开云优惠体育网页版入口

专利名称：磁性过滤器清洗状态检测方法、装置、服务器及检测系统

专利类型：实用新型专利

专利申请号：CN202410910435.3

专利申请（专利权）人：宁德时代新能源开云优惠体育网页版入口股份有限公司
权利人地址：福建省宁德市蕉城区漳湾镇新港路2号

专利发明（设计）人：李展远,章学敏,王焦剑,雷晓强,杨圣邦,梁晟瑞,王坤,牛玉丹

专利摘要：本申请提供了一种磁性过滤器清洗状态检测方法、装置、服务器及检测系统；涉及磁性过滤器清洗检测技术领域。该方法包括：获取磁性过滤器的图像信息；将图像信息输入目标检测模型，经过目标检测模型的处理，输出磁性过滤器的磁力棒的清洁状态；根据磁性过滤器的每个磁力棒的清洁状态，确定磁性过滤器的清洗状态；在班次时间段结束后，保存并记录磁性过滤器在清洗过程中的图像信息；在保存的图像信息中，清洗状态只包括清洗中或未清洗时，确定磁性过滤器未清洗干净；在未清洗干净时，针对未清洗干净的磁性过滤器发出告警信息；本申请实施例通过目标检测模型进行检测以及基于告警信息的及时反。梢蕴岣呒觳庾既范、系统响应效率及系统稳定性。

主权利要求：
1.一种磁性过滤器清洗状态检测方法，其特征在于，所述方法包括：
针对每台磁性过滤器的空间位置信息，获取所述磁性过滤器的待检测图像信息，所述待检测图像信息包括每台所述磁性过滤器的所有磁力棒的图像；
将所述待检测图像信息输入目标检测模型，通过所述目标检测模型对每台所述磁性过滤器的每根磁力棒的图像进行处理，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态，包括：基于所述目标检测模型的主干网络层，对所述待检测图像进行特征提。玫降谝惶卣魍迹换谒瞿勘昙觳饽Ｐ偷奶卣魅诤贤绮，对所述第一特征图进行特征融合处理，得到第二特征图；基于所述目标检测模型的预测网络层，采用边界框标记所述第二特征图中的所述磁力棒以及所述磁力棒上的特征，预测各个所述磁力棒的清洁状态；
其中，所述目标检测模型为基于被标记清洁状态的磁力棒的样本图像训练得到，包括：获取所述磁性过滤器在清洗前、清洗中以及清洗后的样本图像；将所述样本图像输入待训练的目标检测模型，经过特征提取与特征融合的处理，得到所述样本图像中所述磁力棒对应的预测污垢特征信息；根据所述预测污垢特征信息与已标注的污垢特征，计算所述目标检测模型的损失值；根据所述损失值，更新所述目标检测模型的网络参数，重复进行训练，直到所述损失值符合预设停止条件的情况下停止训练，得到训练后的目标检测模型；
根据所述磁性过滤器的所有所述磁力棒的所述清洁状态，确定每台所述磁性过滤器的清洗状态；
在当前的班次时间段结束后，保存并记录所述磁性过滤器在清洗过程中的图像信息；
所述清洗过程中的图像信息包括已清洗、清洗中或未清洗的至少一个清洗状态的图像信息；
在保存的图像信息中，所述清洗状态只包括清洗中或未清洗的情况下，确定所述磁性过滤器未清洗干净；
在所述磁性过滤器的所述清洗状态为未清洗干净的情况下，针对未清洗干净的所述磁性过滤器发出告警信息，所述告警信息用于提示对未清洗干净的磁性过滤器进行清洗；
其中，根据所述磁性过滤器的所有所述磁力棒的所述清洁状态，确定每台所述磁性过滤器的清洗状态，包括：所述磁性过滤器包括多个磁力棒，在每个磁力棒的清洁状态均为清洗干净的情况下，确定所述磁性过滤器清洗干净，所述清洗状态为已清洗；在存在至少一个磁力棒的清洁状态为未清洗干净的情况下，确定所述磁性过滤器为未清洗干净，所述清洗状态为清洗中或未清洗。
2.根据权利要求1所述的方法，其特征在于，所述针对每台磁性过滤器的空间位置信息，获取所述磁性过滤器的待检测图像信息，包括：针对每台所述磁性过滤器在生产线的空间位置信息，获取一个或多个摄像装置在预设方位采集的所述磁性过滤器的待检测图像信息，所述待检测图像信息包括所述磁性过滤器的磁力棒在升起状态的图像。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对未清洗干净的所述磁性过滤器的图像信息，生成告警报表。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
基于所述告警报表中的历史告警数据，获取针对所述磁力棒的清洗状态的误报率和/或漏报率；
在所述误报率和/或所述漏报率超过预设的检测指标阈值的情况下，调整所述目标检测模型的网络参数，或者调整采集所述待检测图像信息的方位信息。
5.根据权利要求1所述的方法，其特征在于，所述根据所述磁性过滤器的所有所述磁力棒的所述清洁状态，确定每台所述磁性过滤器的清洗状态，包括：在所述磁性过滤器的每个所述磁力棒的所述清洁状态均为清洗干净的情况下，确定所述磁性过滤器的清洗状态为已清洗；
在所述磁性过滤器的所述磁力棒的所述清洁状态同时包括清洗干净和未清洗干净的情况下，确定所述磁性过滤器的清洗状态为清洗中；
在所述磁性过滤器的所有所述磁力棒的所述清洁状态为未清洗干净的情况下，确定所述磁性过滤器的清洗状态为未清洗。
6.根据权利要求1至5中的任一项所述的方法，其特征在于，所述方法还包括：根据磁力棒的特征信息，对获取到的所述磁性过滤器的初始图像信息进行识别，将检测到所述磁力棒的初始图像信息作为输入所述目标检测模型的待检测图像信息。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：在获取所述待检测图像信息的过程中，检测在传输所述待检测图像信息时的数据传输速率或丢包率；
在所述数据传输速率低于预设速率阈值，将传输所述待检测图像信息的网络带宽调整为所述待检测图像信息满足预设画面分辨率阈值的目标带宽值；或者，所述丢包率超过预设丢包阈值的情况下，调整传输所述待检测图像信息的传输策略。
8.根据权利要求1至5任一项所述的方法，其特征在于，所述将所述待检测图像信息输入目标检测模型，通过所述目标检测模型对每台所述磁性过滤器的每根磁力棒的图像进行处理，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态，包括：将所述待检测图像信息输入所述目标检测模型的输入层，通过所述输入层调整待检测图像尺寸，得到目标尺寸图像；
通过所述目标检测模型的主干网络层，提取所述目标尺寸图像的特征，得到多个第一特征图；
通过所述目标检测模型的特征融合网络层，将所述多个特征图进行特征融合处理，得到第二特征图；
通过所述目标检测模型的预测网络层，标记所述待检测图像信息中的磁力棒对应的清洗结果类别、位置以及清洗结果类别的置信度，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态。
9.根据权利要求1至5任一项所述的方法，其特征在于，
所述样本图像为已标注磁力棒是否存在污垢特征的原始图像；针对磁性过滤器在清洗前、清洗中以及清洗后的原始图像中所述磁力棒是否存在污垢特征，标注每个磁力棒的清洁状态，得到所述样本图像；所述磁力棒的清洁状态包括不存在污垢特征时的清洗干净状态和存在污垢特征时的未清洗干净状态。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
针对所述原始图像，通过边界框形式标注每个磁力棒对应存在污垢特征的第一标识或不存在污垢特征的第二标识；或者，针对所述原始图像，通过像素标注每个磁力棒存在污垢特征的第一灰度值或不存在污垢特征的第二灰度值。
11.根据权利要求9所述的方法，其特征在于，所述方法还包括：
针对所述样本图像，按预设比例对所述样本图像的数量进行划分，得到训练集、测试集以及验证集；
其中，所述验证集用于对训练后的目标检测模型进行验证，所述测试集用于对训练后的目标检测模型进行测试。
12.根据权利要求9所述的方法，其特征在于，所述根据所述损失值，更新所述目标检测模型的网络参数，包括：训练过程中，在所述损失值变小的下降速率小于预设下降速率阈值情况下，将学习率由第一数值调整为第二数值，所述第二数值大于所述第一数值；
在所述损失值出现振荡特征的情况下，将所述学习率由第三数值调整为第四数值，所述第三数值小于所述第四数值；
在所述损失值变小的下降速率小于预设下降速率阈值情况下，将迭代次数由第五数值跳到第六数值，所述第五数值小于所述第六数值；
根据所述损失值变小的下降速率，调整批量大小的值；
其中，所述网络参数包括迭代次数、所述学习率与所述批量大小。
13.根据权利要求9所述的方法，其特征在于，所述方法还包括：
对被标注的原始图像进行翻转、旋转、缩放、平移或添加噪声处理，得到所述样本图像。
14.一种磁性过滤器清洗状态检测装置，其特征在于，包括：
获取单元，用于针对每台磁性过滤器的空间位置信息，获取所述磁性过滤器的待检测图像信息，所述待检测图像信息包括每台所述磁性过滤器的所有磁力棒的图像；
