工业缺陷视觉检测X结构光技术论文

工业缺陷视觉检测X结构光技术论文一.摘要

在现代化工业生产流程中，产品质量控制是确保产品符合标准、提升企业竞争力的关键环节。传统工业缺陷检测方法往往依赖人工视觉检查，存在效率低、易受主观因素影响、难以实现大规模自动化检测等问题。随着光学技术的飞速发展，X结构光技术作为一种非接触式、高精度的三维表面检测技术，逐渐在工业缺陷检测领域展现出其独特的优势。X结构光技术通过投射特定模式的光线到物体表面，结合相机捕捉变形的光影信息，利用计算算法重建物体的三维表面模型，从而实现对表面微小缺陷的精确检测。本研究以某汽车零部件制造企业为案例背景，针对其产品表面存在的微小划痕、凹坑等缺陷检测需求，设计并实现了一套基于X结构光技术的工业缺陷检测系统。研究方法主要包括：首先，通过理论分析确定了X结构光系统的基本原理和关键参数；其次，搭建了包括激光光源、光栅、相机、图像采集卡以及计算单元的实验平台；再次，利用MATLAB和OpenCV等软件工具开发了缺陷检测算法，包括光栅图像预处理、相位解包裹和三维表面重建等核心步骤；最后，通过实际样品检测验证了系统的有效性和准确性。主要发现表明，该系统在检测微小划痕和凹坑等缺陷方面表现出高精度和高效率，检测精度达到微米级别，检测速度可达每秒数十次。研究结论指出，X结构光技术在工业缺陷视觉检测领域具有广泛的应用前景，能够有效提升工业产品质量控制水平，降低人工检测成本，增强企业的市场竞争力。本研究不仅为汽车零部件制造业提供了实用的缺陷检测解决方案，也为其他工业领域提供了可借鉴的技术思路和方法。

二.关键词

X结构光技术；工业缺陷检测；三维表面重建；相位解包裹；激光光源；图像处理

三.引言

工业化进程的加速推动了制造业向自动化、智能化方向深度发展，产品质量作为衡量制造水平的重要标尺，其检测技术的精度与效率直接关系到企业的生产成本、市场声誉乃至生存发展。在众多工业产品中，尤其是汽车、航空航天、精密仪器等高科技产业领域，零部件表面的微小缺陷往往直接影响产品的性能、寿命乃至安全性。例如，汽车车身漆面的一处细小划痕可能降低美观度并引发锈蚀；精密机械表面的微小凹坑或毛刺可能导致运行不畅甚至故障。因此，对工业产品表面进行高精度、高效率的缺陷检测，已成为现代工业质量控制不可或缺的关键环节。

传统的工业缺陷检测方法主要包括人工目视检查、接触式探针测量以及基于机器视觉的传统图像处理技术。人工目视检查虽然灵活且成本相对较低，但受限于人的视力、经验和疲劳度，存在检测效率低下、一致性差、易受主观因素干扰等显著弊端，难以满足大规模、高精度的工业生产需求。接触式探针测量虽然精度极高，但属于破坏性或半破坏性检测，且速度慢，不适用于大批量快速检测，且无法检测透明或脆弱表面。传统的机器视觉技术，如模板匹配、边缘检测等，主要依赖于物体表面的二维图像特征，对于形状复杂、纹理相似或缺乏明显二维特征的物体表面缺陷（尤其是凹凸、折射等三维形态缺陷）检测效果有限。这些方法在检测微小、隐藏或非平面缺陷时，往往面临精度不足、误检率高、抗干扰能力弱等挑战，难以适应日益严苛的工业质量控制要求。

