露天鐵礦無人機光譜探測方法試驗研究

祁玉馨 劉善軍 王 東 孫銘辰2

（1.東北大學資源與土木工程學院，遼寧 沈陽 110819；2.鞍鋼集團鞍千礦業有限責任公司，遼寧 鞍山 114043）

鐵礦是支撐國民經濟發展的主要礦產資源之一，是發展鋼鐵工業的物質基礎，由于礦產資源的緊缺性及不可再生性，如何做到合理、高效、精準開采鐵礦資源已成為亟待解決的問題［1-3］。露天采礦工程是一種大規模的開挖工程，巖石與礦體分布的確定是露天礦生產規劃的第一步，因此明確露天采場中礦物與巖石的分布并精確提取該類信息對后續開采規劃尤為重要［4］。但傳統的礦巖識別方法（如礦山采樣、化學化驗等）耗費較大的人力物力且效率不高，已無法滿足露天采場的生產需求［5］。高光譜遙感其光譜分辨率可達到納米級，進而能夠捕捉到不同巖石與礦物的診斷性光譜特征，使利用宏觀技術（高光譜遙感）進行微觀信息（巖石與礦物）探測成為可能［6］。巖礦分布信息提取及定量反演是高光譜遙感地質應用的重要方向，目前多采用礦物光譜填圖、主成分變換、基于光譜特征提取的波段比值等方法提取蝕變礦物信息，已取得了很大進展［7］。成像光譜技術的發展極大地促進了地質找礦方法的完善，提高了識別的精度［8］。但混合像元的存在是傳統的巖礦分布識別方法難以達到實用要求的主要原因［9］。混合像元分解技術是解譯像元的重要手段，可從混合像元中分解出所需的巖石、礦物信息，實現對巖石與礦物的精確識別和定量反演［10］。

目前，隨著現代信息技術、人工智能、大數據等新技術的不斷涌現和快速發展，傳統的礦山正在向無人采礦、智能采礦和智慧礦山邁進和發展，其中必備的兩項技術“現代通訊技術、采掘自動化技術”已經實現或部分實現，而與其同等重要的第3種技術——礦巖智能感知技術則發展緩慢，亟待突破［11-14］。本研究選取鞍鋼集團下屬的露天采場為試驗場，研究基于無人機成像光譜的露天鐵礦探測技術，為露天采礦的礦巖分布及邊界確定提供一種新的技術，也為實現露天無人采礦的礦巖智能感知提供新的思路。

1 混合像元分解

1.1 線性光譜混合模型

在實際利用遙感技術進行地物識別時，圖像中像元對應的往往不是純凈的單一地物，而是由不同的地物共同聚集構成，使得獲得的光譜信息也是幾種地物的混合光譜信息。在利用光譜特征進行地物識別時，需要將混合的光譜信息進行分解，也被稱為混合像元分解。線性光譜混合模型（Linear Spectral Mixture Model，LSMM）認為像元在某一波段的反射率是組成該像元的基本組分（端元）及其所占面積比例（豐度）為權重系數的線性組合。該模型因具有扎實的理論基礎及實驗驗證，且簡單實用，故被廣泛應用于混合像元分解中［15］。該模型函數為

式中，yi為混合像元i波段的反射率；aij為第i個波段第j個端元組分的反射率；xj為第j個端元組分的豐度；ei為第i個波段的誤差。

將式（1）表示為矩陣形式

式中，YL×N為圖像矩陣；AL×P為端元矩陣；XP×N為豐度矩陣；EL×N為誤差矩陣；L為波段數；P為端元數；N為圖像中包含的像元數。

由于豐度表示端元在混合像元中所占的比例，因此應滿足“非負”與“和為一”兩個特性，即：

1.2 全約束最小二乘法求解豐度

在已知端元光譜后，豐度反演的精度對于解混結果有重要影響。因此在傳統的最小二乘算法中加入豐度約束［16］，其原理簡單，運算效率及精度較高，且適用性強，是目前應用最為廣泛的豐度反演方法。根據豐度約束條件的程度該算法可以分為4種，即無約束最小二乘法、和為一最小二乘法、非負最小二乘法和全約束最小二乘法［17］。

當不考慮對豐度的約束時，可得無約束解為

式中，YL×N為圖像矩陣；AL×P為端元矩陣。

考慮到和為一約束時，可以得出和為一的約束解為

式中，Ip為p階單位矩陣；I=[I,I,.…,I]T為全 1（p維）列向量。

而非負約束解不能由簡單的算子表示出來，需要利用迭代方法獲得最優解。非負約束最小二乘法的兩個迭代關系式為

同時滿足“非負”和“和為一”約束的解稱為全約束最小二乘解，將（5）代入（6）即可求解得到。

由于全約束最小二乘豐度反演法全面考慮到了端元豐度的實際意義，因此求解精度最優，本研究應用該方法求解豐度。

2 現場試驗

2.1 研究區概況

啞巴嶺露天采場是鞍鋼集團礦石原料的重要生產地，位于遼寧省鞍山市。礦石類型為典型的鞍山式鐵礦，主要為赤鐵礦，多為貧鐵礦，鐵品位多位于20%～35%區間，圍巖主要有千枚巖、綠泥石片巖、斜長角閃巖、混合花崗巖、云母片巖。

