在工业零配件生产加工过程中,工件尺寸测量分为接触测量和非接触测量。接触测量方法可能会对工件表面造成损伤,测量效率比较低且精度受主观因素的影响较大,为提高测量的精度和效率,非接触测量应运而生。传统立体视觉测量是非接触测量方法中广泛应用的一种。该方法能同时获取工件表面多个三维点信息,从而提高测量效率,然而此方法对场景光照比较敏感,并且严重依赖工件表面的纹理特征。结构光测量技术作为另外一种典型的非接触测量技术,具有简易、抗干扰能力强等优点。最重要的是,与传统立体视觉测量系统不同,在结构光立体视觉测量系统中,激光器主动在被测对象表面投射激光条纹,因此能精确定位特征点而不受物体表面纹理的影响。该技术解决了传统立体视觉测量中特征点匹配的根本性问题,提高了尺寸测量的精度。随着工业生产标准的不断提高,单纯的三维尺寸测量已经不能满足要求。如何在工件尺寸测量的同时兼顾其表面缺陷检测是亟待解决的问题。因此本文在结构光立体视觉测量系统的基础上引入了工件表面缺陷检测模型,这样能够同时满足工业生产过程中对工件尺寸和质量的双重要求。基于上述目的,本文的主要内容包括以下几个方面:(1)相机标定。本文分析了相机成像模型和张氏标定法的标定原理,并提出了一种基于圆点棋盘格的相机标定方法。首先通过Canny算子提取圆点边界,其次借助SURF算法提取圆点中心的初始坐标,最后为更进一步提高中心点的定位精度,本文对初始中心点坐标进行了亚像素水平上的细化。实验结果表明在误差达到稳定的情况下,张氏标定法标定图像的数量为24幅,而本文数量仅为9幅,并且此时相较于张氏标定法0.20760个像素的重投影误差,本文方法的重投影误差为0.10392个像素。(2)结构光条纹中心提取。通过Gabor、局部二进制模式(LBP)以及方向梯度直方图(HOG)分别获取光条纹的三种特征图像,其次对这三种特征图像进行融合得到融合光条纹特征图像,最后通过骨架细化法提取融合条纹的中心线。(3)工件表面缺陷检测。本文将结构光立体视觉测量系统和工件表面缺陷检测模型相结合,为工件立体测量提供预筛选功能,本文引入YOLOV3模型、Deeplab V3模型和Mask r-CNN模型实现了对纯粹立体视觉测量的进一步拓展和补充。相较于前面两个模型,Mask r-CNN模型既精确定位了缺陷又实现了缺陷的细分,其Io U为72.35%。(4)3D重构及测量精度分析。与传统的视觉测量系统相比,结构光双目视觉测量技术下获得的工件表面三维点云更稠密,且对0级工件(100mm×35mm)尺寸的测量精度达到了0.2709mm。