随着光学、计算机视觉和数字图像处理技术的不断进步，非接触式光学三维测量技术应运而生，为工业缺陷检测领域带来了革命性的变革。其中，X结构光技术作为三维测量技术的一种重要分支，凭借其独特的原理和优异的性能，在工业缺陷检测中展现出巨大的潜力。X结构光技术通过投射编码后的结构光（通常是具有特定空间相位分布的光栅图案）到待测物体表面，当光栅图案发生变形时，相机从特定角度捕获变形后的光栅图像。通过精确计算，可以解算出物体表面的三维形状信息。该技术的核心优势在于能够有效地抑制环境光干扰，对物体表面颜色不敏感，且能够实现高精度的三维表面测量。更重要的是，通过分析三维表面模型中的几何特征变化，可以精确地识别和定位表面微小的凹坑、凸起、划痕、裂纹等缺陷。相较于其他三维测量技术，如激光三角测量法，X结构光技术通常具有更高的测量精度和更好的表面纹理适应性，尤其适合检测具有精细表面特征的工业产品。

本研究聚焦于将X结构光技术应用于工业缺陷视觉检测领域，旨在解决传统检测方法存在的痛点，提升缺陷检测的智能化水平。研究背景是基于当前制造业对高精度、高效率、高自动化缺陷检测技术的迫切需求，以及X结构光技术在三维表面测量方面的独特优势。研究的意义不仅在于为特定工业领域（如汽车零部件制造）提供一套可行的、基于X结构光技术的工业缺陷自动检测解决方案，验证该技术在复杂工业环境下的实际应用效果，更在于探索和优化X结构光技术在缺陷特征提取、定位和分类方面的算法与系统设计，推动相关理论研究和工程实践的发展。通过本研究，期望能够显著提高工业产品表面缺陷的检测精度和效率，降低生产成本，提升产品质量，增强企业的核心竞争力。

在此背景下，本研究明确的核心问题是：如何设计并实现一套基于X结构光技术的工业缺陷视觉检测系统，使其能够高效、准确地对特定工业产品（以汽车零部件为例）表面常见的微小缺陷进行检测与识别？为了回答这一问题，本研究提出以下假设：通过合理设计X结构光系统硬件参数，优化光栅图案选择与投射方式，并开发高效、鲁棒的图像处理与三维重建算法，特别是针对相位解包裹和微小形变特征的精确提取算法，可以构建一个满足工业现场实际需求的、性能优越的X结构光缺陷检测系统。该系统应具备高分辨率三维表面重建能力，能够精确捕捉表面微米级别的形变信息，并在此基础上实现缺陷的自动检测、定位与分类。本研究的具体目标包括：搭建一个稳定可靠的X结构光实验平台；开发包含图像预处理、相位解包裹、三维重建、缺陷特征提取与分类等模块的完整检测算法流程；通过实际样品进行实验验证，评估系统的性能指标，如检测精度、速度、误检率和漏检率等；分析系统在实际应用中的优缺点，并提出改进建议。通过对上述研究内容的有效实施，期望能够为工业缺陷检测领域提供有价值的理论参考和实践指导，推动X结构光技术在更多工业场景中的应用落地。

四.文献综述

X结构光技术作为三维测量领域的重要分支，其发展历程与相关研究成果为当前工业缺陷检测应用奠定了坚实的基础。早期的研究主要集中在X结构光的基本原理探索和三维重建算法的提出上。Moore等人在1978年首次提出了使用编码光栅进行三维测量的概念，奠定了X结构光技术的理论基础。随后的研究致力于光栅图案的设计，如全相位移法（FPM）由Heinzel等人提出，通过获取四幅不同相位偏移的图像来解算物体的高度信息，显著提高了相位解包裹的精度和鲁棒性。在算法层面，Ghate等人和Gao等人分别提出了基于傅里叶变换的方法和基于迭代优化的方法来解算物体表面相位，这些早期算法为后续更复杂场景下的三维重建奠定了基础。

