RCO废气处理系统及其方法

技术领域

本申请涉及智能化废气处理技术领域，并且更具体地，涉及一种RCO废气处理系统及其方法。

背景技术

RCO废气处理是一种利用催化剂将有机废气在低温下氧化分解的技术，主要适用于低浓度、大风量的有机废气处理，如涂装、印刷、制药、化工等行业产生的废气。RCO是一个放热反应，在实际进行废气处理过程中，反应温度过高会导致催化剂失活或烧毁，反应温度过低会降低反应速率和转化率。通常，需要人为的设置合理的预热温度，并实时调节反应温度，保持反应器内的温度均匀和稳定。但是人为调节反应温度的过程通常有一定的响应时间延迟，不能及时有效控制反应器内部的温度。因此，期待一种优化的RCO废气处理方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种RCO废气处理系统及其方法，其获取由红外线热像仪采集的催化燃烧室热分布图；利用深度学习和人工智能技术，挖掘催化燃烧室热分布图的深度隐藏信息，根据催化燃烧室内部的温度分布情况，自适应地调节反应温度，以实现RCO废气处理过程的优化。

第一方面，提供了一种RCO废气处理系统，其包括：

热分布采集模块，用于获取由红外线热像仪采集的催化燃烧室热分布图；

预处理模块，用于将所述催化燃烧室热分布图进行图像预处理以得到预处理后催化燃烧室热分布图；

图像语义理解模块，用于将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量；

级联模块，用于将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量；

修正模块，用于对所述关联热分布特征向量进行基于高斯回归不确定性因数的自校准修正以得到修正后关联热分布特征向量；以及

控制结果生成模块，用于将所述修正后关联热分布特征向量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反应温度应增大、应减小或保持不变。

在上述RCO废气处理系统中，所述图像语义理解模块，包括：分块单元，用于对所述预处理后催化燃烧室热分布图进行图像分块处理以得到图像块的序列；嵌入化单元，用于使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列；以及，转换单元，用于将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个热分布语义理解特征向量。

在上述RCO废气处理系统中，所述转换单元，包括：向量构造子单元，用于将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量；自注意子单元，用于计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个热分布语义理解特征向量。

在上述RCO废气处理系统中，级联模块，用于：以如下级联公式将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量；其中，所述级联公式为：

其中，

在上述RCO废气处理系统中，所述修正模块，包括：因数计算单元，用于计算所述多个热分布语义理解特征向量的每个热分布语义理解特征向量的高斯回归不确定性因数；以及，加权级联单元，用于以所述高斯回归不确定性因数作为加权权重对所述关联热分布特征向量进行加权以得到所述修正后关联热分布特征向量。

在上述RCO废气处理系统中，所述因数计算单元，用于以如下优化公式计算所述多个热分布语义理解特征向量的每个热分布语义理解特征向量的高斯回归不确定性因数；其中，所述优化公式为：

其中，

在上述RCO废气处理系统中，所述控制结果生成模块，包括：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修正后关联热分布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。

第二方面，提供了一种RCO废气处理方法，其包括：

获取由红外线热像仪采集的催化燃烧室热分布图；

将所述催化燃烧室热分布图进行图像预处理以得到预处理后催化燃烧室热分布图；

将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量；

将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量；

对所述关联热分布特征向量进行基于高斯回归不确定性因数的自校准修正以得到修正后关联热分布特征向量；以及

将所述修正后关联热分布特征向量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反应温度应增大、应减小或保持不变。

在上述RCO废气处理方法中，将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量，包括：对所述预处理后催化燃烧室热分布图进行图像分块处理以得到图像块的序列；使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列；以及，将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个热分布语义理解特征向量。

在上述RCO废气处理方法中，将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个热分布语义理解特征向量，包括：将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量；计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个热分布语义理解特征向量。

与现有技术相比，本申请提供的RCO废气处理系统及其方法，其获取由红外线热像仪采集的催化燃烧室热分布图；利用深度学习和人工智能技术，挖掘催化燃烧室热分布图的深度隐藏信息，根据催化燃烧室内部的温度分布情况，自适应地调节反应温度，以实现RCO废气处理过程的优化。

