Ontology construction and safety rule reasoning of main types of work in coal mine
-
摘要: 目前煤矿领域本体侧重于对事故的预测，尚无针对煤矿作业人员操作安全性的本体研究。为及时发现作业人员的危险操作来为作业人员提供安全预警，提出了一种煤矿主要工种本体构建及安全规则推理方法。根据煤矿实际生产状况，将煤矿生产中的作业人员、操作设备、操作方法、地点、环境、事故和状态等信息形式化表示，利用本体语言构建了覆盖采煤系统、掘进系统、机电运输、地质测量、通风瓦斯、综合防尘和选煤厂等生产系统的煤矿主要工种本体。根据煤矿领域专业文献中的安全生产规定，基于Jena自定义规则语法制定了安全规则，并基于安全规则实现对煤矿主要工种本体中作业人员操作安全性的推理。实验结果表明，基于煤矿主要工种本体及安全规则来判断作业人员安全状态有效可行，为煤矿安全生产提供了一种辅助保障手段。Abstract: At present, the ontology of coal mine field focuses on the prediction of accidents, and there is no ontology research for the operation safety of coal mine operating personnel. In order to detect the dangerous operation of operating personnel in time to provide safety warning for operating personnel, a method of ontology construction and safety rule reasoning for main types of work in coal mine is proposed. According to the actual production situation of coal mine, the information of operating personnel, apparatus, operating methods, location, environment, accidents and state in coal mine production is formally represented. The main types of work ontology of coal mine covering coal mining system, roadway heading system, electromechanical transportation, geological survey, ventilation gas, comprehensive dust prevention, coal preparation plant and other production systems is constructed by ontology language. According to the safety production regulations in the professional literature of coal mine field, the safety rules are formulated based on Jena custom rule grammar, and the reasoning of operation safety of operating personnel in the main types of work ontology of coal mine is realized based on the safety rules. The experimental results show that it is effective and feasible to judge the safety state of operating personnel based on the ontology of main types of work and safety rules, which provides an auxiliary guarantee method for coal mine safety production.
-
Keywords:
- type of work in coal mine /
- ontology /
- safety rule /
- reasoning /
- Jena /
- operation security
-
0. 引言