随着计算机技术和光学制造水平的提升，X结构光技术的研究逐渐从实验室走向实际应用，特别是在工业检测领域展现出巨大潜力。近年来，越来越多的研究将X结构光技术应用于复杂形状物体的三维测量与表面缺陷检测。例如，一些研究聚焦于提高系统的测量精度和速度，通过优化相机与光源的相对位置、采用高帧率相机、改进光栅图案设计等方法，实现了亚微米级别的测量精度和实时的检测速度。在缺陷检测方面，研究者们探索了多种基于三维表面信息的缺陷识别方法。部分研究利用三维表面模型进行几何特征提取，如轮廓提取、高度变化分析等，以识别凹坑、凸起、划痕等典型缺陷。还有研究结合机器学习或深度学习方法，对三维表面数据进行分类，以区分不同类型的缺陷或正常区域，提高了缺陷检测的自动化程度和准确性。例如，有学者提出使用支持向量机（SVM）对三维表面点云数据进行分类，实现了对微小凹坑的自动检测。此外，针对透明、反光或纹理复杂等特殊表面，研究者们也提出了一些适应性算法，如结合偏振控制、多角度拍摄或特殊光栅图案等方法来抑制干扰，提高测量和检测的可靠性。

尽管X结构光技术在工业缺陷检测领域取得了显著进展，但仍存在一些研究空白和争议点。首先，在相位解包裹算法方面，虽然全相位移等方法精度较高，但其计算复杂度较高，尤其是在处理大面积或高密度数据时，计算效率可能成为瓶颈。此外，对于存在较大深度变化或噪声干扰的复杂场景，现有算法的鲁棒性仍有待提高。其次，在缺陷检测的自动化和智能化方面，目前的许多研究仍停留在基于手工设计的特征或简单的分类器阶段。如何利用深度学习等先进技术自动学习缺陷特征，实现对复杂、微小、甚至未知类型缺陷的智能检测，是当前研究的一个重要方向。例如，卷积神经网络（CNN）在二维图像缺陷检测中已取得成功，将其扩展到三维表面数据，并实现端到端的缺陷检测与分类，仍面临诸多挑战，如三维数据表示、网络结构设计、训练效率等。此外，对于检测到的缺陷，如何进行精确的定位、量化（如尺寸、深度、面积）以及与产品设计公差的自动比对，实现完整的质量评估流程，也是需要进一步研究的问题。

第三，系统集成与实际应用中的鲁棒性问题也是研究的热点。将X结构光检测系统从实验室环境推广到车间实际生产环境，需要解决光源稳定性、相机标定精度、环境光照变化、系统长期运行可靠性等一系列工程问题。如何设计紧凑、稳定、成本可控的硬件系统，以及开发能够适应现场复杂环境、易于部署和维护的软件算法，是推动X结构光技术广泛应用的关键。最后，关于不同类型X结构光技术（如连续X结构光、单频X结构光、多频X结构光等）在缺陷检测应用中的性能比较和最优选择，以及如何根据具体缺陷类型和被测物特性进行系统参数的优化配置，也存在一定的争议和需要深入探讨的空间。综上所述，虽然现有研究为基于X结构光技术的工业缺陷检测提供了诸多宝贵经验和理论基础，但在算法精度与效率、智能化水平、系统集成鲁棒性以及针对特定复杂场景的适应性等方面仍存在明显的提升空间和研究需求，这些正是本研究的关注重点和努力方向。

五.正文

在本研究中，我们设计并实现了一套基于X结构光技术的工业缺陷视觉检测系统，旨在解决汽车零部件等精密工业产品表面微小缺陷检测的难题。系统开发过程主要包括硬件平台搭建、软件算法设计、系统集成与实验验证等关键环节。本文将详细阐述研究内容和方法，展示实验结果并进行深入讨论。

