煤炭的浮选方法、浮选装置、处理器与浮选系统与流程

1.本技术涉及煤炭浮选工艺技术领域，具体而言，涉及一种煤炭的浮选方法、浮选装置、计算机可读存储介质、处理器与浮选系统。


背景技术：

2.浮选作为选煤的重要工艺环节，是炼焦煤选煤厂实现精煤产率最大化，充分回收稀缺资源不可或缺的组成部分。当前，世界上较多的国家都全面实现了自动化选煤。例如，美国、英国、澳洲等等。而我国正在推行的在线灰分检测以及重介质密度调控等自动化控制技术虽然有了很大的提高，但是其自动化程度和普及率还远远不够。
3.选煤作为传统工业，在进行浮选前，会根据洗选池内的灰分值添加药剂(例如，起泡剂和捕收剂)。而现有技术中，也可以通过机器学习得到检测模型，以在线检测浮选池内的灰分值，并根据得到的灰分值，确定起泡剂和捕收剂的添加量。但基于机器学习得到的检测模型，存在着计算量较大以及计算速度较慢的问题。


技术实现要素：

4.本技术的主要目的在于提供一种煤炭的浮选方法、浮选装置、计算机可读存储介质、处理器与浮选系统，以解决现有技术中实时计算灰分值的计算量较大以及计算速度较慢的技术问题。
5.根据本发明实施例的一个方面，提供了一种煤炭的浮选方法，包括：获取浮选池内的多组原始数据，以及每一组所述原始数据对应的灰分值，其中，所述原始数据包括原始图像数据和原始音频数据；至少采用多组所述原始数据和对应的所述灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型；基于所述目标贝叶斯模型和实时获取的浮选数据，确定所述浮选数据对应的目标灰分区间，基于所述目标灰分区间确定对应的起泡剂和捕收剂的添加量，其中，所述浮选数据包括实时图像数据和实时音频数据。
6.可选地，至少采用多组所述原始数据和对应的所述灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，包括：对各组所述原始数据进行预处理，得到多组目标数据，所述预处理至少包括滤波处理；采用各所述目标数据，对所述预设贝叶斯模型进行训练，得到所述目标贝叶斯模型。
7.可选地，对各组所述原始数据进行预处理，得到多组目标数据，包括：采用小波变换，对各组所述原始数据进行滤波处理，得到多组滤波数据，其中，每组所述滤波数据包括滤波图像数据和滤波音频数据，所述滤波图像数据用于表征所述浮选池内气泡的光泽度和密集程度，所述滤波音频数据用于表征所述气泡的破碎声音；对各组所述滤波图像数据和所述滤波音频数据进行同频组合处理，得到多组所述目标数据。
8.可选地，采用各所述目标数据，对所述预设贝叶斯模型进行训练，得到所述目标贝叶斯模型，包括：根据各组所述原始数据对应的所述灰分值以及预设灰分区间，确定多个目标灰分集合，每一个所述目标灰分集合包括多组所述原始数据；构建所述预设贝叶斯模型
其中，p(c)为所述目标灰分集合的先验概率，x
ij
为所述目标灰分集合中的第i组所述原始数据中的第j个属性，所述属性为光泽度、密集程度、或者破碎声音中的一个，w(i)为所述属性的权重，i从1开始取值，一直到n，n为所述目标灰分集合中所述原始数据的总数量，j从1开始取值，一直到m，m为一组所述原始数据中，所述属性的总个数；采用多个所述目标灰分集合，对所述预设贝叶斯模型的所述权重进行修正，得到所述目标贝叶斯模型。
9.可选地，采用多个所述目标灰分集合，对所述预设贝叶斯模型的所述权重进行修正，得到所述目标贝叶斯模型，包括：采用各所述目标灰分集合中的所述属性和所述预设贝叶斯模型，计算多个分类正确概率；根据对所述预设贝叶斯模型中的权重进行修正，得到所述目标贝叶斯模型，其中，aj是第j个所述属性的分类正确概率；w(j)为所述权重。
10.可选地，基于所述目标贝叶斯模型和实时获取的浮选数据，确定所述浮选数据对应的目标灰分区间，包括：采用小波变换，对所述浮选数据进行滤波处理，得到滤波浮选数据，所述滤波浮选数据包括滤波浮选图像数据和滤波浮选音频数据，所述滤波浮选图像数据用于表征所述浮选池内气泡的光泽度和密集程度，所述滤波浮选音频数据用于表征所述气泡的破碎声音；对各组的所述滤波浮选图像数据和所述滤波浮选音频数据进行同频组合处理，得到多组目标浮选数据；采用所述目标贝叶斯模型和所述目标浮选数据，确定对应的所述目标灰分区间。
11.根据本发明实施例的另一方面，还提供了一种煤炭的浮选装置，包括：获取单元，用于获取浮选池内的多组原始数据，以及每一组所述原始数据对应的灰分值，其中，所述原始数据包括原始图像数据和原始音频数据；训练单元，用于至少采用多组所述原始数据和对应的所述灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型；确定单元，用于基于所述目标贝叶斯模型和实时获取的浮选数据，确定所述浮选数据对应的目标灰分区间，基于所述目标灰分区间确定对应的起泡剂和捕收剂的添加量，其中，所述浮选数据包括实时图像数据和实时音频数据。
12.根据本发明实施例的又一方面，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包括存储的程序，其中，所述程序执行任意一种所述的煤炭的浮选方法。
