电弧增材制造技术因沉积率高、短周期、高利用率和低成本等优点,具有广泛的应用前景。但在其生产过程中,存在很多干扰因素使零件表面产生缺陷,影响零件的成形精度。在电弧增材制造过程中,检测零件表面缺陷并对缺陷区域进行修补可以提升零件的最终成形质量。基于电弧增材制造点云数据的表面缺陷检测系统可以应用于电弧增材制造的在线监测领域,提高电弧增材制造生产过程的自动化程度和成形零件的精度。首先,将系统的功能模块划分为点云数据采集、点云数据处理、图像处理、数据库查询与显示、在线与本地缺陷检测模块,并且设计了一种在线检测电弧增材制造零件表面点云的整体流程。其次,针对点云采集中存在噪声的问题,使用统计滤波对原始点云进行去噪,提出一种随机采样一致性算法和基于灰度阈值的改进分水岭算法结合的改进分割算法,实现了零件当前打印层目标区域的准确分割。然后,因大规模稠密点云的缺陷检测计算消耗大、处理时间长,根据体素网格化思想设计点云数据转换高度图的算法,降低数据维度,并针对高度图缺失数据点问题,基于拉格朗日插值实现图像缺失像素值修补算法。最后,针对电弧增材制造当前打印层表面缺陷,改进了Mask R-CNN算法,在Mask R-CNN实例分割算法的特征提取网络Res Net101中嵌入通道注意力模块,并更改网络中锚框的长宽比,使网络有更好的缺陷特征提取效果。基于功能模块设计开发了结合点云处理、图像处理和深度学习技术的表面缺陷检测系统。对系统进行测试的结果表明,改进Mask R-CNN算法比原始Mask R-CNN的8)50:70提升了2.1%,有更好的检测效果。设计实验验证修补算法的均方根误差仅为1.5225,表明修补像素值有效。实验验证改进分割算法的F1值为0.8922,可以准确分割目标区域。检测百万数量级零件表面点云中的缺陷平均用时为5s,满足在线检测电弧增材制造零件表面缺陷的需求。