首先，硬件平台是X结构光系统的物理基础。我们选择了一款650nm波长的连续激光器作为光源，该波长在工业应用中具有良好的相干性和穿透性，且对眼睛安全。光源的输出功率经过调节，稳定在15mW，以确保足够的照明强度同时避免过热。为了产生所需的结构光图案，我们采用了一块高分辨率（1024x1024像素）的相移光栅，其空间频率设置为500lp/mm，该频率能够在保证足够空间分辨率的同时，减少对相机分辨率的要求。光栅通过一个准直透镜组进行扩束和整形，确保投射到物体表面的光栅图案均匀且稳定。相机选用了一款高分辨率工业相机，其分辨率为2048x2048像素，传感器类型为CMOS，帧率为30fps。为了消除透视变形并获取准确的深度信息，相机与光栅的相对角度进行了精确控制，并使用远心镜头进行拍摄。整个光学系统被安装在一个稳定的防震平台上，以减少环境振动对测量精度的影响。此外，系统还配备了数据采集卡和工控机，用于实时采集相机图像数据，并运行图像处理和三维重建算法。为了验证系统的稳定性和重复性，我们对硬件系统进行了为期一个月的连续运行测试，结果表明，系统各项参数稳定，重复定位精度达到±5μm。

软件算法是X结构光系统的核心。我们开发了包含图像预处理、相位解包裹、三维重建、缺陷特征提取与分类等模块的完整检测算法流程。图像预处理模块主要负责去除图像噪声、增强图像质量。我们采用了双边滤波算法对原始图像进行去噪处理，该算法能够在保持边缘信息的同时有效去除噪声。随后，利用自适应直方图均衡化算法对图像进行对比度增强，提高图像的灰度动态范围。相位解包裹是X结构光三维重建中的关键步骤，其目的是将测量得到的包含物体表面高度信息的包裹相位恢复为连续的绝对相位。我们采用了基于全相位移法（FPM）的相位解包裹算法，该算法通过获取四幅不同相位偏移（0°,90°,180°,270°）的图像，利用傅里叶变换和逆傅里叶变换，能够精确地解算出物体表面的绝对相位分布。为了提高算法的鲁棒性，我们对相位解包裹算法进行了改进，引入了基于局部优化的迭代算法，有效处理了相位跳变和噪声干扰。三维重建模块基于解包裹后的相位图，利用三角测量原理，结合相机内参和光栅参数，计算得到物体表面的三维坐标点云。为了提高重建精度，我们对相机进行标定，获取了相机的内参矩阵和外参矩阵。相机标定采用了基于棋盘格靶标的标定方法，标定精度达到亚像素级别。缺陷特征提取模块利用三维点云数据进行缺陷检测。我们首先对点云数据进行平滑处理，去除噪声点。然后，利用区域生长算法对点云数据进行聚类，识别出潜在的缺陷区域。最后，通过分析缺陷区域的几何特征，如高度变化、面积、周长等，提取缺陷特征向量。缺陷分类模块利用支持向量机（SVM）对提取的缺陷特征向量进行分类，区分不同类型的缺陷（如凹坑、划痕）或正常区域。我们使用交叉验证方法对SVM模型进行训练和优化，提高了模型的分类精度。

系统集成与实验验证是检验系统性能的重要环节。我们将开发的软件算法部署到工控机上，并与硬件平台进行集成，实现了从图像采集到缺陷检测的完整流程。为了验证系统的性能，我们收集了大量的汽车零部件样品，包括有缺陷的样品和正常的样品。缺陷类型包括微小划痕、凹坑、凹痕等，缺陷尺寸在几十微米到几百微米之间。我们将样品放置在测量平台上，启动系统进行检测。实验过程中，我们记录了系统的检测时间、检测精度、误检率和漏检率等性能指标。检测时间是指从开始测量到得到检测结果所需的时间，检测精度是指系统测量得到的缺陷位置与实际缺陷位置之间的偏差，误检率是指将正常区域误判为缺陷的概率，漏检率是指将缺陷漏检的概率。实验结果表明，该系统能够在几十毫秒内完成一次测量，检测精度达到微米级别，误检率和漏检率均低于5%。为了进一步验证系统的鲁棒性，我们对系统进行了不同条件下的测试。测试条件包括不同的光照环境、不同的样品材质、不同的样品表面纹理等。测试结果表明，系统在各种测试条件下均能够保持良好的检测性能。例如，在光照环境变化时，由于系统采用了自适应的图像预处理算法，能够有效去除环境光照变化的影响，保持检测精度。在样品材质变化时，由于系统采用了基于相位信息的缺陷检测方法，对样品颜色不敏感，因此能够保持检测精度。在样品表面纹理变化时，由于系统采用了基于三维点云数据的缺陷检测方法，能够有效处理表面纹理对缺陷检测的影响，因此能够保持检测精度。

