图像处理方法、装置、服务器及可读存储介质与流程

本发明涉及计算机图像处理技术领域，具体而言，涉及一种图像处理方法、装置、服务器及可读存储介质。

背景技术：

在电力技术领域中，需要对设备的安全进行检测。例如，需要对设备的温度进行检测，以避免设备因高温而被烧坏。目前检测设备的温度的方式通常为：在待检测设备上设置温度传感器，通过温度传感器接触设备的方式来检测待检测设备的温度。电力机房中设备多，导致硬件电路的布设难度大。目前，存在利用红外图像通过机器学习来识别电力机房中的各设备的类型，然后基于红外图像来检测设备的温度。而采集到的红外图像通常比较模糊，使得识别设备得到的识别结果准确度差。

技术实现要素：

本申请提供一种图像处理方法、装置、服务器及可读存储介质，能够改善对电力设备红外图像识别结果准确度差的问题。

为了实现上述目的，本申请实施例所提供的技术方案如下所示：

第一方面，本申请实施例提供一种图像处理方法，所述方法包括：

获取待处理图像，所述待处理图像包括采集电力设备得到的红外图像；通过完成训练后的深度学习模型提取所述待处理图像在第一预设卷积层的第一图像特征，以及提取所述待处理图像在第二预设卷积层的第二图像特征；根据所述第一图像特征及所述第二图像特征对所述第一图像特征、所述第二图像特征进行特征融合，并对融合后得到的图像特征进行特征提取，得到目标特征；通过所述深度学习模型根据所述目标特征对所述待处理图像进行识别，得到所述待处理图像中表示电力设备的类型的识别结果。

在上述实施方式中，方法通过提取待处理图像在第一预设卷积层的第一图像特征、在第二预设卷积层的第二图像特征，然后进行特征融合，并利用融合后的图像特征进行特征提取，再利用提取到的目标特征来对待处理图像进行识别。基于此，相比于直接利用待处理图像的图像特征，目标特征中的图像特征得到增强，从而使得在利用目标特征识别电力设备的种类时，有助于利用具有增强后的目标特征提高对电力设备类型识别的准确度。。

结合第一方面，在一些可选的实施方式中，根据所述第一图像特征及所述第二图像特征对所述第一图像特征、所述第二图像特征进行特征融合，并对融合后得到的图像特征进行特征提取，得到目标特征，包括：基于所述第一图像特征、所述第二图像特征的尺寸，调节所述第一图像特征和/或所述第二图像特征的尺寸，以使所述第一图像特征与所述第二图像特征的尺寸相同；将所述第一图像特征、所述第二图像特征重合叠加，得到融合后的图像特征；通过所述深度学习模型提取所述融合后的图像特征，得到所述目标特征。

在上述实施方式中，通过对第一图像特征、第二图像特征的尺寸进行调节，使得调节后的尺寸相同，便于实现特征融合以得到融合后的图像特征。基于此，融合后的图像特征的特征能够得到增强，提取融合后的图像特征得到的目标特征的特征也能得到增强，从而有助于提高红外图像中电力设备类型的准确度。

结合第一方面，在一些可选的实施方式中，通过完成训练后的深度学习模型提取所述待处理图像在第一预设卷积层的第一图像特征，以及提取所述待处理图像在第二预设卷积层的第二图像特征，包括：通过所述深度学习模型，基于所述第一预设卷积层对应的卷积参数对所述待处理图像进行卷积运算得到所述第一图像特征；通过所述深度学习模型，基于所述第二预设卷积层对应的卷积参数对所述待处理图像进行卷积运算得到所述第二图像特征。

在上述的实施方式中，通过卷积参数来对图像特征进行卷积，能够得到相应卷积层的图像特征，便于利用图像特征进行特征融合。

结合第一方面，在一些可选的实施方式中，在所述识别结果表示所述待处理图像中存在指定类型的电力设备时，所述方法还包括：在所述待处理图像中确定所述指定类型的电力设备在所述待处理图像中的图像区域；根据所述待处理图像中图像区域的红外图像，确定所述指定类型的电力设备的温度数据。

在上述实施方式中，通过利用指定类型的电力设备在待处理图像中的图像区域，来确定该电力设备的温度，有助于提高所确定的温度的准确性，避免将不是指定类型的电力设备的图像区域作为识别区域，来确定该电力设备的温度，从而使得确定的温度与电力设备不对应，而导致计算的电力设备温度不准确。

