随着智能制造技术的快速发展,以机器人为核心的柔性喷涂生产线,因其具有高效灵活、环保安全等优点,在工业领域得到广泛应用。然而,传统专注于大规模集中制造的固定流程作业模式,已经难以满足日益增长的以小批量、多品种为特点的定制化喷涂需求。为实现灵活柔性化作业,大型喷涂企业常采用三维视觉感知技术获取工件形貌特征,实现在线工件识别和喷涂路径规划。然而,高昂的成像设备及技术成本让诸多中小企业望而却步。为降低机器人柔性喷涂技术的成本与门槛,本文提出一套基于低成本RGB-D相机的工件在线三维测量方案,围绕3D成像、工件识别、工件重建、位姿估计等关键视觉感知技术展开研究,为机器人路径规划和自主作业提供支撑。本文的主要研究内容和创新点如下:1)针对机器人柔性喷涂作业中对工件三维形貌测量的需求,设计一套基于低成本、消费级RGB-D相机的流水线工件在线3D成像系统。该系统采用对侧安装的RGB-D相机,在不影响生产节拍的情况下全方位采集在位运动工件的RGB-D数据流。为实现系统的高质量成像,从两方面标定系统:第一,针对低精度RGB-D的深度测量误差问题,提出一种基于多因子误差建模的深度测量值补偿方法。该方法结合RGB-D相机的测量原理及工件的几何属性,分析视角及空间距离变化对深度误差的影响,采用多元高阶建模的方式补偿测量值。第二,针对无重合视场的相机系统外参标定难题,提出一种基于双面标定板的交点共面联合优化的标定方法。该方法利用同名点在物理空间的一致性设计一种双面参考标定板,并以点线共面及先验物理模型为约束建立距离误差目标函数,优化求解参考点的坐标,实现系统外参的精确标定。2)针对柔性喷涂生产线小批量、多种类工件识别需求,提出一种多模态特征结合的识别方法,解决结构相似工件识别不准确的难题。首先,通过离线增强的小样本数据集训练Mask R-CNN模型,利用其在2D图像上尺度及方向空间的不变性,实现相似工件的聚类;然后,在初步工件识别定位的基础上,利用3D点云特征对局部细节的强区分性,采用关键点检测、矢量化、特征配对的思路,以配对率为评价指标对粗分类工件进一步精确识别。其中,针对相似工件特征误配对的问题,提出一种特征对分步验证算法,即以矢量化特征的线性相关度为初配标准,再以拓扑结构及空间变换关系的一致性为约束,实现工件3D特征的准确配对。实验中,采用1000多个工件对所提算法进行测试。结果表明:识别率高达99.26%,单工件识别耗时低于1.5 s。3)针对部分工件无先验模型、无法满足机器人自主编程需求的问题,提出一种基于运动恢复（Sf M）的多视RGB-D图像融合的工件在线3D重建方法。该方法利用成像系统采集的多视数据流,按照工件分割、位姿估计、点云融合、对侧工件拼接的步骤,实现喷涂工件的完整建模。首先,提出一种基于彩色图引导的RGB-D工件分割算法。因彩色图质量优于深度图,以Background Matting模型准确分割的彩色图工件为引导图,通过导向滤波增强被噪点干扰的深度图工件,并作为掩膜快速高质分割深度图工件。然后,提出一种局部ICP配准与全局误差优化算法,估算多帧工件间的位姿。该算法基于工件近似线性的运动特性,通过简化目标函数改进ICP算法,快速估算相邻帧工件位姿,再以配对点对距离最小为约束全局优化多帧工件位姿的累计误差,实现位姿的准确估计。接着,基于点云的空间概率密度分布以及点云质量与视角变化的相关性,提出一种联合加权点云融合算法,滤除对齐点云中的噪点及错误点,实现多视点云的高质融合,并得到单侧工件的3D模型。最后,基于成像系统的外参矩阵拼接两对立面工件点云,实现工件的完整重建。实验表明:所提算法的建模误差小于5 mm,耗时约为1.5s,满足实际生产需求。4)针对流水线非规则运动或悬挂错位造成工件与参考位模板存在位姿偏差的问题,提出一种基于增强型深度特征En-3DMatch的位姿测量方法。首先,针对3D数据集标注效率低的问题,基于RGB-D数据的2D图像与3D点云的内部映射关系,将大量提取及配对的ORB特征点转换为降质的配对3D特征点面片,以此作为标签实现数据集的自动标注;再利用标记数据训练3DConv Net深度模型,获得一种描述性和区分性更强的En-3DMatch特征;然后,针对特征匹配中误配对点及离群点的干扰问题,将应用于2D图像的Ada LAM算法扩展到3D点云,实现误配对特征的准确滤除;最后,以配对特征点的距离最小为目标,通过非线性优化求解的方式准确测量工件的位姿。实验表明:所提算法能够精准快速的测量工件的位姿,基于低分辨率的消费级RGB-D相机采集的数据,位姿测量误差为4.022 mm,耗时低于1s。