电压制热型设备的缺陷确定方法、装置、介质及设备与流程

1.本技术实施例涉及图像处理术领域，尤其涉及一种电压制热型设备的缺陷确定方法、装置、介质及设备。


背景技术：

2.变电站是电网中负责转换电压与分配电能的重要节点，其安全可靠性直接关系到电力系统的安全稳定运行。其中，电压型制热设备的缺陷主要是由于内部绝缘介质劣化或表面污秽引起的发热，且早期异常发热引起的故障在电气设备故障中的占比超半数，极易造成大面积停电事故。
3.目前针对电压型制热设备的缺陷检测主要依靠大量的工作人员进行人工判断，耗时耗力，且工作效率低。
4.因此，如何提供一种针对电压型制热设备缺陷检测准确且效率高的诊断方法，是本领域技术人员亟待解决的技术问题。


技术实现要素：

5.本技术实施例提供一种电压制热型设备的缺陷确定方法、装置、介质及设备，可以实现电压制热型设备缺陷的确定及定位，提高电压制热型设备的缺陷检测准确率。
6.第一方面，本技术实施例提供了一种电压制热型设备的缺陷确定方法，所述方法包括：
7.获取待处理的电压制热型设备的红外图像，并将所述红外图像转换为灰度图和温度图；
8.将所述灰度图输入至预先训练的卷积神经网络模型中，得到所述电压制热型设备的类型和所述电压制热型设备中三相绝缘瓷套的位置信息；
9.根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套的最大温差值；
10.若所述最大温差值大于或等于所述预设温差阈值，则确定所述电压制热型设备存在电压过热型缺陷。
11.第二方面，本技术实施例提供了一种电压制热型设备的缺陷确定装置，该装置包括：
12.待处理图像确定模块，用于获取待处理的电压制热型设备的红外图像，并将所述红外图像转换为灰度图和温度图；
13.图像预处理模块，用于将所述灰度图输入至预先训练的卷积神经网络模型中，得到所述电压制热型设备的类型和所述电压制热型设备中三相绝缘瓷套的位置信息；
14.最大温差确定模块，用于根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套的最大温差值；
15.电压过热型缺陷确定模块，用于若所述最大温差值大于或等于所述预设温差阈
值，则确定所述电压制热型设备存在电压过热型缺陷。
16.第三方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术实施例所述的电压制热型设备的缺陷确定方法。
17.第四方面，本技术实施例提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本技术实施例所述的电压制热型设备的缺陷确定方法。
18.本发明实施例所提供的技术方案，通过获取待处理的电压制热型设备的红外图像，并将红外图像转换为灰度图和温度图；将灰度图输入至预先训练的卷积神经网络模型中，得到电压制热型设备的类型和电压制热型设备中三相绝缘瓷套的位置信息；根据温度图、待处理的电压制热型设备的类型和三相绝缘瓷套的位置信息，确定三相绝缘瓷套的最大温差值；若最大温差值大于或等于预设温差阈值，则确定电压制热型设备存在电压过热型缺陷。本技术方案，可以实现电压制热型设备缺陷的确定及定位，提高电压制热型设备的缺陷检测准确率。
附图说明
19.图1是本发明实施例提供的电压制热型设备的缺陷确定方法的流程图；
20.图2是本发明实施例提供的卷积神经网络模型训练方法的流程图；
21.图3是本发明实施例提供的一种电压制热型设备的缺陷确定装置的结构框图；
22.图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
23.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。
24.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
25.图1是本发明实施例提供的电压制热型设备的缺陷确定方法的流程图，本实施例可适用于对区块链内对节点进行代理的场景，该方法可以由本技术实施例所提供的电压制热型设备的缺陷确定装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于电子设备中。