处理单元，用于将所述待检测图像信息输入目标检测模型，通过所述目标检测模型对每台所述磁性过滤器的每根磁力棒的图像进行处理，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态，包括：基于所述目标检测模型的主干网络层，对所述待检测图像进行特征提。玫降谝惶卣魍迹换谒瞿勘昙觳饽Ｐ偷奶卣魅诤贤绮，对所述第一特征图进行特征融合处理，得到第二特征图；基于所述目标检测模型的预测网络层，采用边界框标记所述第二特征图中的所述磁力棒以及所述磁力棒上的特征，预测各个所述磁力棒的清洁状态；其中，所述目标检测模型为基于被标记清洁状态的磁力棒的样本图像训练得到，包括：获取所述磁性过滤器在清洗前、清洗中以及清洗后的样本图像；将所述样本图像输入待训练的目标检测模型，经过特征提取与特征融合的处理，得到所述样本图像中所述磁力棒对应的预测污垢特征信息；根据所述预测污垢特征信息与已标注的污垢特征，计算所述目标检测模型的损失值；根据所述损失值，更新所述目标检测模型的网络参数，重复进行训练，直到所述损失值符合预设停止条件的情况下停止训练，得到训练后的目标检测模型；
输出单元，用于根据所述磁性过滤器的所有所述磁力棒的所述清洁状态，确定每台所述磁性过滤器的清洗状态；
记录单元，用于在当前的班次时间段结束后，保存并记录所述磁性过滤器在清洗过程中的图像信息；所述清洗过程中的图像信息包括已清洗、清洗中或未清洗的至少一个清洗状态的图像信息；在保存的图像信息中，所述清洗状态只包括清洗中或未清洗的情况下，确定所述磁性过滤器未清洗干净；
告警单元，用于在所述磁性过滤器的所述清洗状态为未清洗干净的情况下，针对未清洗干净的所述磁性过滤器发出告警信息，所述告警信息用于提示对未清洗干净的磁性过滤器进行清洗；
所述输出单元，还用于所述磁性过滤器包括多个磁力棒，在每个磁力棒的清洁状态均为清洗干净的情况下，确定所述磁性过滤器清洗干净，所述清洗状态为已清洗；在存在至少一个磁力棒的清洁状态为未清洗干净的情况下，确定所述磁性过滤器为未清洗干净，所述清洗状态为清洗中或未清洗。
15.一种服务器，其特征在于，所述服务器包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至13中任一项所述的方法。
16.一种检测系统，其特征在于，所述检测系统包括监控平台以及如权利要求15所述的服务器；所述服务器与所述监控平台通信连接；所述监控平台包括至少一个摄像装置；
所述监控平台，用于通过所述摄像装置采集磁性过滤器的待检测图像信息，并将所述待检测图像信息传输至所述服务器；
所述服务器，用于对所述待检测图像信息进行分析处理，并基于分析处理的结果确定所述磁性过滤器的清洗状态。
17.根据权利要求16所述的检测系统，其特征在于，所述检测系统还包括告警装置；所述告警装置与所述服务器通信连接；
所述告警装置，用于当前的班次时间段结束后在接收到所述服务器发送的所述磁性过滤器未清洗或未清洗干净的提示信息的情况下，发出告警信息。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至13中任一项所述的方法。 说明书 : 磁性过滤器清洗状态检测方法、装置、服务器及检测系统技术领域[0001] 本申请涉及磁性过滤器清洗检测技术领域，特别涉及一种磁性过滤器清洗状态检测方法、装置、服务器及检测系统。背景技术[0002] 磁性过滤器是一种利用磁性效应对流体进行过滤、反冲洗以及废料排渣的设备；例如高效磁铁过滤器，用于去除各种液体、浆料或气体中包含的铁屑、铁粉等铁磁性杂质。[0003] 磁性过滤器可以包括强磁元件（如多根磁力棒），通过将介质内的铁磁性颗粒吸附在磁力棒表面，达到去除杂质的目的。因此需要定期对磁性过滤器进行清洗，以保证其高效的过滤性能。[0004] 然而，目前对磁性过滤器清洗是否干净的检测依赖于人工检测，通过肉眼或显微镜等视觉检查工具进行污垢检查，容易遗漏微小或隐蔽的表面污垢，存在对清洗状态的检测结果准确度低以及反馈不及时的问题。发明内容[0005] 根据本申请的各种实施例，提供一种磁性过滤器清洗状态检测方法、装置、服务器及检测系统，可以提高对磁性过滤器清洗状态的检测准确度以及响应效率。[0006] 第一方面，本申请提供了一种磁性过滤器清洗状态检测方法，该方法包括：针对每台磁性过滤器的空间位置信息，获取磁性过滤器的待检测图像信息，待检测图像信息包括每台磁性过滤器的所有磁力棒的图像；将待检测图像信息输入目标检测模型，通过目标检测模型对每台磁性过滤器的每根磁力棒的图像进行处理，输出每台磁性过滤器的所有磁力棒的清洁状态；目标检测模型为基于被标记清洁状态的磁力棒的样本图像训练得到；根据磁性过滤器的所有磁力棒的清洁状态，确定每台磁性过滤器的清洗状态；在当前的班次时间段结束后，保存并记录所述磁性过滤器在清洗过程中的图像信息；清洗过程中的图像信息包括已清洗、清洗中或未清洗的至少一个清洗状态的图像信息；在保存的图像信息中，清洗状态只包括清洗中或未清洗的情况下，确定磁性过滤器未清洗干净；在磁性过滤器的清洗状态为未清洗干净的情况下，针对未清洗干净的磁性过滤器发出告警信息，告警信息用于提示对未清洗干净的磁性过滤器进行清洗。[0007] 通过上述方式，将磁性过滤器的图像信息输入目标检测模型，由目标检测模型对图像信息中的磁力棒的清洁状态进行识别，实现了对磁性过滤器的清洗情况的实时检测；基于识别出的磁力棒是否被清洗干净的清洁状态，确定磁性过滤器的清洗状态，解决了传统的人工检测存在的主观性与不确定导致检测准确度低的问题，提高了检测的准确性；并且在检测到未清洗干净的磁性过滤器时，发出告警信息，及时提醒进行再次清洗，减少了未清洗部分对设备性能的潜在影响，保障了生产效率和设备稳定性；实现对磁性过滤器的清洗状态的实时、准确的检测与评估；具有较强的易用性与实用性。[0008] 在第一方面的一种可能的实现方式中，所述针对每台磁性过滤器的空间位置信息，获取所述磁性过滤器的待检测图像信息，包括：[0009] 针对每台所述磁性过滤器在生产线的空间位置信息，获取一个或多个摄像装置在预设方位采集的所述磁性过滤器的待检测图像信息，所述待检测图像信息包括所述磁性过滤器的磁力棒在升起状态的图像。[0010] 通过上述方式，针对磁性过滤器的空间位置信息，可以在不同的方位设置摄像装置，例如还可以在一些不利于人眼观察的位置设置相应的摄像装置，全面采集待检测图像信息，从而确保可以监控到生产线上的各个磁性过滤器的所有磁力棒，保证检测结果的准确性与可靠性；可以动态适应实际应用场景的变化，提高系统的适应性。[0011] 在第一方面的一种可能的实现方式中，该方法还包括：[0012] 针对未清洗干净的所述磁性过滤器的图像信息，生成告警报表。[0013] 通过上述方式，对未清洗干净的磁性过滤器生成告警报表，便于以后对历史清洗数据的查询；以及便于提醒操作人员基于告警报表迅速采取相适应的清洗策略；基于清洗后每根磁力棒的清洁状态，为用户提供了具体而准确的清洗指标；相适应的清洗策略有助于优化清洗手段，提高系统的可操作性和清洗效果。[0014] 在第一方面的一种可能的实现方式中，该方法还包括：[0015] 基于告警报表中的历史告警数据，获取针对磁力棒的清洗状态的误报率和/或漏报率；在误报率和/或漏报率超过预设的检测指标阈值的情况下，调整目标检测模型的网络参数，或者调整采集待检测图像信息的方位信息。[0016] 在第一方面的一种可能的实现方式中，该方法还包括：[0017] 在获取待检测图像信息的过程中，检测在传输待检测图像信息时的数据传输速率或丢包率；在数据传输速率低于预设速率阈值，将传输所述待检测图像信息的网络带宽调整为所述待检测图像信息满足预设画面分辨率阈值的目标带宽值；或者，丢包率超过预设丢包阈值的情况下，调整传输待检测图像信息的传输策略。[0018] 通过上述方式，不断优化系统，提高系统整体的准确度，实现系统的闭环管理，不断提升系统整体性能。[0019] 在第一方面的一种可能的实现方式中，根据磁性过滤器的磁力棒的清洁状态，确定磁性过滤器的清洗状态，包括：[0020] 在磁性过滤器的每个磁力棒的清洁状态均为清洗干净的情况下，确定磁性过滤器的清洗状态为已清洗；在磁性过滤器的磁力棒的清洁状态同时包括清洗干净和未清洗干净的情况下，确定磁性过滤器的清洗状态为清洗中；在磁性过滤器的所有磁力棒的清洁状态为未清洗干净的情况下，确定磁性过滤器的清洗状态为未清洗。[0021] 通过上述方式，在每台的磁性过滤器的所有磁力棒的清洁状态均为清洗干净的情况下，确定该磁性过滤器的清洗状态为已清洗，在至少存在一个未清洗的磁力棒的情况下，确定该磁性过滤器未清洗或清洗中；通过对每台磁性过滤器的所有磁力棒的覆盖，使得检测结果更加全面；基于对每台磁性过滤器的每个磁力棒的清洁状态的检测，以及基于每个磁力棒的清洁状态确定磁性过滤器的清洗状态，实现了对磁性过滤器的清洗全过程的实时检测，提高了对清洗过程中的磁性过滤器各个清洗状态判定的准确度与全面性。[0022] 在第一方面的一种可能的实现方式中，根据磁力棒的特征信息，对获取到的所述磁性过滤器的初始图像信息进行识别，将检测到所述磁力棒的初始图像信息作为输入所述目标检测模型的待检测图像信息。[0023] 通过上述方式，对磁性过滤器的磁力棒是否升起进行检测，提高目标检测算法的识别准确度，以及算法运行效率和响应效率。