在工业生产中安全是首要任务,但日益复杂的工业现场环境给安全生产带来了极大挑战。当前工业现场常用的安全监测方法有:基于人工的巡查方法、基于机器视觉三维成像的目标识别方法、基于卷积神经网络的目标识别方法。人工巡查的检测精度、频率和范围都是有限的,因此基于机器视觉三维成像和基于卷积神经网络的目标识别方法得到了广泛应用,并能够运用于极端恶劣环境中,但基于机器视觉的三维检测方法自动化程度仍然不高,往往需要辅以人为监测。针对以上问题,本文首先对基于机器视觉的三维成像方法进行研究,提出了基于张氏的加权标定法,并将该方法应用于采用半周期反向相位误差补偿的相移条纹投影三维成像系统中,提高了工件尺寸的三维测量精度和成像检测精度。进一步地,本文研究了基于卷积神经网络的目标识别方法,建立了VGG16结合早停法的模型,该方法能够有效减少训练成本,实现了对工业现场漏液的自动快速检测。本文的主要研究工作和创新如下:1、本文分析了标定板角点的重投影误差分布规律,并提出了基于张氏的加权标定法。该方法根据二维高斯数学模型建立加权目标函数,通过迭代计算得到相机参数的最优解,提高了系统整体校准精度,使标定的重投影误差从0.0434减小为0.0232。并将加权标定法应用于采用半周期反向相位误差补偿的相移条纹投影三维成像系统中,消除了非线性响应造成的周期性相位谐波误差,有效提升了三维成像显示效果和三维测量精度。2、本文分析了噪声模型、图像滤波和分割算法,并根据图像中背景噪声过多、目标物体表面噪声较少且形状较为规律的特点,提出了中值滤波结合人工框选的Otsu阈值分割算法,该方法有效地消除了相机拍摄时投影仪亮度高造成的图像噪声并保留了目标物体的边缘信息。3、本文搭建了工业现场管道漏液检测系统,该系统采用了VGG16结合早停法的模型,并通过与多种基于卷积神经网络的模型进行对比,验证了该模型的优越性:其训练准确率为99.44%,预测准确率达到97.00%,单张预测时间最短约为0.2s,综合性能最优,且该模型原理较为简单,易于实现,系统搭建成本较低,可以满足工业现场的检测需求。