结合第一方面，在一些可选的实施方式中，所述方法还包括：在所述温度数据大于或等于预设阈值时，向指定的终端设备发出提示信息。

在上述实施方式中，通过向终端设备发提示信息，有助于管理人员及时发现电力设备存在温度数据大于或等于预设阈值的情况。在温度数据大于或等于预设阈值时，电力设备通常存在因高温而被烧坏的风险。基于此，有助于管理人员及时对电力设备进行维护，提高电力设备的安全性。

结合第一方面，在一些可选的实施方式中，在通过完成训练后的深度学习模型提取所述待处理图像在第一预设层数中的卷积层的第一图像特征之前，所述方法还包括：获取训练图像集，所述训练图像集包括多个训练图像，每个所述训练图像包括电力设备及与所述电力设备的类型对应的标签；根据所述训练图像集，训练预设深度学习模型，得到完成训练后的所述深度学习模型。

在上述实施方式中，通过对深度学习模型进行训练，能够提高深度学习模型对红外图像中电力设备的类型进行识别的准确度。

结合第一方面，在一些可选的实施方式中，所述电力设备包括断路器、变压器、电机中的至少一种。

第二方面，本申请实施例还提供一种图像处理装置，所述装置包括：

图像获取单元，用于获取待处理图像，所述待处理图像包括采集电力设备得到的红外图像；

特征提取单元，用于通过完成训练后的深度学习模型提取所述待处理图像在第一预设卷积层的第一图像特征，以及提取所述待处理图像在第二预设卷积层的第二图像特征；

特征融合单元，用于根据所述第一图像特征及所述第二图像特征对所述第一图像特征、所述第二图像特征进行特征融合，并对融合后得到的图像特征进行特征提取，得到目标特征；

识别单元，用于通过所述深度学习模型根据所述目标特征对所述待处理图像进行识别，得到所述待处理图像中表示电力设备的类型的识别结果。

第三方面，本申请实施例还提供一种服务器，包括相互耦合的存储器、处理器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述服务器执行上述的方法。

第四方面，本申请实施例还提供一种计算机可读存储介质，所述可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的服务器、终端设备的通信连接示意图。

图2为本申请实施例提供的服务器的结构示意。

图3为本申请实施例提供的图像处理方法的流程示意图。

图4为本申请实施例提供的图像处理装置的功能框图。

图标：10-服务器；11-处理模块；12-存储模块；13-通信模块；20-终端设备；100-图像处理装置；110-图像获取单元；120-特征提取单元；130-特征融合单元；140-识别单元。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。需要说明的是，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参照图1，本申请实施例提供一种服务器10，该服务器10可以与至少一个终端设备20通过网络建立通信连接，以进行数据交互。例如，终端设备20可以获取电力设备的红外图像，并将获取到的红外图像发送至服务器10，以使服务器10对该红外图像进行识别处理。服务器10可以预先安装或存储有深度学习模型，可以通过深度学习模型对电力设备的红外图像进行识别，以确定电子设备的类型。其中，电力设备包括但不限于断路器、变压器、发电机、电动机等设备。

可理解地，与服务器10通信连接的终端设备20的数量可以为一个，也可以为多个，这里对与服务器10通信连接的终端设备20的数量不作具体限定。

终端设备20可以是，但不限于个人电脑(personalcomputer，pc)、平板电脑、个人数字助理(personaldigitalassistant，pda)、移动上网设备(mobileinternetdevice，mid)等。网络可以是，但不限于，有线网络或无线网络。

请参照图2，在本实施例中，服务器10可以包括处理模块11、存储模块12、通信模块13以及图像处理装置100，处理模块11、存储模块12、通信模块13以及图像处理装置100各个元件之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。

处理模块11可以是一种集成电路芯片，具有信号的处理能力。上述处理模块11可以是通用处理器。例如，该处理器可以是中央处理器(centralprocessingunit，cpu)、图形处理器(graphicsprocessingunit，gpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field－programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。

通信模块13用于通过网络建立服务器10与终端设备20的通信连接，并通过网络收发数据。

存储模块12可以是，但不限于，随机存取存储器，只读存储器，可编程只读存储器，可擦除可编程只读存储器，电可擦除可编程只读存储器等。在本实施例中，存储模块12可以用于存储红外图像、深度学习模型。当然，存储模块12还可以用于存储程序，处理模块11在接收到执行指令后，执行该程序。

