用于废催化剂的硫酸铝智能回收系统及其方法与流程

1.本技术涉及智能回收领域，且更为具体地，涉及一种用于废催化剂的硫酸铝智能回收系统及其方法。


背景技术：

2.硫酸铝回收是指利用硫酸溶解废催化剂中的氧化铝载体，从而分离出贵金属。这样可以实现废催化剂的综合利用，减少废物排放，提高资源效率。
3.一种可行的废催化剂的硫酸铝回收方法，其操作步骤如下：1.将废催化剂经过焙烧、筛分、取样等预处理，去除水分、有机物、积碳、硫等杂质；2.将预处理后的废催化剂与一定浓度的硫酸溶液按一定的固液比混合，加热搅拌，使氧化铝溶解成硫酸铝，不溶渣中富集贵金属；3.将溶解后的混合物过滤，分离出硫酸铝溶液和不溶渣，硫酸铝溶液可以直接作为净水剂使用，也可以通过浓缩、蒸发、结晶等方式制成固体硫酸铝产品，不溶渣中含有贵金属，需要进一步提纯；4.将不溶渣用王水或其他强酸溶解，使贵金属转化为可溶性的络合物或盐类，再通过沉淀、还原、电积等方法分离出纯度较高的贵金属粉末或块状物。
4.然而，硫酸溶解过程中的压力控制是一个关键因素，影响着溶解效果和能耗。目前，压力控制主要依靠人工经验或固定参数，缺乏对溶解状态的实时反馈和自适应调节。因此，期待一种解决方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于废催化剂的硫酸铝智能回收系统及其方法，其通过采用基于深度学习和人工智能技术，综合利用视频和多参数数据来实现根据氧化铝溶解状态自适应调节压力，从而优化硫酸铝回收的效果和能耗的目的。
6.根据本技术的一个方面，提供了一种用于废催化剂的硫酸铝智能回收系统，其包括：
7.视频监控模块，用于获取由摄像头采集的预定时间段的氧化铝溶解监控视频；
8.多参数获取模块，用于获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值；
9.数据结构化模块，用于将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵；
10.多尺度感知模块，用于将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以得到多参数时序关联特征向量；
11.采样模块，用于从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧；
12.溶解状态特征提取模块，用于将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量；
13.响应性估计模块，用于计算所述溶解状态时序特征向量相对于所述多参数时序关
联特征向量的响应性估计以得到分类特征矩阵；以及
14.控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。
15.在上述用于废催化剂的硫酸铝智能回收系统中，所述多尺度感知模块，包括：第一卷积单元，用于将所述多参数全时序输入矩阵通过所述第一卷积神经网络模型以得到第一尺度多参数时序关联特征向量；第二卷积单元，用于将所述多参数全时序输入矩阵通过所述第二卷积神经网络模型以得到第二尺度多参数时序关联特征向量；以及，融合单元，用于用类转换器空间迁移置换融合来融合所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量以得到所述多参数时序关联特征向量。
16.在上述用于废催化剂的硫酸铝智能回收系统中，所述第一卷积单元，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度多参数时序关联特征向量，所述第一卷积神经网络的第一层的输入为所述多参数全时序输入矩阵。
17.在上述用于废催化剂的硫酸铝智能回收系统中，所述融合单元，用于：通过采用类转换器空间迁移置换融合以如下融合公式来融合所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量以得到所述多参数时序关联特征向量；其中，所述公式为：
[0018][0019][0020]
其中v1和v2表示所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量，d(v1,v2)为向量之间的距离矩阵，d(v1,v2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，和
⊙
分别表示特征向量的逐位置相加、相减和相乘，表示矩阵乘法，mask(,)表示mask函数，vc表示所述多参数时序关联特征向量。
[0021]
在上述用于废催化剂的硫酸铝智能回收系统中，所述采样模块，用于：以预定采样频率对所述氧化铝溶解监控视频进行采样处理以得到所述多个氧化铝溶解监控关键帧。
[0022]
在上述用于废催化剂的硫酸铝智能回收系统中，所述溶解状态特征提取模块，用于：使用所述基于三维卷积神经网络模型的溶解特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的溶解特征提取器的最后一层的输出为所述第一尺度多参数时序关联特征向量，所述基于三维卷积神经网络模型的溶解特征提取器的第一层的输入为所述多参数全时序输入矩阵。
[0023]
在上述用于废催化剂的硫酸铝智能回收系统中，响应性估计模块，用于：以如下公式计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以
得到分类特征矩阵；其中，所述公式为：
[0024][0025]
其中va表示所述溶解状态时序特征向量，vb表示所述多参数时序关联特征向量，m表示所述分类特征矩阵。
[0026]