26.如图1所示，所述电压制热型设备的缺陷确定方法包括：
27.s110、获取待处理的电压制热型设备的红外图像，并将所述红外图像转换为灰度图和温度图。
28.需要说明的是，设备按照制热类型分为电流制热型设备和电压制热型设备。其中，电流制热型设备的缺陷一般是由电流流经导电回路电阻引起的发热，主要集中在设备连接件处；而电压制热型设备的缺陷主要是由于内部绝缘介质劣化或表面污秽引起的发热。例
pan结构的基础上，将主干网络所输出特征的通道数调整到最小通道数，以解决过大的计算消耗问题。
39.s130、根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套的最大温差值。
40.为了匹配电压制热型设备及其三相绝缘瓷套在相对应位置的温度，可以将温度图的尺寸大小与灰度图的尺寸大小设为一致，例如，均为224*224。示例性的，可以基于同一待处理的红外图像所转换的温度图以及经预先训练的卷积神经网络模型处理的灰度图的对应关系，将所述灰度图映射至所述温度图中，确定所述灰度图在所述温度图中的映射区域。然后，进一步基于三相绝缘瓷套在温度图中所处的位置区域，从该映射区域中确定与该位置区域(三相绝缘瓷套在温度图中所处的位置区域)对应的目标区域，也即从所述温度图中确定与该位置区域对应的目标区域。进一步，可以将目标区域中的最高温值和最低温值；也可以提取目标区域内三相绝缘瓷套中单相绝缘瓷套在同一位置的最高温和最低温，确定最大温差值。
41.在本发明实施例中，可选的，根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套的最大温差值，包括：根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套中的最高温度和所处区域的位置信息；基于所述所处区域的位置信息，确定另外两相绝缘瓷套所对应区域的位置信息和温度；选取所述另外两相所对应区域中的最低温度值，将所述最高温度值和所述最低温度值做差，得到三相绝缘瓷套的最大温差值。
42.需要说明的是，基于透视原理中近大远小的原则，尺寸相同大小的三个单相绝缘瓷套，距离红外图像采集器近的单相绝缘瓷套相比距离红外图像采集器远的单相绝缘瓷套在红外图像中的显示尺寸大。因此，在根据最高温度所处区域的位置信息确定另外两相所对应区域的位置信息时，例如可以通过确定最高温度所处区域相对该单相绝缘瓷套整体区域的位置，以及最高温度所处区域占该单相绝缘瓷套整体区域面积比，确定另外两相绝缘瓷套中整体区域中同一相对位置和相同面积比的对应区域。将三相绝缘瓷套同一区域的最高温度值和所述最低温度值做差，得到三相绝缘瓷套的最大温差值。通过确定三相绝缘瓷套在同一区域的最大温差值，可以提高电压制热型设备缺陷检测的准确率。
43.s140、若所述最大温差值大于或等于所述预设温差阈值，则确定所述电压制热型设备存在电压过热型缺陷。
44.其中，预设温差阈值可以是根据历史多次经验得到温差阈值，也可以是根据不同电压制热型设备类型或不同缺陷类型确定的温差阈值，还可以是通过建立神经网络模型对存在缺陷的温差进行训练得到温差阈值。电压过热型缺陷比如可以是介质损耗偏大、匝间短路或贴心损耗增大等。例如，油浸式电压互感器的预设温差阈值一般设定为3k，若在次前提下，该电压互感器中三相绝缘瓷套在同一区域的最大温差值超过3k，则确定该电压互感器存在电压过热型缺陷。
45.在本发明实施例中，可选的，所述预设温差阈值的确定方法，包括：根据所述待处理的电压制热型设备的类型，确定与所述待处理的电压制热型设备对应的检测规则；根据所述检测规则，确定所述待处理的电压制热型设备的预设温差阈值。
46.可以理解的是，不同类型的电压制热型设备，其所表现的缺陷特征和热像特征不