图像处理装置100包括至少一个可以软件或固件(firmware)的形式存储于存储模块12中或固化在服务器10或终端设备20操作系统(operatingsystem，os)中的软件功能模块。处理模块11用于执行存储模块12中存储的可执行模块，例如图像处理装置100所包括的软件功能模块及计算机程序等。

可以理解的是，图2所示的结构仅为服务器10的一种结构示意图，服务器10还可以包括比图2所示更多的组件。图2中所示的各组件可以采用硬件、软件或其组合实现。

请参照图3，本申请实施例提供一种图像处理方法，可以应用于上述的服务器10，由服务器10或终端设备20执行方法的各步骤，能够改善对电力设备红外图像识别准确度低的问题。

在本实施例中，图像处理方法可以包括以下步骤：

步骤s210，获取待处理图像，所述待处理图像包括采集电力设备得到的红外图像；

步骤s220，通过完成训练后的深度学习模型提取所述待处理图像在第一预设卷积层的第一图像特征，以及提取所述待处理图像在第二预设卷积层的第二图像特征；

步骤s230，根据所述第一图像特征及所述第二图像特征对所述第一图像特征、所述第二图像特征进行特征融合，并对融合后得到的图像特征进行特征提取，得到目标特征；

步骤s240，通过所述深度学习模型根据所述目标特征对所述待处理图像进行识别，得到所述待处理图像中表示电力设备的类型的识别结果。

电力设备的红外图像边缘比较模糊，图像特征不突出，因此，现有的方式中，在利用红外图像来识别电力设备的类型时，存在识别的准确度低的问题。在本申请的上述实施方式中，方法通过提取红外图像在第一预设卷积层的第一图像特征、在第二预设卷积层的第二图像特征，然后进行特征融合，并利用融合后的图像特征进行特征提取，再利用提取到的目标特征来对待处理图像进行识别。基于此，相比于直接利用待处理图像的图像特征，目标特征中的图像特征得到增强，从而使得在利用目标特征识别电力设备的种类时，有助于利用具有增强后的目标特征提高对电力设备类型识别的准确度。

下面将对图3中的各步骤进行详细阐述：

步骤s210，获取待处理图像，所述待处理图像包括采集电力设备得到的红外图像。

在本实施例中，在获取待处理图像时，若方法由终端设备20执行，则该终端设备20可以通过自身携带的红外摄像头拍摄电力设备得到电力设备的红外图像；或者，由其他可以拍摄红外图像的摄影设备拍摄电力设备的红外图像，在得到红外图像后摄影设备可以将红外图像发送至终端设备20，或者将红外图像存储到存储介质(包括但不限于u盘、硬盘、存储卡等)，然后由终端设备20从存储介质读取中的红外图像以获取到电力设备的红外图像。其中，终端设备20所获取到的红外图像可以作为所获取的待处理图像。

若方法由服务器10执行，获取待处理图像的方式可以为：首先，终端设备20可以通过上述的方式获取到红外图像；然后，由终端设备20将获取到的电力设备的红外图像发送至服务器10；最后，服务器10在接收到终端设备20发送的电力设备的红外图像后，可以将该红外图像作为待处理图像。

可理解地，待处理图像可以为拍摄电力设备得到的热红外图像，电力设备包括但不限于变压器、断路器、电机(包括电动机、发电机)等。

步骤s220，通过完成训练后的深度学习模型提取所述待处理图像在第一预设卷积层的第一图像特征，以及提取所述待处理图像在第二预设卷积层的第二图像特征。

可理解地，服务器10或终端设备20在对待处理图像进行识别之前，自身可以存储有完成训练后的深度学习模型，该深度学习模型可以用于对图像进行特征提取，以及对图像中的物体进行类型识别。

在提取图像特征时，深度学习模型可以提取待处理图像的浅层图像特征及深层图像特征。例如，第一预设卷积层为浅层卷积层，第二预设卷积层为深层卷积层。其中，深层卷积层的层数比浅层卷积层的层数大。当然，第一预设卷积层也可以为深层卷积层，若第一预设卷积层也可以为深层卷积层，则第二预设卷积层为浅层卷积层。

