玻璃盖板作为手机屏幕最外层的显示部件,其表面质量直接影响着用户的视觉体验。目前针对玻璃盖板表面的缺陷检测主要依赖人工,其效率低下且人力成本高。基于传统机器视觉的检测方法受限于玻璃盖板的高透性,难以获得其表面有效的图像信息,而且由于缺陷各异,传统视觉算法难以对多种缺陷同时进行检测,导致其算法鲁棒性差且复用性较低。针对传统机器视觉在图像采集方面的难点,本文利用光谱共焦位移传感器来采集玻璃盖板表面的点云,从三维点云的角度来获取缺陷的图像信息。针对传统机器视觉在算法方面的难点,本文利用深度学习技术,基于深度神经网络对缺陷样本进行迁移学习训练,实现对玻璃盖板表面缺陷的识别和分类。具体研究工作如下:（1）设计一台全尺寸扫描系统,搭载线扫光谱共焦位移传感器来获得玻璃盖板表面的原始点云。其次,对该扫描系统进行几何误差建模,并基于激光跟踪仪对该系统进行误差标定以提升系统的运动精度,为玻璃盖板的点云获取提供良好的硬件平台。（2）对采集的多片原始点云进行点云配准,以重建玻璃盖板完整的点云模型。为解决点云噪声和冗余问题,对原始点云进行去噪、精简等预处理,以提高后续点云配准的精度和效率。为解决最近点迭代算法（Iterative Closest Point,ICP）对特征点和初始值要求高的问题,提出一种融合运动与三维特征的点云配准方法,实现玻璃盖板完整点云的重建。最后通过多组实验来验证本文配准算法的有效性。（3）针对玻璃盖板完整点云的图像信息,阐述实现缺陷检测的方法。首先,介绍所要检测的缺陷类别:划痕、压伤、崩边和脏污,并展示相关缺陷的点云图像。其次,介绍常见的目标检测算法,并重点阐述YOLOv3算法的原理及其神经网络模型架构。然后,以YOLOv3的网络模型为基础作出改进,并阐述改进策略和改进后的模型,使其更适用于玻璃盖板表面微小缺陷的检测。最后,建立玻璃盖板点云图像数据集并进行数据增强,基于迁移学习的方法对本文改进的YOLOv3深度神经网络模型进行训练,并用测试集对模型训练后的结果进行验证。（4）基于改进的YOLOv3深度神经网络模型进行缺陷检测对比实验。首先,建立三种单尺度模型进行训练,监测训练过程中各模型损失函数和准确率的变化,并用测试集对模型训练后的结果进行统计和分析。通过对比三种单尺度模型与本文模型的识别结果,验证增加网格划分数量和进行多尺度训练对模型识别率的提升作用。其次,对比三种常见的目标检测算法对于本文数据集的识别结果,验证本文所提缺陷检测算法模型在检测准确率和检测速度方面的有效性。