在上述用于废催化剂的硫酸铝智能回收系统中，控制结果生成模块，包括:展开单元，用于将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0027]
根据本技术的另一方面，提供了一种用于废催化剂的硫酸铝智能回收方法，其包括：
[0028]
获取由摄像头采集的预定时间段的氧化铝溶解监控视频；
[0029]
获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值；
[0030]
将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵；
[0031]
将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以得到多参数时序关联特征向量；
[0032]
从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧；
[0033]
将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量；
[0034]
计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；以及
[0035]
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。
[0036]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于废催化剂的硫酸铝智能回收方法。
[0037]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于废催化剂的硫酸铝智能回收方法。
[0038]
与现有技术相比，本技术提供的一种用于废催化剂的硫酸铝智能回收系统及其方法，其通过采用基于深度学习和人工智能技术，综合利用视频和多参数数据来实现根据氧化铝溶解状态自适应调节压力，从而优化硫酸铝回收的效果和能耗的目的。
附图说明
[0039]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0040]
图1为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统的场景示意图；
[0041]
图2为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统的框图；
[0042]
图3为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统的系统架构图；
[0043]
图4为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统中多尺度感知模块的框图；
[0044]
图5为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统中溶解特征提取器编码的流程图；
[0045]
图6为根据本技术实施例的用于废催化剂的硫酸铝智能回收方法的流程图；
[0046]
图7为根据本技术实施例的电子设备的框图。
具体实施方式
[0047]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0048]
申请概述
[0049]
针对上述技术问题，本技术的技术构思是基于深度学习和人工智能技术，并综合利用视频和多参数数据来实现根据氧化铝溶解状态自适应调节压力，从而优化硫酸铝回收的效果和能耗的目的。
[0050]
具体地，在本技术的技术方案中，首先，获取由摄像头采集的预定时间段的氧化铝溶解监控视频。在硫酸铝回收过程中，氧化铝溶解状态是影响压力控制的关键因素之一。因此，通过摄像头获取氧化铝溶解监控视频，可以实时监测氧化铝的溶解状态和颗粒尺寸等信息。这些信息可以用于特征提取和分析，为自适应调节提供依据。同时，基于视频监控的技术还具有非接触式、实时性强、数据量大等优点，可以更全面、直观地反映氧化铝的溶解情况。
[0051]
与此同时，获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值。在硫酸铝回收过程中，压力、温度和搅拌速度等参数是影响硫酸铝的溶解效果的关键因素。通过获取这些参数可以实现对硫酸溶解过程的实时监测。
[0052]
接着，将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵。也就是，将数据转化为计算机模型能够处理的数据格式。
[0053]
在硫酸铝回收中，压力、温度和搅拌速度对回收效果都具有重要影响，且参数与参数之间存在隐含的关联，在本技术的技术方案中，将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以将上述参数进行联合分析，从而得到多参数时序关联特征向量。其中，所述多尺度感知器可以识别不同时间尺度下的特征，从而提高特征的抽象层次和表达能力。因此，将多参数全时序输入矩阵通过卷积神经网络模型进行计算，得到多参数时序关联特征向量，有利于自适应调节压力，提高硫酸铝回收的效果和能耗。
[0054]
然后，从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧。这里，所述多个氧化铝溶解监控关键帧通常是氧化铝溶解过程中不同阶段、不同尺寸颗粒或者出现问题
时的图像帧，可以反映氧化铝的溶解情况和状态。
[0055]
