智能礦山中的巖礦光譜智能感知技術與研究進展

劉善軍 王 東 毛亞純 宋 亮 丁瑞波 劉海琪

（1.東北大學資源與土木工程學院，遼寧 沈陽 110819；2.信息工程大學地理空間信息學院，河南 鄭州 450001）

礦業是國民經濟的支柱產業，隨著5G網絡、大數據、人工智能、云計算等新技術興起，智能化作為顛覆性的創新技術，已經成為世界范圍內基礎工業產業變革的核心驅動力。采用智能化高新技術來帶動傳統礦業的轉型和升級，可從本質上提升礦山企業的核心競爭力，從而推動傳統礦業向安全、高效、經濟、綠色與可持續的目標發展。2020年3月國家發展和改革委員會等8部委推出了《關于加快煤礦智能化發展的指導意見》，提出了將煤礦智能化作為煤炭工業高質量發展的核心技術支撐，制定了煤礦智能化發展的原則、目標、任務和保障措施。到2021年，建成多種類型、不同模式的智能化示范煤礦；到2025年，大型煤礦和災害嚴重煤礦基本實現智能化，形成煤礦智能化建設技術規范與標準體系；到2035年，各類煤礦基本實現智能化，構建多產業鏈、多系統集成的煤礦智能化系統，建成智能感知、智能決策、自動執行的煤礦智能化體系。礦山智能化涉及礦山地質、測量、采礦、選礦、安全等各環節，其中地質條件探測的智能化是礦山智能化的一個重要環節，是智能開采的基礎，巖礦測試的智能化則是實現智能化地勘的關鍵。

眾所周知，礦山巖礦成分測定以及礦體邊界的準確圈定對礦山設計、生產規劃和采礦、配礦等工作至關重要。傳統的現場采樣、室內化驗的礦巖測定方法，由于采樣密度偏低、測點稀疏、工作量大、周期長、效率低等原因，已成為智能礦山建設的瓶頸，如何研發新的巖礦測試技術，以適應新時代背景下礦業發展的需要，是亟待解決的問題，也是智能礦山建設的關鍵。本研究結合近年來國內外的發展現狀，提出了基于光譜分析的巖礦智能感知技術（簡稱巖礦光譜智能感知技術），并對該技術的特點、優勢以及發展現狀等進行論述。

1 礦山常用的巖礦測試技術及存在不足

1.1 礦山常用的巖礦測試技術

目前，礦山企業常用的巖礦測試技術與地質行業的一般巖礦測試技術基本相同，主要有以下幾種。

（1）化學分析法。化學分析法是以物質的化學反應為基礎對物質成分含量進行確定，主要包括重量分析法和滴定分析法。巖礦中二氧化硅含量經常采用高氯酸脫水重量法［1］、鹽酸蒸干脫水重量法、聚環氧乙烷凝聚重量法［2］、動物膠凝聚重量法、甲基纖維素凝聚重量法等方法進行確定。鐵礦石中鐵含量可通過鈰量滴定法［3］、三氯化鈦還原滴定法［4］、重鉻酸鉀滴定法［5］等進行確定，也可通過重鉻酸鉀滴定法確定鐵礦石中亞鐵含量［6］。錳礦中錳的含量可通過硫酸亞鐵銨滴定法、硫脲滴定法［7］、碘量滴定法［8］、過硫酸銨氧化滴定法、硝酸銨氧化滴定法［9］確定。

（2）電化學分析法。電化學分析法是將試樣溶液作為化學電池的一個組成部分，根據電池的某種電參數（電阻、電導、電位、電流、電量或電流—電壓曲線等）與被測物質濃度之間存在的關系及變化規律，對試樣組分進行定性和定量分析。電化學分析法主要包括電位測定法、恒電位庫侖法、極譜法、電導法、電位滴定法、庫侖滴定法、電導滴定法、電解分析法等［10-16］。郭志英［17］應用電位滴定法對銅礦中銅的含量進行了測定，相對誤差約5%。周正等［18］應用示波極譜法對地質樣品中錫的含量進行了測定，相對標準偏差小于5%。