煤炭作为我国的主体能源，是能源供给的“压舱石”[1-3]。近年来，我国煤矿智能化发展迅速，煤炭开采正在迈向“少人化、无人化”阶段[4-6]，对于实时检测的需求也逐渐从运输巷、变电所等简单场景转向采掘工作面等复杂场景。但受煤矿井下采掘工作面高粉尘、低照度等环境因素影响，传统的目标检测方法存在目标尺度跨度大、多目标间相互遮挡严重及检测精度低等问题，因此研究一种可以适应煤矿采掘工作面复杂环境的多目标检测算法，对煤矿井下的多目标检测具有重要意义。
基于深度学习的多目标检测算法逐渐成为研究热点[7-8]。基于深度学习的多目标检测算法可分为两阶段多目标检测算法和单阶段多目标检测算法[9]。两阶段多目标检测算法主要以Fast R−CNN[10]、Faster R−CNN[11]及Mask R−CNN[12]为代表。杨文斌[13]采用Faster R−CNN算法检测刮板输送机中的角铁和锚杆等多种异物，识别精度达90%以上。郭永存等[14]以Mask R−CNN模型为基础，通过引入压缩−激励模块与混合空洞卷积，提高了模型对煤矿井下巷道中的信号灯和小石块等多目标的检测精度。史凌凯等[15]采用K−meansⅡ聚类算法和Laplace算子优化Mask R−CNN模型，提高了模型对角铁、钢板及铁锹等异物的检测精度和检测速度。但上述算法模型体积大，检测速度慢，无法满足实时检测的需求。
单阶段多目标检测算法主要以YOLO[16]系列算法、SSD[17]系列算法、CornerNet[18]系列算法等为代表，其中YOLO系列算法检测效率高且泛化能力强[19]。王科平等[20]以YOLOv4为基础，通过引入残差自注意力机制和深度可分离卷积，平衡了模型的参数量、计算量及检测精度，并在此基础上提高了模型对综采工作面的采煤机、刮板输送机及行人等多目标的检测精度。杨艺等[21]先使用CSPDarknet网络、空间金字塔池化（Spatial Pyramid Pooling，SPP）模型及路径聚合网络（Path Aggregation Network，PANet）提取综采工作面视频特征，再使用深度可分离卷积对YOLOv4模型进行轻量化处理，从而提高了模型对线槽、采煤机、行人等6种目标的检测精度。郭永存等[22]采用K−means++算法、四尺度预测网络及SPP模块对YOLOv4−Tiny算法进行改进，提高了模型对矿井巷道中的碎石、行人及电机车等多目标的检测精度；樊红卫等[23]使用Partial Conv模块、Res2Net网络和ECA注意力机制优化YOLOv5模型，提高了模型对带式输送机中的煤、矸石和螺母等多目标的检测精度，降低了模型参数量和计算量。上述研究通过在YOLO系列算法中引入轻量化网络、注意力机制、深度可分离卷积等，一定程度上提升了煤矿多目标检测速度与精度，但其所针对的应用场景较为简单，而煤矿采掘工作面环境恶劣，同时还存在人机相互遮挡、目标尺度变化剧烈等复杂工况，容易引起误检、漏检与检测精度降低等问题。
因此，为实现煤矿井下复杂环境下的多目标实时检测任务，本文以YOLOv5s为基础，通过FasterNet网络、双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）、ECIoU损失函数对模型的各部分进行改进，提出了一种基于FBEC−YOLOv5s的采掘工作面多目标检测算法，并通过实验验证了该算法的有效性。
1. YOLOv5s算法
YOLOv5s网络主要包括输入端（input）、骨干网络（backbone）、颈部（neck）和预测端（head）4个部分。输入端主要是对数据进行预处理，包括Mosaic数据增强、图像大小缩放及预定义候选框尺寸计算等；骨干网络进行物体的特征提取，由跨阶段部分网络（Cross Stage Partial Network，CBS）、BottleneckCSP/C3卷积块及快速空间金字塔池化（Spatial Pyramid Pooling-Fast，SPPF）等组成；颈部能够连接不同尺度的特征层并进行特征融合，一般由特征金字塔网络（Feature Pyramid Network，FPN）和PANet组成；预测端对图像特征进行预测，生成边界框和预测类别。
2. FBEC−YOLOv5s算法
FBEC−YOLOv5s的网络结构如图1所示。
2.1 FasterNet
为提高模型检测精度与训练效率，本文在原YOLOv5s模型中引入FasterNet[24]网络（图2），凭借其残差连接与批标准化模块，增强模型的特征提取和语义信息捕捉能力，并减少数据传输中的噪声干扰与数据交错频次。FasterNet网络共有4个阶段，每个阶段前均有1个嵌入层（Embedding）或1个合并层（Merging），用于空间下采样及通道数扩展，且每个阶段均有少量FasterNet模块（FasterNet Block）以循环使用输入特征，最后的全局池化层（Global Pool）、卷积层（Conv 1×1）、全连接层（Full Connected，FC）则被用于特征分类。图2中，Cn（n=1，2，3，4）为FasterNet网络第n个阶段的通道数，h，w分别为输入图像的高和宽，ln为FasterNet网络第n个阶段的数量。