13.根据本发明实施例的再一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的煤炭的浮选方法。
14.根据本发明实施例的一方面，还提供了一种浮选系统，包括：图像采集设备、声音采集设备和煤炭的浮选装置，其中，所述图像采集设备和所述声音采集设备均与所述浮选装置通信连接，所述浮选装置用于执行任意一种所述的煤炭的浮选方法。
15.在本发明实施例中，所述的煤炭的浮选方法中，至少通过获取到的浮选池内的多组原始数据和各组所述原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型。再通过目标贝叶斯模型对实时获取的浮选数据进行分类，得到所述浮选数据对应的目标灰分区间，并基于得到的目标灰分区间确定对应的起泡剂和捕收剂的添加量。与
现有技术中采用机器学习训练得到的检测算法，预测实时获取的浮选数据对应的目标灰分区间，本方案中至少采用多组原始数据和各组原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，再使用目标贝叶斯模型对浮选数据进行分类，得到浮选数据对应的目标灰分区间。由于目标贝叶斯模型的时间复杂度在线性复杂度的范围内，这样保证了目标贝叶斯模型的计算量较小以及计算速度较快，且通过时实时采集的浮选池的浮选数据，确定对应的目标灰分区间并基于目标灰分区间确定对应的起泡剂和捕收剂的添加量，实现灰分浮选的自主智能化，保证了浮选效益较高，从而解决了现有技术中实时计算灰分值的计算量较大以及计算速度较慢的技术问题。
附图说明
16.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
17.图1示出了根据本技术的一种实施例的煤炭的浮选方法的流程图；
18.图2示出了根据本技术的一种实施例的数据文件结构的示意图；
19.图3示出了根据本技术的一种实施例的煤炭的浮选装置的结构示意图；
20.图4示出了根据本技术的一种实施例的浮选系统的结构示意图。
21.其中，上述附图包括以下附图标记：
22.100、版本号；101、首部长度；102、数据偏移；103、首部校验和；104、标识符；105、音频格式；106、图像格式；107、音频大小；108、图像尺寸；109、总长度；110、填充；112、数据内容；113、帧头格式；114、数据；115、硬盘录像机；116、煤炭的浮选装置；117、poe交换机；118、电源适配器；119、图像采集设备；120、声音采集设备；121、矿用本安拾音机；122、工业相机；123、加药控制箱；124、加药系统设备。
具体实施方式
23.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.正如背景技术中所说的，现有技术中实时计算灰分值的计算量较大以及计算速度较慢，为了解决上述问题，本技术的一种典型的实施方式中，提供了一种煤炭的浮选方法、
浮选装置、计算机可读存储介质、处理器与浮选系统。
27.根据本技术的实施例，提供了一种煤炭的浮选方法。
28.图1是根据本技术实施例的煤炭的浮选方法的流程图。如图1所示，该浮选方法包括以下步骤：
29.步骤s101，获取浮选池内的多组原始数据，以及每一组上述原始数据对应的灰分值，其中，上述原始数据包括原始图像数据和原始音频数据；
30.步骤s102，至少采用多组上述原始数据和对应的上述灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型；
31.步骤s103，基于上述目标贝叶斯模型和实时获取的浮选数据，确定上述浮选数据对应的目标灰分区间，基于上述目标灰分区间确定对应的起泡剂和捕收剂的添加量，其中，上述浮选数据包括实时图像数据和实时音频数据。
32.上述的煤炭的浮选方法中，至少通过获取到的浮选池内的多组原始数据和各组上述原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型。再通过目标贝叶斯模型对实时获取的浮选数据进行分类，得到上述浮选数据对应的目标灰分区间，并基于得到的目标灰分区间确定对应的起泡剂和捕收剂的添加量。与现有技术中采用机器学习训练得到的检测算法，预测实时获取的浮选数据对应的目标灰分区间，本方案中至少采用多组原始数据和各组原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，再使用目标贝叶斯模型对浮选数据进行分类，得到浮选数据对应的目标灰分区间。由于目标贝叶斯模型的时间复杂度在线性复杂度的范围内，这样保证了目标贝叶斯模型的计算量较小以及计算速度较快，且通过时实时采集的浮选池的浮选数据，确定对应的目标灰分区间并基于目标灰分区间确定对应的起泡剂和捕收剂的添加量，实现灰分浮选的自主智能化，保证了浮选效益较高，从而解决了现有技术中实时计算灰分值的计算量较大以及计算速度较慢的技术问题。
