用于垃圾焚烧控制系统的数据分析方法及系统与流程

1.本技术实施例涉及人工智能技术领域，具体而言，涉及一种用于垃圾焚烧控制系统的数据分析方法及系统。


背景技术：

2.垃圾焚烧即通过适当的热分解、燃烧、熔融等反应，使垃圾经过高温下的氧化进行减容，成为残渣或者熔融固体物质的过程。垃圾焚烧可以应用于多种领域，例如可以应用于垃圾焚烧发电等。在相关技术中，为了提高垃圾焚烧流程的可靠性，需要针对垃圾焚烧过程的垃圾焚烧状态进行监控，及时判定垃圾焚烧状态。因此，如何保证焚烧状态类型预测的准确性，以便于提高焚烧状态监控的可靠性，是所属技术领域亟待解决的技术问题。


技术实现要素：

3.为了至少克服现有技术中的上述不足，本技术实施例的目的在于提供一种用于垃圾焚烧控制系统的数据分析方法及系统，通过学习已知焚烧特征状态的焚烧图像数据与目标垃圾焚烧图像数据之间的关系，实现垃圾焚烧图像数据的焚烧状态类型预测，由此提高焚烧状态类型预测的准确性，以便于提高焚烧状态监控的可靠性。
4.依据本技术实施例的一个方面，提供了一种用于垃圾焚烧控制系统的数据分析方法，包括：获取所述垃圾焚烧控制系统实时上传的目标垃圾焚烧图像数据和预置垃圾焚烧图像数据库；对所述目标垃圾焚烧图像数据进行图像分块和焚烧状态参数标定，生成所述目标垃圾焚烧图像数据的多个图像分块数据和每个图像分块数据对应的焚烧状态参数数据；将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，依据特征配对结果和所述焚烧状态参数数据从所述多个图像分块数据中获得目标图像分块数据以及所述目标图像分块数据在所述目标垃圾焚烧图像数据中的第一焚烧注意力系数信息；依据所述第一焚烧注意力系数信息，确定所述多个图像分块数据中除所述目标图像分块数据以外的其它图像分块数据在所述目标垃圾焚烧图像数据中的第二焚烧注意力系数信息；基于所述第一焚烧注意力系数信息和所述第二焚烧注意力系数信息，对所述目标图像分块数据的图像描述向量和所述其它图像分块数据的图像描述向量进行融合，生成所述目标垃圾焚烧图像数据的焚烧状态相关矢量；依据焚烧状态预测网络对所述焚烧状态相关矢量进行焚烧状态类型预测，生成所述目标垃圾焚烧图像数据的焚烧状态类型预测数据，所述焚烧状态预测网络依据携带标注焚烧状态类型数据的模板垃圾焚烧图像数据对深度学习网络模型进行焚烧状态预测训练生成的。
5.在第一方面的一种可能的实施方式中，在所述将每个图像分块数据与所述预置垃
圾焚烧图像数据库进行特征配对之前，所述方法还包括：将每个图像分块数据与设定焚烧物特征库进行匹配，生成每个图像分块数据对应的焚烧物特征；其中，所述预置垃圾焚烧图像数据库中包括不同焚烧特征状态的多个预置垃圾焚烧图像，则所述将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，依据特征配对结果和所述焚烧状态参数数据从所述多个图像分块数据中获得目标图像分块数据以及所述目标图像分块数据在所述目标垃圾焚烧图像数据中的第一焚烧注意力系数信息，包括：将每个图像分块数据与所述多个预置垃圾焚烧图像进行特征配对，依据所述特征配对结果、所述焚烧状态参数数据和所述焚烧物特征，确定每个图像分块数据在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，并依据所述特征配对结果确定每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息；基于所述关注区域的焚烧注意力系数信息，从所述多个图像分块数据中获得聚焦图像分块数据；基于所述特征映射区域的焚烧注意力系数信息，从所述多个图像分块数据中获得显著性图像分块数据；将所述聚焦图像分块数据和所述显著性图像分块数据作为所述目标图像分块数据，将所述特征映射区域的焚烧注意力系数信息和所述关注区域的焚烧注意力系数信息作为所述第一焚烧注意力系数信息。
6.在第一方面的一种可能的实施方式中，所述焚烧物特征包括价值焚烧物和非价值焚烧物，则所述将每个图像分块数据与所述多个预置垃圾焚烧图像进行特征配对，依据所述特征配对结果、所述焚烧状态参数数据和所述焚烧物特征，确定每个图像分块数据在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，包括：将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，生成每个图像分块数据在所述预置垃圾焚烧图像数据库中对应的第一图像特征存在次数、在每个预置垃圾焚烧图像中存在的第二图像特征存在次数以及包含每个图像分块数据的预置垃圾焚烧图像的第三图像特征存在次数；基于所述第一图像特征存在次数和目标预设图像分块数据的图像特征存在次数，确定每个图像分块数据在所述预置垃圾焚烧图像数据库中对应的第一焚烧关联价值；所述目标预设图像分块数据依据每个预置垃圾焚烧图像的预设图像分块数据而确定；基于所述第二图像特征存在次数和每个预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数，确定每个图像分块数据在所述多个预置垃圾焚烧图像中存在的第二焚烧关联价值；基于所述第三图像特征存在次数和所述多个预置垃圾焚烧图像的图像特征存在次数，确定每个图像分块数据在所述多个预置垃圾焚烧图像中存在的第三焚烧关联价值；基于所述第一焚烧关联价值、所述第二焚烧关联价值、所述第三焚烧关联价值和所述焚烧状态参数数据，确定焚烧物特征为非价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息；
依据所述关注区域的焚烧注意力系数信息、所述第一焚烧关联价值、所述第二焚烧关联价值、所述第三焚烧关联价值和所述焚烧状态参数数据，确定焚烧物特征为价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息。
7.在第一方面的一种可能的实施方式中，所述基于所述关注区域的焚烧注意力系数信息，从所述多个图像分块数据中获得聚焦图像分块数据，包括：基于焚烧物特征为价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，对焚烧物特征为价值焚烧物的图像分块数据进行降序整理输出，生成价值焚烧物集合；基于焚烧物特征为非价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，对焚烧物特征为非价值焚烧物的图像分块数据进行降序整理输出，生成非价值焚烧物集合；将所述价值焚烧物集合中前n个价值焚烧物和所述非价值焚烧物集合中前n个非价值焚烧物，确定为所述聚焦图像分块数据，其中，n为预先设定的正整数。