在本实施例中，浅层卷积层可以为第一至第五层卷积层中的任意一层，深层卷积层可以为第六至第十层卷积层中的任意一层。比如，浅层卷积层为第三层卷积层，深层卷积层为第八层卷积层。当然，浅层卷积层还可以是其他层数的卷积层，只要满足深层卷积层的层数比浅层卷积层的层数大即可，这里对深层卷积层、浅层卷积层的层数不作具体限定。同样地，第一预设卷积层、第二预设卷积层可以根据实际情况进行设置，这里不作具体限定。

步骤s220可以包括：通过所述深度学习模型，基于所述第一预设卷积层对应的卷积参数对所述待处理图像进行卷积运算得到所述第一图像特征；通过所述深度学习模型，基于所述第二预设卷积层对应的卷积参数对所述待处理图像进行卷积运算得到所述第二图像特征。

在本实施例中，不同的卷积层可以预先设置有与该卷积层对应的卷积参数，卷积参数包括卷积核的大小及卷积核中的参数。其中，卷积核的大小及卷积核中的各项参数可以根据实际情况进行设置。在对待处理图像进行卷积运算时，可以基于待处理图像中的各个像素的rgb值(rgb值指红绿蓝三颜色的值，即redgreenblue的值)构成矩阵，然后对该矩阵、卷积核进行卷积运算，运算后得到的矩阵可以作为第一层卷积的图像特征。当然，运算后得到的矩阵还可以基于卷积核再次进行卷积运算，得到新的矩阵，该矩阵可以作为第二层卷积图像特征。可理解地，计算得到的图像特征可以作为下一层卷积计算的输入，通过层层卷积，便可以得到第一图像特征、第二图像特征。

在上述的实施方式中，通过卷积参数来对图像特征进行卷积，能够得到相应卷积层的图像特征，便于利用图像特征进行特征融合。

在本实施例中，若深度学习模型没有完成训练，在步骤s230之前，方法还可以包括对深度学习模型进行训练的步骤。例如，在步骤s230之前，方法还可以包括：获取训练图像集，所述训练图像集包括多个训练图像，每个所述训练图像包括电力设备及与所述电力设备的类型对应的标签；根据所述训练图像集，训练预设深度学习模型，得到完成训练后的所述深度学习模型。

在本实施例中，在对深度学习模型进行训练时，训练图像集可以包括正向训练样本集及反向训练样本集；其中，正向训练样本集中的训练图像为包括目标类型的电力设备的红外图像，反向训练样本集中的训练图像为不包括目标类型的电力设备的红外图像。其中，目标类型的电力设备可以根据实际情况进行选择。例如，目标类型可以指电力设备为断路器这一类型。

在本实施例中，深度学习模型可以为fcns(fullyconvolutionalnetworksforsemanticsegmentation，全卷积网络图像语义分割)模型。在模型训练时，利用正向训练样本集及反向训练样本集对fcns模型进行训练，便可以得到训练后的fcns模型。

在上述实施方式中，通过对深度学习模型进行训练，能够提高深度学习模型对红外图像中电力设备的类型进行识别的准确度。

步骤s230，根据所述第一图像特征及所述第二图像特征对所述第一图像特征、所述第二图像特征进行特征融合，并对融合后得到的图像特征进行特征提取，得到目标特征。

在本实施例中，深度学习模型对待处理图像进行卷积后，可以得到卷积后的图像特征，对于同一个待处理图像，若对不同卷积层得到的图像特征进行融合，便能够使得融合后的图像特征得到增强，从而有利于电力设备的识别，提高识别的准确度。其中，图像特征可以为理解为卷积后的各个像素的rgb值。

在本实施例中，通过将深层图像特征与浅层图像特征进行融合(可理解为特征回馈机制)，有利于提取更加抽象的图像特征。fcns模型对图像进行语义分割时，语义分割的准确性也可以得到提高，该模型识别电力设备的类型的能力也会增强。

在本实施例中，步骤s230可以包括：基于所述第一图像特征、所述第二图像特征的尺寸，调节所述第一图像特征和/或所述第二图像特征的尺寸，以使所述第一图像特征与所述第二图像特征的尺寸相同；将所述第一图像特征、所述第二图像特征重合叠加，得到融合后的图像特征；通过所述深度学习模型提取所述融合后的图像特征，得到所述目标特征。

