针对Kinect V2深度相机采集的深度图像存在深度信息丢失(孔洞)问题,提出了一种融合超像素分割RGB图像和深度图像配准的深度图像修复方法。首先对RGB图像进行超像素分割;然后将分割后的RGB图像与原始深度图像配准;接着将孔洞像素按照所在区域划分为超像素区域内的孔洞像素和超像素边界上的孔洞像素两大类,并对不同类型的孔洞像素采用不同的方法完成深度图像的修复。最后进行了实验验证,结果表明,该方法与双边滤波算法、联合双边滤波算法相比,能够有效地修复深度图像中的孔洞,获得较高质量的深度图像。

提出了一种包含平面特征的激光扫描深度图像行之有效的坐标自动调整方法。通过移动包围盒的方法在数据点集内自动搜索并判定特定平面特征作为基准；计算出平面特征的平均法向量，将点集的坐标向基准平面的法向对准；最后通过缩小包围盒范围并重复搜索，使点集的方向规范化。此方法在液货舱激光扫描数据上进行了应用，数据经过对准处理后，大大方便了后续的投影、分割等模型重建工作。

针对机械产品装配过程中容易产生的漏装问题,以RV减速器为研究对象,提出一种基于深度学习的装配过程监测系统。搭建装配过程监测系统实验台,使用RGB-D相机采集装配体深度图像和彩色图像;利用深度学习中语义分割和目标检测算法对采集到的深度图像和彩色图像进行预测,获得预测结果;将深度学习算法、视频采集等功能集成到装配过程监测软件中,实现了RV减速器装配过程监测。实验结果证明:此软件可以正确监测装配过程中每个零件是否存在漏装情况,并具有一定的实时性。