8.在第一方面的一种可能的实施方式中，所述依据所述特征配对结果确定每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息，包括：将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，生成每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像中存在的第四图像特征存在次数；基于所述第四图像特征存在次数和任意一个焚烧特征状态对应的预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数，确定每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像中的图像特征映射频率；确定包含每个图像分块数据的其它焚烧特征状态预置垃圾焚烧图像的第五图像特征存在次数，所述其它焚烧特征状态预置垃圾焚烧图像为所述不同焚烧特征状态中除任意一个焚烧特征状态以外的其它焚烧特征状态所对应的预置垃圾焚烧图像；基于所述多个预置垃圾焚烧图像的图像特征存在次数和所述第五图像特征存在次数，确定每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像中的反向焚烧关联价值；基于所述图像特征映射频率和所述反向焚烧关联价值，确定每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息。
9.在第一方面的一种可能的实施方式中，所述基于所述特征映射区域的焚烧注意力系数信息，从所述多个图像分块数据中获得显著性图像分块数据，包括：依据每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息，对所述多个图像分块数据进行降序整理输出，生成所述多个图像分块数据在所述不同焚烧特征状态中的图像分块数据集合；将所述图像分块数据集合中前n个图像分块数据，确定为所述显著性图像分块数据，其中，n为预先设定的正整数。
10.在第一方面的一种可能的实施方式中，所述方法还包括：对每个图像分块数据进行最小燃烧单元分离，生成所述目标垃圾焚烧图像数据对应的最小燃烧单元数据和所述最小燃烧单元数据在所述目标垃圾焚烧图像数据中的单元焚烧注意力系数信息；其中，所述将所述聚焦图像分块数据和所述显著性图像分块数据作为所述目标图像分块数据，将所述特征映射区域的焚烧注意力系数信息和所述关注区域的焚烧注意力系数信息作为所述第一焚烧注意力系数信息，包括：将所述聚焦图像分块数据、所述显著性图像分块数据和所述最小燃烧单元数据作为所述目标图像分块数据，将所述特征映射区域的焚烧注意力系数信息、所述关注区域的焚烧注意力系数信息和所述单元焚烧注意力系数信息作为所述第一焚烧注意力系数信息。
11.在第一方面的一种可能的实施方式中，所述依据所述第一焚烧注意力系数信息，确定所述多个图像分块数据中除所述目标图像分块数据以外的其它图像分块数据在所述目标垃圾焚烧图像数据中的第二焚烧注意力系数信息，包括：对所述特征映射区域的焚烧注意力系数信息、所述关注区域的焚烧注意力系数信息和所述单元焚烧注意力系数信息进行升序整理，生成焚烧注意力系数信息列表；将所述焚烧注意力系数信息列表中最大的焚烧注意力系数信息与设定门限值的差值，确定为所述第二焚烧注意力系数信息。
12.在第一方面的一种可能的实施方式中，所述方法还包括对所述焚烧状态预测网络进行训练的步骤，具体包括：获取模板垃圾焚烧图像数据序列，所述模板垃圾焚烧图像数据序列包括携带标注焚烧状态类型数据的多个模板垃圾焚烧图像数据；对每个模板垃圾焚烧图像数据进行图像分块和焚烧状态参数标定，生成每个模板垃圾焚烧图像数据对应的多个模板图像分块数据和每个模板图像分块数据对应的模板焚烧状态参数数据；将每个模板垃圾焚烧图像数据对应的各个模板图像分块数据与所述模板垃圾焚烧图像数据序列中的其它模板垃圾焚烧图像数据进行特征配对，依据特征配对结果和所述模板焚烧状态参数数据，从每个模板垃圾焚烧图像数据对应的多个模板图像分块数据中，确定出每个模板垃圾焚烧图像数据的目标模板图像分块数据以及所述目标模板图像分块数据在每个模板垃圾焚烧图像数据中的第一模板焚烧注意力系数信息；依据所述第一模板焚烧注意力系数信息，确定每个模板垃圾焚烧图像数据对应的多个模板图像分块数据中除所述目标模板图像分块数据以外的其它模板图像分块数据，在每个模板垃圾焚烧图像数据中的第二模板焚烧注意力系数信息；基于所述第一模板焚烧注意力系数信息和所述第二模板焚烧注意力系数信息，对每个模板垃圾焚烧图像数据的目标模板图像分块数据的图像描述向量和所述其它模板图像分块数据的图像描述向量进行融合，生成每个模板垃圾焚烧图像数据的模板焚烧状态相关矢量；依据每个模板垃圾焚烧图像数据的模板焚烧状态相关矢量，对深度学习网络模型进行焚烧状态预测学习，生成所述多个模板垃圾焚烧图像数据对应的焚烧状态预测学习数据；
基于所述焚烧状态预测学习数据和所述标注焚烧状态类型数据，确定焚烧状态预测误差值；依据所述焚烧状态预测误差值迭代更新所述深度学习网络模型的模型权重参数，生成所述焚烧状态预测网络。
13.依据本技术实施例的一个方面，提供了一种用于垃圾焚烧控制系统的数据分析系统，所述用于垃圾焚烧控制系统的数据分析系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的用于垃圾焚烧控制系统的数据分析方法。
14.依据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的方法。
15.在本技术的一些实施例所提供的技术方案中，通过图像分块、焚烧状态参数标定、与预置垃圾焚烧图像数据库进行特征配对的方式，从目标垃圾焚烧图像数据对应的多个图像分块数据中提取目标图像分块数据，并基于提取到的目标图像分块数据构建目标垃圾焚烧图像数据的焚烧状态相关矢量，然后利用依据携带标注焚烧状态类型数据的模板垃圾焚烧图像数据对深度学习网络模型进行焚烧状态预测训练生成的焚烧状态预测网络，对该焚烧状态相关矢量进行焚烧状态类型预测，由此通过学习已知焚烧特征状态的焚烧图像数据与目标垃圾焚烧图像数据之间的关系，实现垃圾焚烧图像数据的焚烧状态类型预测，由此提高焚烧状态类型预测的准确性，以便于提高焚烧状态监控的可靠性。
附图说明
16.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，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基础上，还可以结合这些附图提取其它相关的附图。
