随着船舶的长时间营运,船舶的甲板设备或多或少会出现一些故障和问题,影响船舶的行驶安全。因此,对船舶甲板设备进行有效的维护保养是必不可少的工作。但目前我国船舶机械设备维护保养水平相对滞后,主要依靠传统的人工目测与手动测量,随意性较强,效率较低。随着人工智能技术的飞速发展,机器视觉、模式识别等智能识别检测方法应用而生,传统的船舶机械设备维护保养方法已经无法满足当今的时代发展,将机器视觉的理论与技术应用于船舶甲板维护保养环境的识别研究具有重要的工程意义。本文采用机器视觉技术对船舶甲板维护保养环境识别展开研究。文章设计了基于双目视觉的典型船舶甲板设备三维点云重建方案、基于点云配准的典型船舶甲板设备三维缺陷识别检测方案以及基于支持向量机的典型船舶甲板设备二维缺陷识别检测方案。对基于双目视觉的典型船舶甲板设备三维重建研究,使用张正友法对双目相机进行了标定,通过立体校正实现了双目相机的共平面校准。通过优化的SGM半全局立体匹配算法获取了船锚的视差图,利用相似三角形获得了船锚的三维点云空间坐标,最后实现三维点云的可视化。对基于点云配准的典型船舶甲板设备三维缺陷检测研究,利用均匀采样算法提取了典型船舶甲板设备三维模型的点云并将三维模型格式转化成了点云格式文件,为了获得较好的点云配准效果,文章将点云配准分为基于FPFH算法的初始配准和基于ICP算法的精确配准两部分,并利用kd-tree快速最近邻算法改进点云配准的运行效率。为了验证点云配准算法的有效性,在原始的典型船舶甲板设备三维模型基础上人为制造磨损、松动、断裂等缺陷,利用配准算法实现了缺陷的检测与可视化。对基于支持向量机的典型船舶甲板设备二维缺陷检测研究,采集锈蚀、裂纹、孔洞三种典型船舶甲板设备缺陷图像并建立图像样本数据库,利用灰度共生矩阵构建甲板设备缺陷特征向量数据库。通过网格搜索法与粒子群算法,优化了支持向量机的参数,寻得最优参数后建立支持向量机分类模型实现典型船舶甲板设备的二维缺陷识别与检测。