同，其检测规则和预设温差阈值也不同。例如，以电流互感器为例，10kv浇筑式电流互感器缺陷特征为铁心短路或局部电流增大，所表现的热像特征为以本体为中心的整体发热，则检测区域可以选取单相绝缘瓷套的全部区域，预设温差阈值一般设定为4k；油浸式电流互感器缺陷特征为介质损耗偏大，所表现的热像特征为瓷套整体温升增大，且瓷套上部温度偏高，则可以选取单相绝缘瓷套中上部二分之一的区域，预设温差阈值一般设定为3k。通过对不同类型电压制热型设备的预设温差阈值进行细化，可以提高对缺陷检测的准确率。
47.本技术实施例所提供的技术方案，通过获取待处理的电压制热型设备的红外图像，并将红外图像转换为灰度图和温度图；将灰度图输入至预先训练的卷积神经网络模型中，得到电压制热型设备的类型和电压制热型设备中三相绝缘瓷套的位置信息；根据温度图、待处理的电压制热型设备的类型和三相绝缘瓷套的位置信息，确定三相绝缘瓷套的最大温差值；若最大温差值大于或等于预设温差阈值，则确定电压制热型设备存在电压过热型缺陷。本技术方案，可以实现电压制热型设备缺陷的确定及定位，提高电压制热型设备的缺陷检测准确率。
48.图2是本发明实施例提供的卷积神经网络模型训练方法的流程图，本发明实施例适用于对设备缺陷确定的场景。如图2所示，本实施例的方法具体包括如下步骤：
49.s210、获取预设数量的训练图像。
50.其中，所述训练图像包括至少一种类型的三相电压制热型设备的灰度图、以及与所述灰度图对应的真实边界框。针对所建立的卷积神经网络模型，可以选择不同数量的训练图像来进行训练。比如，训练图像的数量可以是500个、2000个、5000个等。当然，对训练图像的数量不作限定。其中，训练图像中所包括的与所述灰度图对应的真实边界框可以包括电压制热型设备的整体端子区域边界框和三相绝缘瓷套的区域边界框。
51.s220、将所述训练图像拆分为训练样本集、验证样本集和测试样本集。
52.其中，训练样本集用于确定初始卷积神经网络模型中的参数，验证样本集用于验证并确定经训练的最优初始卷积神经网络模型参数，测试样本集用于测试基于最优初始卷积神经网络模型参数建立的卷积神经网络模型的准确度。需要说明的是，训练样本集、验证样本集和测试样本集是相互独立的，是不同的训练图像。这样设置的好处是，可以提高所建立的卷积神经网络模型的精准度。
53.示例性的，可以将5000组数据组按照9：0.5：0.5的比例划分，得到含有4500组的训练样本集、250组的验证样本集和250组的测试样本集。
54.s230、采用所述训练样本集对初始卷积神经网络模型进行至少一次训练，得到至少一个待验证卷积神经网络模型。
55.其中，所述初始卷积神经网络模型的输入为训练样本集中的灰度图，输出为与所述灰度图对应的电压制热型设备类型和所述电压制热型设备中三相绝缘瓷套的位置信息。
56.需要说明的是，为了能够提高卷积神经网络模型对电压制热型设备和其三相绝缘瓷套的识别率和准确率，训练样本集会对初始卷积神经网络模型进行至少一次训练。在一个预设训练周期内，将全部的训练样本集输入初始卷积神经网络模型中，分别对训练样本集中电压制热型设备和其三相绝缘瓷套的特征进行提取，确定待验证卷积神经网络模型的参数并建立待验证卷积神经网络模型。其中，预设训练周期可以根据实际需要进行确定，例如，将训练样本集对初始卷积神经网络模型进行三百次循环训练。
57.s240、所述验证样本集对所述至少一个待验证卷积神经网络模型进行验证，确定待测试卷积神经网络模型。
58.其中，验证样本集对至少一个待验证卷积神经网络模型进行验证，可以基于待验证卷积神经网络模型的参数，对验证样本集中的灰度图进行特征提取并确定电压制热型设备和其三相绝缘瓷套的预测框。根据预测框的数量和验证样本集中与灰度图所对应的真实边界框的数量进行比较，可以确定该模型的召回率；根据预测框和验证样本集中与灰度图所对应的真实边界框的区域重叠性进行比较，可以确定该模型的精确率；根据预测框的分类结果和验证样本集中与灰度图所对应的真实边界框所属的类别进行比较，可以确定该模型的分类准确率。
59.示例性的，若验证样本集中与灰度图所对应的真实边界框为4个，通过某一待验证卷积神经网络模型得到的输出结果为5个预测框，其中3个预测框与真实边界框对应匹配，2个准确预测了类别结果，则该模型对于该灰度图的召回率为0.75，精确率为0.6，分类准确率为0.667。