在硫酸铝回收过程中，氧化铝溶解状态的变化对压力控制有重要影响，而氧化铝溶解状态在时间维度上呈现动态的变化。在本技术的技术方案中，将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量。这里，在卷积神经网络模型中引入三维卷积核，可以处理空间和时间上的特征，对于处理视频和张量数据具有天然的优势。因此，将多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器进行特征提取，可以得到反映氧化铝溶解变化状态的溶解状态时序特征向量，从而用于自适应调节压力和提高硫酸铝回收的效果和能耗。
[0056]
为了将氧化铝溶解状态的特征信息与硫酸溶解过程中的多参数数据结合起来，在本技术的技术方案中，计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以表征每个时间点的特征响应程度，从而得到分类特征矩阵。
[0057]
进一步地，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。其中，所述分类器可以根据输入的分类特征矩阵给出相应的分类结果。所述分类结果可以用于指导压力的调节，这样，使压力值能够实现自适应调节，提高硫酸铝回收的效果和能耗。
[0058]
这里，将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器得到所述多参数时序关联特征向量时，需要将所述多参数全时序输入矩阵分别通过第一卷积神经网络模型和第二卷积神经网络模型得到的第一尺度多参数时序关联特征向量和第二尺度多参数时序关联特征向量融合来得到所述多参数时序关联特征向量，并且，进一步考虑到所述第一尺度多参数时序关联特征向量的特征分布相对于所述第二尺度多参数时序关联特征向量的特征分布会由于不同特征提取尺度而存在空间迁移。由此，如果提升在具有空间迁移情况下的所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量的融合效果，则能够提升所述多参数时序关联特征向量的表达效果。
[0059]
因此，本技术的申请人采用类转换器空间迁移置换融合来融合所述第一尺度多参数时序关联特征向量，例如记为v1和所述第二尺度多参数时序关联特征向量，例如记为v2，具体表示为：
[0060][0061][0062]
d(v1,v2)为向量之间的距离矩阵，即其第(i,j)位置的特征值是特征向量v1的第i个特征值v
1i
与特征向量v2的第j个特征值v
2j
之间的距离，d(v1,v2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量。
[0063]
这里，所述类转换器空间迁移置换融合通过以所述第一尺度多参数时序关联特征向量v1和所述第二尺度多参数时序关联特征向量v2的特征值对的差分表征来对特征值对的空间距离进行类转换器机制的掩码预测，实现了所述多参数时序关联特征向量vc在高维特征空间内的边仿射编码，并通过施加转换器的自注意力机制下的隐状态偏置，来通过所述
多参数时序关联特征向量vc相对于待融合的所述第一尺度多参数时序关联特征向量v1和所述第二尺度多参数时序关联特征向量v2在转换器机制下的全局旋转和平移不变形，实现所述第一尺度多参数时序关联特征向量v1和所述第二尺度多参数时序关联特征向量v2的特征分布的空间迁移可置换性，从而提升了所述多参数时序关联特征向量vc对所述第一尺度多参数时序关联特征向量v1和所述第二尺度多参数时序关联特征向量v2的融合效果，提升了所述多参数时序关联特征向量vc的表达效果。
[0064]
基于此，本技术提出了一种用于废催化剂的硫酸铝智能回收系统，其包括：视频监控模块，用于获取由摄像头采集的预定时间段的氧化铝溶解监控视频；多参数获取模块，用于获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值；数据结构化模块，用于将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵；多尺度感知模块，用于将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以得到多参数时序关联特征向量；采样模块，用于从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧；溶解状态特征提取模块，用于将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量；响应性估计模块，用于计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；以及，控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。
[0065]
图1为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统的场景示意图。如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的c)获取预定时间段的氧化铝溶解监控视频，通过压力传感器(例如，如图1中所示意的v1)获取所述预定时间段内多个预定时间点的压力值，通过温度传感器(例如，如图1中所示意的v2)获取所述预定时间段内多个预定时间点的温度值，以及，通过速度传感器(例如，如图1中所示意的v3)获取所述预定时间段内多个预定时间点的搅拌速度值。接着，将上述监控视频输入至部署有用于废催化剂的硫酸铝智能回收算法的服务器(例如，图1中的s)中，其中，所述服务器能够以所述用于废催化剂的硫酸铝智能回收算法对上述输入的视频进行处理，以生成用于表示当前时间点的压力值应增大或应减小的分类结果。
[0066]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0067]
