以电动汽车为代表的新能源汽车是汽车产业的未来,分时租赁共享的方式是电动汽车推广的最佳选择。及时发现电动汽车的划痕可以有效发现用户驾驶行为中的事故或过失,避免部分用户发生事故后,刻意逃避责任,隐瞒事故。同时可以帮助实现车辆健康状态自动诊断,保障用户的行车安全和公司运营安全。本课题研究基于深度学习的电动汽车划痕自动识别与检测,主要研究内容如下:(1)研究了基于卷积神经网络的汽车划痕识别,设计了适用于识别电动汽车划痕的深度学习模型,可自动判断车辆表面是否存在刮擦痕迹。使用一维卷积层代替传统CNN设计中的全连接层以减少参数数量。另外引入Dropout机制抑制模型过拟合。本课题通过车载环视系统采集数据集,并进行图像数据扩充。与其它模型进行对比,本模型检测精度较高,占用空间小。(2)在分析了传统图像目标检测方法,并比较了多个基于深度学习的方法后,选择高精度的端到端模型SSD作为目标检测的基本架构,设计了适用于汽车划痕目标检测的网络模型。以精简后的轻量级网络MobileNetV2为特征提取层,裁剪了定位与分类层。在不降低精度的情况下极大地减少了模型占用空间。(3)提出了基于检测和分类的级联模型,以目标检测网络为区域初步筛选方法,得到一系列疑似有目标的区域,再使用分类网络进行更精确的判断。同时引入金字塔池化解决区域尺度不一的问题,并进行了实验验证。实验表明,该级联模型可有效提高划痕识别精度。