在本实施例中，假设第一图像特征为浅层图像特征对应的图像，可以表示为f1，大小为：a*b*c，a指图像的长度，b指图像的宽度，c指图像的通道数，通道数可以理解为高度，a、b、c为大于0的整数；第二图像特征为深层图像特征对应的图像，可以表示为f2，大小为：m*n*k，m指图像的长度，n指图像的宽度，k指图像的通道数，m、n、k为大于0的整数，一般情况下a>m，b>n，c<k。在对图像进行融合时，可以对第二图像特征进行放大处理，使得m＝a，n＝b，得到特征图像f3，将特征图像f3与第一图像特征f1叠加，得到特征图像f4，大小为：a*b*(k+c)，特征图像f4即为融合后的图像特征。此时，可以用指定大小的卷积核(比如采用1*1大小的卷积核，或其他大小的卷积核)，对特征图像f4进行卷积，即使得图像f1与图像f3不同通道的信息相互交融，得到一个图像特征增强的特征图像f5，特征图像f5便为第一图像特征与第二图像特征进行特征融合后提取得到的目标特征。

其中，在对第二图像特征进行放大处理时，可以通过线性插值算法对第二图像特征进行放大，使得第二图像特征的尺寸与第一图像特征的尺寸相同。

当然，在其他实施方式中，也可以是对第一图像特征进行缩小，使得第一图像特征的尺寸与第二图像特征的尺寸相同。或者同时调整第一图像特征的尺寸、第二图像特征的尺寸，只要能够使得调整后的第一图像特征与第二图像特征的尺寸相同即可。这里对调整图像尺寸的方式不作具体限定。

在上述实施方式中，通过对第一图像特征、第二图像特征的尺寸进行调节，使得调节后的尺寸相同，便于实现特征融合以得到融合后的图像特征。基于此，融合后的图像特征的特征能够得到增强，提取融合后的图像特征得到的目标特征的特征也能得到增强，从而有助于提高红外图像中电力设备类型的准确度。

步骤s240，通过所述深度学习模型根据所述目标特征对所述待处理图像进行识别，得到所述待处理图像中表示电力设备的类型的识别结果。

在本实施例中，服务器10或电子设备在利用深度学习模型对待识别图像进行识别时，深度学习模型可以基于目标特征对待处理图像进行识别。在识别过程中，可以将提取得到的目标特征与深度学习模型训练目标类型的电力设备红外图像得到的图像特征进行比对分析，从而得到待识别图像中是否存在目标类型的电力设备的识别结果。例如，待识别图像的目标特征与训练目标类型的电力设备红外图像得到的图像特征相同，或相似度大于指定阈值(可以根据实际情况进行设置，例如可以为95％、99％等)，则认为待识别图像中存在指定类型的电力设备。

作为一种可选的实施方式，在所述识别结果表示所述待识别图像中存在指定类型的电力设备时，所述方法还可以包括：在所述待处理图像中确定所述指定类型的电力设备在所述待处理图像中的图像区域；根据所述待处理图像中图像区域的红外图像，确定所述指定类型的电力设备的温度数据。

在本实施例中，待处理图像中可以携带有表示图像中物体温度的颜色特征。在确定待处理图像中存在指定类型的电力设备(比如为断路器、变压器等)后，服务器10便可以基于指定类型的电力设备的图像特征，从待处理图像中确定出该电力设备的图像轮廓。在确定了电力设备在待处理图像中的图像轮廓后，可以基于图像轮廓区域内的红外图像的颜色特征，来确定指定类型的温度。例如，预先将不同的颜色与温度数据(即温度值)进行关联，使得成像后的红外图像中的不同颜色表示不同的温度值。

在上述实施方式中，通过利用指定类型的电力设备在待处理图像中的图像区域，来确定该电力设备的温度，有助于提高所确定的温度的准确性，避免将不是指定类型的电力设备的图像区域作为识别区域，来确定该电力设备的温度，从而使得确定的温度与电力设备不对应，而导致计算的电力设备温度不准确。

作为一种可选的实施方式。所述方法还可以包括：在所述温度数据大于或等于预设阈值时，向指定的终端设备20发出提示信息。

在本实施例中，预设阈值可以根据不同类型的电力设备的实际情况进行设置。例如，预设阈值可以为断路器存在被烧坏风险时对应的温度。指定的终端设备20可理解为预先与服务器10通信连接的终端设备20。该终端设备20可以为智能手机或其他设备。