17.图1为本技术实施例提供的用于垃圾焚烧控制系统的数据分析方法的流程示意图；图2为本技术实施例提供的用于实现上述的用于垃圾焚烧控制系统的数据分析方法的用于垃圾焚烧控制系统的数据分析系统的结构示意框图。
具体实施方式
18.以下描述是为了使本领域的普通技术人员能够实施和结合本技术，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本技术的原则和范围时，本技术中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本技术并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
19.图1是本技术一种实施例提供的用于垃圾焚烧控制系统的数据分析方法的流程示意图，下面对该用于垃圾焚烧控制系统的数据分析方法进行详细介绍。
20.步骤s101，获取所述垃圾焚烧控制系统实时上传的目标垃圾焚烧图像数据和预置垃圾焚烧图像数据库。
21.本实施例中，垃圾焚烧控制系统可以用于对垃圾焚烧设备进行控制并采集对应的目标垃圾焚烧图像数据进行上传。
22.示例性的，该预置垃圾焚烧图像数据库可以包括属于不同焚烧特征状态的多个预置垃圾焚烧图像。
23.步骤s103，对所述目标垃圾焚烧图像数据进行图像分块和焚烧状态参数标定，生成所述目标垃圾焚烧图像数据的多个图像分块数据和每个图像分块数据对应的焚烧状态参数数据。
24.示例性的，图像分块数据可以为多个图像分块区域。焚烧状态参数标定用于表示图像分块区域的状态参数为图像平均灰度、火焰有效面积率、高温有效面积率、火焰高温率、火焰质心、火焰质心偏移距离、高温区圆形度、单位时间火焰有效面积方差和单位时间图像灰度均值方差等。
25.步骤s105，将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，依据特征配对结果和所述焚烧状态参数数据从多个图像分块数据中获得目标图像分块数据以及所述目标图像分块数据在所述目标垃圾焚烧图像数据中的第一焚烧注意力系数信息。
26.一些可替代的实施方式中，可以将每个图像分块数据与预置垃圾焚烧图像数据库中的不同焚烧特征状态的垃圾焚烧图像数据进行匹配，从而确定目标图像分块数据和该目标图像分块数据在所述目标垃圾焚烧图像数据中的第一焚烧注意力系数信息。
27.示例性的，该第一焚烧注意力系数信息可以表征该目标图像分块数据在该目标垃圾焚烧图像数据中的焚烧特征权重。
28.一些可替代的实施方式中，在所述将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对之前，所述方法还可以包括：将每个图像分块数据与设定焚烧物特征库进行匹配，生成每个图像分块数据对应的焚烧物特征。
29.示例性的，可以收集不同焚烧特征状态的焚烧图像样本数据，对收集到的不同焚烧特征状态的焚烧图像样本数据进行特征提取，生成该不同焚烧特征状态对应的设定焚烧物特征库。
30.该设定焚烧物特征库可以便于比较不同焚烧特征状态之间的焚烧关联价值的区别，提高图像分块数据对应的焚烧物特征确定的精准度。如果某个图像分块区域在某个焚烧特征状态中焚烧关联价值比较大，而在其它焚烧特征状态中焚烧关联价值比较小，则可以将其定义为非价值焚烧物。
31.一些可替代的实施方式中，所述预置垃圾焚烧图像数据库中包括不同焚烧特征状态的多个预置垃圾焚烧图像，则所述步骤s105可以包括：步骤s1051，将每个图像分块数据与所述多个预置垃圾焚烧图像进行特征配对，依据所述特征配对结果、所述焚烧状态参数数据和所述焚烧物特征，确定每个图像分块数据在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，并依据所述特征配对结果确定每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征
映射区域的焚烧注意力系数信息。
32.一些可替代的实施方式中，所述焚烧物特征包括价值焚烧物和非价值焚烧物，所述步骤s1051可以包括：步骤s10511，将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，生成每个图像分块数据在所述预置垃圾焚烧图像数据库中对应的第一图像特征存在次数、在每个预置垃圾焚烧图像中存在的第二图像特征存在次数以及包含每个图像分块数据的预置垃圾焚烧图像的第三图像特征存在次数。
33.示例性的，所述进行特征配对可以是指：将每个图像分块数据与预置垃圾焚烧图像数据库中的每个预置垃圾焚烧图像的预设图像分块数据进行匹配。
34.其中，每个图像分块数据在所述预置垃圾焚烧图像数据库中对应的第一图像特征存在次数可以是指：每个图像分块数据在所有预置垃圾焚烧图像的所有预设图像分块数据中存在的图像特征存在次数。每个图像分块数据在每个预置垃圾焚烧图像中存在的第二图像特征存在次数可以是指：每个图像分块数据在每个预置垃圾焚烧图像的预设图像分块数据中存在的图像特征存在次数。包含每个图像分块数据的预置垃圾焚烧图像的第三图像特征存在次数可以是指：预设图像分块数据中包含每个图像分块数据的预置垃圾焚烧图像的图像特征存在次数。
35.示例性的，每个图像分块数据在目标预设图像分块数据中存在的第一图像特征存在次数可以是指：每个图像分块数据在所有预置垃圾焚烧图像的所有预设图像分块数据中存在的图像特征存在次数。
36.假设预置垃圾焚烧图像的图像特征存在次数为2，所有预置垃圾焚烧图像的所有预设图像分块数据的图像特征存在次数为5，某一图像分块数据为“a”，则第一图像特征存在次数指的是“a”在这5个预设图像分块数据中存在的次数，第二图像特征存在次数指的是“a”在每个预置垃圾焚烧图像的图像分块数据中存在的次数，第三图像特征存在次数指的是预设图像分块数据中含有该“a”的预置垃圾焚烧图像的图像特征存在次数。
37.步骤s10513，基于所述第一图像特征存在次数和目标预设图像分块数据的图像特征存在次数，确定每个图像分块数据在所述预置垃圾焚烧图像数据库中对应的第一焚烧关联价值；所述目标预设图像分块数据依据每个预置垃圾焚烧图像的预设图像分块数据而确定。
38.其中，目标预设图像分块数据指的是所述所有预置垃圾焚烧图像的所有预设图像分块数据。示例性的，可以对预置垃圾焚烧图像数据库中的每个预置垃圾焚烧图像进行图像分块，生成每个预置垃圾焚烧图像的预设图像分块数据。对每个预置垃圾焚烧图像的预设图像分块数据进行汇聚，生成该目标预设图像分块数据。将每个预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数进行相加，以获得该目标预设图像分块数据的图像特征存在次数。
