面結構光在機檢測的葉片反光抑制技術

李茂月，劉澤隆，趙偉翔，肖桂風

（哈爾濱理工大學 機械動力工程學院,黑龍江 哈爾濱 150080）

1 引言

薄壁葉片零件是汽輪機、航空發動機的關鍵部件，其表面幾何參數及表面質量的好壞會嚴重影響此類零件的工作性能或使用壽命。對加工過程中的葉片進行在機檢測，可根據檢測數據在線指導葉片加工，同時可避免離線測量中反復裝夾易產生形變和加工效率降低的缺點[1]。結構光檢測技術是近年來發展迅速的非接觸式測量技術，由于其測量速度快，測量精度高，實時性強，在眾多工業環境中得到廣泛應用[2]。

結構光測量效果在很大程度上依賴于被測物體表面的光學反射特性。薄壁葉片在精銑削加工后，表面產生強烈的鏡面反射，變得非常亮，使用傳統的結構光方法測量時，大面積的耀光使相機拍攝的圖像過飽和，導致條紋數據信息丟失，影響相位主值的提取精度[3]，造成重建的點云出現大面積的孔洞。在商用設備市場中，著名測量系統供應商德國GOM 和瑞典Hexagon 對這種問題的解決方案是在工件表面噴涂抗反射涂層來改變其反射性質，使表面由鏡面反射變為有利于檢測的漫反射，但是涂層的厚度和均勻程度極容易帶來測量誤差[4]。

針對金屬在結構光檢測中產生強反光這一現象，國內外眾多學者提出了不同解決方法。Zhang[5]、Song[6]、李兆杰[7]等人采用多重曝光的方式來解決金屬表面反光的問題，核心原理是在不同曝光條件下獲取n幅圖像，然后將n幅圖像進行數據融合，最終獲得一幅最優效果的圖像。Kofman Jonathan[8]、Lin[9]、Li[10]提出采用自適應條紋的方式，根據待測物的反光程度，通過調整投影的光柵灰度來解決高反光現像。采用多次曝光或改變投射圖案強度等數據融合的方法在對場景進行初始測量時，由于場景未知，光源強度、曝光次數及其時間都有一定盲目性，且需要多次測量得到一組最優數據，影響了測量精度和效率，不適用于葉片的在機檢測。

國內外學者還曾在硬件設備方面進行改善，采用特定設備以硬件進行輔助測試。Riviere[11]、Salahieh[12]、郝婧蕾[13]利用光的偏振性，使用不同偏振角度的偏振片置于相機前，來過濾進入相機的光線。但是，使用偏振片消除高反光的同時，降低了圖像的信噪比，從而使測量精度隨之下降，且增加偏振片使系統復雜，成本提升。

圖像增強技術是對圖像的某些特征，如邊緣、輪廓、對比度等進行強調或銳化，以便于顯示、觀察或進一步分析與處理，廣泛應用于生物醫學圖像、去霧圖像及人臉識別領域中[14]。采用圖像增強技術對相機所拍得條紋圖像進行處理，可在去除高光的同時增強陰暗位置的亮度，得到清晰的條紋特征，從而解出相位，且不需要拍攝多組照片合成，無需額外添加其他硬件設備，具有檢測效率高、成本低的優點，可滿足葉片在機檢測的需求。

本文針對加工場景下的葉片，采用面結構光的方法進行檢測，提出基于Retinex 算法對具有反光現象的薄壁葉片條紋圖像進行處理。首先，在不同曝光情況下檢測薄壁葉片，根據條紋圖像質量和生成點云的質量來確定最佳曝光的理想灰度，建立了光圈轉動角度與圖像平均灰度的相機響應曲線模型。隨著外界環境的變化，通過光圈和曝光時間自適應調節曝光，使所拍圖像處于理想灰度。然后，基于Retinex 圖像增強算法，用改進的雙邊濾波代替高斯濾波對高光部分進行過濾，在提升圖像質量的同時對邊緣進行保護，再通過伽馬變換實現灰度非線性增強，提高低灰度區域的亮度。最后，對表面光亮的薄壁葉片進行單目結構光檢測實驗，通過本文圖像增強算法對所采集的條紋圖像進行處理，求解相位主值并生成三維點云，驗證了所提方法在消除金屬表面高光對結構光三維測量影響的有效性。