33.本技术的一种具体的实施例中，在浮选池周边安装多个隔爆高速摄像仪和高保真拾音器，通过隔爆高速摄像仪获取浮选池的实时图像数据。通过高保真拾音器获取浮选池的实时音频数据。其中，设备端配置一台fpga+arm+vpu嵌入式控制器(即煤炭的浮选装置)，嵌入式控制器与隔爆高速摄像仪和高保真拾音器之间通过通讯线缆连接，这样便于敷设以及简单，减少因线缆断裂造成的维护工作量。
34.在实际的应用过程中，可以预先设定不同的目标灰分区间对应的起泡剂和捕收剂的添加量。在得到的实时获取的浮选数据对应的目标灰分区间之后，根据该目标灰分区间对应的起泡剂和捕收剂的添加量，确定对应的起泡剂和捕收剂的添加量，并进行自动加药。
35.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
36.在实际的应用过程中，由于浮选池实际的施工现场环境，会导致获取到的原始数据中存在较多的干扰信息，例如粉尘、水雾、噪声等等的干扰，因此为了保证得到的目标贝叶斯模型较为准确，以及进一步地保证后续根据目标贝叶斯模型对实时获取的浮选数据进行分裂，得到的目标灰分区间较为准确，本技术的一种实施例中，至少采用多组上述原始数据和对应的上述灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，包括：对各组
上述原始数据进行预处理，得到多组目标数据，上述预处理至少包括滤波处理；采用各上述目标数据，对上述预设贝叶斯模型进行训练，得到上述目标贝叶斯模型。
37.本技术的又一种实施例中，对各组上述原始数据进行预处理，得到多组目标数据，包括：采用小波变换，对各组上述原始数据进行滤波处理，得到多组滤波数据，其中，每组上述滤波数据包括滤波图像数据和滤波音频数据，上述滤波图像数据用于表征上述浮选池内气泡的光泽度和密集程度，上述滤波音频数据用于表征上述气泡的破碎声音；对各组上述滤波图像数据和上述滤波音频数据进行同频组合处理，得到多组上述目标数据。在该实施例中，基于小波变换，对各组原始数据进行滤波处理，这样可以保证得到的多组滤波数据具有较少的干扰信息，再对各组滤波图像数据和滤波音频数据进行同频组合处理，进行数据标定，这样可以使得滤波图像数据和滤波音频数据可以相互对应，进一步地保证了后续得到的目标贝叶斯模型较为准确，以及目标贝叶斯模型对应的分类精度较高。
38.具体地，在实际的应用过程中，并不限于通过小波变换对各组原始数据进行滤波处理，还可以采用其他的滤波方法对各组原始数据进行滤波处理，例如低通滤波方法、带通滤波方法、限幅滤波方法等等。
39.本技术的一种具体的实施例中，通过隔爆摄像仪采集的原始图像数据，经过引导滤波器清除原始图像数据的无用噪声(诸如粉尘，水雾等干扰)，最大限度地保留图像原有的轮廓等细节信息，得到滤波图像数据。通过隔爆高保真拾音器采集的原始音频数据，通过小波变换将含噪信号进行滤波处理，得到滤波音频数据。
40.本技术的另一种具体的实施例中，通过隔爆高保真拾音器采集音频数据，该隔爆高保真拾音器的采集频率为50～10khz；通过隔爆摄像仪采集图像数据，该隔爆摄像仪的采集频率为20～200hz。之后以隔爆高保真拾音器的采样时间作为更新时间的最小单位，以0.5秒为一时间段，截取每一个时间段内的全部的滤波音频数据；从隔爆摄像仪采集的图像数据种，每间隔0.5秒取一帧滤波图像数据作为图像数据，将获取截取后的滤波音频数据和滤波图像数据重新组合封装，得到多组目标数据。
41.本技术的又一种具体的实施例中，在得到目标数据的过程中，还提供了一种音视频组合编码方法。具体的，经过压缩后的图像数据和音频数据是由多个帧组成，帧是数据文件最小组成单位。每个帧又由帧头、数据内容组成。其长度随位率的不同而不等。本方案将音频数据和图像数据进行同频组合，并规定了数据文件结构，如图2所示，该数据文件结构包括帧头格式113和数据114。其中，帧头格式113包括版本号100、首部长度101、数据偏移102、首部校验和103、标识符104、音频格式105、图像格式106、音频大小107、图像尺寸108、总长度109和填充110。具体地，版本号100(version)：长度4比特。标识目前采用的版本号。首部长度101(internet header length)：长度4比特。这个字段的作用是为了描述该数据包头的长度。该部分占4个bit位，单位为32bit(4个字节)，即本区域值＝数据帧头部长度(单位为bit)/(8
×
4)，因此，一个数据帧包头的长度最长为“1111”，即15
×
4＝60个字节。数据偏移102(data offset)：长度8比特。用来标识音频数据和视频数据采样时间点的偏差情况。无偏差对应值为0，偏差值最大时丢弃该数据包，最大偏差值为8
×
256＝2048字节位置处。首部校验和103(header checksum)：长度16比特。由发送端填充，接收端对其使用crc算法以检验数据包首部在传输过程中是否损坏。标识符104(identifier)：长度6比特。用来标识数据包内包含的数据类型，包括音频数据、图像数据、音频与图像的混合数据等。音频格