60.若验证样本集对至少两个待验证卷积神经网络模型进行验证后，可以得到至少两组待验证卷积神经网络模型的召回率、精确率和分类准确率，进行比较之后选取最优的待验证卷积神经网络模型作为待测试卷积神经网络模型。
61.s250、所述测试样本集对所述待测试卷积神经网络模型进行测试，若测试结果符合预设标准，则确定卷积神经网络模型训练完成。
62.可以理解的是，为保证待测试卷积神经网络模型的稳定性，在基于验证样本集对至少一个待验证卷积神经网络模型进行训练后得到的最优参数所建立的待测试卷积神经网络模型之后，还需将测试样本集对待测试卷积神经网络模型进行测试。
63.其中，测试结果为测试样本集中与灰度图所对应的电压制热型设备类型及其三相绝缘瓷套的召回率、精确率和分类准确率，若待测试卷积神经网络模型的召回率、精确率和分类准确率达不到预设的阈值，则返回步骤s230，即再次输入训练样本集对初始卷积神经网络模型进行训练，对其模型参数进行不断优化学习，直至符合预设标准。
64.本发明实施例所提供的技术方案，基于深度学习，利用训练样本集、验证样本集和测试样本集对卷积神经网络模型进行反复训练，建立对制热型电压设备进行识别的卷积神经网络模型，提高该卷积神经网络模型的鲁棒性，从而提高了对电压制热型设备的识别准确率。
65.在上述各实施例的基础上，可选的，所述方法还包括：在若所述最大温差值大于或等于所述预设温差阈值，则确定所述电压制热型设备存在电压过热型缺陷之后，还包括：若所述最大温差值小于所述预设温差阈值，则确定所述电压制热型设备正常；基于所述三相绝缘瓷套的最大温差值和预设温差阈值的比较结果，输出检测报告。
66.对电压制热型设备进行检测可以通过预设间隔时间，对电压制热型设备进行间断检测并出具检测报告。其中，检测报告是根据检测结果而确定的有关电压制热型设备的报告。报告内容可以包括所检测的电压制热型设备的基本信息，以及状态信息。这样设置的好处是，对每个电压制热型设备的状态进行统计，不仅可以便于后续数据分析，还可以方便工作人员对电压制热型设备的状态进行检测以及及时处理。
67.在上述各实施例的基础上，可选的，所述检测报告包括：若所述电压制热型设备存
在电压过热型缺陷，则所述检测报告至少包括检测时间、所述电压制热型设备的类型、检测存在缺陷的单位帧灰度图像、所述电压制热型设备中三相绝缘瓷套中的最高温度和所处区域的位置信息，以及所述缺陷的处理建议；若所述电压制热型设备正常则所述检测报告至少包括检测时间、所述电压制热型设备的类型和所述电压制热型设备的状态。
68.可以理解的是，根据检测结果的不同，检测报告的内容也不同。其中，电压制热型设备的状态可以包括正常状态和异常状态。
69.若电压制热型设备存在电压过热型缺陷，则检测报告至少包括检测时间、电压制热型设备的类型、检测存在缺陷的单位帧灰度图像、电压制热型设备中三相绝缘瓷套中的最高温度和所处区域的位置信息，以及缺陷的处理建议。示例性的，在2021年1月1日早上8点，1号油浸式电流互感器状态检测出现异常，其热像特征表现为三相绝缘瓷套上三分之一区域温差为4k，超过预设温差阈值3k，处理建议为进行介质损耗、油色谱和油中含水量检测。若电压制热型设备正常则检测报告至少包括检测时间、电压制热型设备的类型和电压制热型设备的状态为正常。
70.通过确定检测报告的具体内容，可以方便工作人员对出现缺陷的电压制热型设备进行进一步检查和处理。
71.图3是本发明实施例提供的一种电压制热型设备的缺陷确定装置的结构框图，该装置可执行本发明任意实施例所提供的电压制热型设备的缺陷确定方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置可以包括：
72.待处理图像确定模块310，用于获取待处理的电压制热型设备的红外图像，并将所述红外图像转换为灰度图和温度图；
73.图像预处理模块320，用于将所述灰度图输入至预先训练的卷积神经网络模型中，得到所述电压制热型设备的类型和所述电压制热型设备中三相绝缘瓷套的位置信息；
74.最大温差确定模块330，用于根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套的最大温差值；