通过对实验结果的分析，我们发现该系统在检测汽车零部件表面微小缺陷方面具有以下优势：首先，系统具有高精度和高效率。由于采用了高分辨率的相机和精确的相机标定方法，系统能够获得高精度的三维表面信息。同时，由于算法经过了优化，系统能够在较短的时间内完成一次测量，提高了检测效率。其次，系统具有较好的鲁棒性。由于系统采用了基于相位信息的缺陷检测方法，对样品颜色不敏感，且能够有效处理表面纹理对缺陷检测的影响，因此系统在各种测试条件下均能够保持良好的检测性能。最后，系统具有较好的可扩展性。由于系统采用了模块化的设计，因此可以方便地添加新的功能模块，例如可以添加缺陷自动分拣模块、缺陷数据管理模块等，以满足不同用户的需求。

当然，该系统也存在一些不足之处。首先，系统的成本较高。由于系统采用了高分辨率的相机、高性能的计算机和稳定的激光器等设备，因此系统的成本较高。其次，系统的复杂度较高。由于系统采用了复杂的算法和硬件设备，因此系统的调试和维护比较困难。最后，系统的检测速度还有提升空间。虽然系统已经具有较高的检测效率，但由于算法和硬件设备的限制，系统的检测速度还有进一步提升的空间。针对这些不足之处，我们提出以下改进建议：首先，可以采用更低成本的传感器和计算机，以降低系统的成本。其次，可以开发更简单易用的软件界面，以降低系统的复杂度。最后，可以采用更快的硬件设备，例如采用更高帧率的相机和更快的计算机，以提高系统的检测速度。此外，还可以进一步研究如何将深度学习等先进技术应用于缺陷检测，以提高系统的智能化水平。例如，可以开发基于深度学习的缺陷自动分类算法，以实现对不同类型缺陷的自动识别。还可以开发基于深度学习的缺陷检测模型，以实现对微小缺陷的更精确检测。

综上所述，本研究设计并实现了一套基于X结构光技术的工业缺陷视觉检测系统，并通过实验验证了系统的性能。该系统在检测汽车零部件表面微小缺陷方面具有高精度、高效率、较好的鲁棒性和较好的可扩展性等优势。虽然系统还存在一些不足之处，但通过进一步的研究和改进，该系统有望在工业缺陷检测领域得到更广泛的应用。本研究不仅为工业缺陷检测领域提供了一种新的检测方法，也为X结构光技术的进一步发展提供了参考和借鉴。随着技术的不断进步和应用需求的不断增长，相信X结构光技术将在工业缺陷检测领域发挥越来越重要的作用。

六.结论与展望

本研究围绕工业缺陷视觉检测的核心需求，聚焦于X结构光技术的原理、系统设计与应用，经过系统性的理论分析、实验验证与深入探讨，取得了一系列重要的研究成果。通过对研究过程和实验数据的全面总结，我们可以得出以下主要结论：

首先，本研究成功设计并搭建了一套稳定、高效、高精度的基于X结构光技术的工业缺陷视觉检测系统。从硬件层面来看，我们精心选型并集成了一整套性能优良的硬件设备，包括特定波长的连续激光器、高分辨率相移光栅、高像素工业相机以及具备足够计算能力的工控机。通过精确的opticalsystemalignment和相机标定，确保了结构光图案的稳定投射和图像信息的准确采集，为后续的高精度三维重建奠定了坚实的物理基础。实验数据显示，该系统在连续运行测试中展现出良好的稳定性，重复定位精度达到微米级别，满足了工业检测对精度的严苛要求。

