在传统的高精度打磨中，由于效率低、精度低以及对工人健康的损害，已经不能满足市场需求。市场需要现代高精度打磨技术。现代打磨技术利用视觉加工实现高精度打磨；然而，市场上的大多数打磨技术使用2D视觉。在打磨系统中，通常采用2D视觉方法对工件进行打磨，可以方便地获取和处理与工件有关的简单数据。但如果形状复杂，采集的数据就不完整，设备的遮挡、精度低、路径规划都会产生干扰。3D视觉的发展非常迅速，一些研究人员已经开始研究在铸造后处理中使用3D视觉。但是，由于只有高精度的算法处理才能获得高精度的数据，因此仍然存在速度慢、精度低的问题；这些数据可用于工件的抛光和高精度打磨规划。高精度校准和配准算法是高精度打磨的必要条件。近年来，为了弥补传统打磨的不足，研究者们对智能打磨方法进行了大量的探索。

为了获得实际的材料去除量，主要的方法是采用离线或在线测量，建立数学预测模型。近年来，研究人员利用图像视觉对材料去除的估计进行了大量的研究。Joshi等人使用机器视觉方法来获取和识别抛光表面上的表面图像的纹理特征，并使用基于机器视觉参数的回归模型来评估表面粗糙度.王等采用二维卷积神经网络学习算法对材料去除方法进行监控，从视觉信号中提取颜色、纹理、形状等特征。这些特征构成二维特征矩阵作为输入参数，砂带打磨过程中的材料去除率作为输出参数。该方法可用于预测不同砂带规格和不同打磨参数的材料去除率，适用于典型工况下材料去除率的回归预测。

在铸件打磨过程中，温度、噪声、振动、灰尘、光线等不确定性强的干扰不可避免，限制了视觉传感器的推广和使用。激光传感器可以弥补上述的一些不足，特别是那些由灰尘引起的不足.

早在20世纪70年代，Nitzan等人就利用激光测距系统的距离和强度信息来描述室内场景，激光测距的稳定性和可靠性得到了充分的验证.激光扫描技术在测绘领域得到了进一步发展。在20世纪80年代和90年代，Kak提出在机器人的末端安装单目激光视觉传感器，以扫描被测物体的表面。