装备表面异物检测涉及航空航天、高速列车、工业装备等多个领域,本论文以高速列车为研究对象展开研究。高速列车表面异物检测是列车安全运行的有力保障,为了避免附着在列车表面的异物在运行过程中脱落导致安全事故,需要定期进行异物检测与处理。传统的异物检测主要依靠人工,检测效率低且准确率无法得到保障。因此,亟需探索一种装备表面异物的智能检测技术以减少人力投入,同时提高检测的效率与准确率。随着相机、数字投影仪、计算机等硬件设备以及图像处理技术的飞速发展,机器视觉已然成为智能检测领域的研究热点,为装备表面异物检测提供了新的可能。机器视觉是通过相机采集图像,采用图像处理技术进行数据处理以获取目标信息的技术,但是由于实际应用场景日益复杂,仅仅依靠二维图像信息已经不足实现准确判别,因此机器视觉技术开始逐渐向三维转化。其中,基于数字光栅投影的结构光三维测量技术凭借着其非接触、测量速度快、测量精度高、鲁棒性强等优点在工业检测、质量控制等领域得到了广泛应用。本文对基于数字光栅投影的结构光三维测量技术中相位提取与展开、相位误差补偿、系统参数标定三个关键问题进行分析与优化,将其应用到装备表面异物检测领域并开展实验验证其可行性。具体的研究内容如下:首先,相位的准确提取与展开是保证结构光三维测量技术精确度的前提。对相位提取与展开算法进行理论分析与实验研究,并针对以下问题提出相应的解决方案:（1）针对所采集图像中的背景噪声或者阴影区域导致相位主值分布图中存在无效区域的问题,提出了一种基于光强标准差的有效相位提取方法;（2）对于相位主值与条纹级数不能同时跳变导致的周期交界处的跳变误差,提出了一种基于高斯滤波算法的相位误差校正方法;（3）对于相位编码法中码字解调出错的问题,提出了一种在编码相位中引入π/k相移的方法。对以上提出的方法均进行了实验验证,结果表明所提方法简单有效。其次,投影仪gamma畸变导致的相位误差是系统误差的主要来源。分别以双N步相移法、希尔伯特变换法开展相位误差补偿实验,结果表明两种方法补偿后的相位误差均可以控制在0.06rad以下,呈现出较好的补偿效果。然后,系统参数标定是实现二维图像信息到三维空间信息转换的关键。基于相机成像原理分别建立理想以及考虑畸变情况下的系统模型,推导相位差-三维坐标之间的非线性映射关系。通过具有出色的学习速度与泛化性能的极限学习机（Extreme Learning Machine,ELM）网络对相位差-三维坐标之间的非线性映射关系进行拟合,分别以训练样本和测试样本对网络性能进行测试,确定合适的隐含层神经元个数l与激活函数g（x）,对网络参数进行保存以实现系统参数标定。训练样本与测试样本的三维重建结果表明,基于ELM网络的系统参数标定方法具备测量速度快、测量精度高。最后,搭建结构光三维测量系统,以高速列车底架横梁为实验对象开展装备表面异物检测实验。在前述研究的基础上,应用优化后的算法对存在表面异物的高速列车底架横梁进行三维重建,从而实现异物检测。实验结果表明,所提方案具备较高的可行性与测量精度,对于实现装备表面异物的快速、高精度、自动化检测具有重要的推动作用。