[0024] 在第一方面的一种可能的实现方式中，所述将所述待检测图像信息输入目标检测模型，通过所述目标检测模型对每台所述磁性过滤器的每根磁力棒的图像进行处理，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态，包括：[0025] 将所述待检测图像信息输入所述目标检测模型的输入层，通过所述输入层调整所述待检测图像尺寸，得到目标尺寸图像；通过所述目标检测模型的主干网络层，提取所述目标尺寸图像的特征，得到多个第一特征图；通过所述目标检测模型的特征融合网络层，将所述多个特征图进行特征融合处理，得到第二特征图；通过所述目标检测模型的预测网络层，标记所述待检测图像信息中的磁力棒对应的清洗结果类别、位置以及清洗结果类别的置信度，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态。[0026] 通过上述方式，提高了对磁性过滤器清洗情况的实时监测准确性；通过及时、精准地识别每台磁性过滤器的清洗状态，有效解决了传统方法中存在的主观性和不确定性问题。[0027] 在第一方面的一种可能的实现方式中，基于被标记清洁状态的磁力棒的样本图像对目标检测模型进行训练的过程，包括：[0028] 获取磁性过滤器在清洗前、清洗中以及清洗后的样本图像，所述样本图像为已标注磁力棒是否存在污垢特征的原始图像；将所述样本图像输入待训练的目标检测模型，经过待训练的目标检测模型对所述样本图像进行特征提取与特征融合的处理，得到所述样本图像中所述磁力棒对应的预测污垢特征信息；根据所述预测污垢特征信息与已标注的污垢特征，计算所述目标检测模型的损失值；根据所述损失值，更新所述目标检测模型的网络参数，重复进行训练，直到所述损失值符合预设停止条件的情况下停止训练，得到训练后的目标检测模型；其中，针对磁性过滤器在清洗前、清洗中以及清洗后的原始图像中所述磁力棒是否存在污垢特征，标注每个磁力棒的清洁状态，得到所述样本图像；所述磁力棒的清洁状态包括不存在污垢特征时的清洗干净状态和存在污垢特征时的未清洗干净状态。[0029] 在第一方面的一种可能的实现方式中，该方法还包括：[0030] 针对原始图像，通过边界框形式标注每个磁力棒对应存在污垢特征的第一标识或不存在污垢特征的第二标识；或者，针对原始图像，通过像素标注每个磁力棒存在污垢特征的第一灰度值或不存在污垢特征的第二灰度值。[0031] 在第一方面的一种可能的实现方式中，该方法还包括：[0032] 针对所述样本图像，按预设比例对样本图像的数量进行划分，得到训练集、测试集以及验证集；其中，验证集用于对训练后的目标检测模型进行验证，测试集用于对训练后的目标检测模型进行测试。[0033] 在第一方面的一种可能的实现方式中，根据损失值，更新目标检测模型的网络参数，包括：[0034] 训练过程中，在损失值变小的下降速率小于预设下降速率阈值情况下，将学习率由第一数值调整为第二数值，第二数值大于第一数值；在损失值出现震荡特征的情况下，将学习率由第三值调整为第四值，第三数值小于第四数值；在损失值变小的下降速率小于预设下降速率阈值情况下，将迭代次数由第五数值跳到第六数值，第五数值小于第六数值；根据损失值变小的下降速率，调整批量大小的值；其中，网络参数包括迭代次数、学习率与批量大小。[0035] 在第一方面的一种可能的实现方式中，该方法还包括：对被标注的原始图像进行翻转、旋转、缩放、平移或添加噪声处理，得到样本图像。[0036] 第二方面，本申请提供了一种磁性过滤器清洗状态检测装置，包括：[0037] 获取单元，用于针对每台磁性过滤器的空间位置信息，获取所述磁性过滤器的待检测图像信息，所述待检测图像信息包括每台所述磁性过滤器的所有磁力棒的图像；[0038] 处理单元，用于将所述待检测图像信息输入目标检测模型，通过所述目标检测模型对每台所述磁性过滤器的每根磁力棒的图像进行处理，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态；所述目标检测模型为基于被标记清洁状态的磁力棒的样本图像训练得到；[0039] 输出单元，用于根据所述磁性过滤器的所有所述磁力棒的所述清洁状态，确定每台所述磁性过滤器的清洗状态；[0040] 告警单元，用于在预设的班次时间段内，在所述磁性过滤器的所述清洗状态为未清洗干净的情况下，针对未清洗干净的所述磁性过滤器发出告警信息，所述告警信息用于提示对未清洗干净的磁性过滤器进行清洗。[0041] 第三方面，本申请提供一种服务器，所述服务器包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面中任一项所述的方法。[0042] 第四方面，本申请提供一种检测系统，所述检测系统包括监控平台以及第四方面所述的服务器；所述服务器与所述监控平台通信连接；所述监控平台包括至少一个摄像装置；[0043] 所述监控平台，用于通过所述摄像装置采集磁性过滤器的待检测图像信息，并将所述待检测图像信息传输至所述服务器；[0044] 所述服务器，用于对所述待检测图像信息进行分析处理，并基于分析处理的结果确定所述磁性过滤器的清洗状态。[0045] 在第四方面的一种可能的实现方式中，所述检测系统还包括告警装置；所述告警装置与所述服务器通信连接；[0046] 所述告警装置，用于当前的班次时间段结束后在接收到所述服务器发送的所述磁性过滤器未清洗或未清洗干净的提示信息的情况下，发出告警信息。[0047] 第五方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法。[0048] 第六方面，本申请提供一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行上述第一方面中任一项所述的方法。[0049] 可以理解的是，上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。附图说明[0050] 为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。[0051] 图1为本申请实施例提供的磁性过滤器检测系统的应用场景架构示意图；[0052] 图2为本申请实施例提供的磁性过滤器清洗状态检测方法的流程示意图；[0053] 图3为本申请实施例提供的整体架构示意图；[0054] 图4为本申请实施例提供的整体流程的逻辑示意图；[0055] 图5为本申请实施例提供的模型训练的流程的示意图；[0056] 图6为本申请实施例提供的系统优化的架构示意图；[0057] 图7为本申请实施例提供的磁性过滤器清洗状态检测装置的结构示意图；[0058] 图8为本申请实施例提供服务器的结构示意图。具体实施方式[0059] 下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。[0060] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。[0061] 在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。[0062] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。[0063] 在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。[0064] 磁性过滤器通过强磁元件的磁性效应去除各种液体或气体中包含的铁屑、铁粉等杂质；例如高效磁铁过滤器通过磁铁束（由多个磁力棒或磁铁棒组成）将磁性颗粒吸附在磁力棒表面，实现去除杂质；从而通过对磁性过滤器的清洗，以保证其高效的过滤性能。[0065] 目前，针对清洗后的磁性过滤器的检测主要依赖于人工检测，如通过视觉检查、定期检测和维护、磁性检测以及压力差检测等。由于视觉检查过程中，人眼对微小细节的感知能力有限，检查结果容易受操作者的主观因素或疲劳程度等因素的影响，导致检测结果的不一致性和容易存在较大的误差。通过定期检测和维护的机制，可能会受到环境因素和设备运行情况的不断变化的影响，使得定期检测和维护的计划难以灵活调整，进而影响清洗和维护的时效性和准确性。磁性检测设备的灵敏度和覆盖范围受限，无法确保检测到所有区域，导致检测不全面。压力差检测机制会受到多种因素的综合影响，例如流体性质、温度等，可能并非仅由于堵塞或污垢引起压力差的增加，降低了检测结果的准确性。[0066] 针对上述问题，本申请实施例提供了一种磁性过滤器清洗状态检测方法，基于目标检测算法对磁性过滤器的图像信息的识别，实现对各个生产线上的磁性过滤器的清洗状态的准确、高效以及实时地检测。通过摄像装置的点位设置，对每台磁性过滤器的全面覆盖，检测到磁性过滤器上的每一根磁力棒，实现对整个生产线的磁性过滤器的全面检测。基于检测结果，针对未清洗干净的磁性过滤器，发出告警信息，及时提醒进行清洗，实现全面业务闭环；提高系统的响应速度，使操作人员能够及时采取必要的清洗策略，有效减少未清洗部分对设备性能的潜在影响，保障生产效率和设备稳定性。[0067] 下面对磁性过滤器检测系统的应用场景架构进行介绍。[0068] 请参见图1，图1为本申请实施例提供的磁性过滤器检测系统的应用场景架构示意图。如图1所示，该检测系统可以包括监控平台11和服务器10，监控平台11和服务器10之间建立有线或无线的通信连接；监控平台11通过摄像装置采集生产线12上的磁性过滤器121的图像信息，并将图像信息传输至服务器10，服务器10基于目标检测算法对图像信息进行识别，检测每台磁性过滤器121的清洗状态。