式105(sound format)：长度6比特。是指数字音频的编码方式，不同的数字音频设备一般都对应着不同的音频文件格式，通常有wav、mp3、mp3pro、wma、mp4、sacd格式等。图像格式106(image format)：长度6比特。图像文件存放在记忆卡上的格式，通常有jpeg、tiff、raw等。音频大小107(sound size)：长度22比特。音频大小由码率和时长决定。码率是音频每秒的数据量，对同格式音频数据，码率越高，音质越好。常用高音质码率如：mp3为128kbps、aac(lc)为112kbps、aac(he)为96kbps、aac(he-v2)为48kbps。图像尺寸(image size)：长度24比特。图像尺寸108的长度与宽度是以像素为单位。比如：分辨率640
×
480的图片，大概需要31万像素，2048
×
1536的图片，则需要高达314万像素。像素图片分辨率越高，所需像素越多。总长度109(total length)：长度25比特。以字节为单位计算的数据帧的长度(包括首部和数据)，所以数据包最大长度33554431字节＝32mb。填充110(padding)：由于首部长度不是32比特的整数倍，通过向本字段填充0，调整为32比特的整数倍。数据114(data)：存储的是具体的数据内容112，是采集的图像数据和音频数据的组合。
42.为了进一步地保证得到的目标贝叶斯模型的分类准确率，本技术的另一种实施例中，采用各上述目标数据，对上述预设贝叶斯模型进行训练，得到上述目标贝叶斯模型，包括：根据各组上述原始数据对应的上述灰分值以及预设灰分区间，确定多个目标灰分集合，每一个上述目标灰分集合包括多组上述原始数据；构建上述预设贝叶斯模型其中，p(c)为上述目标灰分集合的先验概率，x
ij
为上述目标灰分集合中的第i组上述原始数据中的第j个属性，上述属性为光泽度、密集程度、或者破碎声音中的一个，w(i)为上述属性的权重，i从1开始取值，一直到n，n为上述目标灰分集合中上述原始数据的总数量，j从1开始取值，一直到m，m为一组上述原始数据中，上述属性的总个数；采用多个上述目标灰分集合，对上述预设贝叶斯模型的上述权重进行修正，得到上述目标贝叶斯模型。
43.具体地，上述预设灰分区间可以根据实际的情况进行划分，例如，上述预设灰分区间可以为8.1～8.5、8.6～8.9等等。由于每一组原始数据中均具有对应的灰分值，因此可以根据各组原始数据对应的灰分值和预设灰分区间，对多组原始数据进行划分，得到多个目标灰分集合。
44.具体地，上述目标灰分集合可以为一个分类区间的类，而该目标灰分集合中的每一个灰分值对应的光泽度、密集程度、以及破碎声音可以为该目标灰分集合的属性。
45.在实际的应用过程中，朴素贝叶斯模型源于古典数学理论，具备稳定的分类效率，同时算法本身逻辑简单，易于实现。与其他分类方法相比具有最小的误差率。在对浮选池中的浮选数据进行分类时，涉及的属性个数较少，且相关性不大，可以获得较好的分类效果。同时考虑到实际应用时，不同属性对分类结果的影响存在差异性，有些属性对分类影响较大而另一些属性对分类影响较小。故本技术的一种具体的实施例中，上述预设贝叶斯模型可以为基于加权朴素贝叶斯算法构建的。
46.本技术的再一种实施例中，采用多个上述目标灰分集合，对上述预设贝叶斯模型的上述权重进行修正，得到上述目标贝叶斯模型，包括：采用各上述目标灰分集合中的上述
属性和上述预设贝叶斯模型，计算多个分类正确概率；根据对上述预设贝叶斯模型中的权重进行修正，得到上述目标贝叶斯模型，其中，aj是第j个上述属性的分类正确概率；w(j)为上述权重。由于加权朴素贝叶斯算法中的各属性之间是相互独立的，因此可以根据各目标灰分集合中的各属性分别做一次分类，得到多个分类正确概率，并采用对多个分类正确概率进行归一化处理，从而对预设贝叶斯模型中的权重进行不断地修正，这样保证了得到的目标贝叶斯模型的分类准确率较高以及精度较高。
47.为了进一步地保证得到的目标灰分区间较为准确，以及降低其他干扰信息对分类结果的影响，本技术的一种实施例中，基于上述目标贝叶斯模型和实时获取的浮选数据，确定上述浮选数据对应的目标灰分区间，包括：采用小波变换，对上述浮选数据进行滤波处理，得到滤波浮选数据，上述滤波浮选数据包括滤波浮选图像数据和滤波浮选音频数据，上述滤波浮选图像数据用于表征上述浮选池内气泡的光泽度和密集程度，上述滤波浮选音频数据用于表征上述气泡的破碎声音；对各组的上述滤波浮选图像数据和上述滤波浮选音频数据进行同频组合处理，得到多组目标浮选数据；采用上述目标贝叶斯模型和上述目标浮选数据，确定对应的上述目标灰分区间。
48.本技术实施例还提供了一种煤炭的浮选装置，需要说明的是，本技术实施例的煤炭的浮选装置可以用于执行本技术实施例所提供的用于煤炭的浮选方法。以下对本技术实施例提供的煤炭的浮选装置进行介绍。
49.图3是根据本技术实施例的煤炭的浮选装置的结构示意图。如图3所示，该浮选装置包括：
50.获取单元10，用于获取浮选池内的多组原始数据，以及每一组上述原始数据对应的灰分值，其中，上述原始数据包括原始图像数据和原始音频数据；