39.示例性的，可以计算第一图像特征存在次数与目标预设图像分块数据的图像特征存在次数的比值，生成每个图像分块数据在该预置垃圾焚烧图像数据库中对应的第一焚烧关联价值。
40.假设，某一图像分块数据“a”在5个目标预设图像分块数据中出现了1次（即第一图像特征存在次数为1），则第一焚烧关联价值为1/5=0.2。
41.步骤s10515，基于所述第二图像特征存在次数和每个预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数，确定每个图像分块数据在所述多个预置垃圾焚烧图像中存在的第二焚烧关联价值。
42.示例性的，在所述步骤s10515中，可以基于第二图像特征存在次数和每个预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数，确定每个图像分块数据在每个预置垃圾焚烧图像中存在的焚烧关联价值，将每个图像分块数据在每个预置垃圾焚烧图像中存在的焚烧关联价值的最大值作为该第二焚烧关联价值。
43.假设某一图像分块数据为“a”，该预置垃圾焚烧图像数据库中包括3个预置垃圾焚烧图像（预置垃圾焚烧图像1、预置垃圾焚烧图像2、预置垃圾焚烧图像3），预置垃圾焚烧图像1对应的预设图像分块数据的图像特征存在次数为5、预置垃圾焚烧图像2对应的预设图像分块数据的图像特征存在次数为10、预置垃圾焚烧图像3对应的预设图像分块数据的图像特征存在次数为15，“a”在预置垃圾焚烧图像1中存在的第二图像特征存在次数为1、在预置垃圾焚烧图像2中存在的图像特征存在次数为3、在预置垃圾焚烧图像3中存在的图像特征存在次数为3，则“a”在预置垃圾焚烧图像1中存在的焚烧关联价值为1/5=0.2，在预置垃圾焚烧图像2中存在的焚烧关联价值为3/10=0.3，在预置垃圾焚烧图像3中存在的焚烧关联价值为3/15=0.2，则将0.3作为该第二焚烧关联价值。
44.步骤s10517，基于所述第三图像特征存在次数和所述多个预置垃圾焚烧图像的图像特征存在次数，确定每个图像分块数据在所述多个预置垃圾焚烧图像中存在的第三焚烧关联价值。
45.示例性的，可以计算第三图像特征存在次数与所述多个预置垃圾焚烧图像的图像特征存在次数的比值，生成第三焚烧关联价值。
46.假设某一图像分块数据为“a”，预置垃圾焚烧图像的图像特征存在次数为2，预设图像分块数据中包含“a”这一图像分块数据的预置垃圾焚烧图像的第三图像特征存在次数为10，则第三焚烧关联价值为10/2=0.1。
47.步骤s10519，基于所述第一焚烧关联价值、所述第二焚烧关联价值、所述第三焚烧关联价值和所述焚烧状态参数数据，确定焚烧物特征为非价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息。
48.步骤s105111，依据所述关注区域的焚烧注意力系数信息、所述第一焚烧关联价值、所述第二焚烧关联价值、所述第三焚烧关联价值和所述焚烧状态参数数据，确定焚烧物特征为价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息。
49.一些可替代的实施方式中，所述步骤s1051可以包括：步骤s10512，将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，生成每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像中存在的第四图像特征存在次数。
50.示例性的，所述进行特征配对可以是指：将每个图像分块数据与预置垃圾焚烧图像数据库中的每个预置垃圾焚烧图像的预设图像分块数据进行匹配。所述每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像中存在的第四图像特征存在次数可以是指：每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像的预设图像
分块数据中存在的图像特征存在次数。
51.例如，假设某个图像分块数据为“a”，预置垃圾焚烧图像数据库中有2个预置垃圾焚烧图像，该2个预置垃圾焚烧图像属于3个焚烧特征状态（横向偏烧、纵向偏烧、燃烧中止），焚烧特征状态为横向偏烧的预置垃圾焚烧图像的图像特征存在次数为30，焚烧特征状态为纵向偏烧的预置垃圾焚烧图像的图像特征存在次数为30，焚烧特征状态为燃烧中止的预置垃圾焚烧图像的图像特征存在次数为40。则所述第四图像特征存在次数可以是指：“a”在焚烧特征状态为横向偏烧的30个预置垃圾焚烧图像的所有预设图像分块数据中存在的图像特征存在次数，在焚烧特征状态为纵向偏烧的30个预置垃圾焚烧图像的所有预设图像分块数据中存在的图像特征存在次数，在焚烧特征状态为燃烧中止的40个预置垃圾焚烧图像的所有预设图像分块数据中存在的图像特征存在次数。
52.步骤s10514，基于所述第四图像特征存在次数和所述任意一个焚烧特征状态对应的预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数，确定每个图像分块数据在所述任意一个焚烧特征状态对应的预置垃圾焚烧图像中的图像特征映射频率。
53.示例性的，所述“任意一个焚烧特征状态对应的预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数可以是指：任意一个焚烧特征状态对应的所有预置垃圾焚烧图像的所有图像分块数据的图像特征存在次数。
54.示例性的，可以将第四图像特征存在次数与任意一个焚烧特征状态对应的预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数的比值，确定为每个图像分块数据在所述任意一个焚烧特征状态对应的预置垃圾焚烧图像中的图像特征映射频率。
55.假设，某一图像分块数据为“a”，焚烧特征状态为横向偏烧的预置垃圾焚烧图像的图像特征存在次数为30，“a”在横向偏烧在这30个预置垃圾焚烧图像的所有预设图像分块数据中存在的次数（即第四图像特征存在次数）为10，分别计算这30个预置垃圾焚烧图像各自对应的预设图像分块数据的图像特征存在次数，将这30个预置垃圾焚烧图像各自对应的预设图像分块数据的图像特征存在次数相加，生成横向偏烧焚烧特征状态对应的预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数（即横向偏烧焚烧特征状态的焚烧图像数据的总词数）为200，则图像特征映射频率=10/200=0，05。