其中，在该生产线12上可以包括多个磁性过滤器121，如图1中示出三个磁性过滤器121；每个磁性过滤器121可以包括用于吸附杂质的磁铁束1211，磁铁束1211包括多个磁力棒，如图1所示的清洗干净的磁力棒和未清洗干净的磁力棒。[0069] 可以理解的是，图1中的磁力棒的清洁状态，为了便于区分仅示例性说明，并不对未清洗干净的磁力棒的状态进行限定，在实际应用场景中，未清洗干净的磁力棒还可以是局部存在污垢的状态。图1中所示的监控平台11设置的位置也仅示例性说明，在实际应用场景中还可以根据实际需要设置一个或多个摄像装置，以全面覆盖到每台磁性过滤器的所有磁力棒。[0070] 本申请实施例，对生产线上的磁性过滤器的清洗过程实现自动化地实时监测，服务器通过目标算法及时、准确地识别每台磁铁过滤器的清洗状态，有效解决了传统检测过程中存在主观性和不确定性导致检测准确度低的问题。[0071] 下面通过实施例介绍该磁性过滤器清洗状态检测方法的具体实现过程。[0072] 请参见图2，图2为本申请实施例提供的磁性过滤器清洗状态检测方法的流程示意图。如图2所示，该方法的执行主体可以为图1中所示的服务器。如图2所示，该方法可以包括以下步骤：[0073] S201，针对每台磁性过滤器的空间位置信息，获取磁性过滤器的待检测图像信息，待检测图像信息包括每台磁性过滤器的所有磁力棒的图像。[0074] 在一些实施例中，针对生产线的实际应用场景中每台磁性过滤器的空间位置西悉尼，通过点位布置摄像装置，实时采集该生产线上的磁性过滤器的视频流，经过编码压缩处理后，通过网络传输协议，将视频流传输至监控平台的媒体服务器，媒体服务器对视频流进行解码处理后，传输至服务器；或者服务器获取视频流的地址信息，基于地址信息获取磁性过滤器的图像信息。[0075] 如图3所示，监控平台11通过摄像装置采集视频流，进而可以将视频上传至监控平台的媒体服务器（或云端服务器）进行编解码处理。服务器10可以为图3中所示的服务器集群30，该服务器集群30接收算法开发人员（算法工程师）对开发并训练后目标检测模型的部署，以及接收监控平台11推送的视频流，对该视频流进行实时检测。[0076] 其中，磁性过滤器可以为高效磁铁过滤器；摄像装置的具体点位可以基于生产线的实际场景进行布置，针对每条生产线上的高效磁铁过滤器所在的区域环境、空间位置信息，以及摄像装置可以覆盖的视野，确定相适应的距离和角度，以及结合便于安装维护的原则，至少布置一个摄像装置（如至少一个摄像头），以确保能够监控到区域内的各个高效磁铁过滤器及其所有的磁力棒。[0077] 在一些实施例中，获取磁性过滤器的图像信息，包括：通过解析视频流地址，获取磁性过滤器清洗过程中的图像信息。[0078] 示例性的，服务器可以基于实时传输流协议（RealtimeTransportStreamProtocol，RTSP）向监控平台请求视频流的地址，在获取到视频流地址后，解析视频流地址，以获取到磁性过滤器清洗过程中的图像信息；例如通过在线解析工具（如M3U8）识别视频流地址的组件（如IP地址、端口号等），并确定相应的传输协议和参数（如编解码器、分辨率、帧率等），视频流地址被解析，服务器就可以使用RTSP协议从监控平台接收视频数据包。[0079] 在一些实施例中，在获取待检测图像信息的过程中，检测在传输待检测图像信息时的数据传输速率或丢包率；在数据传输速率低于预设速率阈值，将传输所述待检测图像信息的网络带宽调整为所述待检测图像信息满足预设画面分辨率阈值的目标带宽值；或者，丢包率超过预设丢包阈值的情况下，调整传输待检测图像信息的传输策略。[0080] 示例性的，为了确保视频流在传输过程中的质量和实时性，针对传输待检测图像信息过程，检测数据传输速率，例如设置定时器与计数器，通过统计单位时间段内接收到的数据包数量，判断数据传输速率；基于当数据传输速率较慢时，通过提高网络带宽，提高数据传输速率；例如，通过设置画面分辨率阈值与带宽的对应适配关系，在传输速率较慢，传输的画面质量低于与预设画面分辨率阈值的最低值时，通过提高网络带宽，调整至满足画面分辨率阈值的目标带宽值。基于对带宽信息的需求，通过动态调整码率以及多码流等操作方式以适应带宽需求；例如，在网络质量较好的情况下，在编码过程中，降低码率，减少带宽占用，提高数据传输速率；或者通过生成多个视频码流，基于带宽信息，选择不同分辨率、不同帧数以及压缩比、编码方式的视频码流，在保证视频流畅性的前提下以适应带宽需求。[0081] 相应地，还可以通过采用低延时编解码器和传输协议，优化传输路径，以降低数据传输的延时，提高数据传输速率。其中，传输策略可以包括传输协议的选择、重传策略以及丢帧策略等。针对丢包率，优化传输策略，例如通过采用可靠的传输协议（例如传输控制协议（TransmissionControlProtocol，TCP））、合理的重传策略（例如超时重传、回退重传或者选择性重传等）和丢帧策略（例如关键帧重传、丢帧隐藏以及自适应丢。┑，实现丢包重传，降低丢包率。此外，还可以通过采用内容分发网络（ContentDeliveryNetwork，CDN）分散流量、对视频流加密保护、设置缓冲区平滑网络波动等，全面保障视频传输的质量和实时性。以上的策略和协议的选择可以基于具体的网络环境和应用需求进行选择性设定。[0082] 在一些实施例中，该方法还包括：根据磁力棒的特征信息，对获取到的磁性过滤器的初始图像信息进行识别，将检测到磁力棒的初始图像信息作为输入目标检测模型的待检测图像信息。[0083] 示例性的，服务器在获取到磁性过滤器的图像信息后，还可以对图像信息中是否存在磁力棒组成的磁铁束进行识别。例如基于目标检测算法对图像信息进行初步检测，基于磁力棒的特征信息（例如尺寸、颜色、形状以及数量等），判断图像信息中是否包含磁铁束，自动过滤掉未包含磁铁束的磁性过滤器的图像信息；或者还可以通过进行特征匹配或模板匹配等，例如将磁力棒的特征信息（例如尺寸、颜色、形状以及数量等）与预设标准特征信息进行匹配，实现对图像信息中是否包含磁铁束的识别。[0084] 如图1所示，各个磁性过滤器的磁铁束处于升起的状态（清洗动作在磁铁束升起状态才能进行），其中，升起状态指磁铁束从一个较低的位置移动到一个较高的位置，使得清洗工作可以安全、有效地进行，例如从其下方的圆柱容器中升起到高于该圆柱容器的位置。通过摄像装置拍摄到的图像信息中包括磁铁束，当磁铁束未升起，处于下方的圆柱容器内时，则拍摄到的图像信息中不包括磁铁束。摄像装置拍摄到的视频流中可以同时包括磁铁束升起状态和未升起的图像信息，从而服务器在获取到磁性过滤器的图像信息后，对图像信息进行检测，确定图像信息中是否包含磁性过滤器的磁铁束，当不存在磁铁束时，则继续获取下一帧图像信息进行检测，对检测到包含磁铁束的图像信息执行后续的检测流程。[0085] 在一些实施例中，针对每台磁性过滤器的空间位置信息，获取磁性过滤器的待检测图像信息，包括：[0086] 针对每台磁性过滤器在生产线的空间位置信息，获取一个或多个摄像装置在预设方位采集的磁性过滤器的待检测图像信息，待检测图像信息包括磁性过滤器的磁力棒在升起状态的图像。[0087] 示例性的，服务器获取到的图像信息可以是基于在多个点位布置的摄像装置采集到的图像信息，即基于多个摄像装置采集的图像信息。在通过摄像装置采集磁性过滤器的图像信息时，每个磁性过滤器的相对每个摄像装置的相对空间位置已知（即距离与方位已知），从而基于相对空间位置，摄像装置在采集到图像信息中可以通过坐标转换，确定每个磁性过滤器在图像信息中的位置信息，从而可以对每个磁性过滤器更加精准的识别。其中，预设方位可以是生产线上的每台磁性过滤器的正前方或斜下方，能够完全覆盖每台磁性过滤器的磁力棒的方位与角度。[0088] 示例性的，基于摄像装置的相机坐标系，以相机镜头中心未远点，光轴为z轴，确定磁性过滤器的相对于相机的位置为（x，y，z），图像坐标系为二维坐标系，以图像中心为原点，描述磁性过滤器在图像平面上的投影位置（X，Y），像素坐标系以像素为单位，原点在图像左上角，u轴水平向右，v轴垂直向下，磁性过滤器在像素坐标系中的位置为（u，v）；利用相似三角形原理，将磁性过滤器对应的三维的相机坐标转换为二维的图像坐标；由于图像坐标系与像素坐标系的原点不同，存在像素缩放和倾斜，通过平移和缩放，将图像坐标转换为像素坐标，确定每个磁性过滤器在图像信息中的位置信息。[0089] 需要说明的是，基于点位布置的摄像装置可以为一个摄像装置（如一个摄像头）对应拍摄一个磁性过滤器，或者拍摄一条生产线上的多个磁性过滤器；还可以是基于多个点位布置的多个摄像装置同时在不同角度拍摄一个磁性过滤器，或者拍摄一条生产线上的多个磁性过滤器。具体可以基于实际应用场景的需求进行设置。[0090] S202，将待检测图像信息输入目标检测模型，通过目标检测模型对每台磁性过滤器的每根磁力棒的图像进行处理，输出每台磁性过滤器的所有磁力棒的清洁状态。[0091] 在一些实施例中，目标检测模型可以为基于深度学习的YOLOv5算法模型，通过该目标检测模型的处理，将每一帧图像信息划分为若干个网格，每个网格预测出该网格内目标对象（如污垢特征）的种类和位置信息，然后根据预测框与真实框之间的重叠程度的交并比（IntersectionoverUnion，IoU）值（取值0到1）进行目标框的筛。