一种压接管设备的校验方法和装置

技术领域

本发明涉及电力系统安全监测技术领域，尤其涉及一种压接管设备的校验方法和装置。

背景技术

输电线路是电力系统的重要组成部分，也是电网安全运行的基础。导线压接管是输电线路重要的组成部分，也是易发生缺陷和故障的元器件，当压接管存在缺陷时，接触电阻异常，异常部位发热会高于导体部位，并且电阻会随温度的升高而增大，在温度高于某一数值时，金属氧化速度急剧增加，氧化产物使电阻增加更为迅速，引起恶性循环，最终导致导线断裂，因此，需定期对导线的压接管进行巡检，及时对存在缺陷的压接管进行更换。

现有技术中主要是由无人机采集架空输电线路现场热红外图像数据，通过人工提取红外影像温度的方式进行测温。

但在上述现有技术中，所需巡检的杆塔数以万计，仅由无人机采集架空输电线路现场热红外图像数据，通过人工提取红外影像温度的方式费时费力，无法及时对每一条输电线路进行测温，降低了电力系统运行的可靠性。

发明内容

本发明提供了一种压接管设备的校验方法和装置，解决了现有技术由无人机采集架空输电线路现场热红外图像数据，通过人工提取红外影像温度的方式费时费力，无法及时对每一条输电线路进行测温，降低了电力系统运行的可靠性的技术问题。

本发明第一方面提供的一种压接管设备的校验方法，包括：

当接收到多个压接管设备图像时，对多个所述压接管设备图像分别进行图像预处理，生成训练数据；

采用所述训练数据对预设的初始压接管检测神经网络模型进行训练，生成目标压接管检测神经网络模型；

当接收到待识别压接管红外图像时，将所述待识别压接管红外图像输入所述目标压接管检测神经网络模型，生成目标坐标图；

从所述目标坐标图中提取对应的目标坐标数据，根据所述目标坐标数据从所述待识别压接管红外图像上获取目标温度值；

基于所述目标温度值是否满足预设条件的判断结果，判断所述目标坐标数据关联的压接管设备是否异常。

可选地，所述当接收到多个压接管设备图像时，对多个所述压接管设备图像分别进行图像预处理，生成训练数据的步骤，包括：

当接收到多个压接管设备图像时，将多个所述压接管设备图像划分为可见光图像和红外图像；

通过预设的融合算法对多个同一时刻的所述可见光图像与所述红外图像进行数据融合，生成训练图像；

对所述训练图像内压接管设备位置进行标注，生成训练数据。

可选地，所述采用所述训练数据对预设的初始压接管检测神经网络模型进行训练，生成目标压接管检测神经网络模型的步骤，包括：

采用预设Cascade RCNN模型构建与预设MDC模型构建初始压接管检测神经网络模型；

将所述训练数据输入所述初始压接管检测神经网络模型，生成训练特征图；

计算所述训练特征图像与关联的标准特征图像之间的精确率；

判断所述精确率是否大于或等于预设的精确阈值；

若所述精确率大于或等于所述精确阈值，则停止训练，生成目标压接管检测神经网络模型；

若所述精确率小于所述精确阈值，则重新设置所述初始接管检测神经网络模型的参数，并跳转执行所述将所述训练数据输入所述初始压接管检测神经网络模型，生成训练特征图的步骤。