56.步骤s10516，确定包含每个图像分块数据的其它焚烧特征状态预置垃圾焚烧图像的第五图像特征存在次数，所述其它焚烧特征状态预置垃圾焚烧图像为所述不同焚烧特征状态中除所述任意一个焚烧特征状态以外的其它焚烧特征状态所对应的预置垃圾焚烧图像。
57.步骤s10518，基于所述多个预置垃圾焚烧图像的图像特征存在次数和所述第五图像特征存在次数，确定每个图像分块数据在所述任意一个焚烧特征状态对应的预置垃圾焚烧图像中的反向焚烧关联价值。
58.示例性的，假设当前任意一个焚烧特征状态为横向偏烧，则其它焚烧特征状态为纵向偏烧和燃烧中止，则第五图像特征存在次数为纵向偏烧和燃烧中止对应的预置垃圾焚烧图像的所有图像分块数据中包含该“a”的预置垃圾焚烧图像的图像特征存在次数。
59.假设焚烧特征状态为纵向偏烧的预置垃圾焚烧图像的图像特征存在次数为30，焚烧特征状态为燃烧中止的预置垃圾焚烧图像的图像特征存在次数为40，即其它焚烧特征状态预置垃圾焚烧图像的图像特征存在次数为30+40=70，这70个其它焚烧特征状态预置垃圾
焚烧图像中，有50个其它焚烧特征状态预置垃圾焚烧图像的预设图像分块数据中出现了该“a”，则第五图像特征存在次数为50。
60.步骤s105110，基于所述图像特征映射频率和所述反向焚烧关联价值，确定每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息。
61.示例性的，可以计算图像特征映射频率和所述反向焚烧关联价值的乘积，生成所述特征映射区域的焚烧注意力系数信息。
62.基于以上步骤，通过所述第四图像特征存在次数和任意一个焚烧特征状态对应的预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数确定图像特征映射频率，可以评价每一图像分块数据对于任意一个焚烧特征状态的垃圾燃烧图像数据的重现度，通过所述多个预置垃圾焚烧图像的图像特征存在次数和所述第五图像特征存在次数确定反向焚烧关联价值，可以评价每一图像分块数据对于其它焚烧特征状态的垃圾燃烧图像数据的焚烧特征权重。由此，通过图像特征映射频率和反向焚烧关联价值确定出的特征映射区域的焚烧注意力系数信息可以表达每个图像分块数据在各个焚烧特征状态中的区分特征，提高对图像分块数据进行焚烧注意力系数信息排列的可靠性。
63.步骤s1053，基于所述关注区域的焚烧注意力系数信息，从所述多个图像分块数据中获得聚焦图像分块数据。
64.一些可替代的实施方式中，所述步骤s1053可以包括：步骤s10531，基于焚烧物特征为价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，对焚烧物特征为价值焚烧物的图像分块数据进行降序整理输出，生成价值焚烧物集合。
65.步骤s10533，基于焚烧物特征为非价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，对焚烧物特征为非价值焚烧物的图像分块数据进行降序整理输出，生成非价值焚烧物集合。
66.步骤s10535，将所述价值焚烧物集合中前n个价值焚烧物和所述非价值焚烧物集合中前n个非价值焚烧物，确定为所述聚焦图像分块数据，其中，n为预先设定的正整数。
67.步骤s1055，基于所述特征映射区域的焚烧注意力系数信息，从所述多个图像分块数据中获得显著性图像分块数据。
68.一些可替代的实施方式中，所述步骤s1055可以包括：步骤s10551，依据每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息，对所述多个图像分块数据进行降序整理输出，生成所述多个图像分块数据在所述不同焚烧特征状态中的图像分块数据集合。
69.步骤s10553，将所述图像分块数据集合中前n个图像分块数据，确定为所述显著性图像分块数据，其中，n为预先设定的正整数。
70.示例性的，可以将多个图像分块数据在不同焚烧特征状态中的图像分块数据集合中前n个图像分块数据，确定为所述显著性图像分块数据。
71.一些可替代的实施方式中，还可以将图像分块数据集合中最大的图像分块数据，确定为该显著性图像分块数据。
72.例如，可以将图像分块数据集合中前n个图像分块数据，确定为所述显著性图像分
块数据，由于前n个图像分块数据的特征映射区域的焚烧注意力系数信息较大，更能够表达该目标垃圾焚烧图像数据的目标图像分块数据，由此提高焚烧状态类型预测的准确性。
73.步骤s1057，将所述聚焦图像分块数据和所述显著性图像分块数据作为所述目标图像分块数据，将所述特征映射区域的焚烧注意力系数信息和所述关注区域的焚烧注意力系数信息作为所述第一焚烧注意力系数信息。
74.一些可替代的实施方式中，可以将聚焦图像分块数据和所述显著性图像分块数据作为所述目标图像分块数据（即目标垃圾焚烧图像数据的目标图像分块数据），并将特征映射区域的焚烧注意力系数信息和所述关注区域的焚烧注意力系数信息作为该目标图像分块数据在该目标垃圾焚烧图像数据中的第一焚烧注意力系数信息。
75.一些可替代的实施方式中，所述方法还可以包括：对每个图像分块数据进行最小燃烧单元分离，生成所述目标垃圾焚烧图像数据对应的最小燃烧单元数据和所述最小燃烧单元数据在所述目标垃圾焚烧图像数据中的单元焚烧注意力系数信息。
76.相应地，可以将所述聚焦图像分块数据、所述显著性图像分块数据和所述最小燃烧单元数据作为所述目标图像分块数据，将所述特征映射区域的焚烧注意力系数信息、所述关注区域的焚烧注意力系数信息和所述单元焚烧注意力系数信息作为所述第一焚烧注意力系数信息。
77.由于最小燃烧单元数据有助于焚烧状态类型的预测，因此，在聚焦图像分块数据和所述显著性图像分块数据的基础上，结合最小燃烧单元数据，可以充分表达该目标垃圾焚烧图像数据的目标图像分块数据，由此提高焚烧状态类型预测的准确性。
78.一些可替代的实施方式中，可以将目标垃圾焚烧图像数据与预置垃圾焚烧图像数据库中的预置垃圾焚烧图像进行匹配，基于特征配对结果提取该目标垃圾焚烧图像数据的目标图像分块数据（即目标图像分块数据）。
79.步骤s107，依据所述第一焚烧注意力系数信息，确定所述多个图像分块数据中除所述目标图像分块数据以外的其它图像分块数据在所述目标垃圾焚烧图像数据中的第二焚烧注意力系数信息。
80.一些可替代的实施方式中，所述步骤s107可以包括：步骤s1071，对所述特征映射区域的焚烧注意力系数信息、所述关注区域的焚烧注意力系数信息和所述单元焚烧注意力系数信息进行升序整理，生成焚烧注意力系数信息列表。
81.步骤s1073，将所述焚烧注意力系数信息列表中最大的焚烧注意力系数信息与设定门限值的差值，确定为所述第二焚烧注意力系数信息。
82.步骤s109，基于所述第一焚烧注意力系数信息和所述第二焚烧注意力系数信息，对所述目标图像分块数据的图像描述向量和所述其它图像分块数据的图像描述向量进行融合，生成所述目标垃圾焚烧图像数据的焚烧状态相关矢量。
