焊接工艺在现代工业中至关重要,焊接质量直接影响了整体焊接工件的质量,焊缝表面缺陷会严重影响工件性能,大大降低焊接强度甚至引起重大事故。很多焊接流程中采用人工对焊后的焊缝表面质量进行检测,由于焊接工艺的复杂性,人工焊缝检测成本高,效率低,难以满足现代焊接工艺的要求。因此,基于机器视觉的焊缝表面质量检测因其具有良好的鲁棒性和精确性取代人工检测成为了目前焊缝检测的主要手段,然而,由于焊接过程中飞溅、弧光等外界环境噪音大,基于机器视觉的焊缝表面质量检测难以在实时检测中得到应用,仍需要进一步深入研究。本文研究基于线结构光的智能焊缝表面缺陷检测,在外界噪音影响大的情况下,三维检测比二维检测鲁棒性更强,精确度更高,根据线结构光三角测量法对焊缝表面进行三维重建,建立小型的焊缝表面点云数据库,利用优化后的PointNet深度学习网络对焊缝表面缺陷进行识别分类,从而实现高效精准的焊接质量检测。具体研究内容如下:（1）提出了改进的角点提取算法以及一种基于三维空间特征的数据修复算法。本文对利用线结构光进行焊缝表面三维重建的具体方法和流程进行详细介绍,并对其中的图像数据预处理中的ROI提取根据现有的Moravec算法进行改进,解决了伪角点的问题。同时在三维点云的预处理中,利用整体测量系统的三维空间特征和对应关系,以及焊缝表面形成机理和特征,对外界因素导致的焊缝表面丢失数据进行修复。对三维点云数据的采集和对之后点云数据的处理提供给了可靠的基础数据,实验证明,修复算法能够有效的解决数据丢失问题。（2）对现有的焊缝表面进行数据采集,建立小型的焊缝表面点云数据集。本文对焊缝表面缺陷的语义定义进行研究,对近100份平板搭接焊焊缝样本进行分段和表面点云采样,使用Semantic Segmentation Editor编辑器对点云进行语义标注,从而完成数据量为250左右的小型焊缝表面点云数据集用于焊缝表面缺陷的深度学习网络训练。（3）运用优化后的PointNet深度学习网络对焊缝表面缺陷进行识别分类。本文针对焊缝表面点云实际特点对PointNet深度学习网络进行改进优化,对其中的T-Net坐标同一性神经网络进行简化,从而达到减少计算时间,提高网络实时性的目的。对优化后网络进行实际训练和测试,实验证明,该改进后网络可以很好的对焊缝表面点云数据进行识别和分类,检测缺陷。