（3）色譜分析法。色譜分析法是一種依據物質在固定相和流動相之間性質（溶解性、極性、離子交換能力、分子大小等）的不同，對樣品進行定性和定量分析的方法。當流動相攜帶樣品流經固定相時，流動相對固定相中的混合物進行洗脫，混合物中不同物質沿固定相以不同速度移動，各組分在兩相中不斷地重新分配，最終達到分離與提純，對分離提純的組分進行定量分析，即可確定樣品的成分含量。劉綺萍等［19］應用液相色譜分析法對巖礦中鈷和鎳的含量進行了測定，所得結果與化學化驗值基本相符。梁漢文等［20］應用離子色譜法對硫化礦中高含量的硫和砷進行了測定，相對標準偏差分別為0.53%和0.47%。陳德勛等［21］應用離子色譜法同時測定了地質樣品中磷和硫的含量，極大提高了工作效率。

（4）質譜分析法和中子活化分析法。質譜分析法通過將待測試樣離子化，生成不同質荷比的帶電荷離子，然后利用不同離子在電場或磁場運動行為的不同，將離子按質荷比分開得到試樣質譜，通過試樣質譜對樣品進行定性、定量分析。戢朝玉等［22］應用等離子體質譜法對碳酸鹽巖石中的26個元素進行了測定分析，各元素檢測結果均達到了技術指標要求，提高了檢測效率。章新泉等［23］應用電感耦合等離子體質譜法測定了地質樣品中多元素的含量，相對標準偏差達到1.7%～3.4%，滿足指標要求。中子活化分析法首先將樣品放在中子源中照射，使試驗樣品活化并產生放射性同位素；然后根據各種放射性同位素的半衰期及其發出的γ射線的能力和強度，對樣品中的元素進行定性、定量分析。李小梅等［24］應用中子活化分析法對南極菲爾德斯半島西湖沉積巖芯進行了分析測定，有效確定了沉積物中Fe、Ca、Na等元素的含量。張鋒等［25］對鎳精礦進行了中子活化分析，得到了鎳精礦的元素成分和含量，可以較好地滿足工業要求。

（5）物相分析法。物相分析法是應用特定的方法，確定巖礦中元素的賦存狀態，進而確定試樣中各種元素形成的具有穩定結構的化合物（物相），并對其進行定性、定量分析。該方法主要包括顯微鏡鏡下鑒定、X射線衍射分析（XRD）、電子探針分析等方法。林善良等［26］應用X射線衍射分析法（XRD）確定了試樣中的鈣和鎂元素主要賦存在堇青石礦物中。程金榮［27］應用X射線衍射分析法（XRD）對礦石試樣中紅柱石的含量進行了定量確定，相對標準偏差為0.94%。阮鴻興［28］將電子探針和顯微鏡鑒定相結合，確定了銀絕大部分呈固溶體分散賦存于方鉛礦、鉛礬、鉛鐵礬等鉛的含氧酸鹽礦物中。包亮亮等［29］應用顯微鏡鏡下鑒定分析法，確定了新疆西南天山吉根一帶含錳巖礦中的錳主要以菱錳礦、軟錳礦、褐錳礦等形式賦存。

（6）光度分析法。光度分析法是通過測定試驗樣品在特定波長處或一定波長范圍內光的吸收度，對試樣進行定性和定量分析，主要包括比色分析法、熒光光度法、分光光度法、吸光光度法、化學發光法等。袁少芝［30］應用過碘酸鉀法和過氧化氫法進行比色分析確定了巖礦中錳和鈦的含量。謝曉嵐等［31］應用鉍鉬藍分光光度法對巖礦中磷和砷的含量進行了有效測定。董學林等［32］應用硅鉬藍比色分光光度法對地質樣品中二氧化硅的含量進行了測定，相對標準偏差約1%。朱玉倫等［33］應用二階導數熒光光度法對巖礦中鈮和鉭的含量進行了測定，實現了鈮和鉭含量的同時測定。

