产品的质量安全直接关系着国民经济的发展和人民生活的稳定，因此产品质量安全必须严格把关。目前，三维视觉检测，尤其是基于结构光的三维检测技术在产品表面检测领域具有广泛的应用场景。然而，高光表面产品（如钢、铝合金、铜板、镁带等金属制品）的表面缺陷检测依然存在以下难点：（1）高光表面发生的反光现象容易造成图像成像饱和，三维重建数据缺失以及三维重建精度下降的问题；（2）多曝光三维重建方法中多曝光序列的选择严重依赖人工经验，没有充分利用物体表面灰度信息，造成三维重建效果差、效率低的问题；（3）产品三维缺陷检测任务存在数据量小，缺陷样本和无缺陷样本数量不均衡的问题，基于深度学习的缺陷检测方法难以使用少样本数据完成训练。因此，本文围绕着高光表面物体的三维缺陷检测任务，针对高光表面三维重建、多曝光序列自动选择以及跨域少样本分类等问题开展研究。本文的主要工作和创新点归纳如下：

1.针对结构光方法对高光表面进行三维重建时遇到的图像成像饱和，三维重建数据缺失以及三维重建精度下降等问题，提出了一种基于多曝光融合的三维重建方法。相比于传统方法，本方法通过多曝光融合技术消除了高光的影响，并且选用了对反射光线鲁棒性较强的黑白二值格雷码作为结构光模式图。通过以上方法，有效地解决了图像成像饱和，三维信息数据缺失以及三维重建精度下降的问题。为了验证方法的有效性，实验在具有高光表面特性的金属零件和锂离子电池上开展，实验结果表明，本方法克服了高光表面反射光的影响，并获取了高光表面物体完整、精确的三维点云。

2.针对基于多曝光融合结构光三维重建方法中，曝光序列的选择严重依赖人工经验问题，提出了一种基于面积权重法的多曝光序列选择方法。相比于传统方法，本方法充分利用了物体表面灰度信息，通过灰度直方图，生成面积权重曲线，来辅助曝光序列的选择。进一步地，本方法采用了三维重建时间和点云数量两个指标来评价所生成的曝光序列的优劣，实现了曝光序列的量化评价。根据该指标选择出的曝光序列，在点云数量和时间效率上均具有良好的表现。为了验证方法的有效性，实验选取了三种不同反光特性的高光表面对象，将所提方法与其他相关方法进行比较，在其他条件相同情况下，所提方法获得了最高的综合评分。实验结果表明，本方法实现了多曝光序列的自动选择，所选择的曝光序列在测量精度、三维重建时间和点云数量等指标上比其他相关方法均表现更好。

3.针对生产现场高光表面产品缺陷样本数量较少，较难进行深度学习模型训练问题，提出了一种跨域少样本学习的三维缺陷检测方法。首先，本方法将三维测量得到的三维点云进行“高度-灰度”转换，使得三维信息包含于灰度转换图中。然后以公开数据集中的大量标签样本为源域数据，对跨域少样本学习模型进行预训练。为了提高模型的泛化性能，本文提出了一种改进孪生网络模型，采用批量谱正则化项对模型参数进行约束，实现了知识从源域数据向目标域数据的迁移。最终，本方法利用高光表面的三维信息提取了有效的分类特征，实现了高光表面对象的三维缺陷准确分类。为了验证方法的有效性，实验在缺陷锂离子电池上开展，实验结果表明，本方法获取了高光表面产品的三维信息，并且实现少样本条件下深度学习模型的训练，与其他相关方法相比，本方法获得了最高的分类准确率。

4.集成以上三项关键技术，研发了新能源动力锂离子电池三维缺陷检测系统，在锂离子电池生产现场进行了试运行，对本文所提方法的有效性进行了应用验证。应用验证结果表明，本文所提的高光表面三维重建方法，能够克服锂离子电池高光表面的影响，重建出具有良好完整性、稠密度高的三维点云。所提的多曝光序列选择方法，能够充分利用锂离子电池表面灰度信息，自动选取多曝光序列，提高了锂离子电池三维重建的效率。所提的跨域少样本学习三维缺陷检测方法，能够在以少量缺陷锂离子电池作为样本的情况下，训练出能够检测电池缺陷的深度学习模型。实验结果表明，本文提出的方法能够有效检测锂离子电池表面缺陷，提高了动力锂离子电池产品的可靠性和安全性。