2 結構光檢測原理及金屬反光特性

2.1 檢測原理

采用投影相移結構光柵的測量方法，其原理是投影三頻四步相移正弦結構光光柵，在投影過程中對每步光柵的每個頻率進行圖片拍攝，共3×4=12 幅圖像。利用多個具有一定相位差的條紋圖像來計算每個像素的相位值，根據相位值計算出物體的三維信息。單目結構光測量系統模型如圖1所示。

圖1 單目結構光測量系統模型Fig.1 Monocular structured light measurement system model

采用標準的四步相移法計算光柵圖像的相位主值[15]，光強表達式為：

式中，Ii(x,y) 為第i幅條紋圖在坐標(x,y) 處的灰度值；I'(x,y) 為圖像的平均灰度；I"(x,y) 為圖像的灰度調制；φ(x,y)為所求包裹初始相位。光柵圖像相位主值為：得到相位主值后，根據絕對相位值、物體與CMOS 相機和投影儀的距離，可求出對應點的高度，得到三維點云。

2.2 金屬反光特性

金屬表面的反射可分為漫反射和鏡面反射，鏡面反射是造成其表面有嚴重反光現象的主要原因。金屬的鏡面反射與表面粗糙度有重要關系，根據雙向反射分布函數(Bidirectional Reflectance Distribution Function,BRDF) 理論[16]，張穎等人[17]對鐵塊的鏡面反射率和表面粗糙度均方根進行仿真，其鏡面反射率隨表面粗糙度增大而減小。王金海等[18]根據BRDF 模型，驗證了在觀測角與入射角相同時，鏡面反射最大。薄壁葉片屬于復雜曲面，與平面不同的是其表面法向量并非一致，光在其表面反射的路線不同，如圖2 所示，葉片表面呈部分強反光與部分陰暗結合形態，即使改變觀測角度也無法完全避免反光效果。

圖2 薄壁葉片表面光照現象Fig.2 Light phenomenon on the thin-walled blade surface

3 自適應曝光調節方法

曝光是相機的重要調整參數，影響著所拍條紋圖像的質量。工業相機調節曝光量有3 種方式：調節相機增益、調節鏡頭光圈、調節曝光時間。相機增益指的是感光器件對光線的靈敏度，調節相機增益會增加噪聲，影響圖像質量，一般不采用改變增益的方式調節曝光度。光圈用來控制透過鏡頭進入機身內感光面的光量，改變光圈影響對焦點前后的清晰范圍，即景深。曝光時間指的是快門從打開到關閉的間隔時間，曝光時間越長進光量越多，但是曝光時間過長會降低相機的幀數，且工業相機所帶自動曝光功能是根據比較圖像當前灰度與期望灰度，逐步調節曝光時間，調節次數多，時間長。結合3 種曝光調節方式的特點以及單目結構光采集原理，本文采用恒定相機增益，通過調節光圈和曝光時間結合的方式來調整曝光量。光圈雖可改變圖像的景深，但是待測葉片為相機對焦對象，景深改變不影響焦點位置的清晰度。因此，先通過光圈進行粗調，再通過曝光時間進行精調，來達到理想曝光條件。

3.1 相機響應曲線

采用工業相機拍攝圖像的灰度級是28=256，灰度范圍為0～255。如圖3 所示，在低曝光時（見圖3(a)），所拍圖像亮度過暗，在高曝光時（見圖3(b)），圖像亮度過亮，無法得到完整的條紋信息。

圖3 不同曝光下圖像效果。(a) 低曝光圖像；(b) 高曝光圖像Fig.3 Image effects under different exposures.(a) Lowexposure image;(b) high-exposure image

圖像灰度對較低和較高曝光量變化響應不敏感，對中間曝光量響應敏感，具有單調性和唯一性，其響應曲線如圖4 所示。因此可根據圖像的灰度值，來尋找最優的曝光量。

圖4 相機響應曲線Fig.4 Camera response curve

3.2 基于灰度調整最優曝光量

采用步進電機控制光圈的大小從而改變曝光量，相機調節結構如圖5 所示。

圖5 相機調節結構Fig.5 Camera adjustment structure

在曝光時間不變的情況下，光圈越大，曝光量越大。與手動曝光方法相比，其提高了自動化程度和曝光準確性。步進電機采用脈沖控制，步距角ω=1.8°，兼顧電機轉動精度和速度，設定細分數ν=64，電機與光圈的齒輪傳動比n=1.74，則脈沖數P與光圈轉動角度θ的關系式，如公式(3)所示：