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他的附图。

图1为根据本申请实施例的RCO废气处理系统的应用场景图。

图2为根据本申请实施例的RCO废气处理系统的框图。

图3为根据本申请实施例的RCO废气处理系统中所述图像语义理解模块的框图。

图4为根据本申请实施例的RCO废气处理系统中所述转换单元的框图。

图5为根据本申请实施例的RCO废气处理系统中所述修正模块的框图。

图6为根据本申请实施例的RCO废气处理系统中所述控制结果生成模块的框图。

图7为根据本申请实施例的RCO废气处理方法的流程图。

图8为根据本申请实施例的RCO废气处理方法的系统架构的示意图。

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，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

针对上述技术问题，本申请的技术构思为：利用深度学习和人工智能技术，根据催化燃烧室内部的温度分布情况，自动调节反应温度，实现RCO废气处理过程的优化。

具体地，在本申请的技术方案中，首先，获取由红外线热像仪采集的催化燃烧室热分布图。这里，由于催化燃烧室的结构复杂，传统的温度传感器难以覆盖反应器内部的所有区域，且容易受到干扰和损坏，而红外线热像仪是一种无接触的温度测量设备，能够快速、准确、全面地获取催化燃烧室的温度信息。

为了提高催化燃烧室热分布图的质量和可分析性，去除噪声和其他干扰因素，增强热分布的特征和对比度，在本申请的技术方案中，将所述催化燃烧室热分布图进行图像预处理以得到预处理后催化燃烧室热分布图。

接着，将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量。这里，ViT模型是一种将Transformer应用于图像处理的模型，它可以有效地捕捉图像中的关键信息，提取出有意义的特征向量。ViT模型的输入是一个序列，因此首先需要将图像分块处理，每个分块相当于一个词，然后通过嵌入层将每个分块转换为一个固定长度的向量，这样就得到了一个图像序列。ViT模型的关键结构是基于Transformer的编码器，其能够捕捉到图像块之间的全局信息，从而提高模型的表达能力。

为了提高催化燃烧室的温度控制精度和反应效率，在本申请的技术方案中，将所述多个热分布语义理解特征向量进行级联以融合不同区域的信息，从而得到关联热分布特征向量，以更好地反映催化燃烧室的整体温度状态，提高分类器的判断准确性。

继而，将所述关联热分布特征向量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反应温度应增大、应减小或保持不变。具体地，所述分类器经过训练后，可以将关联热分布特征向量与预先设定的标签信息（也就是，当前时间点的反应温度应增大、当前时间点的反应温度应减小，以及，当前时间点的反应温度应保持不变）进行匹配。在实际应用中，基于分类结果可以及时调节反应温度，保持反应器内的温度均匀和稳定，避免催化剂失活或烧毁，提高催化反应的选择性和转化率。

这里，考虑到所述催化燃烧室热分布图在红外线热像仪的红外热分布图的图像采集过程中引入的源图像噪声，在所述催化燃烧室热分布图进行图像分块后，在所述各个图像块内均存在源图像噪声，并在通过基于ViT模型进行图像语义特征的上下文关联编码后，进一步在所述ViT模型得到的多个热分布语义理解特征向量引入各自的特征分布的高斯分布误差不确定性，这样，考虑到所述关联热分布特征向量是通过将所述多个热分布语义理解特征向量直接级联得到的，因此这种高斯分布误差不确定性的直接叠加也会引起所述时序关联热分布特征向量的分类回归误差，影响所述时序关联热分布特征向量通过分类器得到的分类结果的准确性。

基于此，在本申请的技术方案中，分别计算所述多个热分布语义理解特征向量中的每个热分布语义理解特征向量，例如记为

这里，针对所述多个热分布语义理解特征向量中的每个热分布语义理解特征向量各自的集成特征集合由于其分布不确定性信息可能导致的所述时序关联热分布特征向量的不可知回归，利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将特征误差表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对每个热分布语义理解特征向量加权后再级联得到所述时序关联热分布特征向量，就可以实现所述每个热分布语义理解特征向量在组成所述时序关联热分布特征向量时基于自校准的不确定性修正，从而修正所述时序关联热分布特征向量存在的分类回归误差，提升其通过分类器得到的分类结果的准确性。