当温度数据大于或等于预设阈值时，也就意味着电力设备存在因高温而被烧坏的风险。若方法由服务器10执行，该服务器10便可以向终端设备20发送提示信息，以使管理人员及时发现，以便于及时进行处理(比如降温处理，或其他处理)。若方法由终端设备20执行，该终端设备20可以自身发出提示信息，或者将提示信息发送至其他的设备(通常为管理人员持有的设备，比如智能手机)，以使得管理人员能够及时发现电力设备所存在的高温风险。

请参照图4，本申请实施例还提供一种图像处理装置100，可以用于执行或实现上述的图像处理方法的各步骤。该图像处理装置100可以包括图像获取单元110、特征提取单元120、特征融合单元130及识别单元140。

图像获取单元110，用于获取待处理图像，所述待处理图像包括采集电力设备得到的红外图像。

特征提取单元120，用于通过完成训练后的深度学习模型提取所述待处理图像在第一预设卷积层的第一图像特征，以及提取所述待处理图像在第二预设卷积层的第二图像特征。

可选地，特征提取单元120还可以用于：通过所述深度学习模型，基于所述第一预设卷积层对应的卷积参数对所述待处理图像进行卷积运算得到所述第一图像特征；通过所述深度学习模型，基于所述第二预设卷积层对应的卷积参数对所述待处理图像进行卷积运算得到所述第二图像特征。

特征融合单元130，根据所述第一图像特征及所述第二图像特征对所述第一图像特征、所述第二图像特征进行特征融合，并对融合后得到的图像特征进行特征提取，得到目标特征。

可选地，特征融合单元130还可用于：基于所述第一图像特征、所述第二图像特征的尺寸，调节所述第一图像特征和/或所述第二图像特征的尺寸，以使所述第一图像特征与所述第二图像特征的尺寸相同；将所述第一图像特征、所述第二图像特征重合叠加，得到融合后的图像特征；通过所述深度学习模型提取所述融合后的图像特征，得到所述目标特征。

识别单元140，用于通过所述深度学习模型根据所述目标特征对所述待处理图像进行识别，得到所述待处理图像中表示电力设备的类型的识别结果。

可选地，图像处理装置100还可以包括温度确定单元，在识别结果表示待处理图像中存在指定类型的电力设备时，温度确定单元用于：在所述待处理图像中确定所述指定类型的电力设备在所述待处理图像中的图像区域；根据所述待处理图像中图像区域的红外图像，确定所述指定类型的电力设备的温度数据。

可选地，温度确定单元还用于：在所述温度数据大于或等于预设阈值时，向指定的终端设备20发出提示信息。

可选地，图像处理装置100还可以包括训练单元。在特征提取单元120通过完成训练后的深度学习模型提取所述待处理图像在第一预设层数中的卷积层的第一图像特征之前，图像获取单元110还用于获取训练图像集，所述训练图像集包括多个训练图像，每个所述训练图像包括电力设备及与所述电力设备的类型对应的标签。训练单元可以用于根据所述训练图像集，训练预设深度学习模型，得到完成训练后的所述深度学习模型。

需要说明的是，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，上述描述的服务器10、图像处理装置100的具体工作过程，可以参考前述方法中的各步骤对应过程，在此不再过多赘述。

本申请实施例还提供一种计算机可读存储介质。可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述实施例中所述的图像处理方法。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

综上所述，本申请提供一种图像处理方法、装置、服务器及可读存储介质。该方法包括：获取待处理图像，待处理图像包括采集电力设备得到的红外图像；通过完成训练后的深度学习模型提取待处理图像在第一预设卷积层的第一图像特征，以及提取待处理图像在第二预设卷积层的第二图像特征；根据第一图像特征及第二图像特征对第一图像特征、第二图像特征进行特征融合，并对融合后得到的图像特征进行特征提取，得到目标特征；通过深度学习模型根据目标特征对待处理图像进行识别，得到待处理图像中表示电力设备的类型的识别结果。在本方案中，通过对第一图像特征、第二图像特征进行融合，然后基于融合得到的目标特征进行识别，有助于增强所识别图像的特征，从而提高对电力设备识别的准确度。

在本申请所提供的实施例中，应该理解到，所揭露的装置、系统和方法，也可以通过其它的方式实现。以上所描述的装置、系统和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。