中国的电气化铁路系统主要使用接触网连接，易受环境因素的影响，如果发生故障，将给铁路运输系统造成重大的经济损失。此外，大多数铁路接触网都位于偏远地区或复杂地形中，因此，人工巡检难以检测悬挂在不同位置接触网的状态，甚至更加难以准确地定位故障的吊弦。目前，人工巡检定位吊弦故障操作过于复杂、效率较低。在此过程中，首先使用巡逻车检查接触网的各个部分的吊弦，吊弦的作用是将其悬吊在轴承电缆上，以确保接触网的高度。吊弦的主要故障包括载流环断裂、无应力导致的螺栓松动和吊弦脱落。检测过程也存在如检查周期长、效率低和漏检等问题。为了解决这些问题，采用图像处理技术和研发无人机智能巡检技术显得尤为重要。为了准确识别接触网吊弦的故障部分，首先必须将吊弦从背景图像中完全分离出来。除了损坏的吊弦本身和接触网电力线之外，获取的图像还包括很大一部分背景和其他电力设备。此外，由于吊弦的位置信息难以获取，需要通过寻找合适的定位算法提取相应的位置信息。吊弦的接线方式分为压接式整体吊弦和螺栓可调式整体吊弦。压接式一般用于工厂或者加工车间使用；而螺栓可调式则广泛应用于铁路接触网上，因为这种吊弦适用于吊弦程度长度变化无规律的地方，可以随着接触网的上下浮动进行相应的调整，而吊弦的故障类型一般分为烧伤、载流环折断、脱落等。近年来，许多研究学者对接触网进行了大量研究，推动了铁路接触网智能巡检的发展。2000年，有学者引入了一种新型自上而下的方法来自动提取接触网吊弦，该方法使用先验知识从真实的数据库中提取并分离了吊弦。同年，戚广枫等学者对接触网吊弦的动应力值和疲劳载荷特性进行了详细分析。2001年，美国公司ENSCO研发轨道视频检测系统（VIS）实现对Panda Pal扣件工作状态的实时检测。4年后，德国铁路工程公司GBM Wiebe开发了GeoRail-Xpress综合检测车，该检测车可以对整个铁路电气设备系统进行实时检测。2006年，G. E. Hinton等学者在《自然》杂志上首次提出了深度学习的概念。自此深度学习成为机器视觉的重要检测工具。2014年，范华等学者提出了一种针对低压电网的识别定位技术。2016年，卢用煌等学者使用深度学习正确识别ID号并进行分类。王毅星提出了一种基于多树融合的深度学习迁移模型，用于图像识别和分类。2017年，G. E. Hinton等学者提出胶囊网络（CapsNet），将有可能替代传统的卷积神经网络（CNN），为深度学习领域带来了新的契机。还有学者应用胶囊网络对手写数字进行分类，由于数字本身的特征单一，识别率较高，而吊弦会受到所处现场复杂环境的影响，因此需要对更多的吊弦特征进行分析。针对螺栓可调式整体吊弦进行故障识别与定位，石家庄铁道大学电气与电子工程学院的研究人员提出了一种基于改进胶囊网络的接触网吊弦故障识别与定位算法。