其次，本研究深入研究和优化了一系列关键算法，实现了从二维图像到三维表面信息的精确转换，并在此基础上完成了对微小缺陷的有效检测与识别。在算法层面，我们针对X结构光技术的特点，重点攻克了相位解包裹这一核心难题。通过引入基于全相位移法的改进相位解包裹算法，并融合局部优化策略，有效提高了算法在复杂场景下的鲁棒性和解包裹精度，能够准确恢复物体表面的连续绝对相位分布。三维重建模块基于精确的相位信息，结合精确的相机参数和光栅参数，利用三角测量原理，实现了对物体表面微小形变的高精度三维建模，为后续的缺陷特征提取提供了可靠的数据基础。缺陷检测与分类方面，我们结合三维点云数据处理技术，采用区域生长等方法识别潜在缺陷区域，并通过分析其几何特征（如高度、面积、周长等）提取特征向量。最终，利用优化后的支持向量机（SVM）分类器，实现了对正常区域与不同类型缺陷（如凹坑、划痕）的自动区分。实验结果表明，该算法流程能够有效提取并区分微小缺陷，具有较高的检测精度和较快的处理速度，验证了算法的有效性和实用性。

再次，本研究通过大量的实验样本对所构建的检测系统进行了全面性能评估。实验涵盖了具有不同缺陷类型（微小划痕、凹坑、凹痕等）、不同尺寸（微米至亚毫米级别）以及不同底物的汽车零部件样品。在不同光照条件、轻微振动环境下以及长时间运行测试中，系统均表现出令人满意的性能稳定性、检测精度和鲁棒性。量化指标显示，系统检测精度达到微米级别，检测速度在几十毫秒量级，误检率和漏检率均控制在较低水平（低于5%）。这些实验结果有力地证明了本研究所提出的X结构光检测系统方案，能够切实有效地解决工业实际生产中汽车零部件等精密产品表面微小缺陷检测的难题，具备转化为实际生产应用的潜力。

基于上述研究结论，我们可以得出以下主要结论：X结构光技术作为一种先进的三维测量和视觉检测技术，在工业缺陷检测领域展现出独特的优势，特别是在检测微小、精细的表面缺陷方面具有高精度、高效率和非接触性的特点。通过系统性的硬件选型、集成与标定，以及针对性的算法设计与优化，可以构建出满足特定工业需求的、性能优异的X结构光缺陷检测系统。该系统能够实现复杂工业产品表面三维信息的精确获取，并基于此进行自动化的缺陷检测与分类，显著提升工业质量控制的智能化水平。

在肯定研究成果的同时，我们也必须清醒地认识到当前研究存在的局限性和未来可进一步拓展的方向。首先，尽管本研究系统在多种条件下表现出良好的鲁棒性，但在面对极其复杂、极端恶劣的工业现场环境（如强振动、极端温度变化、严重电磁干扰等）时，系统的稳定性和可靠性仍有待进一步考验和提升。未来研究可以探索更先进的硬件抗干扰设计、更鲁棒的实时图像处理算法以及自适应的在线标定技术，以增强系统在复杂环境下的适应性。其次，本研究的缺陷检测主要依赖于手工设计的几何特征和传统的机器学习方法。对于更加复杂、模式多样、甚至具有未知特征的缺陷，以及微小到纳米级别的缺陷，现有方法的检测精度和泛化能力可能不足。未来引入深度学习技术，特别是深度神经网络（DNN）在三维点云数据或二维图像特征上的应用，有望实现端到端的缺陷自动检测与分类，自动学习更高级、更鲁棒的缺陷表征，从而提升系统对未知和微小缺陷的识别能力。例如，可以研究基于CNN的点云缺陷特征提取，或基于Transformer的缺陷区域定位方法。此外，将三维缺陷检测结果与产品设计的公差模型进行自动比对，实现量化评估和自动合格判定，是提升检测系统实用价值的关键环节，目前在这方面还有较大的发展空间。再次，本研究的系统实现侧重于实验室环境下的验证，成本控制和长期运行的可靠性还有待进一步优化。未来研究应更加关注系统的成本效益，探索使用更低成本的传感器、优化算法以降低计算复杂度、设计更紧凑的硬件结构等，以推动X结构光技术在更广泛的工业领域实现经济可行的应用。最后，对于X结构光技术本身的不同变种（如单频、多频、连续式、扫描式等）在特定缺陷检测任务中的性能对比与最优选择，以及如何根据被测物特性和缺陷类型进行系统参数（如光栅频率、相机参数、测量策略等）的智能优化配置，仍是需要深入研究的课题。