钪帐涑鲈げ饪虻睦啾鸷臀恢眯畔。基于目标检测模型对图像信息进行特征提取、特征融合，并预测各个磁力棒的清洁状态和位置信息。[0092] 示例性的，目标检测模型为基于磁性过滤器的每个磁力棒被标记清洁状态的样本图像训练得到，即样本图像中标记每台磁性过滤器的每个磁力棒的清洁状态，该清洁状态包括清洗干净和未清洗干净两类，其中，清洗干净为磁力棒上不存在污垢特征的状态，未清洗干净为磁力棒上存在污垢特征的状态。例如清洗干净标记为1，未清洗干净标记为0；基于标记后的样本图像对目标检测模型进行训练。在基于训练后的目标检测模型对图像信息进行处理，预测出每台磁性过滤器的每个磁力棒的清洁状态以及磁力棒所在的位置信息，以便于确定对应磁性过滤器。[0093] 相应地，当一张图像中包含多台磁性过滤器时，还可以基于位置信息分别对每台磁性过滤器进行编号；在目标检测模型输出预测结果时，还可以包括磁力棒所在的磁性过滤器的编号信息以及预测结果对应的置信度，置信度越高，预测结果越可靠，结果准确度越高。[0094] S203，根据磁性过滤器的所有磁力棒的所述清洁状态，确定每台磁性过滤器的清洗状态。[0095] 在一些实施例中，磁性过滤器的磁铁束包括多个磁力棒，当每个磁力棒的清洁状态均为清洗干净的情况下，该磁性过滤器清洗干净，相应地清洗状态为已清洗；在存在至少一个磁力棒的清洁状态为未清洗干净的情况下，该磁性过滤器未清洗干净，相应地磁性过滤器的清洗状态为清洗中或未清洗。[0096] 在一些实施例中，根据磁性过滤器的磁力棒的清洁状态，确定磁性过滤器的清洗状态，包括：[0097] 在磁性过滤器的每个磁力棒的清洁状态均为清洗干净的情况下，确定磁性过滤器的清洗状态为已清洗；在磁性过滤器的磁力棒的清洁状态同时包括清洗干净和未清洗干净的情况下，确定磁性过滤器的清洗状态为清洗中；在磁性过滤器的所有磁力棒的清洁状态为未清洗干净的情况下，确定磁性过滤器的清洗状态为未清洗。[0098] 示例性的，如图1中所示的标号为1的磁性过滤器，其对应的每个磁力棒的清洁状态的预测结果均为清洗干净，则该磁性过滤器对应的清洗状态为已清洗；标号为2的磁性过滤器中存在预测结果为清洗干净和未清洗干净的磁力棒，则该磁性过滤器的清洗状态为清洗中；标号为3的磁性过滤器中的磁力棒的预测结果均为未清洗干净，则该磁性过滤器对应的清洗状态为未清洗。从而可以针对实时获取到的图像信息，实时反馈磁性过滤器的清洗状态。[0099] 相应地，在经过目标检测算法识别出未清洗干净的磁性过滤器的情况下，目标检测算法输出的结果中还可以包括未清洗干净的磁性过滤器对应的编号，例如清洗状态为清洗中的磁性过滤器对应编号为2、未清洗的磁性过滤器对应编号为3；从而便于后续提醒用户及时执行相应的清洗处理，保障设备的生产效率以及稳定性。[0100] S204，在当前的班次时间段结束后，保存并记录磁性过滤器在清洗过程中的图像信息；清洗过程中的图像信息包括已清洗、清洗中或未清洗的至少一个清洗状态的图像信息；在保存的图像信息中，清洗状态只包括清洗中或未清洗的情况下，确定磁性过滤器未清洗干净。[0101] 示例性的，在当前的班次时间段结束后，将磁性过滤器清洗过程的图像信息进行保存，例如存储在挂载存储盘301中，可以通过文件系统进行访问。如图3所示，为了便于后续对每台磁性过滤器的清洗情况准确、及时的判定，对每台磁性过滤器每次的整个清洗过程进行实时检测与记录；在一条生产线上同时存在多个磁性过滤器的情况下，经过实时检测与记录，在服务器的挂载存储盘301中保存三张关键的目标图像：清洗前图像（所有磁力棒均处于未清洗的或未清洗干净的状态）、清洗中图像（当至少一个磁力棒处于清洗干净的状态）、清洗后图像（所有磁力棒均处于清洗干净的状态），以表示生产线上的磁性过滤器在清洗过程中的各个清洗状态，便于用户可以更加直观的基于清洗图像进行图像分析，评估算法的误报率以及响应效率等。[0102] 示例性的，针对多条生产线时，每条生产线包括多个磁性过滤器，针对任一条生产线，所有磁性过滤器的清洗状态均为已清洗（即均清洗干净）的情况下，保存该条生产线对应的清洗前、清洗中以及清洗后的图像信息，或者仅保存该条生产线清洗后（已清洗干净）的图像信息。针对仅存在一条生产线时，该条生产线包括多个磁性过滤器，在任一个磁性过滤器的清洗状态均为已清洗（即清洗干净）的情况下，保存该磁性过滤器对应的清洗前、清洗中以及清洗后的图像信息，或者仅保存该磁性过滤器对应在清洗后（已清洗干净）的图像信息。[0103] 示例性的，如图3所示，在每次工时（班次）结束，将每个工时期间清洗干净的磁性过滤器对应清洗过程中的图像信息存储在挂载存储盘301中。通过对清洗过程的图像信息进行保存，便于用户基于存储的图像信息进行直观的图像分析，分析目标检测算法对应的误报率以及响应失效等信息，为不断优化算法提供数据支持。[0104] S205，在磁性过滤器的清洗状态为未清洗干净的情况下，针对未清洗干净的磁性过滤器发出告警信息。[0105] 在一些实施例中，针对未清洗干净的磁性过滤器对应的图像信息，即在班次时间段期间检测到的图像信息中仅包括清洗中或未清洗的图像信息，说明该生产线存在未清洗干净的磁性过滤器，将该磁性过滤器对应的图像信息作为异常数据，经过抽。‥xtract）、转换（Transform）、加载（Load）处理，存储至数据仓库302，并基于该磁性过滤器的图像信息生成告警信息，提示对未清洗干净的磁性过滤器进行清洗。[0106] 示例性的，告警信息可以直接推送至用户信息群，直接提醒用户存在未清洗干净的异常状态。如图3所示，在检测出异常的情况下，还可以将生成的告警信息推送至告警平台31，由告警平台31通过邮件或短信的形式将告警信息推送至用户端。其中，告警信息可以包括磁性过滤器的位置信息、班次时间信息以及清洗状态。[0107] 在一些实施例中，该方法还包括：[0108] 针对未清洗干净的磁性过滤器的图像信息，生成告警报表。[0109] 示例性的，针对未清洗干净的磁性过滤器对应的图像信息，即在工时期间检测到的图像信息中仅包括清洗中或未清洗的图像信息，说明该生产线存在未清洗干净的磁性过滤器，将该磁性过滤器对应的图像信息作为异常数据，经过抽。‥xtract）、转换（Transform）、加载（Load）处理，存储至数据仓库302，并基于该磁性过滤器的图像信息生成可视化的告警报表。[0110] 其中，可视化的告警报表用于使用户直接查看，以了解工时期间的清洗状态，便于生产线进行及时可靠的维护。[0111] 在一些实施例中，该方法还包括：根据告警报表中的历史告警数据，分析针对磁力棒的清洗状态的误报率和/或漏报率；在误报率和/或漏报率超过预设的检测指标阈值的情况下，调整目标检测模型的网络参数，或者调整采集待检测图像信息的方位信息。[0112] 示例性的，针对历史告警数据以及现场实际结果的差异，用户可以分析统计误报率与漏报率，服务器获取用户基于历史告警数据上传的误报率与漏报率，基于误报率与漏报率，自动调整目标检测模型的网络参数或者方位信息。例如，磁性过滤器的某一个磁力棒的清洗状态实际为未清洗干净，而由于没有检测出来，则发生误报为该磁性过滤器为清洗干净，或者本来存在两台为清洗干净的磁性过滤器，仅开云优惠体育网页版入口了一台未清洗干净；从而可以针对分析结果，进一步调整目标检测模型的网络参数，例如继续增加迭代次数或者提高学习率等；或者调整摄像装置的方位，例如调整设置装置的角度或位置，使其拍摄的磁性过滤器的每一根磁力棒更加清楚与全面。[0113] 在一些实施例中，将待检测图像信息输入目标检测模型，通过目标检测模型对每台磁性过滤器的每根磁力棒的图像进行处理，输出每台磁性过滤器的所有磁力棒的清洁状态，包括：[0114] 将待检测图像信息输入目标检测模型的输入层，通过输入层调整待检测图像尺寸，得到目标尺寸图像；通过目标检测模型的主干网络层，提取目标尺寸图像的特征，得到多个第一特征图；通过目标检测模型的特征融合网络层，将多个特征图进行特征融合处理，得到第二特征图；通过目标检测模型的预测网络层，标记所述待检测图像信息中的磁力棒对应的清洗结果类别、位置以及清洗结果类别的置信度，输出每台磁性过滤器的所有磁力棒的清洁状态。[0115] 示例性的，目标检测模型可以包括输入层（input层）、主干网络层（backbone层）、特征融合层（neck层）以及预测网络层（head层）。将待检测图像信息输入目标检测模型的输入层，将待检测图像处理为模型可接收的尺寸大。640*640像素的大小。在输入模型之前，还可以对待检测图像信息进行预处理，例如缩放、归一化等，使得目标检测模型可以更好的进行特征提取与预测。[0116] 通过主干网络层进行图像特征提。缣崛〈帕Π籼卣、磁力棒对应形状特征、纹理特征、颜色特征、灰度值等；通过一系列的卷积层、批量归一化（BN）层以及激活函数（如ReLU），提取图像中的多个层次的特征，得到多个第一特征图。[0117] 通过特征融合网络层对提取到的多个第一特征图进行特征融合，通过组合不同网络层次的特征，提高模型的检测性能。通过上采样、下采样以及特征拼接等方式，将主干网络层提取的不同尺度的特征进行融合，得到多个新的、更丰富的特征表示，例如得到多个第二特征图，第二特征图可以分别对应不同尺度的目标，例如磁力棒作为一个目标对象，磁力棒上的污垢特征作为另一个目标对象。