2.2 BiFPN
由于煤矿井下采掘工作面工作人员及采掘装备在多种作业场景中的姿态持续变化，导致多种目标尺度跨度增大，模型检测精度降低。BiFPN[25]能够进行高效的双向跨尺度连接与加权特征图融合操作，实现多尺度特征的快速捕捉与融合。因此，本文采用BiFPN结构替换PANet[26]结构，以增强YOLOv5s网络模型的多尺度适应能力，如图3所示。
![]()
图 3 不同特征金字塔网络结构对比Figure 3. Comparison of different features pyramid network structures2.3 ECIoU
YOLOv5s模型的损失函数由边框回归损失、置信度损失及分类概率损失3个部分组成。原YOLOv5s模型中主要采用CIoU[27]与EIoU[28]作为损失函数，其中，采用CIoU进行回归计算时，易限制模型检测框与真实框的相似性优化；当检测框存在较远边缘时，采用EIoU损失函数易引起模型收敛速度降低。因此，本文采用ECIoU[29]损失函数提升检测框定位精度和模型收敛速度。
ECIoU损失函数先采用CIoU调整预测框的长宽比，再采用EIoU调整预测框的每条边。
$$ E = 1 - I + \alpha v + \frac{{{\rho ^2}\left( {{b^{{\mathrm{gt}}}},b} \right)}}{{{a^2}}} + \frac{{{\rho ^2}\left( {{h^{{\mathrm{gt}}}},h} \right)}}{{d^2}} + \frac{{{\rho ^2}\left( {{w^{{\mathrm{gt}}}},w} \right)}}{{f^2}} $$ (1) $$ \nu = \frac{4}{{{{\text{π}} ^2}}}\left(\arctan \frac{{{w^{{\mathrm{gt}}}}}}{{{h^{{\mathrm{gt}}}}}} - \arctan \frac{w}{h}\right) $$ (2) 式中：I为预测框与真实框面积的交并比；$ \alpha $为平衡尺度的权重参数；$ \nu $为预测框和真实框间纵横比的一致性度量；$ {\rho }^{2}({b}^{{\mathrm{gt}}}， b) $为预测框和真实框中心点之间的欧几里得距离平方值；$ {\rho }^{2}({h}^{{\mathrm{gt}}}， h) $和$ {\rho }^{2}({w}^{{\mathrm{gt}}}， w) $分别为预测框和真实框高度和宽度的平方差值；$ a,{d},{f} $分别为两框最小闭包区域的对角线长度、高度和宽度；b为预测框中心；$ {w^{{\mathrm{gt}}}},{h^{{\mathrm{gt}}}},{b^{{\mathrm{gt}}}} $分别为真实框的宽、高、中心点。
3. 实验及结果分析
3.1 数据采集与标注
本文所使用的数据集来源于多个煤矿采掘工作面的生产监控视频，通过对视频进行抽帧处理，得到500张图像，再采用高斯噪声（noise）、随机对比度（contra）、水平翻转（H−flip）、垂直翻转（V−flip）、HSV变换及随机剪裁与填充（Cr−pad）等数据增强方法对图像进行处理，处理后的部分图像如图4所示，最终将500张原始图像扩充至2 000张图像，作为本文实验的数据集。
采用LabelImg工具对数据集进行标注，将标注后的2 000张图像按8∶1∶1的比例划分为训练集、验证集及测试集，分为person（行人）、R−cutting（掘进机截割头）、S−cutting（采煤机截割头）、A−juMibtolter（机载锚杆钻机）、H−juMibtolter（手持锚杆钻机）及Support（液压支架）。部分标注图像如图5所示。
3.2 参数配置及评价指标
参数设置：图像大小为640×640，通道数为32，批次样本数为16，动量因子为0.937，迭代次数为300，权重衰减系数为0.000 5，学习率初始值为0.01。本文实验所有算法的训练、验证及测试均在同台计算机的ubuntu20.04上进行，环境配置见表1。
表 1 网络训练环境Table 1. Network training environment环境 配置参数 CPU 15 vCPU Intel（R） Xeon（R） Platinum 8358P CPU GPU RTX 3090（24 GB） 加速环境 Python3.8，Cuda11.3 语言环境 Python3.8 本文采用准确率、平均精度及平均检测精度均值作为模型的评价指标。