示例性系统
[0068]
图2为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统的框图。如图2所示，根据本技术实施例的用于废催化剂的硫酸铝智能回收系统300，包括：视频监控模块310；多参数获取模块320；数据结构化模块330；多尺度感知模块340；采样模块350；溶解状态特征提取模块360；响应性估计模块370；以及，控制结果生成模块380。
[0069]
其中，所述视频监控模块310，用于获取由摄像头采集的预定时间段的氧化铝溶解监控视频；所述多参数获取模块320，用于获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值；所述数据结构化模块330，用于将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵；所述多尺度感知模块340，用于将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积
神经网络模型的多尺度感知器以得到多参数时序关联特征向量；所述采样模块350，用于从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧；所述溶解状态特征提取模块360，用于将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量；所述响应性估计模块370，用于计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；以及，所述控制结果生成模块380，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。
[0070]
图3为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统的系统架构图。如图3所示，在该网络架构中，首先通过所述视频监控模块310获取由摄像头采集的预定时间段的氧化铝溶解监控视频；所述多参数获取模块320获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值；接着，所述数据结构化模块330将所述多参数获取模块320获取的多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵；所述多尺度感知模块340将所述数据结构化模块330得到的多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以得到多参数时序关联特征向量；所述采样模块350从所述视频监控模块310获取的氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧；所述溶解状态特征提取模块360将所述采样模块350得到的多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量；然后，所述响应性估计模块370计算所述溶解状态特征提取模块360得到的溶解状态时序特征向量相对于所述多尺度感知模块340得到的多参数时序关联特征向量的响应性估计以得到分类特征矩阵；进而，所述控制结果生成模块380将所述响应性估计模块370计算所得的分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。
[0071]
具体地，在所述用于废催化剂的硫酸铝智能回收系统300的运行过程中，所述视频监控模块310和所述多参数获取模块320，用于获取由摄像头采集的预定时间段的氧化铝溶解监控视频，以及，获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值。应可以理解，在实际进行硫酸铝的回收过程中，氧化铝的溶解状态是影响压力控制的关键，而压力、温度和搅拌速度等参数是影响硫酸铝的溶解效果的关键。因此，在本技术的一个具体示例中，首先，通过摄像头来获取预定时间段内氧化铝溶解的监控视频，所述监控视频可以实时监控氧化铝的溶解状态和颗粒尺寸等信息，同时，基于监控视频的技术还具有非接触式、实时性强、数据量大等优点。可以更全面。直观地反映氧化铝的溶解情况。接着，通过压力传感器来获取所述预定时间段内多个预定时间点的压力值，通过温度传感器来获取所述预定时间段内多个预定时间点的温度值，以及，通过速度传感器来获取所述预定时间段内多个预定时间点的搅拌速度值。
[0072]
具体地，在所述用于废催化剂的硫酸铝智能回收系统300的运行过程中，所述数据结构化模块330，用于将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵。在本技术的技术方案中，将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵。也就是，将数据转化为计算机模型能够处理的数据格式。更具体地，首先，将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度排列为多个一维向量，以及，将所述
多个一维向量按照样本维度排列以得到所述多参数全时序输入矩阵。
[0073]