[0118] 通过预测网络层，使用预设的先验框对特征图中的每个像素执行置信度计算和边界框回归，以获得包括对象类别、类别置信度、框坐标、宽度和高度信息的多维数组。例如，针对磁力棒的形状特征进行边界框标记，标记对象类别为磁力棒、对应的置信度以及框坐标、宽度和高度等信息；针对磁力棒上的颜色特征或纹理特征，进行边界框标记，标记对象类别为污垢、对应的置信度以及框坐标、宽度和高度等信息。通过设置相应的阈值（confthreshold、objthreshold）过滤多维数组中的无用信息，并执行非最大值抑制（NMS）过程，输出对每台磁性过滤器的每个磁力棒的最终的检测信息，存在污垢或不存在污垢，以确定磁力棒的清洁状态。[0119] 以目标检测算法为YOLOv5模型为例进一步说明。[0120] YOLOv5模型的输入层，可以对输入的磁性过滤器的图像信息进行自适应缩放处理；将输入的图像信息缩放到一个基准尺寸，例如YOLOv5模型中默认基准尺寸为640*640像素。[0121] YOLOv5模型的主干网络层（backbone层）可以包括注意力Focus结构和跨层级部分交互（CrossStagePartial，CSP）结构。Focus结构为提取特征的卷积神经网络层，用于将输入的图像信息进行压缩和组合；Focus结构作为YOLOv5模型的第一个卷积层，对输入的图像信息进行下采样，以减少计算量和参数量。[0122] 相应地，Focus结构可以将输入的磁性过滤器的图像信息划分为四个子图，并将四个子图进行通道拼接，得到更小的特征图。例如，输入的图像信息的大小为N*N*C，其中，N为图像信息的尺寸，C为通道数，则Focus结构的计算过程，可以包括：[0123] 将输入的图像西悉尼进行通道分离，得到两个大小为N*N*C/4的特征图，分别记为x和y；对x和y分别进行横向和纵向的步长为2的卷积操作，得到两个大小为N/2*N/2*C/4的特征图，分别记为X和Y；将X和Y进行通道拼接，得到一个大小为N/2*N/2*C/2的特征图，记为z；对特征图z进行横向和纵向的步长为2的卷积操作，得到一个大小为N/4*N/4*C/2的特征图，即得到Focus结构的输出。[0124] 其中，Focus结构对输入的图像信息进行了下采样，可以有效减少计算量和参数量，同时保留了输入的图像信息中的重要信息，可以提高模型的特征提取能力。在一些应用场景中，还会将Focus结构替换为卷积层，以步长为2的方式进行下采样以及图像压缩处理。[0125] CSP结构将输入的特征图分成两部分，一部分通过子网络处理，另一部分直接进行下一层处理。其中，在子网络中，通过一个卷积层将输入的特征图（如大小为N/4*N/4*C/2的特征图）进行压缩，然后进行一系列卷积操作，再通过一个卷积层进行扩张处理，得到相应的特征图；在下一层网络中，将经过子网络处理的特征图与直接由下一层网络处理的特征图进行拼接，再输入下一层网络，进行一系列卷积操作，输出不同大小目标对象的特征图，例如待检测图像信息中，磁性过滤器对应的特征图、磁力棒对应的特征图、污垢特征对应的特征图；将低层次的细节特征和高层次的抽象特征结合起来，提高特征提取的效率。[0126] YOLOv5模型的Neck网络，为中间特征提取网络，用于增强模型的特征表达能力和感受野。Neck网络结构包括金字塔池化（SpatialPyramidPooling，SPP）结构和多尺度融合（PathAggregationNetwork，PAN）结构。[0127] 其中，SPP结构对不同大小的特征图进行池化操作，将不同尺度的信息进行融合。例如，将输入的不同大小的目标对象的特征图，分别输入1*1的网络层进行全局平均池化，以及分别经过3*3和5*5的网络层对特征图进行池化操作，将不同尺度的池化结果进行拼接，输出拼接后的特征图。[0128] PAN结构包括特征金字塔模块和特征融合模块；特征金字塔模块包括不同大小的卷积层和池化层，将SPP结构输出的拼接后的特征图，输入特征金字塔模块的卷积层和池化层，生成不同尺度的特征图，不同尺度的特征图可以提供不同粒度的目标信息。特征融合模块将不同尺度的特征图进行融合，例如进行横向特征融合，将不同尺度的特征图进行级联，形成多尺度特征图，或者进行纵向特征融合，将不同尺度的特征图进行聚合，通过加权平均的方式进行融合；从而实现从上向下的逐层融合特征，输出融合后的特征图。[0129] YOLOv5模型的预测网络层（输出层），通过锚框anchorbox预测目标的边界框位置和大。⒍悦扛雒蚨杂Φ脑げ饨峁ü齭oftmax函数计算类别概率；输出的结果可以包括不同尺度的特征图，每个特征图对应不同尺度的预测框，每个预测框可以包括清洗结果类别、位置以及清洗结果类别的置信度等信息。[0130] 示例性的，YOLOv5模型可以输出磁性过滤器的图像信息中的磁力棒的位置、是否清洗干净的类别以及类别对应置信度；例如，输出层可以通直接过标记每台磁性过滤器的所有磁力棒的位置、是否清洗干净的类别（如未清洗干净或清洗干净）以及是否清洗干净的类别对应的置信度（例如未清洗干净0.96，清洗干净0.87）。[0131] 相应地，在所有的磁力棒均被清洗干净时，且清洗干净的置信度满足清洗干净对应的置信度阈值（例如阈值为0.8），即清洗干净的置信度0.87大于0.85时，输出清洗干净的结果；当未清洗干净的置信度0.96大于未清洗干净的置信度阈值0.8时，输出未清洗干净的结果，如图1所示。置信度阈值可以基于实际应用场景进行设置。[0132] 如图4所示，本申请实施例提供的整体流程的逻辑示意图，基于与上述实施例相同的实现原理，在此不再赘述，该流程可以包括以下步骤：[0133] 检测流程开始后，服务器请求监控平台，以获取RTSP视频流的地址信息，并在获取地址成功后解析RTSP视频流地址信息，以获取图像。诨袢〉刂肥О芎，继续重新请求监控平台以获取地址信息。获取到图像帧后，对图像帧进行检测，在检测到磁性过滤器的磁铁束后，进一步识别磁铁过滤器的每个磁力棒的清洁状态；在未检测到磁铁束的情况下，则放弃对该图像帧的识别，继续检测下一图像帧是否包含磁铁束。在识别出每个磁力棒的清洁状态后，进一步保存磁性过滤器或者磁性过滤器所在的生产线在整个清洗过程中的图像（如清洗前、中、后的图像信息）。相应地，服务器针对各个生产线的清洗过程判断是否包含所有清洗状态的图像或者清洗干净的图像，若包含则结束流程，若不包含则生成告警信息，将告警信息插入数据仓库302，并推送至相关信息群。[0134] 通过本申请实施例，采用YOLOv5作为目标检测算法，提高了对高效磁铁过滤器清洗情况的实时监测准确性。通过即时、精准地识别每台高效磁铁过滤器的清洗状态，有效解决了传统方法中存在的主观性和不确定性问题。通过设置至少一个摄像头在每条生产线上，结合YOLOv5的高效性能，确保全面覆盖高效磁铁过滤器的所有区域；通过实时监测系统的灵活性，能够动态适应实际使用环境和设备运行变化，提高了系统的适应性。通过图像检测，识别是否将磁性过滤器升起来进行清洗，以及清洗后每个磁力棒的清洁状态，为用户提供具体而准确的清洗指标；基于该清洗决策支持的提升有助于优化清洗手段，提高系统的可操作性和清洗效果。当在某个的工时期间（班次内）检测到某条生产线存在磁性过滤器未能清洗干净时，将通过告警平台实时报警，并将相关告警信息及时发送至指定信息群，提高了系统的响应速度，使操作人员能够及时采取必要的清洗策略，有效减少了未清洗部分对设备性能的潜在影响，保障了生产效率和设备稳定性。[0135] 本申请实施例还提供了一种目标检测模型的训练方法，应用于上述磁性过滤器清洗状态检测方法的实施例；如图5所示，该方法可以包括以下步骤：[0136] S501，获取磁性过滤器在清洗前、清洗中以及清洗后的样本图像，样本图像为已标注磁力棒是否存在污垢特征的原始图像。[0137] S502，将样本图像输入待训练的目标检测模型，经过待训练的目标检测模型对样本图像进行特征提取与特征融合的处理，得到样本图像中磁力棒对应的预测污垢特征信息。[0138] S503，根据预测污垢特征信息与已标注的污垢特征，计算目标检测模型的损失值。[0139] S504，根据损失值，更新目标检测模型的网络参数，重复进行训练，直到损失值符合预设停止条件的情况下停止训练，得到训练后的目标检测模型。[0140] 其中，针对磁性过滤器在清洗前、清洗中以及清洗后的原始图像中磁力棒是否存在污垢特征，标注每个磁力棒的清洁状态，得到样本图像；磁力棒的清洁状态包括不存在污垢特征时的清洗干净状态和存在污垢特征时的未清洗干净状态。[0141] 示例性的，计算目标检测模型的损失值可以通过损失函数分别计算分类损失（ClassificationLoss）、定位损失（LocalizationLoss）和目标置信度损失（ConfidenceLoss）。[0142] 其中，可以通过二元交叉熵损失函数（BinaryCross?EntropyLoss），计算类别概率的损失，确定类被损失；可以通过完全交并比损失函数（CompleteIntersectionoverUnionLoss，CIOULoss）计算预测边界框（BoundingBox）与真实边界框（GroundTruth）之间的误差，确定定位损失；通过二元交叉熵损失函数计算预测框是否包含目标的概率（objectnessofthebox）的损失，确定目标置信度损失。