$$ P=\frac{N\mathrm{_{TP}}}{N\mathrm{_{TP}}+N\mathrm{_{FP}}} $$ (3) 式中：P为准确率；NTP为被正确检测为正确目标的采掘装备及工作人员数量；NFP为被错误检测为正确目标的采掘装备及工作人员数量。
平均精度是指模型对某个单一目标的平均检测精度，以精确率P为横坐标，召回率R为纵坐标，绘制P−R曲线，P−R曲线与横纵坐标轴围成的面积即为平均检测精度。
$$ M = \frac{{\displaystyle\sum Q }}{n} $$ (4) 式中：M为平均精度均值；Q为各分类的平均精度；n为待检测目标的类别数量。
3.3 消融实验
为验证各改进模块的有效性，本文以相同训练策略开展消融实验，结果见表2。可看出优化模型1（YOLOv5s+ECIoU）的准确率较YOLOv5s的准确率提升了0.7%，平均检测精度均值提升了0.8%，平均检测速度（Frames Per Second, FPS）提升了0.3帧/s；优化模型2（YOLOv5s+BiFPN）的准确率较YOLOv5s的准确率提升1.4%，平均检测精度均值提升了1.6%，参数量上升了1.06 MiB，FPS下降了5.6帧/s；优化模型3（YOLOv5s+FasterNet）的准确率较YOLOv5s的准确率提升了0.9%，平均检测精度均值提升了1%，参数量上升了1.03 MiB，FPS下降了3.8帧/s；优化模型4（YOLOv5s+ECIoU+BiFPN）的准确率较YOLOv5s的准确率提升了1.3%，平均检测精度均值提升了1.9%，参数量上升了1.06 MiB，FPS下降了5.6帧/s；优化模型5（YOLOv5s+ECIoU+FasterNet）的准确率较YOLOv5s的准确率提升了0.9%，平均检测精度均值提升了1.7%，参数量上升了1.03 MiB，FPS下降了10.7帧/s；优化模型6（YOLOv5s+BiFPN+FasterNet）的准确率较YOLOv5s的准确率提升了3.1%，平均检测精度均值提升 2.5%，参数量上升了1.12 MiB，FPS下降了13.5帧/s；优化模型7（YOLOv5s+ECIoU+BiFPN+FasterNet）即FBEC−YOLOv5s模型的准确率较YOLOv5s的准确率提升了3.6%，平均检测精度均值提升了2.8%，参数量上升了1.12 MiB, 提高了模型的检测精度，由于网络结构的改进使得网络层数增加，导致参数量上升1.12 MiB，FPS下降10.1帧/s，但仍满足煤矿井下实时检测的要求。
表 2 消融实验结果Table 2. Results of ablation experiments模型 ECIoU BiFPN FasterNet 准确率/% 平均检测精度均值/% 参数量/MiB FPS/（帧·s−1） YOLOv5s × × × 93.8 89.6 7.03 138.9 优化模型1 √ × × 94.5 90.4 7.03 139.2 优化模型2 × √ × 95.2 91.2 8.09 133.3 优化模型3 × × √ 94.7 90.6 8.06 135.1 优化模型4 √ √ × 95.1 91.5 8.09 133.3 优化模型5 √ × √ 94.7 91.3 8.06 128.2 优化模型6 × √ √ 96.9 92.1 8.15 125.4 优化模型7 √ √ √ 97.4 92.4 8.15 128.8 3.4 对比实验
为进一步验证FBEC−YOLOv5s算法的先进性，将其与YOLOv3−tiny、YOLOv5s、YOLOv7及YOLOv7−tiny模型进行对比实验，实验结果见表3。可看出与YOLOv5s模型相比，YOLOv3−tiny模型的平均检测精度均值下降了5.4%，参数量上升了1.65 MiB，FPS上升了17.4帧/s；YOLOv7模型的平均检测精度均值上升了1.2%，参数量上升了29.48 MiB，FPS下降了54.2帧/s；YOLOv7−tiny模型的平均检测精度均值下降了8.7%，参数量下降了1.01 MiB，FPS上升了41.6帧/s；FBEC−YOLOv5s模型的平均检测精度均值上升了2.8%，参数量上升了1.12 MiB，FPS下降了10.1帧/s。综合上述分析可见，FBEC−YOLOv5s模型的综合检测性能比其他模型好，平均检测精度均值为92.4%，能够满足实时检测要求。
