煤巖顯微組分自動識別技術研究進展

王 越，白向飛，曲思建

(1.中國礦業大學(北京)化學與環境工程學院，北京 100083；2.煤炭科學技術研究院有限公司 煤化工分院，北京 100013；3.煤炭資源高效開采與潔凈利用國家重點實驗室，北京 100013)

0 引 言

煤巖顯微組分與煤的成因、物理性質、化學性質及工藝性質等密切相關，廣泛應用于地質勘探、煤化學研究、煤質評價、煤炭加工及利用等各個領域[1]。根據煤巖顯微組分特征可以確定煤相及沉積環境，進行煤層對比，解決地層、古地理和古構造以及地熱等方面的問題；研究煤巖顯微組分的成因及性質，在煤的熱解、氣化、液化以及環保等領域發揮著重要的作用[2]。如煤巖學方法應用到煉焦生產及成本控制環節，可以經濟合理地選擇煤源、確切地評價煉焦煤質量、觀測煤在儲運中的變化、評價煤價等，通過分析煤巖顯微組分含量和變質程度，可以建立煤巖配煤方案，穩定并提高焦炭質量，預測焦炭強度，降低焦炭成本[3]。

煤巖顯微組分鑒定是一項專業性很強的工作，具有以下特點：

(1)煤巖顯微組分的形態特征多樣性。鑒定煤巖顯微組分主要依據反射率、突起、結構、結合狀態等形態學特征。成煤環境及成煤后期作用導致煤巖顯微組分特征多樣；隨著變質程度不斷提高，煤巖顯微組分的反射色趨于一致，對煤巖顯微組分的識別也會造成較大的困難。此外，殼質組與鏡質組之間存在樹脂鏡質體、鏡質組與惰質組之間存在半鏡質體等過渡組分，對顯微組分的準確鑒定造成困難。煤巖顯微組分鑒定對測定者的專業水平要求較高，需要其具有深厚的煤巖學理論基礎和實踐經驗。

(2)對偏光顯微鏡的操作要求較高。煤巖顯微組分鑒定需要結合各種顯微組分(包括礦物)在干物鏡、油浸物鏡、反射熒光、單偏光、正交偏光等不同觀察條件下的光學特征進行綜合分析。因而測定者需要熟練使用偏光顯微鏡，使偏光顯微鏡光源穩定、成像均勻清晰、起偏器、測量光闌、視域光闌等配置符合煤巖顯微組分測試要求。

(3)測試主觀性強，測試速度慢。煤巖顯微組分鑒定依靠操作者手動測試，需要測定大量的測點，測試時間長，效率低[4]。不同測試者對顯微組分鑒定特征的認識水平常有差異，組分鑒定時存在主觀性，導致不同測試人員的鑒定結果存在一定差異，嚴重制約了煤巖學在各領域的應用。

針對人工分析方法的缺陷和不足，減少組分識別的主觀性，降低操作者的勞動強度，提高測試精度，實現煤巖顯微組分自動測定，是煤巖工作者長期追求的目標[5]。目前煤巖顯微組分自動識別形成了基于顯微光度計和圖像分析2種自動測試技術路線。

1 基于顯微光度計的自動測試技術

基于顯微光度計的測試設備中的光學和電子元件較簡單，對傳統的煤巖測試設備稍加改造即可，因而硬件成本相對較低。此外，早期顯微光度計的測試精度遠大于圖像分析設備。因而早期的煤巖自動測試設備大多為此類技術。

早在1955年美國礦務局的McCartney & Hofer[6]利用自動載物臺、光電倍增管、微安計和圖解記錄裝置組成顯微光度計自動測試系統，采用線掃描的方式采集數據，但掃描時間約3.5 h，數據處理時間也較長，并沒得到推廣使用。1964年Bomberger & Deul使用高速電子計數器進行黃鐵礦粒徑分析，分析時間大大縮減[7]。1968年Bayer等開發了AMEDA系統可以區分4種不同的組分，數據讀取速度可達1 000 readings/s，分析時間在20 min以內[8]。1969年美國礦務局的McCartney & Ergun采用螺旋掃描的方式降低樣品振動，采用計算機磁帶記錄數據，掃描速度可達175 μm/s，數據讀取可達80 readings/s[9]，將反射率數據劃分為黏合膠、殼質組、鏡質組、惰質組和黃鐵礦，并以此計算各顯微組分含量[10]。