本申请有如下几点技术效果：1、提供一种智能化的RCO废气处理方案，更具体地，提供了一种智能化的反应温度控制方案。2、该方案能够实现对催化燃烧室内部的温度分布的实时监测和语义理解，从而提高反应温度的控制精度和反应效率，避免催化剂的失活或烧毁，延长催化剂的使用寿命，降低运行成本。

图1为根据本申请实施例的RCO废气处理系统的应用场景图。如图1所示，在该应用场景中，首先，获取由红外线热像仪采集的催化燃烧室热分布图（例如，如图1中所示意的C）；然后，将获取的催化燃烧室热分布图输入至部署有RCO废气处理算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于RCO废气处理算法对所述催化燃烧室热分布图进行处理，以生成用于表示当前时间点的反应温度应增大、应减小或保持不变的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

在本申请的一个实施例中，图2为根据本申请实施例的RCO废气处理系统的框图。如图2所示，根据本申请实施例的预防医学检验系统100，包括：热分布采集模块110，用于获取由红外线热像仪采集的催化燃烧室热分布图；预处理模块120，用于将所述催化燃烧室热分布图进行图像预处理以得到预处理后催化燃烧室热分布图；图像语义理解模块130，用于将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量；级联模块140，用于将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量；修正模块150，用于对所述关联热分布特征向量进行基于高斯回归不确定性因数的自校准修正以得到修正后关联热分布特征向量；以及，控制结果生成模块160，用于将所述修正后关联热分布特征向量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反应温度应增大、应减小或保持不变。

具体地，在本申请实施例中，所述热分布采集模块110，用于获取由红外线热像仪采集的催化燃烧室热分布图。针对上述技术问题，本申请的技术构思为：利用深度学习和人工智能技术，根据催化燃烧室内部的温度分布情况，自动调节反应温度，实现RCO废气处理过程的优化。

具体地，在本申请的技术方案中，首先，获取由红外线热像仪采集的催化燃烧室热分布图。这里，由于催化燃烧室的结构复杂，传统的温度传感器难以覆盖反应器内部的所有区域，且容易受到干扰和损坏，而红外线热像仪是一种无接触的温度测量设备，能够快速、准确、全面地获取催化燃烧室的温度信息。

具体地，在本申请实施例中，所述预处理模块120，用于将所述催化燃烧室热分布图进行图像预处理以得到预处理后催化燃烧室热分布图。为了提高催化燃烧室热分布图的质量和可分析性，去除噪声和其他干扰因素，增强热分布的特征和对比度，在本申请的技术方案中，将所述催化燃烧室热分布图进行图像预处理以得到预处理后催化燃烧室热分布图。

具体地，在本申请实施例中，所述图像语义理解模块130，用于将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量。接着，将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量。这里，ViT模型是一种将Transformer应用于图像处理的模型，它可以有效地捕捉图像中的关键信息，提取出有意义的特征向量。

ViT模型的输入是一个序列，因此首先需要将图像分块处理，每个分块相当于一个词，然后通过嵌入层将每个分块转换为一个固定长度的向量，这样就得到了一个图像序列。ViT模型的关键结构是基于Transformer的编码器，其能够捕捉到图像块之间的全局信息，从而提高模型的表达能力。

图3为根据本申请实施例的RCO废气处理系统中所述图像语义理解模块的框图，如图3所示，所述图像语义理解模块130，包括：分块单元131，用于对所述预处理后催化燃烧室热分布图进行图像分块处理以得到图像块的序列；嵌入化单元132，用于使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列；以及，转换单元133，用于将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个热分布语义理解特征向量。

应可以理解， 自2017年Google提出的Transformer结构以来，迅速引发一波热潮，针对于NLP领域的，通过自注意力机制代替传统处理序列数据时采用的循环神经网络结构，不仅实现了并行训练，提升了训练的效率，同时也在应用中取得很好的结果。在NLP中，输入transformer中的是一个序列，而在视觉领域，需要考虑如何将一个2d图片转化为一个1d的序列，最直观的想法就是将图片中的像素点输入到transformer中，但是复杂度太高的问题。