表 3 对比实验结果Table 3. Comparison of experimental results模型 平均检测精度均值/% 参数量/MiB FPS/（帧·s−1） YOLOv5s 89.6 7.03 138.9 YOLOv3−tiny 84.2 8.68 156.3 YOLOv7 90.8 36.51 84.7 YOLOv7−tiny 80.9 6.02 180.5 FBEC−YOLOv5s 92.4 8.15 128.8 将不同模型在测试集上进行3组实验，部分检测结果如图6所示。第1组实验在环境恶劣（背景与待检测目标灰度值接近）的工况下进行，其中，YOLOv3−tiny和YOLOv7−tiny模型对person和S−cutting的检测精度较低，平均检测精度均值均低于86%，而YOLOv7、YOLOv5s及FBEC−YOLOv5s模型对person和S−cutting的检测精度相对一致。第2组在多目标间相互遮挡的工况下进行实验，YOLOv3−tiny模型出现漏检情况且检测精度低（平均检测精度均值＜86%），YOLOv7−tiny模型对被遮挡人员的检测精度低（平均检测精度均值＜82%），YOLOv5s和FBEC−YOLOv5s模型对被遮挡人员的检测精度高，平均检测精度均值分别为90%～95%和92%～93%，FBEC−YOLOv5s模型检测效果较优，而YOLOv7模型对被遮挡人员的平均检测精度均值高于97%，但其参数量约为FBEC−YOLOv5s模型的4.5倍，检测速度较慢（FPS=84.7帧/s），难以满足煤矿井下的实时检测需求。第3组在多目标位姿持续变化且尺度跨度大的工况下进行实验，YOLOv3−tiny和YOLOv7−tiny模型对工作人员的检测精度较低（平均检测精度均值＜86%），YOLOv7、YOLOv5s及FBEC−YOLOv5s模型对工作人员的检测精度分别为90%～97%、92%～95%和94%～95%，其中，FBEC−YOLOv5s模型对工作人员的检测精度范围跨度最小且鲁棒性最高。综合上述分析可知，本文提出的FBEC−YOLOv5s模型的综合检测性能最好，能够在恶劣环境、多目标间相互遮挡严重及目标尺度跨度大导致检测精度降低等情况下表现出良好的实时检测能力且具有更好的鲁棒性。
4. 结论
1） 3种改进措施能够不同程度地提高模型的检测精度。在YOLOv5s模型主干网络中融合FasterNet网络，以增强模型的特征提取和语义信息捕捉能力，使得模型平均检测精度均值提升了1%；在YOLOv5s模型颈部引入BiFPN网络，以实现多尺度特征的快速捕捉与融合，使得模型平均检测精度均值提升了1.6%；采用ECIoU代替CIoU损失函数，以提升检测框定位精度和模型收敛速度，使得模型平均检测精度均值提升了0.8%。
2） 与YOLOv5s、YOLOv7−tiny及YOLOv7等其他YOLO系列算法相比，FBEC−YOLOv5s算法综合检测性能最好，平均检测精度均值达92.4%（最大提升2.8%），实时检测速度达128.8 帧/s。该算法能够为煤矿井下生产场景的智能感知与安全管理提供技术支持与有效保障。
-
![]()
图 8 机电运输作业人员安全状态推理
Figure 8. Safety state reasoning of electromechanical and transportation personnel
表 1 煤矿主要工种
Table 1 Main types of work in coal mine
工种类别 工种名称 采煤系统工种 清煤工、攉煤工、采煤爆破工、采煤打眼工、回柱绞车司机、乳化泵司机、端头支护工、设备安装回撤工、充填工、液压支架检
修工、液压支架工、风镐工、回柱放顶工、回采巷道维修工、采煤机司机、采煤机检修工、移溜工、单体支护工掘进系统工种 掘进机司机、掘进机检修工、掘进打眼工、掘进爆破工、凿岩机操作工、掘砌工、锚杆支护工、锚喷支护工、锚索支护工、架棚
支护工、砌碹支护工、运料工、推车工、耙矸机司机、装载工、混凝土喷射机操作工、轨道工机电运输工种 空气压缩机司机、提升机司机、通信维修工、机车司机、主排水泵司机、小绞车司机、架线机车司机、井下架空乘人装置司机、
破碎机司机、转载机司机、刮板输送机司机、带式输送机司机、把钩工、电钳工、防爆检查员、井下电工地质测量工种 矿井地质工、水文地质工、测量工、探放水工 通风瓦斯工种 测风员、井下钻探工、火区观测工、瓦斯抽放监测工、瓦斯抽放泵司机、瓦斯检查员、气体监测采样工、瓦斯管路安装维护工、
防突工、局部通风机司机、便携式瓦斯报警仪检修工、自救器维修发放工、通风设施工、通风木工、主要通风机司机综合防尘工种 冲洗刷浆工、煤层注水工、管路安装工、防尘工、防尘设施安装检查工 选煤厂工种 介质泵司机、分流箱操作工、叉车司机、小型翻斗车司机、带式压滤机司机、平台操作工、振动筛司机、旋流器操作工、机械维修工、水泵司机、浓缩机司机、电气维修工、磁选机司机、离心脱水机司机、箱式压滤机司机、给煤机司机、螺旋分选机司机、起重工 
下载: 导出CSV
表 2 部分子类中英文对照
Table 2 Partial subclass in both Chinese and English
中文 英文 采煤爆破工 CoalMiningBlaster 端头支护工 EndSupportWorker 提升机司机 HoistDriver 主排水泵司机 MainDrainageDriver 通风设施工 VentilationFacilityWorker 带式输送机 BeltConveyor 采煤机 Shearer 液压支架 HydraulicSupport 转载机 Transloader 瓦斯抽放泵 GasDrainagePump 主要通风机 MainVentilator 盲巷 BlindRoadway 煤与瓦斯突出 GasBurst