即相機光圈轉動1°需要輸出62 個脈沖。

選用大恒工業相機MER-130-30UM-L，VST變焦鏡頭，光圈可轉動角度為70°，待測葉片材料為鋁合金，輪廓尺寸約為110 mm×50 mm。根據大恒相機使用手冊推薦值，將相機增益設置為6 dB，曝光時間為30 000 μs，設置物距400 mm，將葉片作為焦點進行對焦。對焦完成后，進行最優區間的標定，考慮工件檢測環境大多是暗房環境，因此在暗房條件下進行標定，固定曝光時間為30 000 μs，將光圈調零，通過電機控制，每次轉動光圈5°（輸出62×5=310 個脈沖），掃描葉片得到原圖像、條紋圖以及點云。實驗過程中，光圈在轉動0°～15°時，光圈通孔面積小，曝光量近乎為零，未能拍攝到葉片。選取光圈轉動20°～65°的10 組數據，如圖6 所示。

圖6 不同曝光條件下的原圖像、圖像灰度值及點云圖像Fig.6 Original images,image gray values and point cloud images under different exposure conditions

從點云圖像看，在圖像平均灰度值為74～84時，點云數據缺失較少，效果最佳。因此，確定本文材料的葉片最優曝光區間的圖像灰度值為74～84。

經多次實驗發現，最優曝光區間的灰度范圍主要由待測物表面的反射能力決定，對于同一種金屬材料來說，其反射能力相同，最優曝光區間的圖像灰度值范圍相差較小，具有一定的通用性。若檢測對象材料發生變化，反射能力有差異，可根據基于物理渲染（Physically Based Rendering，PBR）材料反射率數據庫中的金屬反射系數，以鋁合金的最優曝光區間的圖像灰度值范圍作為基準，根據金屬鋁與檢測對象的反射率比值α，估算最優曝光區間的圖像灰度值。若α>1，說明檢測對象的反射能力低于鋁，將鋁合金的曝光灰度乘以α，以增大最優曝光的灰度；若α<1，說明檢測對象的反射能力高于鋁，則將鋁合金的曝光灰度乘以α，以減小最優曝光的灰度。

3.3 相機曝光自適應調節

為了避免外界環境光的改變使拍攝圖像的灰度不在最佳曝光區間內，在投影投射條紋之前，需對相機曝光進行自適應調節。分析實驗標定數據和相機響應曲線可知，圖像的平均灰度在光圈剛開始轉動和光圈轉動臨近終點時數值響應不敏感，符合S 型曲線特性，函數峰值是光圈轉動到最大位置處的圖像平均灰度值Vmax。當外界環境光線變亮時，Vmax增大，當外界環境光線變暗時，Vmax減小。根據變化特性，由于光圈的轉動角度為0～15°時，通光孔面積較小，光線難以進入鏡頭內，相機所拍圖像灰度近似為零，在檢測中極少使用此范圍角度。建立平均灰度值V與相機光圈轉動角度θ（20°<θ<70°）的相機響應函數關系式，如公式(4)所示。

式中，a、b為S 型函數調整參數，對常規加工暗房環境下的數據采用最小二乘法擬合參數，得到參數最優解a=0.105 5，b=3.607 1，所擬合相機響應曲線如圖7（彩圖見期刊電子版）中實線所示，可見，隨著外界環境光的改變，Vmax值發生變化，相機響應曲線也隨之發生變化。圖中虛線和點劃線表示Vmax增大（外界環境光變亮）和Vmax減小（外界環境光變暗）時的相機響應曲線。

圖7 不同環境光時的相機響應曲線Fig.7 Camera response curves under different ambient lights

根據所建立的相機響應曲線，通過調整光圈對曝光量進行自適應調節。設定最優曝光灰度值區間為74～84，圖像理想灰度值為80，控制步進電機將光圈調至最大位置70°處，截取感興趣區域，讀取圖像平均灰度值Vmax，得到對應的相機響應曲線，根據相機響應曲線調節光圈至圖像理想灰度值80。

考慮在環境光變化時相機響應曲線中光圈轉動角度與對應的灰度存在誤差，若經過光圈粗調后，圖像灰度未在最優曝光灰度值區間74～84 之內，采用迭代反饋的方式，通過控制曝光時間精調。設置期望灰度值為理想灰度值80，通過改變曝光時間將灰度調至理想灰度。假設光圈粗調后的圖像灰度為B1，曝光時間為t1，理想灰度為B0，則下一幀的曝光時間t2的計算公式如式(5)所示。