75.电压过热型缺陷确定模块340，用于若所述最大温差值大于或等于所述预设温差阈值，则确定所述电压制热型设备存在电压过热型缺陷。
76.本发明实施例所提供的装置方案，通过获取待处理的电压制热型设备的红外图像，并将红外图像转换为灰度图和温度图；将灰度图输入至预先训练的卷积神经网络模型中，得到电压制热型设备的类型和电压制热型设备中三相绝缘瓷套的位置信息；根据温度图、待处理的电压制热型设备的类型和三相绝缘瓷套的位置信息，确定三相绝缘瓷套的最大温差值；若最大温差值大于或等于预设温差阈值，则确定电压制热型设备存在电压过热型缺陷。本技术方案，可以实现电压制热型设备缺陷的确定及定位，提高电压制热型设备的缺陷检测准确率。
77.进一步的，所述卷积神经网络模型的训练过程包括：
78.获取预设数量的训练图像；其中，所述训练图像包括至少一种类型的三相电压制热型设备的灰度图、以及与所述灰度图对应的真实边界框；
79.将所述训练图像拆分为训练样本集、验证样本集和测试样本集；
80.采用所述训练样本集对初始卷积神经网络模型进行至少一次训练，得到至少一个待验证卷积神经网络模型；其中，所述初始卷积神经网络模型的输入为训练样本集中的灰
度图，输出为与所述灰度图对应的电压制热型设备类型和所述电压制热型设备中三相绝缘瓷套的位置信息；
81.所述验证样本集对所述至少一个待验证卷积神经网络模型进行验证，确定待测试卷积神经网络模型；
82.所述测试样本集对所述待测试卷积神经网络模型进行测试，若测试结果符合预设标准，则确定卷积神经网络模型训练完成。
83.进一步的，所述验证样本集对所述至少一个待验证卷积神经网络模型进行验证，确定待测试卷积神经网络模型，包括：
84.每隔一个预设训练周期，所述验证样本集对所述至少一个待验证卷积神经网络模型进行验证，并确定至少一个验证准确率；
85.选取所述至少一个验证准确率中验证准确率最高的训练卷积神经网络模型作为待测试卷积神经网络模型。
86.进一步的，最大温差确定模块330，包括：
87.最高温区域位置确定单元，用于根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套中的最高温度和所处区域的位置信息；
88.对应区域确定单元，用于基于所述所处区域的位置信息，确定另外两相所对应区域的位置信息和温度；
89.选取所述另外两相所对应区域中的最低温度，将所述最高温度和所述最低温度相减，得到三相绝缘瓷套的最大温差值。
90.进一步的，所述预设温差阈值的确定方法，包括：
91.根据所述待处理的电压制热型设备的类型，确定与所述待处理的电压制热型设备对应的检测规则；
92.根据所述检测规则，确定所述待处理的电压制热型设备的预设温差阈值。
93.进一步的，所述装置还包括：
94.状态正常检测模块，用于在若所述最大温差值大于或等于所述预设温差阈值，则确定所述电压制热型设备存在电压过热型缺陷之后，若所述最大温差值小于所述预设温差阈值，则确定所述电压制热型设备正常；
95.检测报告输出模块，用于基于所述三相绝缘瓷套的最大温差值和预设温差阈值的比较结果，输出检测报告。
96.进一步的，所述检测报告包括：
97.若所述电压制热型设备存在电压过热型缺陷，则所述检测报告至少包括检测时间、所述电压制热型设备的类型、检测存在缺陷的单位帧灰度图像、所述电压制热型设备中三相绝缘瓷套中的最高温度和所处区域的位置信息，以及所述缺陷的处理建议；
98.若所述电压制热型设备正常则所述检测报告至少包括检测时间、所述电压制热型设备的类型和所述电压制热型设备的状态。
99.上述产品可执行本技术实施例所提供的电压制热型设备的缺陷确定方法，具备执行方法相应的功能模块和有益效果。
100.本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程
序被处理器执行时实现如本技术所有发明实施例提供的电压制热型设备的缺陷确定方法：
101.获取待处理的电压制热型设备的红外图像，并将所述红外图像转换为灰度图和温度图；
102.将所述灰度图输入至预先训练的卷积神经网络模型中，得到所述电压制热型设备的类型和所述电压制热型设备中三相绝缘瓷套的位置信息；
