本书面向轨道交通安全运行领域，深入地分析了机器视觉技术在轨道交通车辆及线路关键设备检测与诊断中的应用原理、信息增强、融合诊断，以及智能检测等问题，为提升城轨交通智能化、信息化运维水平，保障城轨车辆安全、高效运行提供了新的思路。
本书适合作为高等院校车辆工程专业研究生，以及研究院所、企业中从事轨道交通车辆检测与诊断等相关领域研究人员的参考用书。

1 绪论
1.1 机器视觉在轨道车辆检测与诊断中的意义
1.2 轨道车辆设备故障诊断研究现状及不足
1.2.1 轨道车辆设备故障诊断研究现状
1.2.2 轨道车辆设备故障诊断研究中存在的问题
1.3 轨道线路设备检测研究现状及不足
1.3.1 轨道线路设备检测研究的现状
1.3.2 轨道线路设备检测研究的不足
1.4 本书主要研究内容
2 基于图像的诊断与检测机理
2.1 线阵相机图像特点分析
2.1.1 线阵相机成像原理
2.1.2 线阵相机图像特点
2.2 红外图像特点分析
2.2.1 红外热成像原理
2.2.2 红外热成像的特点
2.3 图像特征提取
2.3.1 灰度直方图定义
2.3.2 基于直方图的图像特征提取
2.4 实例分析
2.4.1 线阵相机检测图像实例分析
2.4.2 红外图像实例分析
2.5 本章小结
3 基于改进NSCT的图像信息增强方法
3.1 非下采样轮廓变换方法
3.1.1 NSCT理论
3.1.2 NSCT图像分解实例
3.2 基于改进NSCT的红外图像增强方法
3.2.1 模糊增强
3.2.2 非线性增强
3.2.3 基于改进NSCT的红外图像增强模型构建
3.3 基于粒子群优化的增强参数确定方法
3.3.1 粒子群优化适应度函数构建
3.3.2 基于PSO的优化增强方法
3.4 实例分析
3.4.1 增强效果主观分析
3.4.2 增强效果客观分析
3.5 本章小结
4 基于红外图像及振动信号融合的设备故障诊断方法
4.1 基于相关分析的异类信息融合
4.1.1 相关系数
4.1.2 复合相关分析模型构建
4.1.3 实例分析
4.2 卷积神经网络
4.2.1 卷积神经网络理论
4.2.2 Dropout技术
4.3 基于复合相关分析与卷积神经网络结合的故障诊断
4.3.1 故障诊断模型构建
4.3.2 CNN网络结构设计
4.4 基于红外图像与振动信号融合的故障诊断实例分析
4.4.1 基于红外图像的故障诊断结果分析
4.4.2 基于振动信号的故障诊断结果分析
4.4.3 基于红外图像与振动信号融合的故障诊断结果分析
4.5 本章小结
5 基于改进Faster R-CNN的轨道检测方法
5.1 基于Faster R-CNN的检测方法及其改进
5.1.1 Faster R-CNN理论模型
5.1.2 RPN网络
5.1.3 RPN网络改进方法
5.2 基于改进Faster R-CNN与SVDD的扣件分类识别模型
5.2.1 支持向量数据描述
5.2.2 基于改进Faster R-CNN与SVDD的二次分类模型
5.3 实例分析
5.3.1 构建数据集
5.3.2 扣件定位及区域提取
5.3.3 扣件分类结果分析
5.4 本章小结
参考文献