83.步骤s1011，依据焚烧状态预测网络对所述焚烧状态相关矢量进行焚烧状态类型预测，生成所述目标垃圾焚烧图像数据的焚烧状态类型预测数据，所述焚烧状态预测网络依据携带标注焚烧状态类型数据的模板垃圾焚烧图像数据对深度学习网络模型进行焚烧状态预测训练生成的。
84.示例性的，可以将焚烧状态相关矢量加载至焚烧状态预测网络，由焚烧状态预测
网络学习该焚烧状态相关矢量与已知焚烧特征状态的焚烧图像数据的图像描述向量之间的相关性，生成该目标垃圾焚烧图像数据的焚烧状态类型预测数据。
85.基于以上步骤，通过图像分块、焚烧状态参数标定、与预置垃圾焚烧图像数据库进行特征配对的方式，从目标垃圾焚烧图像数据对应的多个图像分块数据中提取目标图像分块数据，并基于提取到的目标图像分块数据构建目标垃圾焚烧图像数据的焚烧状态相关矢量，然后利用依据携带标注焚烧状态类型数据的模板垃圾焚烧图像数据对深度学习网络模型进行焚烧状态预测训练生成的焚烧状态预测网络，对该焚烧状态相关矢量进行焚烧状态类型预测，由此通过学习已知焚烧特征状态的焚烧图像数据与目标垃圾焚烧图像数据之间的关系，实现垃圾焚烧图像数据的焚烧状态类型预测，由此提高焚烧状态类型预测的准确性，以便于提高焚烧状态监控的可靠性。
86.下面进一步提供一种焚烧状态预测网络的训练实施例，具体步骤可以包括：步骤s201，获取模板垃圾焚烧图像数据序列，所述模板垃圾焚烧图像数据序列包括携带标注焚烧状态类型数据的多个模板垃圾焚烧图像数据。
87.步骤s203，对每个模板垃圾焚烧图像数据进行图像分块和焚烧状态参数标定，生成每个模板垃圾焚烧图像数据对应的多个模板图像分块数据和每个模板图像分块数据对应的模板焚烧状态参数数据。
88.步骤s205，将每个模板垃圾焚烧图像数据对应的各个模板图像分块数据与所述模板垃圾焚烧图像数据序列中的其它模板垃圾焚烧图像数据进行特征配对，依据特征配对结果和所述模板焚烧状态参数数据，从每个模板垃圾焚烧图像数据对应的多个模板图像分块数据中，确定出每个模板垃圾焚烧图像数据的目标模板图像分块数据以及所述目标模板图像分块数据在每个模板垃圾焚烧图像数据中的第一模板焚烧注意力系数信息。
89.步骤s207，依据所述第一模板焚烧注意力系数信息，确定每个模板垃圾焚烧图像数据对应的多个模板图像分块数据中除所述目标模板图像分块数据以外的其它模板图像分块数据，在每个模板垃圾焚烧图像数据中的第二模板焚烧注意力系数信息。
90.步骤s209，基于所述第一模板焚烧注意力系数信息和所述第二模板焚烧注意力系数信息，对每个模板垃圾焚烧图像数据的目标模板图像分块数据的图像描述向量和所述其它模板图像分块数据的图像描述向量进行融合，生成每个模板垃圾焚烧图像数据的模板焚烧状态相关矢量。
91.步骤s2011，依据每个模板垃圾焚烧图像数据的模板焚烧状态相关矢量，对深度学习网络模型进行焚烧状态预测学习，生成所述多个模板垃圾焚烧图像数据对应的焚烧状态预测学习数据。
92.步骤s2013，基于所述焚烧状态预测学习数据和所述标注焚烧状态类型数据，确定焚烧状态预测误差值。
93.步骤s2015，依据所述焚烧状态预测误差值训练所述深度学习网络模型，生成所述焚烧状态预测网络。
94.一些可替代的实施方式中，所述深度学习网络模型的架构与所述焚烧状态预测网络的架构类似。
95.在所述步骤s201中，可以获取包含有标注焚烧状态类型数据的多个模板垃圾焚烧图像数据的模板垃圾焚烧图像数据序列。
96.所述步骤s203中的图像分块和焚烧状态参数标定与所述步骤s103类似，此处不做重复说明。
97.所述步骤s205中的确定第一模板焚烧注意力系数信息的过程与所述步骤s105中的确定第一焚烧注意力系数信息的操作对应，此处不做重复说明。
98.所述步骤s207中的确定第二模板焚烧注意力系数信息的过程与所述步骤s107中的确定第二焚烧注意力系数信息的操作对应，此处不做重复说明。
99.所述步骤s209中的确定模板焚烧状态相关矢量的过程与所述步骤s109中的确定焚烧状态相关矢量的操作对应，此处不做重复说明。
100.图2示出了本技术实施例提供的用于实现上述的用于垃圾焚烧控制系统的数据分析方法的用于垃圾焚烧控制系统的数据分析系统100的硬件结构意图，如图2所示，用于垃圾焚烧控制系统的数据分析系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
101.在一些可替代的实施方式中，用于垃圾焚烧控制系统的数据分析系统100可以是单个用于垃圾焚烧控制系统的数据分析系统，也可以是用于垃圾焚烧控制系统的数据分析系统组。所述用于垃圾焚烧控制系统的数据分析系统组可以是集中式的，也可以是分布式的(例如，用于垃圾焚烧控制系统的数据分析系统100可以是分布式的系统)。在一些可替代的实施方式中，用于垃圾焚烧控制系统的数据分析系统100可以是本地的，也可以是远程的。例如，用于垃圾焚烧控制系统的数据分析系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，用于垃圾焚烧控制系统的数据分析系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些可替代的实施方式中，用于垃圾焚烧控制系统的数据分析系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
102.机器可读存储介质120可以储存数据和/或指令。在一些可替代的实施方式中，机器可读存储介质120可以存储从外部终端获取的数据。在一些可替代的实施方式中，机器可读存储介质120可以储存用于垃圾焚烧控制系统的数据分析系统100用来执行或使用来完成本技术中描述的示例性方法的数据及/或指令。在一些可替代的实施方式中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(rom)等或其任意组合。大容量存储器可以包括磁盘、光盘、固态磁盘等。其中，可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(ram)。示例性ram可包括主动随机存取存储器(dram)、双倍数据速率同步主动随机存取存储器(ddr sdram)、被动随机存取存储器(sram)、晶闸管随机存取存储器(t-ram)和零电容随机存取存储器(z-ram)等。示例性只读存储器可以包括掩模型只读存储器(mrom)、可编程只读存储器(prom)、可擦除可编程只读存储器(perom)、电可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd-rom)和数字多功能磁盘只读存储器等。在一些可替代的实施方式中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