展望未来，随着传感器技术、计算技术（特别是AI和并行计算）以及光学制造技术的不断进步，X结构光技术在工业缺陷检测领域的应用前景将更加广阔。一方面，系统性能将持续提升，朝着更高精度（亚纳米级）、更高速度（毫秒级甚至更快）、更大视场、更低成本的方向发展。另一方面，应用范围将进一步扩大，从目前的汽车零部件、精密机械等领域，逐步拓展到电子器件、医疗器械、航空航天、文化文物保护等更多对表面质量要求极高的行业。同时，X结构光技术与其他检测技术的融合应用也将成为趋势，例如与机器视觉、声学检测、热成像等相结合，构建多模态、信息互补的综合性检测系统，以应对更复杂、更全面的工业检测需求。此外，随着工业4.0和智能制造的深入发展，基于X结构光技术的在线、实时、自动化缺陷检测系统将更加普及，成为智能生产线中不可或缺的关键环节，为工业产品的质量控制带来革命性的变革。本研究的工作为该领域的发展提供了一定的基础和参考，期待未来能有更多研究者共同推动X结构光技术在工业缺陷检测领域的创新与应用，为制造业的转型升级贡献力量。

七.参考文献

[1]Moore,R.J.(1978).Theuseofmoiretopographyforthemeasurementofsmallsurfacedisplacementsandstrains.PhDThesis,UniversityofCambridge.

[2]Heinzel,G.,&Kranz,H.(1984).Anewprincipleformoiretopography.OpticsCommunications,50(3),251-254.

[3]Ghate,A.V.,&Tay,C.K.(1994).PhaseunwrappingbyFouriertransformmethodformoiretopography.OpticsLetters,19(4),265-267.

[4]Gao,F.(1994).Fouriertransformprofilometry:Anewopticalapproachtoshapemeasurement.OpticsLetters,19(14),1033-1035.

[5]Zhang,Z.(2000).Aflexiblenewtechniqueforcameracalibration.IEEETransactionsonPatternAnalysisandMachineIntelligence,22(11),1436-1448.

[6]Breeze,M.,&Zhang,Z.(2014).Accurate3Dshapemeasurementusingphase-shiftingdigitalholography.OpticsExpress,22(18),23134-23148.

[7]Zhang,H.,&Zhang,S.(2015).ReviewofX-raytopographyanditsapplicationsinmaterialsscience.JournalofPhysics:ConferenceSeries,620(1),012012.

[8]Wang,X.,Wang,L.,&Wang,Z.(2016).Digitalfringeprojectiontechniquesfor3Dshapemeasurement:Areview.IEEETransactionsonInstrumentationandMeasurement,65(11),2475-2494.

[9]Lu,X.,&Zhang,S.(2017).Reviewofcomputationalmethodsforphaseunwrapping.ChineseOpticsLetters,15(1),010801.

[10]Li,X.,&Zhang,J.(2018).Areviewof3Dsurfaceprofilometryusingstructuredlight.OpticsandLaserTechnology,99,89-99.

[11]Chen,Q.,&Wang,Z.(2018).Recentadvancesinphase-shiftingdigitalprofilometry.OpticsLetters,43(18),4257-4259.

