当电力输电线周围有工程机械在进行作业时,工程机械高频率地举升起重臂或挖斗,可能会导致起重臂或挖斗与高压线网之间的距离小于安全距离,极易引起击穿短路等安全事故,因此需要对高压线网附近的工程机械进行巡检。无人机巡检由于灵活性高、巡检效率高而得到了广泛应用,利用无人机巡检对工程机械进行检测需要在无人机机载平台上部署目标检测模型,而目前很多目标检测算法存在识别准确率低、参数规模大等问题,因此需要对无人机航拍图像中工程机械的检测算法进行研究,以探索出一种识别准确率高且实时性基本上能满足机载端检测要求的目标检测算法。为此,本文针对胶囊网络参数规模小、能够利用较小数据集实现较高目标识别准确率的特点,对胶囊网络算法进行了研究,并改进了胶囊网络,一是改进其网络结构,二是改进其动态路由算法,同时将其分别与经典模式识别算法和YOLOv5（You Only Look Once version 5）算法进行对比,以探索出一种胶囊网络识别航拍图像中工程机械的最优模型。本文的研究获得广州市科技计划项目（编号:202007040004）的资助。本文的主要贡献如下:1.设计无人机航拍图像中工程机械识别的总体架构。2.构建无人机航拍工程机械数据集。对无人机航拍获取的图像进行添加噪声、调整图像亮度等图像预处理操作,对图像进行标注,构建两个数据集。数据集1为标注后的图像数据集,数据集2为对标注后的图像进行分块、尺寸归一化后得到的数据集。对两个数据集进行分组,分别分为训练集和测试集。3.构建无人机航拍图像中工程机械识别的胶囊网络算法模型。对胶囊网络进行研究并对其进行改进,首先改进胶囊网络的网络结构,将原始胶囊网络结构改进为多层密集连接型胶囊网络,简称为改进1算法;其次改进胶囊网络的动态路由算法,将动态路由算法中的Soft Max函数替换为Leaky-Soft Max函数,简称为改进2算法;将改进1算法和改进2算法进行结合,简称改进3算法。4.对胶囊网络的网络层数、路由系数、挤压系数等关键参数进行研究,探索出胶囊网络的最优算法模型,并将其分别与经典模式识别方法模型、YOLOv5x模型以及原始胶囊网络模型进行对比。5.考虑到胶囊网络进行目标检测时需要与目标区域产生方法进行结合,而传统的目标区域产生方法在产生候选区域的过程中会耗费大量时间,为了提高胶囊网络目标检测实时性,将RPN（Region Proposal Network,区域产生网络）和胶囊网络进行结合,构建对无人机航拍图像中工程机械识别的全流程目标检测模型,并将其目标检测性能与结合了SS（Selective Search,选择性查找）的胶囊网络目标检测模型进行对比。实验结果表明:（1）本文所提出的改进方法均能够有效地提升胶囊网络的目标平均识别准确率（mean Average Precision,m AP）,其中改进1算法的m AP是91.70%,改进2算法的m AP是90.03%,改进3算法的m AP达到92.10%,比原始胶囊网络高2.61%。（2）胶囊网络的网络层数不同,对图像特征提取效果也不同,本文分别对比了1层、3层、5层和7层的胶囊网络模型的目标识别性能,结果表明网络层数变化对胶囊网络的目标识别准确率有很大影响,两者之间呈现非单调非线性的关系。在本文的应用场景中,当网络层数为5时,胶囊网络的识别准确率最高。此外,采用多层密集连接型的胶囊网络并不会增大胶囊网络的参数规模。（3）胶囊网络动态路由算法的路由系数和挤压系数都会对胶囊网络的识别准确率产生影响,经过探索,当路由系数取5,挤压系数取1时,Leaky-Soft Max型的5层密集连接型胶囊网络的目标识别准确率m AP达到94.56%,命名此模型为本文的最优算法模型。（4）本文的最优算法模型在m AP性能上,明显优于经典模式识别方法和YOLOv5x算法,且参数规模不足YOLOv5x算法的1/3。（5）本文构建的结合RPN的胶囊网络全流程检测算法模型平均每2.55s检测一张分辨率为2592×1944pixels的图片,而结合SS的胶囊网络由于产生候选区域花费了大量时间,平均每44.70s完成对一张相同分辨率图片中目标的检测,因此结合RPN的胶囊网络全流程检测算法模型在实时性上要明显优于结合SS的胶囊网络两步走检测模型。综上所述,在无人机航拍工程机械数据集较小的情况下,本文经过对胶囊网络进行改进,并对胶囊网络中关键参数进行探索,提出一种胶囊网络的最优算法模型,该模型参数规模小,且在本文的应用场景中目标识别准确率要明显优于其它算法,同时实时性也基本能满足无人机巡检的需要,能够实现对无人机航拍图像中工程机械快速、及时地检测。