103.在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的用于垃圾焚烧控制系统的数据分析方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110
可以用于控制通信单元140的收发动作。
104.处理器110的具体实现过程可参见上述用于垃圾焚烧控制系统的数据分析系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
105.此外，本技术实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上用于垃圾焚烧控制系统的数据分析方法。
106.同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

技术特征：
1.一种用于垃圾焚烧控制系统的数据分析方法，其特征在于，通过用于垃圾焚烧控制系统的数据分析系统实现，所述方法包括：获取所述垃圾焚烧控制系统实时上传的目标垃圾焚烧图像数据和预置垃圾焚烧图像数据库；对所述目标垃圾焚烧图像数据进行图像分块和焚烧状态参数标定，生成所述目标垃圾焚烧图像数据的多个图像分块数据和每个图像分块数据对应的焚烧状态参数数据；将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，依据特征配对结果和所述焚烧状态参数数据从所述多个图像分块数据中获得目标图像分块数据以及所述目标图像分块数据在所述目标垃圾焚烧图像数据中的第一焚烧注意力系数信息；依据所述第一焚烧注意力系数信息，确定所述多个图像分块数据中除所述目标图像分块数据以外的其它图像分块数据在所述目标垃圾焚烧图像数据中的第二焚烧注意力系数信息；基于所述第一焚烧注意力系数信息和所述第二焚烧注意力系数信息，对所述目标图像分块数据的图像描述向量和所述其它图像分块数据的图像描述向量进行融合，生成所述目标垃圾焚烧图像数据的焚烧状态相关矢量；依据焚烧状态预测网络对所述焚烧状态相关矢量进行焚烧状态类型预测，生成所述目标垃圾焚烧图像数据的焚烧状态类型预测数据，所述焚烧状态预测网络依据携带标注焚烧状态类型数据的模板垃圾焚烧图像数据对深度学习网络模型进行焚烧状态预测训练生成的。2.根据权利要求1所述的用于垃圾焚烧控制系统的数据分析方法，其特征在于，在所述将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对之前，所述方法还包括：将每个图像分块数据与设定焚烧物特征库进行匹配，生成每个图像分块数据对应的焚烧物特征；其中，所述预置垃圾焚烧图像数据库中包括不同焚烧特征状态的多个预置垃圾焚烧图像，则所述将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，依据特征配对结果和所述焚烧状态参数数据从所述多个图像分块数据中获得目标图像分块数据以及所述目标图像分块数据在所述目标垃圾焚烧图像数据中的第一焚烧注意力系数信息，包括：将每个图像分块数据与所述多个预置垃圾焚烧图像进行特征配对，依据所述特征配对结果、所述焚烧状态参数数据和所述焚烧物特征，确定每个图像分块数据在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，并依据所述特征配对结果确定每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息；基于所述关注区域的焚烧注意力系数信息，从所述多个图像分块数据中获得聚焦图像分块数据；基于所述特征映射区域的焚烧注意力系数信息，从所述多个图像分块数据中获得显著性图像分块数据；将所述聚焦图像分块数据和所述显著性图像分块数据作为所述目标图像分块数据，将
所述特征映射区域的焚烧注意力系数信息和所述关注区域的焚烧注意力系数信息作为所述第一焚烧注意力系数信息。3.根据权利要求2所述的用于垃圾焚烧控制系统的数据分析方法，其特征在于，所述焚烧物特征包括价值焚烧物和非价值焚烧物，则所述将每个图像分块数据与所述多个预置垃圾焚烧图像进行特征配对，依据所述特征配对结果、所述焚烧状态参数数据和所述焚烧物特征，确定每个图像分块数据在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，包括：将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，生成每个图像分块数据在所述预置垃圾焚烧图像数据库中对应的第一图像特征存在次数、在每个预置垃圾焚烧图像中存在的第二图像特征存在次数以及包含每个图像分块数据的预置垃圾焚烧图像的第三图像特征存在次数；基于所述第一图像特征存在次数和目标预设图像分块数据的图像特征存在次数，确定每个图像分块数据在所述预置垃圾焚烧图像数据库中对应的第一焚烧关联价值；所述目标预设图像分块数据依据每个预置垃圾焚烧图像的预设图像分块数据而确定；基于所述第二图像特征存在次数和每个预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数，确定每个图像分块数据在所述多个预置垃圾焚烧图像中存在的第二焚烧关联价值；基于所述第三图像特征存在次数和所述多个预置垃圾焚烧图像的图像特征存在次数，确定每个图像分块数据在所述多个预置垃圾焚烧图像中存在的第三焚烧关联价值；基于所述第一焚烧关联价值、所述第二焚烧关联价值、所述第三焚烧关联价值和所述焚烧状态参数数据，确定焚烧物特征为非价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息；依据所述关注区域的焚烧注意力系数信息、所述第一焚烧关联价值、所述第二焚烧关联价值、所述第三焚烧关联价值和所述焚烧状态参数数据，确定焚烧物特征为价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息。4.根据权利要求3所述的用于垃圾焚烧控制系统的数据分析方法，其特征在于，所述基于所述关注区域的焚烧注意力系数信息，从所述多个图像分块数据中获得聚焦图像分块数据，包括：基于焚烧物特征为价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，对焚烧物特征为价值焚烧物的图像分块数据进行降序整理输出，生成价值焚烧物集合；基于焚烧物特征为非价值焚烧物的图像分块数据，在所述目标垃圾焚烧图像数据中的关注区域的焚烧注意力系数信息，对焚烧物特征为非价值焚烧物的图像分块数据进行降序整理输出，生成非价值焚烧物集合；将所述价值焚烧物集合中前n个价值焚烧物和所述非价值焚烧物集合中前n个非价值焚烧物，确定为所述聚焦图像分块数据，其中，n为预先设定的正整数。5.根据权利要求2所述的用于垃圾焚烧控制系统的数据分析方法，其特征在于，所述依据所述特征配对结果确定每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息，包括：