調整曝光時間至t2后，計算當前圖像灰度B2，若B2在最優曝光區間內，自適應曝光調整完畢，若處在最優曝光區間外，根據公式(5)重復調整直至圖像灰度處于最優曝光區間。

先通過光圈粗調使圖像灰度至理想灰度值附近，再通過曝光時間精調，可減少調節曝光時間的次數，同時避免曝光時間過長引起相機幀率下降，相機曝光自適應調節流程圖，如圖8 所示。

圖8 相機光圈自適應調節流程圖Fig.8 Flow chart of camera aperture adaptive adjustment

4 基于Retinex 算法的條紋圖像增強

4.1 Retinex 算法

Retinex 由視網膜（Retina）和大腦皮層（Cortex）兩個詞組合構成，該理論由Land 于20 世紀70 年代首次提出[19]。根據Retinex 理論，一幅圖像可以看作是入射分量和反射分量的乘積，通過去除入射分量對反射分量的影響，就能達到圖像增強的目的[20]，其表達式如式(6)所示：

式中，I表示人眼所觀察到的圖像，R為反射分量，L為入射分量，(x,y)為圖像中任意某點的像素。

將式(6)變換到對數(log)空間，如式(7)所示：

則反射分量的計算表達式如式(8)所示：

在具有強光照現象的圖像中，高光屬于入射光分量中的高頻信息，因此采用合適的低通濾波器（中心環繞函數）將高頻部分過濾，得到反射分量，再進行指數(Exp)變化恢復，就可以達到改善圖像質量的目的。

經典的Retinex 算法以高斯濾波函數作為中心環繞函數，分為單尺度Retinex（Single Scale Retinex,SSR）、多尺度Retinex（Multi-Scale Retinex,MSR）算法[21]。由于高斯濾波本身所存在的缺點，導致Retinex 算法增強后的圖像出現邊緣模糊的問題，產生“光暈”的現象[22]。

4.2 改進的雙邊濾波Retinex 算法

雙邊濾波不僅承襲了經典高斯濾波考慮空間鄰近度信息的優點，而且還考慮了灰度相似度信息。當中心像素點與其鄰域像素點的灰度值之差過大時，雙邊濾波器將該像素點作為目標邊緣區域，會令這一鄰域像素點以很小的權重參與濾波，使其對中心像素點的影響很小，從而實現保護圖像目標邊緣的功能。因此選用雙邊濾波作為中心環繞函數，可有效提升圖像質量并保護光柵條紋的邊緣。定義(i,j) 為中心點坐標，(k,l) 為以(i,j)點為中心的鄰域S 內的任意一點，則空域核定義為:

值域核定義為：

雙邊中心環繞函數F(i,j,k,l)則是空域核與值域核的乘積：

其中，c是空間鄰域因子（即SSR 算法中的高斯環繞尺度），r是灰度相似度因子，f(i,j)是模板中心點的灰度值，f(k,l)是鄰域內任一點的灰度值。

傳統雙邊濾波在保留了過多的高頻信息，且在參與濾波的鄰域像素點較多時，會對邊緣像素的保護產生影響。基于此，本文對其進行了改進。

（1）空域核的改進

首先，分別計算圖像和濾波模板的灰度均值，分別如公式(12)、(13)所示：

式中，h是圖像高度，w是圖像寬度，n是模板寬度。

空間鄰域因子c越大則提取出的光照值的全局特性越好。在雙邊濾波模板進行逐像素卷積時，將每個模板口內的與圖像的faverage進行比較，對空間鄰域因子c根據初值c0進行自適應調節，若，則該位置灰度值較大，所含光照信息較多，需增大c值對光照進行過濾；反之則減小c值，改進的公式如式(14)所示：

（2）值域核改進

計算濾波模板內中心點像素與其他位置像素差值Δ，設定濾波模板內中心點像素與其他位置像素差值的平均值為值域核閾值T，其公式如下：

改進的灰度核函數表達式為：

當中心像素點與其鄰域某一像素點的灰度值之差Δ≥T時，認為該處為圖像目標邊緣部分，則令該鄰域像素點的濾波權重為零，即完全不參與濾波。當Δ

4.3 伽馬變換對比度調節

伽馬變換是圖像處理中常用的對比度調節方法，通過非線性變換，可以使圖像中較暗的區域灰度提高。本文算法在通過改進的雙邊濾波提取高光分量后，通過伽馬變換調整對比度，以進一步增強圖像細節，伽馬變換公式如式(18)所示。