可选地，所述当接收到待识别压接管红外图像时，将所述待识别压接管红外图像输入所述目标压接管检测神经网络模型，生成目标坐标图的步骤，包括：

当接收到待识别压接管红外图像时，采用所述目标压接管检测神经网络模型对所述待识别压接管红外图像进行特征提取，生成多个尺度特征图；

将多个所述尺度特征图进行数据融合，生成对应区域特征图；

将所述区域特征图输入所述Cascade RCNN模型进行缺陷检测，生成目标坐标图。

可选地，所述从所述目标坐标图中提取对应的目标坐标数据，根据所述目标坐标数据从所述待识别压接管红外图像上获取目标温度值的步骤，包括：

采用预设的目标检测算法从所述目标坐标图获取目标坐标数据；

匹配所述待识别压接管红外图像与所述目标坐标数据关联的区域位置；

获取所述区域位置内的多个温度数值；

筛选出多个所述温度数值中的最大值，将所述最大值确定为目标温度值。

可选地，所述基于所述目标温度值是否满足预设条件的判断结果，判断所述目标坐标数据关联的压接管设备是否异常的步骤，包括：

判断所述目标温度值是否大于或等于预设的标准温度值；

若所述目标温度值大于或等于所述标准温度值，则判定所述目标坐标数据关联的压接管设备异常；

若所述目标温度值小于所述标准温度值，则判定所述目标坐标数据关联的压接管设备正常。

本方面第二方面提供的一种压接管设备的校验装置，包括：

设备图像处理模块，用于当接收到多个压接管设备图像时，对多个所述压接管设备图像分别进行图像预处理，生成训练数据；

检测模型构建模块，用于采用所述训练数据对预设的初始压接管检测神经网络模型进行训练，生成目标压接管检测神经网络模型；

坐标图获取模块，用于当接收到待识别压接管红外图像时，将所述待识别压接管红外图像输入所述目标压接管检测神经网络模型，生成目标坐标图；

温度获取模块，用于从所述目标坐标图中提取对应的目标坐标数据，根据所述目标坐标数据从所述待识别压接管红外图像上获取目标温度值；

判断分析模块，用于基于所述目标温度值是否满足预设条件的判断结果，判断所述目标坐标数据关联的压接管设备是否异常。

可选地，所述设备图像处理模块包括：

图像划分子模块，用于当接收到多个压接管设备图像时，将多个所述压接管设备图像划分为可见光图像和红外图像；

训练图像获取子模块，用于通过预设的融合算法对多个同一时刻的所述可见光图像与所述红外图像进行数据融合，生成训练图像；

训练数据获取子模块，用于对所述训练图像内压接管设备位置进行标注，生成训练数据。

可选地，所述检测模型构建模块包括：

初始模型构建子模块，用于采用预设Cascade RCNN模型构建与预设MDC模型构建初始压接管检测神经网络模型；

训练特征图获取子模块，用于将所述训练数据输入所述初始压接管检测神经网络模型，生成训练特征图；

精确率计算子模块，用于计算所述训练特征图像与关联的标准特征图像之间的精确率；

精确率判断分析子模块，用于判断所述精确率是否大于或等于预设的精确阈值；

若所述精确率大于或等于所述精确阈值，则停止训练，生成目标压接管检测神经网络模型；

若所述精确率小于所述精确阈值，则重新设置所述初始接管检测神经网络模型的参数，并跳转执行所述将所述训练数据输入所述初始压接管检测神经网络模型，生成训练特征图的步骤。

可选地，所述坐标图获取模块包括：

尺度特征图获取子模块，用于当接收到待识别压接管红外图像时，采用所述目标压接管检测神经网络模型对所述待识别压接管红外图像进行特征提取，生成多个尺度特征图；

区域特征图获取子模块，用于将多个所述尺度特征图进行数据融合，生成对应区域特征图；

目标坐标图获取子模块，用于将所述区域特征图输入所述Cascade RCNN模型进行缺陷检测，生成目标坐标图。

从以上技术方案可以看出，本发明具有以下优点：

当接收到多个压接管设备图像时，为了提高模型的精确率对多个压接管设备图像进行图像预测处理，生成训练数据，再采用训练数据对预设的初始压接管检测神经网络模型进行训练，生成目标压接管检测神经网络模型，在接收到待识别压接管红外图像时，使用目标压接管检测神经网络模型对待识别压接管红外图像进行处理，生成目标坐标图，根据目标坐标图从待识别压接管红外图像上获取目标温度值，通过比对目标温度值是否满足预设条件的判断结果，判断待识别压接管红外图像上的压接管设备是否异常。解决了现有技术通过人工提取红外影像温度的方式，无法及时对每一条输电线路进行测温，降低了电力系统运行的可靠性的技术问题，通过构建目标压接管检测神经网络模型快速准确的识别压接管设备在红外图像上的位置，及时获取输电线路上压接管设备的温度值，提高了电力系统运行的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一提供的一种压接管设备的校验方法的步骤流程图；

图2为本发明实施例二提供的一种压接管设备的校验方法的步骤流程图；

图3为本发明实施例三提供的一种压接管设备的校验装置的结构框图。

具体实施方式

本发明实施例提供了一种压接管设备的校验方法和装置，用于解决现有技术由无人机采集架空输电线路现场热红外图像数据，通过人工提取红外影像温度的方式费时费力，无法及时对每一条输电线路进行测温，降低了电力系统运行的可靠性的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例一提供的一种压接管设备的校验方法的步骤流程图。