51.训练单元20，用于至少采用多组上述原始数据和对应的上述灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型；
52.确定单元30，用于基于上述目标贝叶斯模型和实时获取的浮选数据，确定上述浮选数据对应的目标灰分区间，基于上述目标灰分区间确定对应的起泡剂和捕收剂的添加量，其中，上述浮选数据包括实时图像数据和实时音频数据。
53.上述的煤炭的浮选装置中，获取单元用于获取浮选池内的多组原始数据，以及每一组上述原始数据对应的灰分值；训练单元用于至少通过获取到的浮选池内的多组原始数据和各组上述原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型；确定单元用于通过目标贝叶斯模型对实时获取的浮选数据进行分类，得到上述浮选数据对应的目标灰分区间，并基于得到的目标灰分区间确定对应的起泡剂和捕收剂的添加量。与现有技术中采用机器学习训练得到的检测算法，预测实时获取的浮选数据对应的目标灰分区间，本方案中至少采用多组原始数据和各组原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，再使用目标贝叶斯模型对浮选数据进行分类，得到浮选数据对应的目标灰分区间。由于目标贝叶斯模型的时间复杂度在线性复杂度的范围内，这样
保证了目标贝叶斯模型的计算量较小以及计算速度较快，且通过时实时采集的浮选池的浮选数据，确定对应的目标灰分区间并基于目标灰分区间确定对应的起泡剂和捕收剂的添加量，实现灰分浮选的自主智能化，保证了浮选效益较高，从而解决了现有技术中实时计算灰分值的计算量较大以及计算速度较慢的技术问题。
54.本技术的一种具体的实施例中，在浮选池周边安装多个隔爆高速摄像仪和高保真拾音器，通过隔爆高速摄像仪获取浮选池的实时图像数据。通过高保真拾音器获取浮选池的实时音频数据。其中，设备端配置一台fpga+arm+vpu嵌入式控制器(即煤炭的浮选装置)，嵌入式控制器与隔爆高速摄像仪和高保真拾音器之间通过通讯线缆连接，这样便于敷设以及简单，减少因线缆断裂造成的维护工作量。
55.在实际的应用过程中，可以预先设定不同的目标灰分区间对应的起泡剂和捕收剂的添加量。在得到的实时获取的浮选数据对应的目标灰分区间之后，根据该目标灰分区间对应的起泡剂和捕收剂的添加量，确定对应的起泡剂和捕收剂的添加量，并进行自动加药。
56.在实际的应用过程中，由于浮选池实际的施工现场环境，会导致获取到的原始数据中存在较多的干扰信息，例如粉尘、水雾、噪声等等的干扰，因此为了保证得到的目标贝叶斯模型较为准确，以及进一步地保证后续根据目标贝叶斯模型对实时获取的浮选数据进行分裂，得到的目标灰分区间较为准确，本技术的一种实施例中，上述训练单元包括预处理模块和训练模块，其中，上述预处理模块用于对各组上述原始数据进行预处理，得到多组目标数据，上述预处理至少包括滤波处理；上述训练模块用于采用各上述目标数据，对上述预设贝叶斯模型进行训练，得到上述目标贝叶斯模型。
57.本技术的又一种实施例中，上述预处理模块包括滤波子模块和组合子模块，其中，上述滤波子模块用于采用小波变换，对各组上述原始数据进行滤波处理，得到多组滤波数据，其中，每组上述滤波数据包括滤波图像数据和滤波音频数据，上述滤波图像数据用于表征上述浮选池内气泡的光泽度和密集程度，上述滤波音频数据用于表征上述气泡的破碎声音；上述组合子模块用于对各组上述滤波图像数据和上述滤波音频数据进行同频组合处理，得到多组上述目标数据。在该实施例中，基于小波变换，对各组原始数据进行滤波处理，这样可以保证得到的多组滤波数据具有较少的干扰信息，再对各组滤波图像数据和滤波音频数据进行同频组合处理，进行数据标定，这样可以使得滤波图像数据和滤波音频数据可以相互对应，进一步地保证了后续得到的目标贝叶斯模型较为准确，以及目标贝叶斯模型对应的分类精度较高。
58.具体地，在实际的应用过程中，并不限于通过小波变换对各组原始数据进行滤波处理，还可以采用其他的滤波方法对各组原始数据进行滤波处理，例如低通滤波方法、带通滤波方法、限幅滤波方法等等。
59.本技术的一种具体的实施例中，通过隔爆摄像仪采集的原始图像数据，经过引导滤波器清除原始图像数据的无用噪声(诸如粉尘，水雾等干扰)，最大限度地保留图像原有的轮廓等细节信息，得到滤波图像数据。通过隔爆高保真拾音器采集的原始音频数据，通过小波变换将含噪信号进行滤波处理，得到滤波音频数据。
60.本技术的另一种具体的实施例中，通过隔爆高保真拾音器采集音频数据，该隔爆高保真拾音器的采集频率为50～10khz；通过隔爆摄像仪采集图像数据，该隔爆摄像仪的采集频率为20～200hz。之后以隔爆高保真拾音器的采样时间作为更新时间的最小单位，以
0.5秒为一时间段，截取每一个时间段内的全部的滤波音频数据；从隔爆摄像仪采集的图像数据种，每间隔0.5秒取一帧滤波图像数据作为图像数据，将获取截取后的滤波音频数据和滤波图像数据重新组合封装，得到多组目标数据。
