Wyniki wyszukiwania - BazTech

1

The influence of the discrepancies in the observers' decisions on the process of identification of maceral groups using artificial neural networks

Skiba M.

Journal of Sustainable Mining

|

2016

|

Vol. 15, iss. 4

151--155

EN

When analyzing the sorption properties of coal in the context of gas hazards in underground mining, focus should be placed on a number of aspects. These include the internal structure of coal, its structural properties, and its maceral composition. The share of particular macerals is most often determined manually, which e due to the huge diversity of petrographic features e can pose some difficulties even for experienced petrographers. Over the past few years, studies have been carried out into the use of artificial neural networks as a means to develop a methodology that would enable the identification of maceral groups based solely on the knowledge which the computer gains from sample macroscopic images and the information about their content provided by the observer. This paper investigates the effect that the selection of the training set, defined by particular teachers e petrographers, has on the effectiveness of selected neural classifiers. The research was carried out with the participation of three expert petrographers, who classified maceral groups in the macroscopic images of a lump sample of coal extracted from the Upper Silesian Coal Basin. Next, the feature space describing particular classes was defined using image analysis methods. The parameters defining that space were determined each time within a certain neighborhood of the studied points. Thus, the obtained sets were used to train neural networks (MLP) and to indicate the optimal network architecture for each expert. The research also included the identification of the influence that the change of the “teacher” e observer has on the identification process of the analyzed objects, as well as the automatic analysis of those measuring points which were classified differently by the observers e petrographers. The results presented concerning the objectivization of the quantitative analyses of coal indicate that modern methods of image analysis and artificial neural networks can contribute to the improvement of these measurements. However, it requires close cooperation between the designer of the neural network and the expert e petrographer.

2

Optymalizacja procesu automatycznej klasyfikacji cech strukturalnych węgla z obszarów zagrożonych wyrzutami gazów i skał opartego na metodach rozpoznawania obrazów

Młynarczyk M., Godyń K., Aksamit J.

Prace Instytutu Mechaniki Górotworu PAN

|

2013

|

Vol. 15, no. 1-2

85--93

PL

W ramach prac kontynuowano rozpoczęte w roku 2012 badania pozwalające na wykorzystanie metod rozpoznawania obrazów do identyfikacji cech strukturalnych i petograficznych węgla. Skoncentrowano się na automatycznej identyfikacji witrynitu, inertynitu oraz kataklazy. Są to cechy petrograficzne i strukturalne węgla najczęściej analizowane w IMG PAN przy ocenie stanu zagrożenia wyrzutowego. W badaniach oceniono przydatność wybranych parametrów tworzących przestrzeń cech, zbadano wpływ wielkości okna pomiarowego na wynik rozpoznania, przebadano wpływ przestrzeni barw, w której prowadzone są pomiary oraz dokonano analizy wpływu metryki odległości, w której wykonywane są obliczenia. W wyniku przeprowadzonych analiz otrzymano wysoki odsetek poprawnych klasyfikacji badanych struktur sięgający ponad 95%. Potwierdza to przydatność metod sztucznej inteligencji do automatycznej identyfikacji wybranych cech petrografi cznych i strukturalnych węgla.

EN

In 2012 research work was undertaken aimed to utilise the pattern recognition methods in identification of structural and petrographic features of coal. This stage of the research program was focused on automatic identification of vitrinite, inertinite and cataclasis. These petrographic and structural features of coals are typically analysed at the Strata Mechanics Research Institute when evaluating the outburst hazard. The adequacy of parameters defining the features space as well as the infl uence of the measurement window size on the result of recognition was evaluated. Other issues addressed include the influence of the colour space in which the measurements are taken and the impact of distance metrics. Results include a high-proportion of correct classifications of investigated structures (over 95%), thus confirming the adequacy of AI methods in automatic identification of selected petrographic and structural features of coal.

3

Wykorzystanie metod rozpoznawania obrazów do wspierania procesu decyzyjnego dotyczącego klasyfikacji węgla ze względu na wybrane cechy petrograficzne

Młynarczuk M., Godyń K.

Prace Instytutu Mechaniki Górotworu PAN

|

2012

|

Vol. 14, no. 1-4

3--14

PL

W ramach prac wykonano wstępne badania pozwalające na opracowanie metod rozpoznawania obrazów mikroskopowych węgla, możliwych do wykorzystania w procesie decyzyjnym dotyczącym klasyfikacji cech petrograficznych (takich jak skład macerałowy) oraz strukturalnych (np. stopień destrukcji). Bazując na wcześniejszych badaniach uznano, że najbardziej istotna z punktu widzenia układu węgiel-gaz będzie identyfikacja witrynitu, inertynitu, kataklazy oraz (ze względów pomiarowych) kleju, w którym zatopione są badane okruchy węgla. Zdefiniowano wielowymiarową przestrzeń cech, która pozwoliła – bazując na metodach rozpoznawania obrazów – w sposób automatyczny klasyfikować wspomniane cechy. W wyniku przeprowadzonych analiz otrzymano poprawne klasyfikacje tych cech na poziomie sięgającym 96%. Wykazano tym samym, że metody sztucznej inteligencji, pozwalają na identyfikowanie wybranych parametrów petrograficznych i strukturalnych węgla. Dalsze rozwijanie tej metodyki może doprowadzić do opracowania uniwersalnego narzędzia, które pozwoli na obiektywizm w ocenie większej ilości cech petrograficznych i strukturalnych węgla.

EN

Preliminary tests were performed to develop methods supporting the recognition of microscopic images of coal, to be used in the decision-making processes involved in coal classification in terms of their petrographic (maceral composition) and structural properties (the extent of structural damage). Results of previous tests reveal that identification of vitrinite, inertinite, catalase as well as adhesives encapsulating the tested coal fragments is of particular importance in the case of coal-gas systems. The multi-dimensional space of coal properties is defined, allowing an automatic classifi cation of pre-defined features, basing on image recognition methods. This procedure allowed for correct classification of those properties, the accuracy level approaching 96%. It appears that AI (artificial intelligence) methods enable the identification of selected petrographic and structural parameters of coal. Further development of this methodology may result in creation of an universal tool allowing the objective evaluation of a larger number of petrographic and structural properties of coal.