式中，r為原圖像歸一化后的灰度值，取值范圍為[0,1]；s為經過伽馬變換后的灰度輸出值；δ為灰度縮放系數，通常取1；γ為伽馬因子大小，用以控制整個變換的縮放程度。

本文投射的結構光條紋為正弦條紋，對條紋圖像進行對比度調節時，要保持條紋的正弦性，避免在解算相位主值時產生較大誤差而影響點云的質量。結合伽馬變換的特點，γ取值越接近1，其灰度改變越小，光柵正弦性保持越好。通過仿真分析得知γ分別為0.9、0.75 和0.6 時的相位主值，其誤差平均值分別為0.005°、0.014°和0.027°。因此，在理想情況下保證相位主值解算在0.01°的誤差范圍內，伽馬參數調整區間為0.8～1。算法流程如圖9 所示。

圖9 本文算法流程圖Fig.9 Flow chart of proposed algorithm

5 實驗與分析

實驗采用大恒相機MER-130-30UM-L，VST變焦鏡頭，微型DLP 投影儀對薄壁葉片進行單目結構光檢測，相機主要參數如表1 所示，實驗場景和待測葉片如圖10 和圖11 所示。

圖10 單目結構光檢測實驗場景Fig.10 Experimental scene of monocular structured light detection

圖11 待測薄壁葉片Fig.11 Thin-walled blade to be inspected

表1 工業相機主要參數Tab.1 Main parameters of the industrial camera

通過三頻四步相移求得相位主值，經解包裹后得到點云。為驗證本文提出的圖像增強算法，在 Intel-i7 3.25 GHz CPU，8GB RAM 的計算機上使用MATLAB R2018a 平臺實現，對最佳曝光區間的12 幅條紋圖像分別通過SSR、MSR、雙邊濾波Retinex 以及本文算法進行處理，通過Canny算子邊緣檢測算法檢測條紋的數量、條紋圖像的信息熵、相位主值圖和點云偏差指標，來驗證本文算法的有效性。

實驗參數設置如下：窗口大小統一設置為15×15，SSR 算法中c=100，MSR 算法中c分別為15、80、250，雙邊濾波算法中c=100，r=0.3，本文算法中c0=100，r=0.3，γ=0.9。

每個頻率選擇一幅圖像進行分析，圖像處理效果如圖12 所示。由圖12 可見，對于原圖左下角較暗部分，4 種算法處理后，亮度均有所增加，可得到清晰的條紋信息。對于強反光區域，SSR和MSR 算法處理后，雖然強反光有所減弱，但是產生了光暈現象，條紋邊緣模糊；通過基于雙邊濾波的Retinex 算法處理后，條紋邊緣清晰，但是對強反光位置處理較差；本文算法處理后，強反光面積大幅度減小，且條紋邊緣清晰可見。

對圖12 中頻率3 的原圖及4 種算法處理的圖片通過Canny 算子邊緣檢測算法進行條紋邊緣檢測[23]，驗證光柵條紋圖像經算法處理后清晰度是否得到改善，結果如圖13 所示。通過對比可見，本文算法所檢測到的條紋邊緣數量最多，從側面驗證了本文算法處理效果的優越性。

圖12 經不同算法處理的條紋圖像Fig.12 Fringe images processed by different algorithms

圖13 Canny 算子邊緣檢測結果Fig.13 Canny operator edge detection results

下面利用圖像客觀評價指標—圖像信息熵，對4 種算法的條紋圖像進行比較。圖像信息熵是一種特征的統計形式，它反映了圖像中信息量的多少，其數值越大，說明圖像所含信息越多，質量越好。3 個頻率的條紋圖像信息熵，如表2 所示。

表2 不同方法處理前后的條紋圖像信息熵Tab.2 Information entropies of fringe image by different processing methods

由表2 可見，4 種算法對3 個頻率的圖像處理后，圖像信息熵均有所增大，其平均增長率分別為14.51%、15.68%、6.13%、18.21%，分析數據可見經本文算法處理后的圖像信息熵指標漲幅最多，處理效果最優。

