随着计算机、数字图像处理、传感器等技术的迅速发展,基于计算机视觉的表面缺陷检测已成为机器视觉应用领域的研究热点之一。目前,相关研究大多都采用图像处理或者机器学习等方法对二维图像进行检测分析,受平面图像在信息维度上的制约,这些方法通常难以准确识别出具有深度信息的缺陷,而这一类缺陷往往对于钢板质量的好坏起着决定性作用。因此,基于三维点云数据的缺陷检测方法具有重要的研究价值。本文研究了基于低视差多视角图像序列的点云数据重建、缺陷分割等问题,主要工作有:1、制备了带有表面缺陷的钢板试块并在此基础上获得了多视角图像数据集,针对该图像数据集的低视差特性,提出了一种优化图匹配过程的运动恢复结构(SFM)算法。该方法通过Fisher向量构造相似图聚类,从而以一种类内匹配、类间融合的并行计算方式减少了一部分重复且不必要的匹配过程,在此基础上利用稠密重建方法获得了钢板表面的点云模型。实验表明,该方法比传统方法显著地提高了算法的运行效率,获得了较高的重建精度。2、给出了一种基于层级自适应Octree优化的RANSAC平面分割算法,该方法采用双边滤波剔除初始点云中的噪声点,然后通过曲率判定划分层级的方式建立点云的Octree数据结构,在不影响点云结构特征的前提下降低了数据的冗余度,并通过参数实验确定了 RANSAC模型估计的参数范围。与常规的RANSAC点云分割算法以及其它主要的点云分割算法相比,该方法大大减少了算法的运行时间,同时获得了良好的分割结果。