具体地，在所述用于废催化剂的硫酸铝智能回收系统300的运行过程中，所述多尺度感知模块340，用于将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以得到多参数时序关联特征向量。考虑到所述压力、温度和搅拌速度值对回收效果都具有重要的影响，且各个参数之间存在关联，因此。在本技术的技术方案中，将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以将上述参数进行联合分析，从而得到多参数时序关联特征向量。其中，所述多尺度感知器可以识别不同时间尺度下的特征，从而提高特征的抽象层次和表达能力。这里，将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器得到所述多参数时序关联特征向量时，需要将所述多参数全时序输入矩阵分别通过第一卷积神经网络模型和第二卷积神经网络模型得到的第一尺度多参数时序关联特征向量和第二尺度多参数时序关联特征向量融合来得到所述多参数时序关联特征向量，并且，进一步考虑到所述第一尺度多参数时序关联特征向量的特征分布相对于所述第二尺度多参数时序关联特征向量的特征分布会由于不同特征提取尺度而存在空间迁移。由此，如果提升在具有空间迁移情况下的所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量的融合效果，则能够提升所述多参数时序关联特征向量的表达效果。因此，本技术的申请人采用类转换器空间迁移置换融合来融合所述第一尺度多参数时序关联特征向量，例如记为v1和所述第二尺度多参数时序关联特征向量，例如记为v2，具体表示为：
[0074][0075][0076]
其中v1和v2表示所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量，d(v1,v2)为向量之间的距离矩阵，d(v1,v2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，和
⊙
分别表示特征向量的逐位置相加、相减和相乘，表示矩阵乘法，mask(,)表示mask函数，vc表示所述多参数时序关联特征向量。这里，所述类转换器空间迁移置换融合通过以所述第一尺度多参数时序关联特征向量v1和所述第二尺度多参数时序关联特征向量v2的特征值对的差分表征来对特征值对的空间距离进行类转换器机制的掩码预测，实现了所述多参数时序关联特征向量vc在高维特征空间内的边仿射编码，并通过施加转换器的自注意力机制下的隐状态偏置，来通过所述多参数时序关联特征向量vc相对于待融合的所述第一尺度多参数时序关联特征向量v1和所述第二尺度多参数时序关联特征向量v2在转换器机制下的全局旋转和平移不变形，实现所述第一尺度多参数时序关联特征向量v1和所述第二尺度多参数时序关联特征向量v2的特征分布的空间迁移可置换性，从而提升了所述多参数时序关联特征向量vc对所述第一尺度多参数时序关联特征向量v1和所述第二尺度多参数时序关联特征向量v2的融合效果，提升了所述多参数时序关联特征向量vc的表达效果。
[0077]
图4为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统中多尺度感知模
块的框图。如图4所示，所述多尺度感知模块340，包括：第一卷积单元341，用于将所述多参数全时序输入矩阵通过所述第一卷积神经网络模型以得到第一尺度多参数时序关联特征向量第二卷积单元342，用于将所述多参数全时序输入矩阵通过所述第二卷积神经网络模型以得到第二尺度多参数时序关联特征向量；以及，融合单元343，用于用类转换器空间迁移置换融合来融合所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量以得到所述多参数时序关联特征向量。其中，所述第一卷积单元341，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度多参数时序关联特征向量，所述第一卷积神经网络的第一层的输入为所述多参数全时序输入矩阵。
[0078]
具体地，在所述用于废催化剂的硫酸铝智能回收系统300的运行过程中，所述采样模块350，用于从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧。也就是，对于所述氧化铝溶解监控视频来说，以预定采样频率的方式来提取所述氧化铝溶解监控视频中的关键帧以得到所述多个氧化铝溶解监控关键帧。这里，所述多个氧化铝溶解监控关键帧通常是氧化铝溶解过程中不同阶段、不同尺寸颗粒或者出现问题时的图像帧，可以反映氧化铝的溶解情况和状态。
[0079]
具体地，在所述用于废催化剂的硫酸铝智能回收系统300的运行过程中，所述溶解状态特征提取模块360，用于将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量。在本技术的技术方案中，将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量。这里，在卷积神经网络模型中引入三维卷积核，可以处理空间和时间上的特征，对于处理视频和张量数据具有天然的优势。因此，将多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器进行特征提取，可以得到反映氧化铝溶解变化状态的溶解状态时序特征向量，从而用于自适应调节压力和提高硫酸铝回收的效果和能耗。在一个具体示例中，所述溶解特征提取器包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述溶解特征提取器的编码过程中，所述溶解特征提取器的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
[0080]