61.本技术的又一种具体的实施例中，在得到目标数据的过程中，还提供了一种音视频组合编码方法。具体的，经过压缩后的图像数据和音频数据是由多个帧组成，帧是数据文件最小组成单位。每个帧又由帧头、数据内容组成。其长度随位率的不同而不等。本方案将音频声数据和图像数据进行同频组合，并规定了数据文件结构，如图2所示，该数据文件结构包括帧头格式113和数据114。其中，帧头格式113包括版本号100、首部长度101、数据偏移102、首部校验和103、标识符104、音频格式105、图像格式106、音频大小107、图像尺寸108、总长度109和填充110。具体地，版本号100(version)：长度4比特。标识目前采用的版本号。首部长度101(internet header length)：长度4比特。这个字段的作用是为了描述该数据包头的长度。该部分占4个bit位，单位为32bit(4个字节)，即本区域值＝数据帧头部长度(单位为bit)/(8
×
4)，因此，一个数据帧包头的长度最长为“1111”，即15
×
4＝60个字节。数据偏移102(data offset)：长度8比特。用来标识音频数据和视频数据采样时间点的偏差情况。无偏差对应值为0，偏差值最大时丢弃该数据包，最大偏差值为8
×
256＝2048字节位置处。首部校验和103(header checksum)：长度16比特。由发送端填充，接收端对其使用crc算法以检验数据包首部在传输过程中是否损坏。标识符104(identifier)：长度6比特。用来标识数据包内包含的数据类型，包括音频数据、图像数据、音频与图像的混合数据等。音频格式105(sound format)：长度6比特。是指数字音频的编码方式，不同的数字音频设备一般都对应着不同的音频文件格式，通常有wav、mp3、mp3pro、wma、mp4、sacd格式等。图像格式106(image format)：长度6比特。图像文件存放在记忆卡上的格式，通常有jpeg、tiff、raw等。音频大小107(sound size)：长度22比特。音频大小由码率和时长决定。码率是音频每秒的数据量，对同格式音频数据，码率越高，音质越好。常用高音质码率如：mp3为128kbps、aac(lc)为112kbps、aac(he)为96kbps、aac(he-v2)为48kbps。图像尺寸(image size)：长度24比特。图像尺寸108的长度与宽度是以像素为单位。比如：分辨率640
×
480的图片，大概需要31万像素，2048
×
1536的图片，则需要高达314万像素。像素图片分辨率越高，所需像素越多。总长度109(total length)：长度25比特。以字节为单位计算的数据帧的长度(包括首部和数据)，所以数据包最大长度33554431字节＝32mb。填充110(padding)：由于首部长度不是32比特的整数倍，通过向本字段填充0，调整为32比特的整数倍。数据114(data)：存储的是具体的数据内容112，是采集的图像数据和音频数据的组合。
62.为了进一步地保证得到的目标贝叶斯模型的分类准确率，本技术的另一种实施例中，上述训练模块包括确定子模块、构建子模块和修正子模块，其中，上述确定子模块用于根据各组上述原始数据对应的上述灰分值以及预设灰分区间，确定多个目标灰分集合，每一个上述目标灰分集合包括多组上述原始数据；上述构建子模块用于构建上述预设贝叶斯模型其中，p(c)为上述目标灰分集合的先验概率，x
ij
为上述目标灰分集合中的第i组上述原始数据中的第j个属性，上述属性为光泽度、密集程度、或者破碎声音中的一个，w(i)为上述属性的权重，i从1开始取值，一直到n，n为上述目标灰分集合中上述原始数据的总数量j从1开始取值，一直到m，m为一组上述原始数据中，上述属性
的总个数；上述修正子模块用于采用多个上述目标灰分集合，对上述预设贝叶斯模型的上述权重进行修正，得到上述目标贝叶斯模型。
63.具体地，上述预设灰分区间可以根据实际的情况进行划分，例如，上述预设灰分区间可以为8.1～8.5、8.6～8.9等等。由于每一组原始数据中均具有对应的灰分值，因此可以根据各组原始数据对应的灰分值和预设灰分区间，对多组原始数据进行划分，得到多个目标灰分集合。
64.具体地，上述目标灰分集合可以为一个分类区间的类，而该目标灰分集合中的每一个灰分值对应的光泽度、密集程度、以及破碎声音可以为该目标灰分集合的属性。
65.在实际的应用过程中，朴素贝叶斯模型源于古典数学理论，具备稳定的分类效率，同时算法本身逻辑简单，易于实现。与其他分类方法相比具有最小的误差率。在对浮选池中的浮选数据进行分类时，涉及的属性个数较少，且相关性不大，可以获得较好的分类效果。同时考虑到实际应用时，不同属性对分类结果的影响存在差异性，有些属性对分类影响较大而另一些属性对分类影响较小。故本技术的一种具体的实施例中，上述预设贝叶斯模型可以为基于加权朴素贝叶斯算法构建的。