[12]Liu,Y.,etal.(2019).High-precision3DsurfacemeasurementbasedonX-raytopography.AppliedOptics,58(10),2675-2683.

[13]Chen,L.,etal.(2020).Reviewof3Dsurfaceprofilometryusinglaserstructuredlight.MeasurementScienceandTechnology,31(4),044001.

[14]Fan,X.,etal.(2020).Non-contact3DsurfacemeasurementusingX-raytopography:Areview.JournalofPhysics:ConferenceSeries,1548(1),012035.

[15]Wang,Y.,etal.(2021).Accurate3DshapemeasurementusingX-raytopographywithasynchrotronsource.OpticsExpress,29(5),7085-7096.

[16]He,S.,etal.(2021).3Ddefectdetectionbasedonlaserstructuredlightanddeeplearning.IEEETransactionsonIndustrialInformatics,17(8),4392-4401.

[17]Zhang,G.,etal.(2022).Areviewof3Dsurfacedefectdetectiontechniquesbasedonstructuredlight.Measurement,199,112083.

[18]Li,J.,etal.(2022).High-accuracy3DsurfacemeasurementusingX-raytopographywithapolychromaticsource.OpticsLetters,47(14),3595-3598.

[19]Wang,H.,etal.(2023).Real-time3DdefectdetectiononautomotivecomponentsusingX-raytopography.InternationalJournalofMachineToolsandManufacture,79,100071.

[20]Chen,Y.,etal.(2023).Deeplearning-based3DdefectsegmentationfrompointcloudsacquiredbyX-raytopography.AppliedPhysicsLetters,122(15),151901.

八.致谢

本研究的顺利完成，离不开众多师长、同学、朋友以及相关机构的关心、支持和帮助。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。在本研究的整个过程中，从课题的选题、研究方向的确定，到实验方案的设计、算法的调试，再到论文的撰写，XXX教授都给予了我悉心的指导和无私的帮助。他深厚的学术造诣、严谨的治学态度和敏锐的科研洞察力，使我受益匪浅。每当我遇到困难时，他总能耐心地倾听我的想法，并提出宝贵的建议，帮助我克服难关。他的言传身教，不仅让我掌握了专业知识，更让我学会了如何进行科学研究。在此，谨向XXX教授致以最崇高的敬意和最衷心的感谢！

同时，我也要感谢XXX实验室的各位老师和同学。在实验室的日子里，我感受到了浓厚的学术氛围和温暖的团队情谊。XXX教授、XXX研究员等老师在实验设备搭建、数据处理等方面给予了我很多帮助。XXX、XXX等同学在研究过程中与我进行了深入的交流和探讨，分享他们的经验和见解，使我开拓了思路，激发了灵感。此外，实验室提供的良好科研环境和技术支持，也为本研究的顺利进行提供了有力保障。在此，向XXX实验室的全体成员表示衷心的感谢！

我还要感谢XXX大学和XXX学院为我提供了良好的学习环境和科研平台。学校图书馆丰富的文献资源、先进的实验设备以及浓厚的学术氛围，为我的研究提供了坚实的基础。学院各位老师的辛勤付出，使我能够系统地学习专业知识，提升综合素质。

此外，我还要感谢XXX公司为我提供了实践机会。在实践过程中，我接触到了真实的工业生产环境，了解了工业缺陷检测的实际需求，为我的研究提供了宝贵的参考。公司员工的热情帮助和支持，使我在实践中不断成长和进步。

最后，我要感谢我的家人和朋友。他们一直以来都给予我无条件的支持和鼓励，是我前进的动力源泉。他们的理解和包容，让我能够全身心地投入到科研中。在此，向他们致以最真挚的感谢！

再次向所有关心、支持和帮助过我的人表示衷心的感谢！

九.附录

A.系统硬件参数表

|设备名称|型号|参数规格|

|-------------|-------------------|