图5为根据本技术实施例的用于废催化剂的硫酸铝智能回收系统中溶解特征提取器编码的流程图。如图5所示，在所述溶解特征提取器编码过程中，包括：使用所述基于三维卷积神经网络模型的溶解特征提取器的各层在层的正向传递中分别对输入数据进行：s210,对输入数据进行卷积处理以得到卷积特征图；s220,对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及,s230,对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的溶解特征提取器的最后一层的输出为所述第一尺度多参数时序关联特征向量，所述基于三维卷积神经网络模型的溶解特征提取器的第一层的输入为所述多参数全时序输入矩阵。
[0081]
具体地，在所述用于废催化剂的硫酸铝智能回收系统300的运行过程中，所述响应
性估计模块370，用于计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵。也就是，在得到所述溶解状态时序特征向量和所述多参数时序关联特征向量后，进一步计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以此来表示每个时间点的特征响应程度，在本技术的一个具体示例中，以如下公式计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：
[0082][0083]
其中va表示所述溶解状态时序特征向量，vb表示所述多参数时序关联特征向量，m表示所述分类特征矩阵。
[0084]
具体地，在所述用于废催化剂的硫酸铝智能回收系统300的运行过程中，所述控制结果生成模块380，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。也就是，在本技术的技术方案中，将所述分类特征矩阵通过分类器进行分类以得到用于表示当前时间点的压力值应增大或应减小的分类结果。具体地，使用所述分类器以如下公式对所述分类特征矩阵进行处理以获得分类结果，其中，所述公式为：o＝softmaxwn,bn:
…
:w1,b1project(f)，
[0085]
其中projectf表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，首先将所述分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。其中，所述分类器可以根据输入的分类特征矩阵给出相应的分类结果。所述分类结果可以用于指导压力的调节，这样，使压力值能够实现自适应调节，提高硫酸铝回收的效果和能耗。
[0086]
综上，根据本技术实施例的用于废催化剂的硫酸铝智能回收系统300被阐明，其通过采用基于深度学习和人工智能技术，综合利用视频和多参数数据来实现根据氧化铝溶解状态自适应调节压力，从而优化硫酸铝回收的效果和能耗的目的。
[0087]
如上所述，根据本技术实施例的用于废催化剂的硫酸铝智能回收系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的用于废催化剂的硫酸铝智能回收系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于废催化剂的硫酸铝智能回收系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于废催化剂的硫酸铝智能回收系统300同样可以是该终端设备的众多硬件模块之一。
[0088]
替换地，在另一示例中，该用于废催化剂的硫酸铝智能回收系统300与该终端设备也可以是分立的设备，并且该用于废催化剂的硫酸铝智能回收系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0089]
示例性方法
[0090]
图6为根据本技术实施例的用于废催化剂的硫酸铝智能回收方法的流程图。如图6
所示，根据本技术实施例的用于废催化剂的硫酸铝智能回收方法，包括步骤：s110，获取由摄像头采集的预定时间段的氧化铝溶解监控视频；s120，获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值；s130，将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵；s140，将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以得到多参数时序关联特征向量；s150，从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧；s160，将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量；s170，计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；以及，s180，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。
[0091]
在一个示例中，在上述用于废催化剂的硫酸铝智能回收方法中，所述步骤s140，包括：将所述多参数全时序输入矩阵通过所述第一卷积神经网络模型以得到第一尺度多参数时序关联特征向量；将所述多参数全时序输入矩阵通过所述第二卷积神经网络模型以得到第二尺度多参数时序关联特征向量；以及，用类转换器空间迁移置换融合来融合所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量以得到所述多参数时序关联特征向量。其中，将所述多参数全时序输入矩阵通过所述第一卷积神经网络模型以得到第一尺度多参数时序关联特征向量，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度多参数时序关联特征向量，所述第一卷积神经网络的第一层的输入为所述多参数全时序输入矩阵。更具体地，用类转换器空间迁移置换融合来融合所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量以得到所述多参数时序关联特征向量，包括：通过采用类转换器空间迁移置换融合以如下融合公式来融合所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量以得到所述多参数时序关联特征向量；其中，所述公式为：
