随着我国进口汽车市场需求量猛增,汽车在运输过程中难免产生划伤,因此在进入承运商仓库前需完成复杂的表面划痕识别工作。目前,汽车表面划痕识别仍然采用人工目测方式,存在工作效率低、工作强度大以及漏检率高等问题,因此,急切需要采用计算机视觉检测技术辅助或取代人工检测。本文以基于图像处理和人工智能的汽车表面划痕定损系统研发为背景,重点研究划痕检测涉及的汽车表面图像去尘、划痕识别和划痕分类等关键技术,以满足定损在高效、准确和可靠等多方面的性能要求。本文主要研究内容如下:(1)分析了汽车表面划痕定损系统的需求,给出了采集设备、总体框架和主要功能结构,并详细介绍了系统中的关键技术。(2)针对户外降尘造成汽车表面图像颜色失真、对比度降低等问题,提出了一种基于暗通道先验的汽车表面图像去尘算法。首先根据光线在灰尘介质和空气中的传输方式创建一种物理退化模型;然后将白色汽车图像反转以满足暗通道原理,其次利用暗通道知识和退化模型估算环境光强和粗略传输率两个参数,并且利用引导滤波优化传输率;最后利用物理退化模型完成汽车表面图像灰尘的迅速清除,并对白色汽车去尘图像进行反转。实验结果表明该算法对汽车表面图像去尘具有普适性,同时复原图像重现了汽车表面图像的颜色和对比度。(3)针对传统Sobel算子边缘检测不连续及检测信息较少的问题,设计了一种基于改进Sobel算子的边缘检测方法。改进算法将原来的两个方向模板扩展到四个方向模板,增加了45?和135?两个方向特征,提高了汽车边缘检测的连续性和准确性。实验结果表明该方法可满足汽车表面图像边缘检测对精确性和快速性的要求。(4)针对基于BP神经网络的汽车表面划痕分类极易陷入局部极小值及隐含层节点数目较难确定的问题,提出了一种基于优化BP神经网络(H-IGA-BP)的汽车表面划痕分类算法。算法通过黄金分割算法确定隐含层节点数目,然后根据遗传算法具有全局寻优的优点,利用改进遗传算法(IGA)搜寻BP神经网络的最佳权阈值。利用优化BP神经网络对汽车表面划痕进行判定,实例分析显示该算法能够准确有效地确定汽车表面划痕类型,并提高划痕分类的容错性。(5)实现汽车表面划痕定损系统的主要功能,给出了系统主要功能模块的关键技术实现及主要运行界面。