觉检测技术已成为了热门的研究内容之一。传统的二维图像视觉检测技术通过图像的纹理、灰度等信息来实现物体表面的缺陷检测,但是由于二维图像缺少深度信息,这种检测技术存在不可忽略的局限性。因此,对利用三维点云数据实现的物体表面缺陷检测研究具有必要性和重要的价值。通过配准标准点云和待检测点云,并比对点云之间的差异来计算缺陷,其中配准过程将利用点云的边缘特征来优化。具体研究内容如下:为了优化点云数据,去除点云数据中的噪声,对点云数据预处理技术进行研究。先对点云进行体素下采样,在保存点云几何特征的情况下极大地减少了点云数据量。然后利用RANSAC（Random Sample Consensus）算法将无用的数据剔除,仅保留待检测物体点云关键部分。最后针对点云中的噪声类型,采用统计滤波法和直通滤波法过滤掉点云数据中的离群点和整片噪声。通过分析传统点云粗配准算法和点云精配准算法的性能缺陷,提出一种基于边缘点云特征的点云配准方法。该方法可以分为几个步骤:分别计算出源点云数据和标准点云数据的边缘点云,对两片边缘点云数据计算FPFH（Fast Point Feature Histogram）特征描述子,按照特征描述子建立两片点云的对应点对来完成粗配准计算。最后把粗配准结果作为精配准ICP（Iterative Closest Point）算法的初始点云,并通过ICP算法计算出最佳刚体变换矩阵完成配准。通过实验分析,点云配准的速度和精度都得到了大幅提高。采用K邻域搜索的方法来判断配准后点云数据中的缺陷点。该方法首先建立待检测点云中点在标准点云中的K邻域,通过计算该点与其K邻域中最近点的欧式距离来实现缺陷点的判断。为了更好地归纳展示缺陷点云,利用贪婪投影三角化曲面重建法完成了缺陷点云的曲面重建,并对缺陷点云的类型实现自动化分类。实验证明,K邻域搜索法能够快速地找到待检测点云中的缺陷点。