20世紀70年代中期，顯微光度計的測試精度明顯提升，微型計算機開始作為數據獲取、顯微鏡控制、掃描臺控制、數據存儲、處理和輸出的裝置，顯微光度計自動測試技術得以快速發展。1974年日本新日鐵的Kojima采用計算機控制的掃描臺，以10 μm的間距進行點掃描，在每個測點停留10 ms～20 ms，以消除浸油“拖尾”的影響，通過A/D轉換將光電倍增管信號轉化為512級的電壓數據，可在12 min內獲取10 000個反射率讀數，計算活性顯微組分和惰性顯微組分含量，在日本國內多家焦化廠推廣使用[11]。1979年Kojima 等采用曲線剝離反射率分布直方圖，獲取反射率和顯微組分數據，對22個樣品的測試表明，單煤顯微組分的測試誤差為±5%[12]。美國賓夕法尼亞州立大學的Davis等[13-14]開發了ARM系統，測區直徑僅為2 μm，18 min內即能測試近40萬個讀數，但由于檢測設備精度的限制，僅能區分煤和黃鐵礦的反射率差異。1979年美國鋼鐵公司的Gray等開發了ADPR-Ⅱ自動數字顯微光度計，測區直徑為2 μm，自動掃描速度為200 μm/s，6min內可測定50 000點，人工方法和自動方法測試的煤巖顯微組分含量的相關系數在0.8以上[15]。

國內研制和開發的歷史相對較短。1991年原華東化工學院的林治穆等利用顯微光度計和步進電機制備反射率顯微光度計，測試鏡質組反射率并計算顯微組分含量[16]。1992年煤炭科學研究總院北京煤化學研究所的鄭雨壽基于二維掃描臺和顯微光度計，運用多區域跟蹤調焦法進行焦距調節，校正混合視域的假有效值，獲取單種煙煤的鏡質組反射率及其分布圖，但不適用于褐煤及混煤鑒定[17]。1996年原華東冶金學院的姚伯元利用顯微光度計和自動掃描臺，并結合自動調焦技術及數據采集分析系統實現自動測定煤鏡質組反射率，鑒別混煤并確定混配比例[18-19]。

2 基于圖像分析的自動測試技術

圖像分析方法除了可以獲取反射率(灰度)信息外，還可以獲取尺寸和形狀參數。但圖像分析法要比顯微光度計法出現的晚。1975年Harris[20]采用Quantimet 720圖像分析儀(分辨率達到869×704像素)研究煤中黃鐵礦的粒徑分布和煤巖顯微組分反射率分布圖，1977年Lebiedzik & Dutcher[21]采用圖像分析方法研究黃鐵礦的平均粒徑、體積分數和形狀因子。Bethlehem 鋼鐵公司采用Leitz T.A.S圖像分析儀區分100級灰階，可以區分0.02%的反射率，10 min掃描40個區域[22]。1979年美國地質調查局的Chao等采用64級灰階的圖像分析設備分析顯微煤巖類型[23]。1979年澳大利亞Broken Hill Proprietary Company的England等使用Quantimet 720圖像分析儀(可區分100級灰階)獲取顯微組分反射率分布圖，進而計算顯微組分含量和鏡質體反射率，并能計算惰質組的粒徑參數[24]，但未實現完全的自動化。

Chao等[25]開發了AIAS自動圖像分析系統，通過64灰階的TV相機獲取，通過光筆可以控制和編輯特征；Pratt采用拼接圖像進行煤巖分析[26]。Goodarzi等利用對比傳統測試與Zeiss IBAS 圖像分析系統[27]。Riepe等使用Leitz T.A.S圖像分析儀，根據不同顯微組分灰度差異調整閾值范圍區分不同的顯微組分，但由于黏合樹脂和殼質組的灰度值接近，上述顯微圖像自動分析系統的識別精度不佳[28]。

早期的計算機無法處理圖像中的大量數據，圖像處理由硬件完成，計算機的微處理器僅存儲圖像和結果。20世紀80年代，隨著計算機性能不斷提高、成本不斷下降，圖像分析系統開始與計算機相結合。Unsworth & Gough利用圖像分析系統對鏡質體和惰質體的反射率特征進行研究[29-30]。澳大利亞布羅肯希爾公司的Lee等利用圖像分析技術獲取煤的反射率分布圖，并嘗試進行混煤剝離[31-32]。Misuaki等嘗試采用圖像方法對煤巖顯微組分進行自動識別[33]。