[0092][0093][0094]
其中v1和v2表示所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量，d(v1,v2)为向量之间的距离矩阵，d(v1,v2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，和
⊙
分别表示特征向量的逐位置相加、相减和相乘，表示矩阵乘法，mask(,)表示mask函数，vc表示所述多参数时序关联特征向量。
[0095]
在一个示例中，在上述用于废催化剂的硫酸铝智能回收方法中，所述步骤s150，包括：以预定采样频率对所述氧化铝溶解监控视频进行采样处理以得到所述多个氧化铝溶解监控关键帧。
[0096]
在一个示例中，在上述用于废催化剂的硫酸铝智能回收方法中，所述步骤s160，包括：使用所述基于三维卷积神经网络模型的溶解特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的溶解特征提取器的最后一层的输出为所述第一尺度多参数时序关联特征向量，所述基于三维卷积神经网络模型的溶解特征提取器的第一层的输入为所述多参数全时序输入矩阵。
[0097]
在一个示例中，在上述用于废催化剂的硫酸铝智能回收方法中，所述步骤s170，包括：以如下公式计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：其中va表示所述溶解状态时序特征向量，vb表示所述多参数时序关联特征向量，m表示所述分类特征矩阵。
[0098]
在一个示例中，在上述用于废催化剂的硫酸铝智能回收方法中，所述步骤s180，包括：将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0099]
综上，根据本技术实施例的用于废催化剂的硫酸铝智能回收方法被阐明，其通过采用基于深度学习和人工智能技术，综合利用视频和多参数数据来实现根据氧化铝溶解状态自适应调节压力，从而优化硫酸铝回收的效果和能耗的目的。
[0100]
示例性电子设备
[0101]
下面，参考图7来描述根据本技术实施例的电子设备。
[0102]
图7图示了根据本技术实施例的电子设备的框图。
[0103]
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
[0104]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0105]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的用于废催化剂的硫酸铝智能回收系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类特征矩阵等各种内容。
[0106]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0107]
该输入装置13可以包括例如键盘、鼠标等等。
[0108]
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0109]
当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0110]
示例性计算机程序产品和计算机可读存储介质
[0111]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的用于废催化剂的硫酸铝智能回收方法中的功能中的步骤。
[0112]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0113]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的用于废催化剂的硫酸铝智能回收方法中的功能中的步骤。
[0114]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。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。
[0115]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0116]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0117]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0118]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0119]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技
