地铁列车360°外观图像故障检测系统采用高频图像传感器对车体关键部位包括受流、走行部、牵引、制动供风、车门车窗、车钩等关键部件进行高清二维成像，同时对走行部三维点云成像，形成多元的车体外观图像感知数据；通过模式识别、计算机视觉和基于数据驱动的分级预警等技术，实现列车部件典型故障诊断分析和预警。 针对列车常发性故障，已基于前景检测、模式识别、机器学习等算法建立螺栓丢失检测模型、螺栓松动检测模型、异物检测模型、污渍检测模型、状态检测模型、裂纹检测模型等通用专用模型，系统检测车号识别准确率≥99.9%，系统针对日常检修已达到主要部件自动识别率不低于99%：漏报率不高于1%，系统检测误报率不大于2%，处于国内领先水平。 系统针对关键部件因油渍、水渍等表面污垢引起的误报警，采用了基于深度学习的方法解决相关问题，例如，针对全车螺栓，利用基于候选框的faster-RCNN算法，实现多种姿态的螺栓的定位，采用OC-CNN异常检测，实现对螺栓表面有油污和水渍的情况的精准判断，准确率达到95%以上，处于国内领先水平。 目前该系统已在广州地铁、广佛地铁、重庆地铁等现场长期应用，同时也完成科技成果评价，评价结果为“整体技术达到了国际先进水平”。