[0143] 在一些实施例中，从多个厂区的各个拉线的各个磁性过滤器的监控历史视频中收集高质量的清洗原始图像数据，包括清洗前、中、后的状态。针对磁性过滤器在清洗前、清洗中以及清洗后状态，采集原始图像信息，并对原始图像信息中的每个磁力棒的清洁状态进行标注，例如使用标签工具将清洗干净（不存在污垢）标注为1，未清洗干净（存在污垢）标注为0，得到样本图像。[0144] 示例性的，在对原始图像进行标记的过程中还可以包括：针对原始图像，通过边界框形式标注每个磁力棒对应存在污垢特征的第一标识或不存在污垢特征的第二标识；例如第一标识为0，第二标识为1。或者，针对原始图像，通过像素标注每个磁力棒存在污垢特征的第一灰度值或不存在污垢特征的第二灰度值；例如第一灰度值为255，第二灰度值为0。[0145] 在一些实施例中，针对样本图像，按预设比例对样本图像的数量进行划分，得到训练集、测试集以及验证集；其中，验证集用于对训练后的目标检测模型进行验证，测试集用于对训练后的目标检测模型进行测试。[0146] 示例性的，针对每个厂区的不同检测环境的场景，可以选择各标记2000张图像，按8:1:1（或6:2:2、7.5:1.5:1.5）划分训练集、验证集和测试集，确保训练学习后的YOLOv5模型能够检测到磁铁棒清洁状态的关键特征。[0147] 其中，YOLOv5目标检测模型提供了多种预训练模型，包括小型模型(YOLOv5s)、中型模型(YOLOv5m)和大型模型(YOLOv5l、YOLOv5x)，可根据实际需求选择合适的模型大。ê饩群退俣。[0148] 在一些实施例中，对被标注的原始图像进行翻转、旋转、缩放、平移或添加噪声处理，得到样本图像。[0149] 示例性的，通过对标注的原始图像进行翻转、旋转、缩放、平移、添加高斯噪声等方式进行数据增广；或者通过采集更多实际场景下的图像数据或基于不同的摄像装置采集并合成图像数据进行数据扩充，以增强数据集，覆盖更多变化情况，提升模型在实际场景中的鲁棒性。[0150] 在一些实施例中，所述根据所述损失值，更新所述目标检测模型的网络参数，包括：[0151] 训练过程中，在损失值变小的下降速率小于预设下降速率阈值情况下，将学习率由第一数值调整为第二数值，第二数值大于所述第一数值；在损失值出现震荡特征的情况下，将学习率由第三数值调整为第四数值，第三数值小于第四数值；在损失值变小的下降速率小于预设下降速率阈值情况下，将迭代次数由第五数值跳到第六数值，第五数值小于第六数值；根据损失值变小的下降速率，调整批量大小的值；其中，网络参数包括迭代次数、学习率与批量大小。[0152] 示例性的，在基于样本图像中的训练集对目标检测模型进行训练过程中，通过调整目标检测模型的学习率、显存大小以及迭代次数，优化目标检测模型。在训练过程中，通过调整超参数迭代优化模型。例如采用不同的学习率：0.001、0.0001等，确定出模型收敛最快的学习率；或者根据GPU显存大小适当调整批量大。ǔＨ16、32、64等；又或者增加迭代次数，使得模型有足够时间收敛，如100次、200次等。[0153] 另外，上述对网络参数更新及调整的方式仅示例性说明，在实际应用场景中，还可以结合多个因素，综合调整每个网络参数的数值，在此对具体调整方向及大小不做具体限定。[0154] 在一些实施例中，如图6所示，针对整个检测过程，监控平台和服务器可以构成整个检测系统，检测系统获取到图像信息后，对图像信息进行检测，并输出检测结果（例如挂载存储盘301存储的图像信息、数据仓库302对应的告警报表以及告警信息等）。[0155] 相应地，针对检测结果，通过收集用户对系统的反馈建议，如误报率、延迟响应等实际场景问题；以及采用数据仓库302中存储的历史告警数据，分析系统的误报率、漏报率等关键指标，从存储的历史清晰过程图像信息中分析模型在不同场景下的识别准确性；结合监控平台的历史视频，人工标注分析模型的监测精度；对整个检测系统进行不断优化，形成闭环迭代，提升检测系统的整体性能。[0156] 另外，还可以从模型优化，例如根据分析结果，调整模型的学习率等超参数，或收集更多数据重新训练模型，提升模型的性能；以及系统优化，例如优化其他硬件设备组件，以提升系统的监测精度和实时响应能力；通过不断优化模型和设备组件，形成闭环迭代，持续提升系统的整体性能。[0157] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。[0158] 对应于上文实施例提供的磁性过滤器清洗状态检测方法，图7示出了本申请实施例提供的磁性过滤器清洗状态检测装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。[0159] 参照图7，该装置包括：[0160] 获取单元71，用于针对每台磁性过滤器的空间位置信息，获取所述磁性过滤器的待检测图像信息，所述待检测图像信息包括每台所述磁性过滤器的所有磁力棒的图像；[0161] 处理单元72，用于将所述待检测图像信息输入目标检测模型，通过所述目标检测模型对每台所述磁性过滤器的每根磁力棒的图像进行处理，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态；所述目标检测模型为基于被标记清洁状态的磁力棒的样本图像训练得到；[0162] 输出单元73，用于根据所述磁性过滤器的所有所述磁力棒的所述清洁状态，确定每台所述磁性过滤器的清洗状态；[0163] 记录单元74，在当前的班次时间段结束后，保存并记录所述磁性过滤器在清洗过程中的图像信息；所述清洗过程中的图像信息包括已清洗、清洗中或未清洗的至少一个清洗状态的图像信息；在保存的图像信息中，所述清洗状态只包括清洗中或未清洗的情况下，确定所述磁性过滤器未清洗干净；[0164] 告警单元75，用于在所述磁性过滤器的所述清洗状态为未清洗干净的情况下，针对未清洗干净的所述磁性过滤器发出告警信息，所述告警信息用于提示对未清洗干净的磁性过滤器进行清洗。[0165] 在一种可能的实现方式中，获取单元71，还用于针对每台所述磁性过滤器在生产线的空间位置信息，获取一个或多个摄像装置在预设方位采集的所述磁性过滤器的待检测图像信息，所述待检测图像信息包括所述磁性过滤器的磁力棒在升起状态的图像。[0166] 在一种可能的实现方式中，告警单元74，还用于针对未清洗干净的所述磁性过滤器的图像信息，生成告警报表。[0167] 在一种可能的实现方式中，该装置还包括反馈调整单元，用于基于所述告警报表中的历史告警数据，获取针对所述磁力棒的清洗状态的误报率和/或漏报率；在所述误报率和/或所述漏报率超过预设的检测指标阈值的情况下，调整所述目标检测模型的网络参数，或者调整采集所述待检测图像信息的方位信息。[0168] 在一种可能的实现方式中，输出单元73，还用于在所述磁性过滤器的每个所述磁力棒的所述清洁状态均为清洗干净的情况下，确定所述磁性过滤器的清洗状态为已清洗；在所述磁性过滤器的所述磁力棒的所述清洁状态同时包括清洗干净和未清洗干净的情况下，确定所述磁性过滤器的清洗状态为清洗中；在所述磁性过滤器的所有所述磁力棒的所述清洁状态为未清洗干净的情况下，确定所述磁性过滤器的清洗状态为未清洗。[0169] 在一种可能的实现方式中，获取单元71，还用于根据磁力棒的特征信息，对获取到的所述磁性过滤器的初始图像信息进行识别，将检测到所述磁力棒的初始图像信息作为输入所述目标检测模型的待检测图像信息。[0170] 在一种可能的实现方式中，反馈调整单元，还用于在获取所述待检测图像信息的过程中，检测在传输所述待检测图像信息时的数据传输速率或丢包率；在所述数据传输速率低于预设速率阈值，将传输所述待检测图像信息的网络带宽调整为所述待检测图像信息满足预设画面分辨率阈值的目标带宽值；或者，所述丢包率超过预设丢包阈值的情况下，调整传输所述待检测图像信息的传输策略。[0171] 在一种可能的实现方式中，处理单元72，还用于将所述待检测图像信息输入所述目标检测模型的输入层，通过所述输入层调整所述待检测图像尺寸，得到目标尺寸图像；通过所述目标检测模型的主干网络层，提取所述目标尺寸图像的特征，得到多个第一特征图；通过所述目标检测模型的特征融合网络层，将所述多个特征图进行特征融合处理，得到第二特征图；通过所述目标检测模型的预测网络层，标记所述待检测图像信息中的磁力棒对应的清洗结果类别、位置以及清洗结果类别的置信度，输出每台所述磁性过滤器的所有所述磁力棒的清洁状态。[0172] 在一种可能的实现方式中，获取单元71，还用于获取磁性过滤器在清洗前、清洗中以及清洗后的样本图像，所述样本图像为已标注磁力棒是否存在污垢特征的原始图像。[0173] 该装置还包括：[0174] 特征处理单元，用于将所述样本图像输入待训练的目标检测模型，经过待训练的目标检测模型对所述样本图像进行特征提取与特征融合的处理，得到所述样本图像中所述磁力棒对应的预测污垢特征信息。[0175] 损失计算单元，用于根据所述预测污垢特征信息与已标注的污垢特征，计算所述目标检测模型的损失值。[0176] 参数调整单元，用于根据所述损失值，更新所述目标检测模型的网络参数，重复进行训练，直到所述损失值符合预设停止条件的情况下停止训练，得到训练后的目标检测模型。