103.根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套的最大温差值；
104.若所述最大温差值大于或等于所述预设温差阈值，则确定所述电压制热型设备存在电压过热型缺陷。
105.可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
106.计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
107.计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。
108.可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
109.本技术实施例还提供了一种电子设备。图4是本发明实施例提供的一种电子设备的结构示意图。如图4所示，本实施例提供了一种电子设备400，其包括：一个或多个处理器420；存储装置410，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器420执行，使得所述一个或多个处理器420实现本技术实施例所提供的电压制热型设备的缺陷确定方法，该方法包括：
110.获取待处理的电压制热型设备的红外图像，并将所述红外图像转换为灰度图和温度图；
111.将所述灰度图输入至预先训练的卷积神经网络模型中，得到所述电压制热型设备的类型和所述电压制热型设备中三相绝缘瓷套的位置信息；
112.根据所述温度图、所述待处理的电压制热型设备的类型和所述三相绝缘瓷套的位置信息，确定所述三相绝缘瓷套的最大温差值；
113.若所述最大温差值大于或等于所述预设温差阈值，则确定所述电压制热型设备存在电压过热型缺陷。
114.当然，本领域技术人员可以理解，处理器920还实现本技术任意实施例所提供的电压制热型设备的缺陷确定方法的技术方案。
115.图4显示的电子设备400仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
116.如图4所示，该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440；电子设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
117.存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块单元，如本技术实施例中的电压制热型设备的缺陷确定方法对应的程序指令。
118.存储装置410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
119.输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等电子设备。
120.本技术实施例提供的电子设备，可以通过获取待处理的电压制热型设备的红外图像，并将红外图像转换为灰度图和温度图；将灰度图输入至预先训练的卷积神经网络模型中，得到电压制热型设备的类型和电压制热型设备中三相绝缘瓷套的位置信息；根据温度图、待处理的电压制热型设备的类型和三相绝缘瓷套的位置信息，确定三相绝缘瓷套的最大温差值；若最大温差值大于或等于预设温差阈值，则确定电压制热型设备存在电压过热型缺陷。本技术方案，可以实现电压制热型设备缺陷的确定及定位，提高电压制热型设备的缺陷检测准确率。
121.上述实施例中提供的电压制热型设备的缺陷确定装置、介质及电子设备可执行本技术任意实施例所提供的电压制热型设备的缺陷确定方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本技术任意实施例所提供的电压制热型设备的缺陷确定方法。
122.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、
重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。