而ViT模型对输入的改进可以降低复杂度，先将图片切分成一个个图像块，然后每一个图像块投影为固定长度的向量送入Transformer中，后续编码器的操作和原始Transformer中完全相同。但是因为对图片分类，因此在输入序列中加入一个特殊的标记，该标记对应的输出即为最后的类别预测。ViT在很多视觉任务上都展现了相当优秀的性能，但是和CNN(Convolutional Neural Network，卷积神经网络)相比，缺少归纳偏置让ViT应用于小数据集时非常依赖模型正则化（model regularization）和数据增广（dataaugmentation）。

图4为根据本申请实施例的RCO废气处理系统中所述转换单元的框图，如图4所示，所述转换单元133，包括：向量构造子单元1331，用于将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量；自注意子单元1332，用于计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1333，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1334，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元1335，用于分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个热分布语义理解特征向量。

上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。

具体地，在本申请实施例中，所述级联模块140，用于将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量。为了提高催化燃烧室的温度控制精度和反应效率，在本申请的技术方案中，将所述多个热分布语义理解特征向量进行级联以融合不同区域的信息，从而得到关联热分布特征向量，以更好地反映催化燃烧室的整体温度状态，提高分类器的判断准确性。

其中，所述级联模块140，用于：以如下级联公式将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量；其中，所述级联公式为：

其中，

具体地，在本申请实施例中，所述修正模块150，用于对所述关联热分布特征向量进行基于高斯回归不确定性因数的自校准修正以得到修正后关联热分布特征向量。图5为根据本申请实施例的RCO废气处理系统中所述修正模块的框图，如图5所示，所述修正模块150，包括：因数计算单元151，用于计算所述多个热分布语义理解特征向量的每个热分布语义理解特征向量的高斯回归不确定性因数；以及，加权级联单元152，用于以所述高斯回归不确定性因数作为加权权重对所述关联热分布特征向量进行加权以得到所述修正后关联热分布特征向量。

这里，考虑到所述催化燃烧室热分布图在红外线热像仪的红外热分布图的图像采集过程中引入的源图像噪声，在所述催化燃烧室热分布图进行图像分块后，在所述各个图像块内均存在源图像噪声，并在通过基于ViT模型进行图像语义特征的上下文关联编码后，进一步在所述ViT模型得到的多个热分布语义理解特征向量引入各自的特征分布的高斯分布误差不确定性，这样，考虑到所述关联热分布特征向量是通过将所述多个热分布语义理解特征向量直接级联得到的，因此这种高斯分布误差不确定性的直接叠加也会引起所述时序关联热分布特征向量的分类回归误差，影响所述时序关联热分布特征向量通过分类器得到的分类结果的准确性。

基于此，在本申请的技术方案中，分别计算所述多个热分布语义理解特征向量中的每个热分布语义理解特征向量，例如记为

其中，

这里，针对所述多个热分布语义理解特征向量中的每个热分布语义理解特征向量各自的集成特征集合由于其分布不确定性信息可能导致的所述时序关联热分布特征向量的不可知回归，利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将特征误差表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对每个热分布语义理解特征向量加权后再级联得到所述时序关联热分布特征向量，就可以实现所述每个热分布语义理解特征向量在组成所述时序关联热分布特征向量时基于自校准的不确定性修正，从而修正所述时序关联热分布特征向量存在的分类回归误差，提升其通过分类器得到的分类结果的准确性。

具体地，在本申请实施例中，所述控制结果生成模块160，用于将所述修正后关联热分布特征向量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反应温度应增大、应减小或保持不变。继而，将所述关联热分布特征向量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反应温度应增大、应减小或保持不变。具体地，所述分类器经过训练后，可以将关联热分布特征向量与预先设定的标签信息（也就是，当前时间点的反应温度应增大、当前时间点的反应温度应减小，以及，当前时间点的反应温度应保持不变）进行匹配。在实际应用中，基于分类结果可以及时调节反应温度，保持反应器内的温度均匀和稳定，避免催化剂失活或烧毁，提高催化反应的选择性和转化率。

图6为根据本申请实施例的RCO废气处理系统中所述控制结果生成模块的框图，如图6所示，所述控制结果生成模块160，包括：全连接编码单元161，用于使用所述分类器的多个全连接层对所述修正后关联热分布特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元162，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。