将每个图像分块数据与所述预置垃圾焚烧图像数据库进行特征配对，生成每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像中存在的第四图像特征存在次数；基于所述第四图像特征存在次数和任意一个焚烧特征状态对应的预置垃圾焚烧图像的预设图像分块数据的图像特征存在次数，确定每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像中的图像特征映射频率；确定包含每个图像分块数据的其它焚烧特征状态预置垃圾焚烧图像的第五图像特征存在次数，所述其它焚烧特征状态预置垃圾焚烧图像为所述不同焚烧特征状态中除任意一个焚烧特征状态以外的其它焚烧特征状态所对应的预置垃圾焚烧图像；基于所述多个预置垃圾焚烧图像的图像特征存在次数和所述第五图像特征存在次数，确定每个图像分块数据在任意一个焚烧特征状态对应的预置垃圾焚烧图像中的反向焚烧关联价值；基于所述图像特征映射频率和所述反向焚烧关联价值，确定每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息。6.根据权利要求5所述的用于垃圾焚烧控制系统的数据分析方法，其特征在于，所述基于所述特征映射区域的焚烧注意力系数信息，从所述多个图像分块数据中获得显著性图像分块数据，包括：依据每个图像分块数据在所述不同焚烧特征状态对应的预置垃圾焚烧图像中的特征映射区域的焚烧注意力系数信息，对所述多个图像分块数据进行降序整理输出，生成所述多个图像分块数据在所述不同焚烧特征状态中的图像分块数据集合；将所述图像分块数据集合中前n个图像分块数据，确定为所述显著性图像分块数据，其中，n为预先设定的正整数。7.根据权利要求6所述的用于垃圾焚烧控制系统的数据分析方法，其特征在于，所述方法还包括：对每个图像分块数据进行最小燃烧单元分离，生成所述目标垃圾焚烧图像数据对应的最小燃烧单元数据和所述最小燃烧单元数据在所述目标垃圾焚烧图像数据中的单元焚烧注意力系数信息；其中，所述将所述聚焦图像分块数据和所述显著性图像分块数据作为所述目标图像分块数据，将所述特征映射区域的焚烧注意力系数信息和所述关注区域的焚烧注意力系数信息作为所述第一焚烧注意力系数信息，包括：将所述聚焦图像分块数据、所述显著性图像分块数据和所述最小燃烧单元数据作为所述目标图像分块数据，将所述特征映射区域的焚烧注意力系数信息、所述关注区域的焚烧注意力系数信息和所述单元焚烧注意力系数信息作为所述第一焚烧注意力系数信息。8.根据权利要求7所述的用于垃圾焚烧控制系统的数据分析方法，其特征在于，所述依据所述第一焚烧注意力系数信息，确定所述多个图像分块数据中除所述目标图像分块数据以外的其它图像分块数据在所述目标垃圾焚烧图像数据中的第二焚烧注意力系数信息，包括：对所述特征映射区域的焚烧注意力系数信息、所述关注区域的焚烧注意力系数信息和所述单元焚烧注意力系数信息进行升序整理，生成焚烧注意力系数信息列表；
将所述焚烧注意力系数信息列表中最大的焚烧注意力系数信息与设定门限值的差值，确定为所述第二焚烧注意力系数信息。9.根据权利要求1-8中任意一项所述的用于垃圾焚烧控制系统的数据分析方法，其特征在于，所述方法还包括对所述焚烧状态预测网络进行训练的步骤，具体包括：获取模板垃圾焚烧图像数据序列，所述模板垃圾焚烧图像数据序列包括携带标注焚烧状态类型数据的多个模板垃圾焚烧图像数据；对每个模板垃圾焚烧图像数据进行图像分块和焚烧状态参数标定，生成每个模板垃圾焚烧图像数据对应的多个模板图像分块数据和每个模板图像分块数据对应的模板焚烧状态参数数据；将每个模板垃圾焚烧图像数据对应的各个模板图像分块数据与所述模板垃圾焚烧图像数据序列中的其它模板垃圾焚烧图像数据进行特征配对，依据特征配对结果和所述模板焚烧状态参数数据，从每个模板垃圾焚烧图像数据对应的多个模板图像分块数据中，确定出每个模板垃圾焚烧图像数据的目标模板图像分块数据以及所述目标模板图像分块数据在每个模板垃圾焚烧图像数据中的第一模板焚烧注意力系数信息；依据所述第一模板焚烧注意力系数信息，确定每个模板垃圾焚烧图像数据对应的多个模板图像分块数据中除所述目标模板图像分块数据以外的其它模板图像分块数据，在每个模板垃圾焚烧图像数据中的第二模板焚烧注意力系数信息；基于所述第一模板焚烧注意力系数信息和所述第二模板焚烧注意力系数信息，对每个模板垃圾焚烧图像数据的目标模板图像分块数据的图像描述向量和所述其它模板图像分块数据的图像描述向量进行融合，生成每个模板垃圾焚烧图像数据的模板焚烧状态相关矢量；依据每个模板垃圾焚烧图像数据的模板焚烧状态相关矢量，对深度学习网络模型进行焚烧状态预测学习，生成所述多个模板垃圾焚烧图像数据对应的焚烧状态预测学习数据；基于所述焚烧状态预测学习数据和所述标注焚烧状态类型数据，确定焚烧状态预测误差值；依据所述焚烧状态预测误差值迭代更新所述深度学习网络模型的模型权重参数，生成所述焚烧状态预测网络。10.一种用于垃圾焚烧控制系统的数据分析系统，其特征在于，所述用于垃圾焚烧控制系统的数据分析系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的用于垃圾焚烧控制系统的数据分析方法。

技术总结
本申请实施例提供一种用于垃圾焚烧控制系统的数据分析方法及系统，通过图像分块、焚烧状态参数标定、与预置垃圾焚烧图像数据库进行特征配对的方式，从目标垃圾焚烧图像数据对应的多个图像分块数据中提取目标图像分块数据，并基于提取到的目标图像分块数据构建目标垃圾焚烧图像数据的焚烧状态相关矢量，然后利用焚烧状态预测训练生成的焚烧状态预测网络，对该焚烧状态相关矢量进行焚烧状态类型预测，由此通过学习已知焚烧特征状态的焚烧图像数据与目标垃圾焚烧图像数据之间的关系，实现垃圾焚烧图像数据的焚烧状态类型预测，由此提高焚烧状态类型预测的准确性，以便于提高焚烧状态监控的可靠性。态监控的可靠性。态监控的可靠性。


技术研发人员：杨秋林 邓媛媛 赵栗笠 王梓鉴 陈婷婷
受保护的技术使用者：四川发展环境科学技术研究院有限公司
技术研发日：2023.07.04
技术公布日：2023/8/5