在工业生产流程中,缺陷检测往往是必不可缺的环节。基于机器视觉技术与三维点云数据可对工件表面进行缺陷检测,标记缺陷部位以供下游任务使用。如何实现精确的待检工件多视角三维点云重建并对其表面的缺陷部位进行准确标记,成为了缺陷检测系统中的关键问题。本文针对工业生产中工件的缺陷检测需求,设计并实现了一个基于多视角配准的缺陷检测系统;将缺陷检测问题转化为聚类问题,提出了基于聚类的缺陷检测方法;并对现有的深度学习两视角点云配准模型进行了改进。本文的主要工作包括:1.设计并实现了一个基于多视角配准的缺陷检测系统。系统由点云预处理、点云分割、多视角点云配准以及缺陷检测四个模块组成。具体地,点云预处理模块对输入的多视角点云进行降噪与降采样;点云分割模块使用本文实现的基于八叉树的点云分割方法,从输入的各幅点云中分割出点云配准所需的前景部分;多视角点云配准模块将多视角点云配准任务分为多组两视角点云配准以及多视角全局一致性优化两个阶段,最终得到多视角配准后的工件完整表面点云;缺陷检测模块利用多视角配准得到的待检件点云与标准件点云进行匹配比较,基于DBSCAN实现对待检件表面缺陷部分的标记。模块化的设计使得系统使用更加灵活,可满足不同场景需求。2.针对传统点云缺陷检测方法准确率与召回率难以均衡的问题,提出了基于DBSCAN的缺陷检测方法。该方法将缺陷检测问题转化为聚类问题,解决了传统方法使用固定欧式距离阈值进行判断的弊端。该方法在欧氏空间中对待检件表面点云中的点进行聚类,随后模拟形态学操作中的开操作对聚类结果中存在的噪声进行去除,最终对待检点云中经计算被判断属于缺陷区域的点进行标记。在基于斯坦福大学3D扫描库中的Bunny模型、Armadillo模型与Happy模型生成的缺陷检测数据集上,上述缺陷检测方法取得了较高的准确率与召回率;其F1分数达98.11%、97.00%、97.33%,均高于对照方法,表明该方法精确度高且性能稳定,可以准确标记工件表面的缺陷部位。3.针对现有深度学习两视角点云配准模型计算耗时过长的问题,提出了基于特征距离聚簇的改进模型,可大幅提升多视角点云配准模块的计算速度。基于点对置信值及特征,改进后的模型以置信值较高的多个点对为中心对所有点对进行特征空间中的近邻聚簇,为每个簇进行一次带权普氏分析。该方法取各簇中使初始点对配准成功数量最多的一个结果,可得到鲁棒的初始空间转换矩阵,避开了基准模型中可能因点对置信值整体偏低而使用的耗时严重的RANSAC配准方法。在3DMatch数据集上,改进后的模型配准两视角点云平均计算用时为0.10秒,远远快于基准模型的1.21秒。同时,改进后模型的配准召回率相较于基准模型提高了0.44%,达到了91.74%。本文设计并实现的基于多视角配准的缺陷检测系统使用灵活,输出结果精确,为工业自动化生产中的缺陷检测需求提供了一个解决方案。