本发明提供的一种压接管设备的校验方法，包括：

步骤101、当接收到多个压接管设备图像时，对多个压接管设备图像分别进行图像预处理，生成训练数据。

压接管设备图像指的是，通过无人机在输电线路上采集到的可见光压接管设备图像和红外压接管设备图像。

图像预处理指的是，对同一帧的三通道可见光压接管设备图像和单通道红外压接管设备图像进行融合处理，生成四通道图像，并将生成多个四通道图像，根据数据类型的不同，采用不同的标注方法对图像进行标注，将图像和标注文件按照顺序一对一读入保存，生成训练样本数据和测试数据。

训练数据指的是，训练样本数据和测试数据。

在本发明实施例中，当接收到无人机在输电线路上采集的可见光压接管设备图像和红外压接设备图像时，选取同一帧的三通道可见光压接管设备图像和单通道红外压接管设备图像进行融合处理，生成四通道图像，并将生成四通道图像划分为训练样本数据和测试数据。

步骤102、采用训练数据对预设的初始压接管检测神经网络模型进行训练，生成目标压接管检测神经网络模型。

预设的初始压接管检测神经网络模型指的是，由特征提取网络ResNet101、FPN网络和Cascade检测器组成的神经网络模型。

在本发明实施例中，采用训练样本数据对预设的初始压接管检测神经网络模型进行训练，再采用测试数据对训练好的初始压接管检测神经网络模型进行测试，当测试结果满足预设条件时，则输出目标压接管检测神经网络模型。

步骤103、当接收到待识别压接管红外图像时，将待识别压接管红外图像输入目标压接管检测神经网络模型，生成目标坐标图。

目标坐标图指的是，采用待识别压接管红外图像输入目标压接管检测神经网络模型，从而输出的压接管红外坐标图像。

在本发明实施例中，当接收到待识别压接管红外图像时，采用待识别压接管红外图像输入目标压接管检测神经网络模型中，生成压接管红外坐标图像。

步骤104、从目标坐标图中提取对应的目标坐标数据，根据目标坐标数据从待识别压接管红外图像上获取目标温度值。

目标坐标数据指的是，压接管设备在待识别压接管红外图像上的区域坐标。

目标温度值指的是，待识别压接管红外图像的压接管设备区域坐标内包含有多个坐标点，每一个坐标点都有对应的温度值，筛选出温度值的最大值作为目标温度值。

在本发明实施例中，当获取到目标坐标图后，从目标坐标图中提取出对应的区域坐标，选取待识别压接管红外图像在区域坐标内的温度值，将温度值中的最大值确定为目标温度值。

步骤105、基于目标温度值是否满足预设条件的判断结果，判断目标坐标数据关联的压接管设备是否异常。

预设条件指的是，压接管在正常工作时的温度值为60摄氏度以下，通过判断目标温度值是否大于或等于60摄氏度，来判断压接管设备是否异常。

在本发明实施例中，当选取出目标温度值后，通过判断目标温度值是否大于或等于60摄氏度的判断结果，来判断目标坐标数据关联的压接管设备是否异常。

在本发明实施例中，当接收到多个压接管设备图像时，对多个压接管设备图像进行图像预处理，生成训练数据，并将训练数据输入到预设的初始压接管检测神经网络模型中进行训练，生成目标压接管检测神经网络模型，在接收到待识别压接管红外图像时，将待识别压接管红外图像输入到目标压接管检测神经网络模型中，生成目标坐标图，从目标坐标图中提取对应的压接管设备区域，根据压接管设备区域从待识别压接管红外图像上获取目标温度值，判断目标温度值是否满足预设条件的判断结果，判断压接管设备区域内的压接管设备是否异常。解决了现有技术通过人工提取红外影像温度的方式，无法及时对每一条输电线路进行测温，降低了电力系统运行的可靠性的技术问题，通过构建目标压接管检测神经网络模型快速准确的识别压接管设备在红外图像上的位置，及时获取输电线路上压接管设备的温度值，提高了电力系统运行的可靠性。