下载: 导出CSV
表 3 部分属性中英文对照
Table 3 Partial property in both Chinese and English
中文 英文 使用 use 采取某操作 takeOperation 在某处作业 workIn 检修 overhaul 穿戴 wear 在下方 isUnder 设备状态 hasState 运输 convey 携带 carry 甲烷浓度 hasCH4ConcentrationValue 运行速度 hasRunningSpeed 作业深度 hasDepthValue 温度 hasTemperatureValue 电压 hasVoltageValue
下载: 导出CSV
表 4 部分安全规则
Table 4 Partial safety rules
安全生产规定 自定义安全规则 规则1：采煤打眼工作业时，应采用湿式打眼，严禁采用干式打眼 Rule1: (?x rdf:type O:CoalMiningDriller)(?x O:workIn ?y)(?y rdf:type O:WorkingPlace)(?x O:takeOperation ?z)
(?z rdf:type O:WetTypeDrilling) −＞(?x O:hasSafetyState O:Safe)规则2：掘进机司机发现有冒顶预兆或危及人员安全时，应立即停车，切断电源 Rule2: (?x rdf:type O:RoadheaderDriver)(?x O:workIn ?y)(?y rdf:type O:WorkingPlace)(?y O:hasEnvironment ?z)
(?z rdf:type O:Roofcaving) −＞(?x O:hasSafetyState O:Dangerous)规则3：机车运行过程中司机必须经常注意前方，严禁闯红灯 Rule3: (?x rdf:type O:LocomotiveDriver)(?x O:workIn ?y)(?y rdf:type O:WorkingPlace)(?x O:takeOperation ?z)
(?z rdf:type O:RunningRedLight) −＞(?x O:hasSafetyState O:Dangerous)规则4：防突工作业地点要安设瓦斯传感器，
确保瓦斯超限自动断电Rule4: (?x rdf:type O:OutburstPreventionWorker)(?x O:workIn ?y)(?y rdf:type O:WorkingPlace)(?y O:hasFacility
?z)(?z rdf:type O:GasSensor) −＞(?x O:hasSafetyState O:Safe)
下载: 导出CSV
-
[1] 李运强, 黄海辉. 世界主要产煤国家煤矿安全生产现状及发展趋势[J]. 中国安全科学学报,2010,20(6):158-165. DOI: 10.3969/j.issn.1003-3033.2010.06.027 LI Yunqiang, HUANG Haihui. Current status and trend of coal mine safety in world's main coal mining countries[J]. China Safety Science Journal,2010,20(6):158-165. DOI: 10.3969/j.issn.1003-3033.2010.06.027
[2] 王凯, 蒋曙光, 马小平, 等. 瓦斯爆炸致灾通风系统实验及应急救援方法[J]. 中国矿业大学学报,2015,44(4):617-622. WANG Kai, JIANG Shuguang, MA Xiaoping, et al. Experimental of the ventilation systems hazard by gas explosion and the methods of emergency rescue[J]. Journal of China University of Mining & Technology,2015,44(4):617-622.
[3] 宋洋. CTCS−3级列控系统测试案例本体构建与应用研究[D]. 北京: 北京交通大学, 2013. SONG Yang. Research on building of ontology for CTCS-3 test cases with application[D]. Beijing: Beijing Jiaotong University, 2013.