20世紀90年代以來，計算機性能的進一步提升，圖像分析軟件完全獨立于硬件，開始出現專門的圖像分析軟件。英國諾丁漢大學的Lester等利用Zeiss Axiocam彩色數碼相機，結合顯微組分的灰度特征和形態特征，提出殼質組和黏合樹脂的區分方法，但在處理煤巖顯微組分復雜的圖像時容易出錯[34]。針對此問題，作者提出利用殼質組的熒光特性將其和黏合樹脂區分，能夠準確測定殼質組的含量，重復性較好[35]。此外，Lester等發現提高曝光時間也可區分黏合樹脂和殼質組[36]。David & Fermont[37]開發了CIAS彩色圖像分析系統，分別以RGB3種不同的顏色強度表征顯微組分。Dehmeshki等采用具有金字塔結構的多灰度級分割方法，對煤巖顯微圖像進行分割，但并不能很好地分割煤巖顯微組分復雜的圖像[38]。Agus計算不同組分的紋理特征構成特征向量來識別煤巖顯微組分[39]。Pearson[40]提出以累積頻率曲線表示全組分反射率分布，單煤鏡質組為其中的直線部分，混煤中各單種煤的組成可由曲線直接得出。

國內利用圖像分析方法進行煤巖分析方面的工作較少。1986年金奎勵等對比圖像分析與顯微光度計的優缺點，提出了采用圖像分析的反射率自動測試方法[42]，分析了圖像分析法測試鏡質體反射率的精度問題[43]。1998年，寶鋼集團胡德生等綜合圖像灰度和顯微相機的曝光時間計算反射率值，采用閾值法和主分量分析法分割得到鏡質體反射率和煤巖顯微組分含量[44-46]。張代林等對煤巖顯微組分的彩色圖像進行人工閾值分割[47]。張文成等利用自動掃描裝置與高分辨攝像頭，獲取全組分反射率，通過數據處理的方式得到鏡質體反射率[48]。尹文花嘗試對煤樣薄片的顯微圖像進行識別[49]。

作者所在的研發團隊對煤巖自動測試有超過10年的積累。白向飛系統分析了煤巖自動測試過程中存在的問題，指出煤巖自動測試技術路線及關鍵問題[4,5,50]。王越對煤巖自動測試系統中圖像灰度與反射率關系進行研究[51]，武琳琳對煤巖光片平整度及光線斜射對反射率自動測試精度影響進行研究[52]，張宇宏對煤巖自動測試中圖像質量對鏡質體反射率測定的影響進行研究[53]，王越對煤巖自動測試系統關鍵技術及測試精度進行研究[54]。丁華等對煤中有機組分和常見礦物形態特征參數進行初步研究[55-56]，王越分析了煤巖顯微組分自動識別技術現狀及關鍵技術[57]。在此基礎上，成功開發BRICC-M煤巖自動測試系統，利用顯微數碼相機和自動載物臺獲取煤巖顯微組分圖像，減少顯微鏡下的繁瑣操作；結合煤巖組分的反射率及形態學參數界定顯微組分，每個測點的測值和相應測試對象可追溯，測試結果可審核；在保證測試準確性和客觀性的基礎上，提高了測試速度和效率，該系統在煤焦異常判斷中表現優異[58]。

3 煤巖顯微組分智能識別

近年來隨著數字圖像處理技術和裝備的發展，尤其是CCD顯微相機靈敏度的提升，能夠檢測4 096灰階(12 bit)，甚至16 384灰階(14 bit)。計算機進行數據處理的能力也得到極大提升。圖像分析系統可通過自動顯微鏡和數碼相機對圖像執行高度復雜的圖像處理功能。圖像識別及處理算法的不斷發展使得越來越多的研究者嘗試將成熟的圖像識別及處理算法引入到煤巖顯微組分識別領域，并取得了一定的成果。