请参阅图2，图2为本发明实施例二提供的一种压接管设备的校验方法的步骤流程图。

本发明提供的一种压接管设备的校验方法，包括：

步骤201、当接收到多个压接管设备图像时，对多个压接管设备图像分别进行图像预处理，生成训练数据。

进一步地，步骤201可以包括以下子步骤：

S11当接收到多个压接管设备图像时，将多个压接管设备图像划分为可见光图像和红外图像。

可见光图像指的是，人眼可辨识的压接管设备图像。

红外图像指的是，获取物体红外光强度所形成图像。

在本发明实施例中，当接收到多个压接管设备图像时，根据压接管设备图像的图像类型，将多个压接管设备图像划分为可见光图像和红外图像。

S12通过预设的融合算法对多个同一时刻的可见光图像与红外图像进行数据融合，生成训练图像。

在本发明实施例中，通过预设的融合算法对同一帧的三通道可见光图像和单通道红外图像进行融合，生成四通道训练图像。

S13对训练图像内压接管设备位置进行标注，生成训练数据。

在本发明实施例中，在获取到生成的训练图像后，对训练图像内的压接设备位置进行标准，生成训练数据。

步骤202、采用训练数据对预设的初始压接管检测神经网络模型进行训练，生成目标压接管检测神经网络模型。

进一步地，步骤202可以包括以下子步骤：

S21采用预设Cascade RCNN模型构建与预设MDC模型构建初始压接管检测神经网络模型。

预设Cascade RCNN模型指的是，由特征提取网络ResNet101、FPN网络和Cascade检测器组成的神经网络模型。

预设MDC模型指的是，在不增加额外计算量的情况下扩大感受野并保持特征图的分辨率不变，同时使用三种不同放大比例的空洞卷积核，使得不同尺度的目标可以在下采样后保留不同范围的特征，减少特征损失的神经网络模型。

在本发明实施例中，通过预设Cascade RCNN模型构建和预设MDC模型构建初始压接管检测神经网络模型。

S22将训练数据输入初始压接管检测神经网络模型，生成训练特征图。

在本发明实施例中，通过将训练数据中的训练样本数据输入到初始压接管检测神经网络模型，生成训练特征图。

S23计算训练特征图像与关联的标准特征图像之间的精确率。

精确率指的是，计算训练特征图像与关联的标准特征图像之间的交集图像区域，再计算交集图像区域所占标准特征图像的比率。

在本发明实施例中，计算训练特征图像与关联的标准特征图像之间的精确率。

需要说明的是，还可以计算训练特征图像与关联的标准特征图像之间的召回率，通过判断每次训练的召回率、精确率是否逐渐提高，若是，则说明模型的参数设置正确，若否，则需停止训练重新设置模型参数。

S24判断精确率是否大于或等于预设的精确阈值。

精确阈值指的是，用于判断初始压接管检测神经网络模型是否训练完成的阈值。

在本发明实施例中，判断精确率是否大于或等于精确阈值。

S25若精确率大于或等于精确阈值，则停止训练，生成目标压接管检测神经网络模型。

在本发明实施例中，若精确率大于或等于精确阈值，则说明初始压接管检测神经网络模型已完成训练，生成目标压接管检测神经网络模型。

S26若精确率小于精确阈值，则重新设置初始接管检测神经网络模型的参数，并跳转执行将训练数据输入初始压接管检测神经网络模型，生成训练特征图的步骤。

在本发明实施例中，若精确率小于精确阈值，则说明初始压接管检测神经网络模型未完成训练，需对初始接管检测神经网络模型的参数进行调整，重新将训练数据输入初始压接管检测神经网络模型，对初始压接管检测神经网络模型进行训练。

步骤203、当接收到待识别压接管红外图像时，将待识别压接管红外图像输入目标压接管检测神经网络模型，生成目标坐标图。

进一步地，步骤203可以包括以下子步骤：

S31当接收到待识别压接管红外图像时，采用目标压接管检测神经网络模型对待识别压接管红外图像进行特征提取，生成多个尺度特征图。

在本发明实施例中，在接收到待识别压接管红外图像时，通过标压接管检测神经网络模型对待识别压接管红外图像进行特征提取，生成四个尺度特征图。

值得一提的是，目标压接管检测神经网络模型为了解决小尺寸目标特征腐蚀问题，基于空洞卷积设计MDC模块。与常规的下采样操作相比，MDC模块中的空洞卷积可以在不增加额外计算量的情况下扩大感受目标并保持特征图的分辨率不变，同时使用三种不同放大比例的空洞卷积核，使得不同尺度的目标可以在下采样后保留不同范围的特征，减少特征损失，MDC模块采用不同空洞率的并行空洞卷积对输入特征图进行统一处理，首先，利用三种步长为2的3×3空洞卷积执行下采样，空洞率分别为1、2、3。其次，利用包含批处理归一化的concat融合方法融合卷积后的特征映射。最后，通过1×1卷积执行降维操作。