66.本技术的再一种实施例中，上述修正子模块包括计算子模块包括和权重修正子模块，其中，上述计算子模块用于采用各上述目标灰分集合中的上述属性和上述预设贝叶斯模型，计算多个分类正确概率；上述权重修正子模块用于根据对上述预设贝叶斯模型中的权重进行修正，得到上述目标贝叶斯模型，其中，aj是第j个上述属性的分类正确概率；w(j)为上述权重。由于加权朴素贝叶斯算法中的各属性之间是相互独立的，因此可以根据各目标灰分集合中的各属性分别做一次分类，得到多个分类正确概率，并采用对多个分类正确概率进行归一化处理，从而对预设贝叶斯模型中的权重进行不断地修正，这样保证了得到的目标贝叶斯模型的分类准确率较高以及精度较高。
67.为了进一步地保证得到的目标灰分区间较为准确，以及降低其他干扰信息对分类结果的影响，本技术的一种实施例中，上述确定单元包括滤波处理模块、同频组合模块和确定模块，其中，上述滤波处理模块用于采用小波变换，对上述浮选数据进行滤波处理，得到滤波浮选数据，上述滤波浮选数据包括滤波浮选图像数据和滤波浮选音频数据，上述滤波浮选图像数据用于表征上述浮选池内气泡的光泽度和密集程度，上述滤波浮选音频数据用于表征上述气泡的破碎声音；上述同频组合模块用于对各组的上述滤波浮选图像数据和上述滤波浮选音频数据进行同频组合处理，得到多组目标浮选数据；上述确定模块用于采用上述目标贝叶斯模型和上述目标浮选数据，确定对应的上述目标灰分区间。
68.上述煤炭的浮选装置包括处理器和存储器，上述获取单元、训练单元和确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
69.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中实时计算灰分值的计算量较大以及计算速度
较慢的技术问题。
70.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
71.本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述煤炭的浮选方法。
72.本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述煤炭的浮选方法。
73.本技术的一种典型的实施例中，还提供了一种浮选系统，如图4所示，该浮选系统包括图像采集设备119、声音采集设备120和煤炭的浮选装置116，其中，上述图像采集设备119和上述声音采集设备120均与上述煤炭的浮选装置116通信连接，上述煤炭的浮选装置116用于执行任意一种上述的煤炭的浮选方法。
74.上述的浮选系统包括图像采集设备、声音采集设备和煤炭的浮选装置，该浮选装置与图像采集设备和声音采集设备通信连接，且该浮选装置用于执行上述任一种煤炭的浮选方法。上述的浮选方法中，至少通过获取到的浮选池内的多组原始数据和各组上述原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型。再通过目标贝叶斯模型对实时获取的浮选数据进行分类，得到上述浮选数据对应的目标灰分区间，并基于得到的目标灰分区间确定对应的起泡剂和捕收剂的添加量。与现有技术中采用机器学习训练得到的检测算法，预测实时获取的浮选数据对应的目标灰分区间，本方案中至少采用多组原始数据和各组原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，再使用目标贝叶斯模型对浮选数据进行分类，得到浮选数据对应的目标灰分区间。由于目标贝叶斯模型的时间复杂度在线性复杂度的范围内，这样保证了目标贝叶斯模型的计算量较小以及计算速度较快，且通过时实时采集的浮选池的浮选数据，确定对应的目标灰分区间并基于目标灰分区间确定对应的起泡剂和捕收剂的添加量，实现灰分浮选的自主智能化，保证了浮选效益较高，从而解决了现有技术中实时计算灰分值的计算量较大以及计算速度较慢的技术问题。
75.本技术的一种具体的实施例中，如图4所示，该浮选系统还包括矿用本安拾音机121、工业相机122、加药控制箱123、加药系统设备124、poe交换机117(power over ethernet，简称poe)、电源适配器118以及硬盘录像机115。
76.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
77.步骤s101，获取浮选池内的多组原始数据，以及每一组上述原始数据对应的灰分值，其中，上述原始数据包括原始图像数据和原始音频数据；
78.步骤s102，至少采用多组上述原始数据和对应的上述灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型；
79.步骤s103，基于上述目标贝叶斯模型和实时获取的浮选数据，确定上述浮选数据对应的目标灰分区间，基于上述目标灰分区间确定对应的起泡剂和捕收剂的添加量，其中，上述浮选数据包括实时图像数据和实时音频数据。
80.本文中的设备可以是服务器、pc、pad、手机等。
81.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
82.步骤s101，获取浮选池内的多组原始数据，以及每一组上述原始数据对应的灰分值，其中，上述原始数据包括原始图像数据和原始音频数据；