术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种用于废催化剂的硫酸铝智能回收系统，其特征在于，包括：视频监控模块，用于获取由摄像头采集的预定时间段的氧化铝溶解监控视频；多参数获取模块，用于获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值；数据结构化模块，用于将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列为多参数全时序输入矩阵；多尺度感知模块，用于将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以得到多参数时序关联特征向量；采样模块，用于从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧；溶解状态特征提取模块，用于将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量；响应性估计模块，用于计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；以及控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。2.根据权利要求1所述的用于废催化剂的硫酸铝智能回收系统，其特征在于，所述多尺度感知模块，包括：第一卷积单元，用于将所述多参数全时序输入矩阵通过所述第一卷积神经网络模型以得到第一尺度多参数时序关联特征向量；第二卷积单元，用于将所述多参数全时序输入矩阵通过所述第二卷积神经网络模型以得到第二尺度多参数时序关联特征向量；以及融合单元，用于用类转换器空间迁移置换融合来融合所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量以得到所述多参数时序关联特征向量。3.根据权利要求2所述的用于废催化剂的硫酸铝智能回收系统，其特征在于，所述第一卷积单元，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述第一尺度多参数时序关联特征向量，所述第一卷积神经网络的第一层的输入为所述多参数全时序输入矩阵。4.根据权利要求3所述的用于废催化剂的硫酸铝智能回收系统，其特征在于，所述融合单元，用于：通过采用类转换器空间迁移置换融合以如下融合公式来融合所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量以得到所述多参数时序关联特征向量；其中，所述公式为：
其中v1和v2表示所述第一尺度多参数时序关联特征向量和所述第二尺度多参数时序关联特征向量，d(v1,v2)为向量之间的距离矩阵，d(v1,v2)表示向量间的欧式距离，t为掩码阈值超参数，且向量均为行向量，
⊕
、和
⊙
分别表示特征向量的逐位置相加、相减和相乘，表示矩阵乘法，mask(,)表示mask函数，v
c
表示所述多参数时序关联特征向量。5.根据权利要求4所述的用于废催化剂的硫酸铝智能回收系统，其特征在于，所述采样模块，用于：以预定采样频率对所述氧化铝溶解监控视频进行采样处理以得到所述多个氧化铝溶解监控关键帧。6.根据权利要求5所述的用于废催化剂的硫酸铝智能回收系统，其特征在于，所述溶解状态特征提取模块，用于：使用所述基于三维卷积神经网络模型的溶解特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于三维卷积神经网络模型的溶解特征提取器的最后一层的输出为所述第一尺度多参数时序关联特征向量，所述基于三维卷积神经网络模型的溶解特征提取器的第一层的输入为所述多参数全时序输入矩阵。7.根据权利要求6所述的用于废催化剂的硫酸铝智能回收系统，其特征在于，响应性估计模块，用于：以如下公式计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：其中v
a
表示所述溶解状态时序特征向量，v
b
表示所述多参数时序关联特征向量，m表示所述分类特征矩阵。8.根据权利要求7所述的用于废催化剂的硫酸铝智能回收系统，其特征在于，控制结果生成模块，包括:展开单元，用于将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。9.一种用于废催化剂的硫酸铝智能回收方法，其特征在于，包括：获取由摄像头采集的预定时间段的氧化铝溶解监控视频；获取预定时间段内多个预定时间点的压力值、温度值和搅拌速度值；将所述多个预定时间点的压力值、温度值和搅拌速度值按照时间维度和样本维度排列
为多参数全时序输入矩阵；将所述多参数全时序输入矩阵通过包含第一卷积神经网络模型和第二卷积神经网络模型的多尺度感知器以得到多参数时序关联特征向量；从所述氧化铝溶解监控视频提取多个氧化铝溶解监控关键帧；将所述多个氧化铝溶解监控关键帧通过基于三维卷积神经网络模型的溶解特征提取器以得到溶解状态时序特征向量；计算所述溶解状态时序特征向量相对于所述多参数时序关联特征向量的响应性估计以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小。10.根据权利要求9所述的一种用于废催化剂的硫酸铝智能回收方法，其特征在于，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的压力值应增大或应减小，包括：将所述分类特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

技术总结
本申请涉及智能回收领域，其具体地公开了一种ICU重症监护护理用消毒装置，其通过采用基于深度学习和人工智能技术，综合利用视频和多参数数据来实现根据氧化铝溶解状态自适应调节压力，从而优化硫酸铝回收的效果和能耗的目的。目的。目的。


技术研发人员：孟凡航 邵兆跃 龚开 黎明 韩志新
受保护的技术使用者：九江惠城环保科技有限公司
技术研发日：2023.07.13
技术公布日：2023/9/9