S32将多个尺度特征图进行数据融合，生成对应区域特征图。

在本发明实施例中，在获取到多个尺度特征图后，将多个尺度特征图进行数据融合，生成对应区域特征图。

需要说明的是，获取到的尺度特征图将输入FPN网络执行从深层到浅层的多尺度特征融合，然后将融合后的特征映射{P2,P3,P4,P5}传送至区域提议网络RPN中，得到对应区域特征图。

S33将区域特征图输入Cascade RCNN模型进行缺陷检测，生成目标坐标图。

在本发明实施例中，在获取到区域特征图后，将区域特征图输入到Cascade RCNN模型进行缺陷检测，生成目标坐标图。

值得一提的是，Cascade RCNN模型通过下采样操作减小了特征图F2的分辨率获得P2。为了保证深度特征图和浅层特征图能够结合加法操作，需要通过1×1卷积来改变深度特征图中的通道数，使其与下采样后浅层特征图中的通道数相同，因此将P2与改变通道后的特征图F3融合得到P3。由于特征的直接叠加容易造成特征不连续，因此采用3×3卷积法对融合后的特征图进行卷积运算，以消除不同特征图之间的特征分布差异，保证了特征的稳定性。同理，可以融合得到P4和P5，融合公式可表达为：

P

P

其中P

步骤204、从目标坐标图中提取对应的目标坐标数据，根据目标坐标数据从待识别压接管红外图像上获取目标温度值。

进一步地，步骤204可以包括以下子步骤：

S41采用预设的目标检测算法从目标坐标图获取目标坐标数据。

在本发明实施例中，在获取到目标坐标图后，通过目标检测算法获取目标坐标图内压接管设备区域坐标，将压接管设备区域坐标确定为目标坐标数据。

S42匹配待识别压接管红外图像与目标坐标数据关联的区域位置。

在本发明实施例中，匹配待识别压接管红外图像与压接管设备区域坐标关联的区域位置。

S43获取区域位置内的多个温度数值。

在本发明实施例中，采集待识别压接管红外图像区域位置内的多个温度数值。

S44筛选出多个温度数值中的最大值，将最大值确定为目标温度值。

在本发明实施例中，选取出多个温度数值中的最大温度数值，将最大温度数值确定为目标温度值。

步骤205、判断目标温度值是否大于或等于预设的标准温度值。

标准温度值指的是，压接管设备在额定工作时的温度值，一般不超过60摄氏度。

在本发明实施例中，判断目标温度值是否大于或等于压接管设备在额定工作时的温度值。

步骤206、若目标温度值大于或等于标准温度值，则判定目标坐标数据关联的压接管设备异常。

在本发明实施例中，若目标温度值大于或等于60度，则判定目标坐标数据关联的压接管设备异常。

步骤207、若目标温度值小于标准温度值，则判定目标坐标数据关联的压接管设备正常。

在本发明实施例中，若目标温度值小于60度，则判定目标坐标数据关联的压接管设备正常。

在本发明实施例中，当接收到多个压接管设备图像时，对多个压接管设备图像进行图像预处理，生成训练数据，并将训练数据输入到预设的初始压接管检测神经网络模型中进行训练，生成目标压接管检测神经网络模型，在接收到待识别压接管红外图像时，将待识别压接管红外图像输入到目标压接管检测神经网络模型中，生成目标坐标图，从目标坐标图中提取对应的压接管设备区域，根据压接管设备区域从待识别压接管红外图像上获取目标温度值，判断目标温度值是否大于或等于60度，若目标温度值大于或等于60度，则判定压接管设备区域内的压接管设备异常，若目标温度值小于60度，则判定压接管设备区域内的压接管设备正常。解决了现有技术通过人工提取红外影像温度的方式，无法及时对每一条输电线路进行测温，降低了电力系统运行的可靠性的技术问题，通过构建目标压接管检测神经网络模型快速准确的识别压接管设备在红外图像上的位置，及时获取输电线路上压接管设备的温度值，提高了电力系统运行的可靠性。