2.2 數據采集及預處理

目前多數遙感地質的研究數據主要來自衛星平臺［18］。近年來無人機高光譜技術逐漸趨于成熟與完善，與其他傳感器平臺相比，無人機操作簡單、航線及飛行高度可調整、數據獲取方式便捷［19］。并且，由于無人機遙感探測高度低，空間分辨率較高使得地物識別精度大幅提高，適合于小面積礦區的地面調查。且由于數據獲取周期短，保障了采場監測數據獲取的靈活性與時效性［20］。

因此，本研究利用大疆經緯M600 pro無人機搭載的RESONSON高光譜成像儀PIka L（圖1）進行采場遙感數據采集，該設備的光譜范圍為400～1 000 nm，光譜分辨率為2.1 nm，采樣間隔為1.07 nm。對無人機采集的高光譜影像進行大氣校正以及影像校正、圖像拼接等一系列預處理。由于900～1 000 nm波段噪聲較為嚴重，掩蓋了地物自身的光譜信息，因此本研究剔除了該波段的光譜信息，得到0.5 m空間分辨率和245波段的高光譜影像，如圖2所示。對采集的整幅影像進行裁剪處理，得到目標研究區域如圖3所示。圖3中的白線為礦山地質部門根據室內化驗結果標出的礦體分布邊界，白線圈定區域為礦體，周圍區域為圍巖。

2.3 礦巖遙感識別與礦體圈定

本研究應用混合像元分解方法對露天采場進行礦巖分布識別提取。由于礦體和圍巖的礦物種類多、復雜，且顆粒度較小，使用礦物種類作為端元處理流程比較復雜。礦體中的礦石類型主要為赤鐵礦，品位比較集中（30%左右），且近礦圍巖主要為千枚巖。因此，為簡化流程，將赤鐵礦作為礦體中的端元，千枚巖作為圍巖的端元，此外在采區還存在少量積水、車輛和陰影地物。最終選擇5種地物作為混合像元分解的端元，分別是赤鐵礦、千枚巖、積水、車輛和陰影。

應用ENVI軟件在目標研究區的影像上建立感興趣區ROI，提取各種端元地物的反射率光譜曲線作為端元光譜，這種手工選取端元光譜的方法準確可靠且簡單快速，但需要操作者對研究區具有較高的認識水平［21］。5種端元的光譜曲線如圖4所示，根據對比可發現，圍巖與礦體的光譜曲線具有一定差異，千枚巖在400～900 nm波段范圍內無明顯的光譜特征，反射率值均較低，且分布集中，多位于0.10～0.15區間。由于Fe3+的電子躍升，礦體的光譜在750 nm（紅光波段）附近形成了一個微弱的反射峰特征。車輛的整體反射率較高，陰影的反射率較低且平緩，積水在可見光波段600 nm之前，水的吸收少，反射率較低，在700 nm處達到一個峰值。因此混合像元分解技術可基于不同端元的光譜差異將其進行有效區分。

本研究基于MATLAB編程實現了全約束最小二乘算法運算，將研究區影像及5種端元光譜作為輸入數據，試驗結果如圖5所示，依次為礦體、圍巖、陰影、積水、車輛的豐度圖。

將圖5（a）與圖3進行對比，發現應用混合像元分解技術提取的礦體與室內化驗圈定的礦體分布基本一致。但圖3中人工圈定的礦巖界線分明，而使用混合像元分解技術圈定的礦體界線比較模糊，但這在一定程度上可能反映了真實的礦體分布情況。為定量評價提取出的礦體分布精度，本研究將兩種方法提取的結果進行了對比?；诰€性混合模型原理，使用礦體對應的豐度信息，按照下式計算其在露天采場中的分布面積。

式中，Xi為第i個像元中礦物的豐度；R為圖像的空間分辨率m；n為像元總數；S為采場中某種礦物的分布面積，m2。

經過式（7）計算得出，本研究試驗提取的礦體分布面積為62 365.47 m2，圖3中礦體圈定面積為67 859.25 m2，面積相對精度為91.90%，提取結果較為理想。

3 結 論

（1）目前采場礦巖識別方法以傳統的化驗方法為主，存在采樣密度低、化驗周期長、效率低、品位測試結果滯后等不足，導致礦體邊界圈定不準，嚴重影響了后續生產。應用混合像元分解技術，利用無人機采集研究區的成像光譜數據，研究了露天鐵礦采場中礦巖識別與自動提取方法?，F場試驗結果表明，基于無人機高光譜技術的露天鐵礦圈定技術可對鐵礦體進行有效圈定，與現有的室內化驗圈定的礦體面積相比，精度較高，為實現礦巖智能感知提供了新的方法。

（2）本研究基于高光譜遙感技術只進行了礦巖識別分析，后續將進行礦石品位的反演研究。

致 謝

感謝鞍鋼集團鞍千礦業有限責任公司的相關技術人員對課題組研究給予的支持與合作。