煤炭自燃早期预测的粗糙集分析方法

煤炭井下火灾防治的研究一直是煤矿安全生产的重要课题,而煤炭自燃的预测是防治工作的关键环节[1].煤炭自燃的预测是一个非常复杂和困难的工作,涉及到大量不精确的、不确定性的信息处理.粗糙集(Rough Set,RS)理论是波兰科学家Z.Pawlak在1982年首先提出一种分析数据的数学理论[2],该理论在分类意义下定义了模糊性和不确定性的概念,是一种处理不确定性和不精确性问题的新型数学工具.RS能有效地分析和处理不精确、不一致、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律.RS理论从新的视角对知识进行了定义,把知识看成是关于论域的划分,认为知识是有粒度的,它主要用于对知识的简化及知识依赖性的分析.     

粗糙集分析方法在采场煤炭自燃预测中的应用

考虑影响采场煤炭自燃的主要因素：回采速度、煤的变质程度和通风，对已有的历史数据集运用粗糙集数据挖掘分析方法，对开采煤炭自燃发火的危险程度进行了数据挖掘，得到了一个决策规则集，为判断煤炭自燃发火危险程度提供了一种新的方法．     

基于Mask R-CNN与改进Criminisi的沥青路面车道线移除方法

在对沥青路面病害图像进行自动分类时,含车道线的图像数量较多易造成干扰。 为此,提出一种车道线移除方法以降低其对分类的影响,首先基于 Mask R-CNN 网络训练出复 杂背景下车道线区域的检测模型,通过该模型自动获取车道线区域 mask;然后利用 mask 将车 道线区域全部移除得到破损图像;最后用改进的 Criminisi 图像修复方法对破损图像进行样本块 填充。实验表明,采用 Mask R-CNN 方法对 400 张不同环境下的路面图像进行检测,其漏检率 和误检率分别为 0.50%和 7.87%。在保证图像修复质量的基础上,改进的 Criminisi 方法在修复 速度上比改进前提升约 4~5 倍。同等条件下,采用 VGG 分类模型对比验证,经该算法移除车 道线后的新数据集表现更优。