综上，基于本申请实施例的RCO废气处理系统100被阐明，其获取由红外线热像仪采集的催化燃烧室热分布图；利用深度学习和人工智能技术，挖掘催化燃烧室热分布图的深度隐藏信息，根据催化燃烧室内部的温度分布情况，自适应地调节反应温度，以实现RCO废气处理过程的优化。

如上所述，根据本申请实施例的RCO废气处理系统100可以实现在各种终端设备中，例如用于RCO废气处理的服务器等。在一个示例中，根据本申请实施例的RCO废气处理系统100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RCO废气处理系统100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RCO废气处理系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该RCO废气处理系统100与该终端设备也可以是分立的设备，并且该RCO废气处理系统100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。

在本申请的一个实施例中，图7为根据本申请实施例的RCO废气处理方法的流程图。如图7所示，根据本申请实施例的RCO废气处理方法，其包括：210，获取由红外线热像仪采集的催化燃烧室热分布图；220，将所述催化燃烧室热分布图进行图像预处理以得到预处理后催化燃烧室热分布图；230，将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量；240，将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量；250，对所述关联热分布特征向量进行基于高斯回归不确定性因数的自校准修正以得到修正后关联热分布特征向量；以及，260，将所述修正后关联热分布特征向量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反应温度应增大、应减小或保持不变。

图8为根据本申请实施例的RCO废气处理方法的系统架构的示意图。如图8所示，在所述RCO废气处理方法的系统架构中，首先，获取由红外线热像仪采集的催化燃烧室热分布图；然后，将所述催化燃烧室热分布图进行图像预处理以得到预处理后催化燃烧室热分布图；接着，将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量；然后，将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量；接着，对所述关联热分布特征向量进行基于高斯回归不确定性因数的自校准修正以得到修正后关联热分布特征向量；以及，最后，将所述修正后关联热分布特征向量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反应温度应增大、应减小或保持不变。

在一个具体示例中，在上述RCO废气处理方法中，将所述预处理后催化燃烧室热分布图进行图像分块处理后通过包含嵌入层的ViT模型以得到多个热分布语义理解特征向量，包括：对所述预处理后催化燃烧室热分布图进行图像分块处理以得到图像块的序列；使用所述ViT模型的嵌入层对所述图像块的序列中的各个图像块进行向量嵌入化以得到图像块嵌入向量的序列；以及，将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个热分布语义理解特征向量。

在一个具体示例中，在上述RCO废气处理方法中，将所述图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述多个热分布语义理解特征向量，包括：将所述图像块嵌入向量的序列进行一维排列以得到全局图像块特征向量；计算所述全局图像块特征向量与所述图像块嵌入向量的序列中各个图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述图像块嵌入向量的序列中各个图像块嵌入向量进行加权以得到所述多个热分布语义理解特征向量。

在一个具体示例中，在上述RCO废气处理方法中，将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量，包括：以如下级联公式将所述多个热分布语义理解特征向量进行级联以得到关联热分布特征向量；其中，所述级联公式为：

其中，

在一个具体示例中，在上述RCO废气处理方法中，对所述关联热分布特征向量进行基于高斯回归不确定性因数的自校准修正以得到修正后关联热分布特征向量，包括：计算所述多个热分布语义理解特征向量的每个热分布语义理解特征向量的高斯回归不确定性因数；以及，以所述高斯回归不确定性因数作为加权权重对所述关联热分布特征向量进行加权以得到所述修正后关联热分布特征向量。

在一个具体示例中，在上述RCO废气处理方法中，计算所述多个热分布语义理解特征向量的每个热分布语义理解特征向量的高斯回归不确定性因数，包括：以如下优化公式计算所述多个热分布语义理解特征向量的每个热分布语义理解特征向量的高斯回归不确定性因数；其中，所述优化公式为：

其中，

在一个具体示例中，在上述RCO废气处理方法中，将所述修正后关联热分布特征向量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反应温度应增大、应减小或保持不变，包括：使用所述分类器的多个全连接层对所述修正后关联热分布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。

本领域技术人员可以理解，上述RCO废气处理方法中的各个步骤的具体操作已经在上面参考图1到图6的RCO废气处理系统的描述中得到了详细介绍，并因此，将省略其重复描述。

本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。

在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。

应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。

本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、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。

还需要指出的是，在本申请的装置、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申请的等效方案。

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申请。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申请的范围。因此，本申请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。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请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。