[0177] 其中，针对磁性过滤器在清洗前、清洗中以及清洗后的原始图像中所述磁力棒是否存在污垢特征，标注每个磁力棒的清洁状态，得到所述样本图像；所述磁力棒的清洁状态包括不存在污垢特征时的清洗干净状态和存在污垢特征时的未清洗干净状态。[0178] 在一种可能的实现方式中，该装置还包括标记单元，用于针对所述原始图像，通过边界框形式标注每个磁力棒对应存在污垢特征的第一标识或不存在污垢特征的第二标识；或者，针对所述原始图像，通过像素标注每个磁力棒存在污垢特征的第一灰度值或不存在污垢特征的第二灰度值。[0179] 在一种可能的实现方式中，该装置还包括数据划分单元，用于针对所述样本图像，按预设比例对所述样本图像的数量进行划分，得到训练集、测试集以及验证集；其中，所述验证集用于对训练后的目标检测模型进行验证，所述测试集用于对训练后的目标检测模型进行测试。[0180] 在一种可能的实现方式中，参数调整单元，还用于训练过程中，在所述损失值变小的下降速率小于预设下降速率阈值情况下，将学习率由第一数值调整为第二数值，所述第二数值大于所述第一数值；在所述损失值出现震荡特征的情况下，将所述学习率由第三数值调整为第四数值，所述第三数值小于所述第四数值；在所述损失值变小的下降速率小于预设下降速率阈值情况下，将迭代次数由第五数值跳到第六数值，所述第五数值小于所述第六数值；根据所述损失值变小的下降速率，调整批量大小的值；其中，所述网络参数包括迭代次数、所述学习率与所述批量大小。[0181] 在一种可能的实现方式中，获取单元，还用于对被标注的原始图像进行翻转、旋转、缩放、平移或添加噪声处理，得到所述样本图像。[0182] 通过本申请实施例，采用YOLOv5作为目标检测算法，提高了对高效磁铁过滤器清洗情况的实时监测准确性。通过即时、精准地识别每台高效磁铁过滤器的清洗状态，有效解决了传统方法中存在的主观性和不确定性问题。通过设置至少一个摄像头在每条生产线上，结合YOLOv5的高效性能，确保全面覆盖高效磁铁过滤器的所有区域；通过实时监测系统的灵活性，能够动态适应实际使用环境和设备运行变化，提高了系统的适应性。通过图像检测，识别是否将磁性过滤器升起来进行清洗，以及清洗后每个磁力棒的清洁状态，为用户提供具体而准确的清洗指标；基于该清洗决策支持的提升有助于优化清洗手段，提高系统的可操作性和清洗效果。当在某个的工时期间（班次内）检测到某条生产线存在磁性过滤器未能清洗干净时，将通过告警平台实时报警，并将相关告警信息及时发送至指定信息群，提高了系统的响应速度，使操作人员能够及时采取必要的清洗策略，有效减少了未清洗部分对设备性能的潜在影响，保障了生产效率和设备稳定性。[0183] 图8示出了服务器8的硬件结构示意图。[0184] 如图8所示，该实施例的服务器8包括：至少一个处理器80（图8中仅示出一个）、与至少一个处理器80通信连接的存储器81，所述存储器81中存储有可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述方法实施例中的步骤，例如图2所示的S201至S205。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能。[0185] 可以理解的是，本申请实施例示意的结构并不构成对服务器8的具体限定。在本申请另一些实施例中，服务器8可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。[0186] 该服务器8可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是服务器8的示例，并不构成对服务器8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如该服务器还可以包括输入发送设备、网络接入设备、总线等。[0187] 上述处理器80可以是中央处理单元（CentralProcessingUnit，CPU），还可以是其他通用处理器、数字信号处理器（DigitalSignalProcessor，DSP）、专用集成电路（ApplicationSpecificIntegratedCircuit，ASIC）、现成可编程门阵列（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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0188] 处理器80中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器80中的存储器为高速缓冲存储器。该存储器可以保存处理器80刚用过或循环使用的指令或数据。如果处理器80需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存。跎倭舜砥80的等待时间，因而提高了系统的效率。[0189] 上述存储器81在一些实施例中可以是所述服务器8的内部存储单元，例如服务器8的硬盘或内存。该存储器81也可以是所述服务器8的外部存储设备，例如该服务器8上配备的插接式硬盘，智能存储卡（SmartMediaCard，SMC），安全数字（SecureDigital，SD）卡，闪存卡（FlashCard）等。进一步地，该存储器81还可以既包括该服务器8的内部存储单元也包括外部存储设备。该存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如计算机程序的程序代码等。该存储器81还可以用于暂时地存储已经发送或者将要发送的数据。[0190] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0191] 需要说明的是，上述服务器的结构仅示例性说明，基于不同的应用场景，还可以包括其他实体结构，在此不对服务器的实体结构进行限定。[0192] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。[0193] 本申请实施例还提供了一种检测系统，该检测系统包括监控平台以及上述服务器；服务器与监控平台通信连接；监控平台包括至少一个摄像装置；监控平台，用于通过摄像装置采集磁性过滤器的图像信息，并将图像信息传输至服务器；服务器，用于对图像信息进行分析处理，并基于分析处理的结果确定磁性过滤器的清洗状态。[0194] 本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。[0195] 本申请实施例提供了一种计算机程序产品，当计算机程序产品在服务器上运行时，使得服务器执行时实现可实现上述各个方法实施例中的步骤。[0196] 所集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read?OnlyMemory，ROM）、随机存取存储器（RandomAccessMemory，RAM）、电载波信号、电信信号以及软件分发介质等。[0197] 上述本申请实施例提供的装置、服务器、检测系统、计算机存储介质、计算机程序产品均用于执行上文所提供的方法，因此，其所能达到的有益效果可参考上文所提供的方法对应的有益效果，在此不再赘述。[0198] 应理解，上述只是为了帮助本领域技术人员更好地理解本申请实施例，而非要限制本申请实施例的范围。本领域技术人员根据所给出的上述示例，显然可以进行各种等价的修改或变化，例如，上述检测方法的各个实施例中某些步骤可以是不必须的，或者可以新加入某些步骤等。或者上述任意两种或者任意多种实施例的组合。这样的修改、变化或者组合后的方案也落入本申请实施例的范围内。[0199] 还应理解，本申请实施例中的方式、情况、类别以及实施例的划分仅是为了描述的方便，不应构成特别的限定，各种方式、类别、情况以及实施例中的特征在不矛盾的情况下可以相结合。[0200] 还应理解，在本申请的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。[0201] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。[0202] 在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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系统，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。[0203] 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。[0204] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。[0205] 最后应说明的是：以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

专利地区：福建

专利申请日期：2024-07-09

专利公开日期：2024-11-29

专利公告号：CN118470001B