[4] 朱淑媛, 罗军. 基于本体的领域自动问答系统研究[J]. 计算机应用与软件,2019,36(8):98-105. DOI: 10.3969/j.issn.1000-386x.2019.08.018 ZHU Shuyuan, LUO Jun. Domain automatic question answering system based on ontology[J]. Computer Applications and Software,2019,36(8):98-105. DOI: 10.3969/j.issn.1000-386x.2019.08.018
[5] 田董炜, 仇阿根, 张志然. 多层次地质灾害领域本体构建与应用[J]. 测绘科学,2019,44(6):330-336. TIAN Dongwei, QIU Agen, ZHANG Zhiran. Domain ontology construction and application of multi-level geological disasters[J]. Science of Surveying and Mapping,2019,44(6):330-336.
[6] 李霞. 基于领域本体的白族服饰信息分类体系及检索研究[D]. 昆明: 云南师范大学, 2018. LI Xia. The classification system and retrieval research on Bai Chinese clothing based on ontology[D]. Kunming: Yunnan Normal University, 2018.
[7] 药慧婷. 煤矿掘进工作面本体建模与推理研究[D]. 太原: 太原科技大学, 2016. YAO Huiting. Research on ontology modeling and reasoning of coal mine heading face[D]. Taiyuan: Taiyuan University of Science and Technology, 2016.
[8] 张帝, 孟磊, 董飞, 等. 基于本体的矿井突水预警知识库的构建[J]. 煤矿安全,2018,49(11):91-95. ZHANG Di, MENG Lei, DONG Fei, et al. Construction of mine water inrush warning knowledge base based on ontology[J]. Safety in Coal Mines,2018,49(11):91-95.
[9] 景江波. 基于时空约束的瓦斯事故知识库构建及预警推理[D]. 徐州: 中国矿业大学, 2020. JING Jiangbo. Knowledge base construction and early warning inference of gas accidents based on time-space constraints[D]. Xuzhou: China University of Mining and Technology, 2020.
[10] 刘鹏, 赵慧含, 仰彦妍, 等. 基于OWL的瓦斯爆炸事故语义本体构建及推理[J]. 煤炭科学技术,2018,46(8):16-23. LIU Peng, ZHAO Huihan, YANG Yanyan, et al. Construction and reasoning of semantic ontology for gas explosion accident based on OWL[J]. Coal Science and Technology,2018,46(8):16-23.
[11] 韩照光. 面向新闻领域的用户行为捕获系统设计与实现[D]. 北京: 北京邮电大学, 2010. HAN Zhaoguang. Design and implementation of news-oriented user behavior capture system[D]. Beijing: Beijing University of Posts and Telecommunications, 2010.
[12] 陈丽. 糖尿病辅助诊疗系统的本体知识库设计与实现[D]. 南昌: 南昌大学, 2018. CHEN Li. The design and implementation of ontology knowledge for diabetes aided diagnosis and treatment system[D]. Nanchang: Nanchang University, 2018.
[13] SOHN M, JEONG S, LEE H J. Case-based context ontology construction using fuzzy set theory for personalized service in a smart home environment[J]. Soft Computing,2014,18(9):1715-1728. DOI: 10.1007/s00500-014-1288-7
[14] 侯天祝. 本体推理中组合推理机制的研究[D]. 成都: 西南交通大学, 2016. HOU Tianzhu. Research of combined reasoning mechanism in ontology reasoning[D]. Chengdu: Southwest Jiaotong University, 2016.
[15] 潘超, 古辉. 本体推理机及应用[J]. 计算机系统应用,2010,19(9):163-167. DOI: 10.3969/j.issn.1003-3254.2010.09.037 PAN Chao, GU Hui. Ontology reasoner and its application[J]. Computer Systems & Applications,2010,19(9):163-167. DOI: 10.3969/j.issn.1003-3254.2010.09.037
[16] CARROLL J J, DICKINSON I, DOLLIN C. Jena: implementing the semantic web recommendations[C]//The 13th International World Wide Web Conference, New York, 2003: 214-217.
-
期刊类型引用(1)
1. 问永忠，贾澎涛，夏敏高，张龙刚，王伟峰. 基于改进YOLOv8n的井下人员多目标检测. 工矿自动化. 2025(01): 31-37+77 . 
本站查看
其他类型引用(1)
计量
- 文章访问数: 114
- HTML全文浏览量: 49
- PDF下载量: 19
- 被引次数: 2