请参阅图3，图3为本发明实施例三提供的一种压接管设备的校验装置的结构框图。

本发明提供的一种压接管设备的校验装置，包括：

设备图像处理模块301，用于当接收到多个压接管设备图像时，对多个压接管设备图像分别进行图像预处理，生成训练数据；

检测模型构建模块302，用于采用训练数据对预设的初始压接管检测神经网络模型进行训练，生成目标压接管检测神经网络模型；

坐标图获取模块303，用于当接收到待识别压接管红外图像时，将待识别压接管红外图像输入目标压接管检测神经网络模型，生成目标坐标图；

温度获取模块304，用于从目标坐标图中提取对应的目标坐标数据，根据目标坐标数据从待识别压接管红外图像上获取目标温度值；

判断分析模块305，用于基于目标温度值是否满足预设条件的判断结果，判断目标坐标数据关联的压接管设备是否异常。

进一步地，设备图像处理模块301包括：

图像划分子模块，用于当接收到多个压接管设备图像时，将多个压接管设备图像划分为可见光图像和红外图像；

训练图像获取子模块，用于通过预设的融合算法对多个同一时刻的可见光图像与红外图像进行数据融合，生成训练图像；

训练数据获取子模块，用于对训练图像内压接管设备位置进行标注，生成训练数据。

进一步地，检测模型构建模块302包括：

初始模型构建子模块，用于采用预设Cascade RCNN模型构建与预设MDC模型构建初始压接管检测神经网络模型；

训练特征图获取子模块，用于将训练数据输入初始压接管检测神经网络模型，生成训练特征图；

精确率计算子模块，用于计算训练特征图像与关联的标准特征图像之间的精确率；

精确率判断分析子模块，用于判断精确率是否大于或等于预设的精确阈值；

若精确率大于或等于精确阈值，则停止训练，生成目标压接管检测神经网络模型；

若精确率小于精确阈值，则重新设置初始接管检测神经网络模型的参数，并跳转执行将训练数据输入初始压接管检测神经网络模型，生成训练特征图的步骤。

进一步地，坐标图获取模块303包括：

尺度特征图获取子模块，用于当接收到待识别压接管红外图像时，采用目标压接管检测神经网络模型对待识别压接管红外图像进行特征提取，生成多个尺度特征图；

区域特征图获取子模块，用于将多个尺度特征图进行数据融合，生成对应区域特征图；

目标坐标图获取子模块，用于将区域特征图输入Cascade RCNN模型进行缺陷检测，生成目标坐标图。

进一步地，温度获取模块304包括：

目标坐标数据获取子模块，用于采用预设的目标检测算法从目标坐标图获取目标坐标数据；

区域位置获取子模块，用于匹配待识别压接管红外图像与目标坐标数据关联的区域位置；

温度数值获取子模块，用于获取区域位置内的多个温度数值；

目标温度值获取子模块，用于筛选出多个温度数值中的最大值，将最大值确定为目标温度值。

进一步地，判断分析模块305包括：

第一判断分析子模块，用于判断目标温度值是否大于或等于预设的标准温度值；

第二判断分析子模块，用于若目标温度值大于或等于标准温度值，则判定目标坐标数据关联的压接管设备异常；

第三判断分析子模块，用于若目标温度值小于标准温度值，则判定目标坐标数据关联的压接管设备正常。

在本发明实施例中，当设备图像处理模块接收到多个压接管图像时，对多个压接管图像进行图像预处理，生成训练数据，再通过训练数据对预设的初始压接管检测神经网络模型进行训练，生成目标压接管检测神经网络模型，当坐标图像获取模块接收到待识别压接管红外图像时，将通过目标压接管检测神经网络模型对待识别压接管红外图像进行处理，生成目标坐标图，再通过温度获取模块解析目标坐标图，从待识别压接管红外图像获取目标温度值，通过判断分析模块比对目标温度值和标准温度值，判断目标坐标数据关联的压接管设备是否异常。解决了现有技术通过人工提取红外影像温度的方式，无法及时对每一条输电线路进行测温，降低了电力系统运行的可靠性的技术问题。通过构建目标压接管检测神经网络模型快速识别压接管设备在红外图像上的位置，及时获取输电线路上压接管设备的温度值，提高了电力系统运行的可靠性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。