- Tytuł:
-
Identification of macerals of the inertinite group using neural classifiers, based on selected textural features
Identyfikacja macerałów grupy inertynitu z wykorzystaniem klasyfikatorów neuronowych w oparciu o wybrane cechy tekstury - Autorzy:
-
Skiba, M.
Młynarczuk, M. - Powiązania:
- https://bibliotekanauki.pl/articles/219222.pdf
- Data publikacji:
- 2018
- Wydawca:
- Polska Akademia Nauk. Czytelnia Czasopism PAN
- Tematy:
-
sieci neuronowe
analiza składowych głównych
macerały grupy inertynitu
właściwości węgla
parametry Haralicka
macierz zdarzeń
macerals of the inertinite group
neural networks
coal properties
Haralick parameters
co-occurrence matrix
principal component analysis (PCA) - Opis:
-
The petrographic composition of coal has a significant impact on its technological and sorption properties. That composition is most frequently determined by means of microscope quantitative analyses. Thus, aside from the purely scientific aspect, such measurements have an important practical application in the industrial usage of coal, as well as in issues related to the safety in underground mining facilities. The article discusses research aiming at analyzing the usefulness of selected parameters of a digital image description in the process of automatic identification of macerals of the inertinite group using neural networks. The description of the investigated images was based on statistical parameters determined on the basis of a histogram and co-occurrence matrix (Haralick parameters). Each of the studied macerals was described by means of a 20-element feature vector. An analysis of its principal components (PCA) was conducted, along with establishing the relationship between the number of the applied components and the effectiveness of the MLP network. Based on that, the optimum number of input variables for the investigated classification task was chosen, which resulted in reduction of the size of the network’s hidden layer. As part of the discussed research, the authors also analyzed the process of classification of macerals of the inertinite group using an algorithm based on a group of MLP networks, where each network possessed one output. As a result, average recognition effectiveness of 80.9% was obtained for a single MLP network, and of 93.6% for a group of neural networks. The obtained results indicate that it is possible to use the proposed methodology as a tool supporting microscopic analyses of coal.
Skład petrograficzny węgla w istotnym stopniu wpływa na jego właściwości technologiczne oraz sorpcyjne. Jest on najczęściej wyznaczany za pomocą mikroskopowych analiz ilościowych. Obok aspektu czysto naukowego, tego typu pomiary odgrywają więc znaczącą rolę praktyczną w przemysłowym wykorzystaniu surowca oraz zagadnieniach związanych z bezpieczeństwem w kopalniach podziemnych. W artykule przedstawiono badania mające na celu analizę przydatności wybranych parametrów opisu obrazu cyfrowego do prac dotyczących automatycznej identyfikacji macerałów grupy inertynitu z wykorzystaniem sieci neuronowych. Opis badanych obrazów oparto o parametry statystyczne wyznaczone na podstawie histogramu oraz macierzy zdarzeń (parametry Haralicka). Każdy z badanych maceratów opisano za pomocą 20-elementowego wektora cech. Przeprowadzono analizę jego składowych głównych (PCA) oraz określono wpływ liczby zastosowanych składowych na skuteczność działania sieci MLP. Na tej podstawie dobrano optymalną liczbę zmiennych wejściowych dla rozpatrywanego zagadnienia klasyfikacji, co skutkowało redukcją wymiaru warstwy ukrytej sieci. W ramach opisanych prac przeprowadzono także analizy dotyczące klasyfikacji macerałów grupy inertynitu z wykorzystaniem algorytmu bazującego na grupie sieci MLP, z których każda posiadała jedno wyjście. W wyniku badań uzyskano średnią skuteczność rozpoznań na poziomie 80,9% dla pojedynczej sieci MLP oraz 93,6% w przypadku grupy sieci neuronowych. Otrzymane rezultaty wskazują na możliwość zastosowania proponowanej metodyki jako narzędzia wspierającego mikroskopowe analizy węgla. - Źródło:
-
Archives of Mining Sciences; 2018, 63, 4; 827-837
0860-7001 - Pojawia się w:
- Archives of Mining Sciences
- Dostawca treści:
- Biblioteka Nauki
Artykuł