眾多研究者對煤巖顯微組分的紋理特征進行了詳盡的研究。王培珍等采用圓形LBP均勻模式分析鏡質組的紋理特征[59]，對均質鏡質體、基質鏡質體和碎屑鏡質體進行識別[60]；提取灰度共生矩陣等特征構造初始特征集，經PCA降維處理，利用SVM算法完成鏡質組分類[61]。王培珍等通過曲波變換提取特征，利用壓縮感知對提取的特征進行降維，利用SVM算法實現惰質組分類[62]。Mlynarczuk等利用形態學梯度和灰度等特征識別煤巖顯微組分樣本，對惰質組的6種顯微組分的分類準確率達到91.7%[63]。Skiba等提出基于多層感知機(MLP)并結合Haralick紋理特征的惰質組分類方法[64]。王慧等對惰質組顯微圖像進行曲波變換和壓縮感知算法形成特征集，采用支持向量機進行分類[65]。王培珍等利用改進SUSAN算法檢測殼質組中滲出瀝青體的特征[66]。劉婕梅采用卷積神經網絡模型提取殼質組顯微圖像的特征量，利用支持向量機分類器和深度神經網絡實現殼質組顯微組分的分類[67-68]。

王培珍等提出基于結構元的煤顯微圖像輪廓提取方法，可有效去除碎屑組分，獲得顯微組分的有效輪廓[69]，采用離散小波變換分解煤巖顯微圖像，提取頻域紋理特征量，采用支持向量機進行分類[70]。殷子睆[71]提取基于灰度共生矩陣的紋理特征量和基于灰度分布的統計特征量構成初始特征集，采用特征抽取算法和支持向量機分類器對抽取后的特征進行驗證。王素婷等結合GLCM算法和RILBP算法的優點，提出基于RILBP-GLCM的圖像紋理特征提取方法，結合支持向量機對紋理特征進行分類[72]。Skiba使用圖像分析方法描述顯微組分特定類的要素空間，在特定鄰域內確定空間參數并訓練神經網絡[73]。Antonypandiarajan等采用Tamura算法對無煙煤、次煙煤和褐煤等六類煤中顯微組分的紋理特征進行提取[74]。

劉小除等提出利用灰度特征和紋理特征對單種煤的顯微組分進行快速分類[75]。尹文義等結合神經網絡算法與顯微組分反射率，對混煤中各單種煤比例的識別效果較好[76]。田甜采用直方圖閾值雙峰法去除煤巖圖像中的黏結劑，采用鈍化濾波法去除圖像中孔洞及碎屑，采用改進的PCA算法對鏡質組含量和反射率進行測定[77]。宋孝忠開發了基于Prewitt算子的煤巖顯微組分假邊界圖像剔除技術以及基于K均值聚類的煤巖顯微組分組圖像自動分割和識別技術[78-79]。朱憲坤采用Hough算法和改進FMM算法去除煤巖圖像中的劃痕，采用了基于灰度圖像數學形態學重建方法填充孔洞，采用RILBP-GLCM方法獲取煤巖顯微組分紋理特征，在滿足較低特征維數的前提下，采用多分類支持向量機對鏡質組、惰質組、殼質組、礦物質以及背景進行分類[80]。王洪棟提出基于Hough變換和Criminisi算法的劃痕檢測和修復方法，采用隨機森林并結合幾何、灰度和紋理特征實現對背景樹脂以及鏡質體、絲質體、半絲質體、角質體、孢子體、碎屑惰質體和微粒體7種顯微組分的自動識別，基于Unet系列的語義分割方法實現煤巖顯微圖像的最優分割，分割效果接近于人工標注結果[81]。

上述研究工作在分析煤巖顯微組分圖像信息的基礎上，針對性地進行特征抽取，對顯微結構復雜的空間信息進行刻畫，可實現對樣品中煤巖顯微組分的自動識別。

4 總結與展望

在應用煤巖學領域，對煤巖顯微組分自動測試技術的期望較高。深入開展煤巖顯微組分相關基礎研究，開發符合煤巖學原理和分析流程的煤巖顯微組分自動測試技術，提高煤炭科研、生產、貿易、加工轉化利用等領域煤巖分析的精度和效率，促進煤巖分析技術的普及和應用，對相關用煤行業技術進步，具有深遠的理論和實踐意義。

煤巖顯微組分的智能識別是煤巖學、圖像處理和計算機科學等多學科交叉研究方向，是煤巖顯微組分自動識別技術的發展趨勢。煤巖顯微組分的形態特征多樣，為了更加全面提取和識別特征，提高識別的準確率，應充分分析我國煤中顯微組分的特征，結合數字圖像分割、特征提取與機器/深度學習算法，針對煤巖顯微組分特點選擇特征提取算法和分類算法，從而實現煤巖顯微組分的快速、準確、自動測試。