條紋過暗和過亮都會影響相位主值的解算，從而影響所生成點云的質量。接下來，通過相位主值圖和點云來驗證算法的有效性，結果如圖14（彩圖見期刊電子版）所示。圖14 中的紅色橢圓標記處是高亮位置的相位主值及其點云，可明顯觀察到，經過本文算法處理后得到的相位主值，其畸變面積最小。獲取相位主值圖中第285 行第481～600 列（圖中黃線位置處）的相位主值數據，其相位主值曲線如圖14 最后一行曲線圖所示。該位置的中間部分產生反光，相位主值受到較大影響，而在兩端未明顯受到反光影響，對相位主值的影響也較小。通過對比，可見本文算法的相位主值曲線呈現較好的“鋸齒”形分布，對反光及非反光區域相位主值的解算都具有較好的結果。

從圖14 中的點云效果圖來看，本文算法處理條紋圖像解算后生成的點云，其表面數據缺失的孔洞復原，因高光產生的波紋面積最小，點云效果最優。

圖14 4 種算法處理前后相位主值和點云效果對比圖Fig.14 Comparison of phase principal values and point cloud effects before and after processing by four different algorithms

通過SCANTECH 品牌的PRINCE335 手持式激光三維掃描儀對葉片進行檢測，獲取無高光效果的點云數據進行偏差分析。由于葉榫位置形狀復雜，無法一次性檢測完整，因此只對葉片片體部分的點云數據進行分析，通過Geomagic Wrap平臺偏差分析的效果及數據如圖15（彩圖見期刊電子版）所示。由偏差數據可見，經本文算法得到的點云最大偏差和平均偏差均為最小，正平均偏差由0.1064 mm降至0.0589 mm，負平均偏差由?0.1056 mm 降至?0.0590 mm，分別減少了44.6%和44.1%。

圖15 點云偏差分析結果Fig.15 Point cloud deviation analysis results

通過本文所提方法再次對鋁合金金屬板進行結構光三維測量，尺寸為170 mm×120 mm×8 mm，其條紋圖像處理結果、相位主值圖及曲線、點云效果圖如圖16 所示。本文算法削弱了鋁合金金屬板條紋圖像的高光信息，提升了陰暗處的對比度，相位主值解算誤差小，點云表面因高光產生的波紋大幅度減少，點云質量明顯提高。

圖16 鋁合金金屬板結構光檢測結果Fig.16 Structural light detection results of the aluminum alloy metal plate

綜上可見，本文提出的圖像增強算法有效減弱了因金屬表面反光對結構光三維重構帶來的影響，且效果優于傳統的圖像增強算法。

6 結論

在對復雜曲面薄壁葉片進行檢測時，其表面光亮，產生的鏡面反射嚴重影響結構光三維重建，為解決這一問題，本文提出了一種圖像增強算法來處理高光圖像，并得到以下結論：

（1）根據常規檢測環境，標定了相機最佳曝光的灰度區間74～84，圖像理想灰度值為80，建立了光圈轉動角度與圖像平均灰度的相機響應曲線模型，根據環境光的變化，通過光圈和曝光時間自適應調節曝光，使相機在最佳曝光區間內工作。

（2）對在最佳曝光區間采集的條紋圖像進行了圖像增強算法處理，基于Retinex 算法，用改進的雙邊濾波代替傳統的高斯濾波來提取過濾高頻分量，比較濾波模板內的平均灰度值和圖像平均灰度值以調整空間鄰域因子，并根據閾值來判斷鄰域點是否參與濾波，從而在有效過濾掉光照的同時保護了條紋的邊緣信息。

（3）通過單目結構光檢測系統對薄壁葉片進行檢測實驗，結果顯示：與其他傳統圖像增強算法處理結果相比，本文算法處理的條紋圖像通過Canny 算子所檢測到的條紋數量最多，圖像信息熵最大，平均增長率達到18.21%，相位主值計算誤差最小，所生成的三維點云正負偏差降至0.058 9 mm 和?0.0 590 mm，與原點云的偏差值相比分別減少了44.6%和44.1%，表面質量得到明顯改善。

本文提出的算法在面結構光三維檢測時，解決金屬表面因鏡面反射產生的高光問題，其具有適用性，無需在工件表面噴抗反射涂層和多次測量進行數據融合，方法簡單有效。但對于部分光強過強處，本文方法仍無法完全恢復其信息，所生成的點云依然存在少量波紋現象，針對該問題，后述考慮結合周邊點云的曲率進行數據修復來解決。