83.步骤s102，至少采用多组上述原始数据和对应的上述灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型；
84.步骤s103，基于上述目标贝叶斯模型和实时获取的浮选数据，确定上述浮选数据对应的目标灰分区间，基于上述目标灰分区间确定对应的起泡剂和捕收剂的添加量，其中，上述浮选数据包括实时图像数据和实时音频数据。
85.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
86.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
87.上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。
88.另外，在本发明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。
89.上述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
90.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
91.1)、本技术的煤炭的浮选方法中，至少通过获取到的浮选池内的多组原始数据和各组上述原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型。再通过目标贝叶斯模型对实时获取的浮选数据进行分类，得到上述浮选数据对应的目标灰分区间，并基于得到的目标灰分区间确定对应的起泡剂和捕收剂的添加量。与现有技术中采用机器学习训练得到的检测算法，预测实时获取的浮选数据对应的目标灰分区间，本方案中至少采用多组原始数据和各组原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，再使用目标贝叶斯模型对浮选数据进行分类，得到浮选数据对应的目标
灰分区间。由于目标贝叶斯模型的时间复杂度在线性复杂度的范围内，这样保证了目标贝叶斯模型的计算量较小以及计算速度较快，且通过时实时采集的浮选池的浮选数据，确定对应的目标灰分区间并基于目标灰分区间确定对应的起泡剂和捕收剂的添加量，实现灰分浮选的自主智能化，保证了浮选效益较高，从而解决了现有技术中实时计算灰分值的计算量较大以及计算速度较慢的技术问题。
92.2)、本技术的煤炭的浮选装置中，获取单元用于获取浮选池内的多组原始数据，以及每一组上述原始数据对应的灰分值；训练单元用于至少通过获取到的浮选池内的多组原始数据和各组上述原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型；确定单元用于通过目标贝叶斯模型对实时获取的浮选数据进行分类，得到上述浮选数据对应的目标灰分区间，并基于得到的目标灰分区间确定对应的起泡剂和捕收剂的添加量。与现有技术中采用机器学习训练得到的检测算法，预测实时获取的浮选数据对应的目标灰分区间，本方案中至少采用多组原始数据和各组原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，再使用目标贝叶斯模型对浮选数据进行分类，得到浮选数据对应的目标灰分区间。由于目标贝叶斯模型的时间复杂度在线性复杂度的范围内，这样保证了目标贝叶斯模型的计算量较小以及计算速度较快，且通过时实时采集的浮选池的浮选数据，确定对应的目标灰分区间并基于目标灰分区间确定对应的起泡剂和捕收剂的添加量，实现灰分浮选的自主智能化，保证了浮选效益较高，从而解决了现有技术中实时计算灰分值的计算量较大以及计算速度较慢的技术问题。
93.3)、本技术的浮选系统包括图像采集设备、声音采集设备和煤炭的浮选装置，该浮选装置与图像采集设备和声音采集设备通信连接，且该浮选装置用于执行上述任一种煤炭的浮选方法。上述的浮选方法中，至少通过获取到的浮选池内的多组原始数据和各组上述原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型。再通过目标贝叶斯模型对实时获取的浮选数据进行分类，得到上述浮选数据对应的目标灰分区间，并基于得到的目标灰分区间确定对应的起泡剂和捕收剂的添加量。与现有技术中采用机器学习训练得到的检测算法，预测实时获取的浮选数据对应的目标灰分区间，本方案中至少采用多组原始数据和各组原始数据对应的灰分值，对预设贝叶斯模型进行训练，得到目标贝叶斯模型，再使用目标贝叶斯模型对浮选数据进行分类，得到浮选数据对应的目标灰分区间。由于目标贝叶斯模型的时间复杂度在线性复杂度的范围内，这样保证了目标贝叶斯模型的计算量较小以及计算速度较快，且通过时实时采集的浮选池的浮选数据，确定对应的目标灰分区间并基于目标灰分区间确定对应的起泡剂和捕收剂的添加量，实现灰分浮选的自主智能化，保证了浮选效益较高，从而解决了现有技术中实时计算灰分值的计算量较大以及计算速度较慢的技术问题。
94.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。