（7）原子光譜分析法。原子光譜分析法是一種基于試驗樣品原子光譜線的趨勢特征和強度特征對試樣組分進行定性、定量分析的方法。該方法主要包括原子發射光譜法（AES）、原子吸收光譜法（AAS）、原子熒光光譜法（AFS）以及X射線熒光光譜法（XRF）。郝志紅等［34］應用原子發射光譜法測定了地球化學樣品中銀、鉬、鉛的含量，銀含量相對標準偏差為4%～8%，鉬含量相對標準偏差為3%～10%，鉛含量相對標準偏差為2%～11%。趙雷等［35］應用原子吸收光譜法測定了巖芯中鐵、鋁、鉀、鈉等的含量，精度均在90%以上。謝海東等［36］應用原子熒光光譜法測定了鉛精礦中的砷含量，相對標準偏差為6%。艾曉軍等［37-39］總結了應用波長色散-X射線熒光光譜測定硅酸鹽巖石、鐵礦石等樣品的測定條件，并對精度、準確度等指標進行了評價。

1.2 存在不足

前述所及的7種巖礦測試技術雖然測試精度大多較高，但這些方法往往測試的樣本質量很小，代表性有限，且需要現場取樣、室內處理制成標準樣品，才能進行測試，工序多而復雜、耗時較多，不能滿足智能化礦山建設的需要，主要有如下3個方面不足。

（1）采樣密度低。傳統的礦山地質取樣方法在確定礦巖界限以及圈定不同品級礦體時，雖然采樣間距因礦種不同而有所差別，但受限于成本和人力、物力等因素，一般現場采樣的密度較低，影響了礦體邊界的準確圈定。

（2）測試周期長、效率低。傳統的巖礦測試方法一般需要對樣品進行加工處理，流程多、耗時長，一般少則數小時，多則數天，并且勞動強度大、效率很低，極大影響了礦山生產效率。

（3）成本高、經濟效益低下。傳統的巖礦測試方法工序多、復雜、勞動強度大，致使樣品測試成本較高，不夠經濟，效益低下。

鑒于傳統巖礦測試方法存在的上述問題，亟需一種工序簡單、速度快、經濟、高效的巖礦測試方法，這也成為智能礦山建設亟待解決的問題。

2 巖礦光譜智能感知技術的提出

按照目前業內共識，智能礦山的顯著標志是“無人”，即整個礦山的各個生產環節都在智能機器人和智能設備操作下完成。文獻［40］對智能礦山的內涵進行了概括，即智能礦山是將物聯網、云計算、大數據、人工智能、自動控制、移動互聯網、機器人化裝備等與現代礦山開發技術相融合，形成礦山感知、互聯、分析、自學習、預測、決策、控制的完整智能系統。因此，在智能礦山的三要素（智能感知、智能決策、自動執行）中，智能感知是基礎，智能決策是重點，自動執行是結果。其中，智能感知是指利用各種智能傳感器對礦山各個流程、各種環境和各種條件進行感知，包括地質、測量、采礦、選礦、安全等各環節的智能感知，缺一不可。形象地說，智能感知是智能礦山的“眼睛”。

目前，我國智能礦山建設中智能采礦、智能選礦、智能安全，甚至智能測量發展較快，進步較大，智能地質則發展較慢，成為制約智能礦山建設的瓶頸和卡脖子工程。然而，由于地質條件的智能感知是智能開采的基礎，即如果不知道哪里是礦，就無法實現自動采礦。因此，忽略了地質工作的智能化，就相當于失去了智能采礦的“眼睛”。對此，袁亮院士［41］指出，在推進智能化煤礦建設中，首先需要解決的問題是地質條件的透明化，以確保采掘條件的可視、可預和可控。彭蘇萍院士等［42］闡述了透明地質條件（透明地球物理）的重要性，指出地質條件的精準把握是關鍵，他指出，礦井地質透明化是當前煤礦安全高效礦井地質保障系統的發展方向，要努力實現對工作面前方5 m范圍煤巖結構的自動化數據采集與精準識別。

為滿足當下智能礦山建設的需要，本研究認為，礦山需要發展新的巖礦測試技術，該技術應滿足以下條件：①測試必須快、近于實時，以滿足自動、智能化采礦的需求；②測試應該是原位和遙測方式，無需接觸和損壞樣品；③測試工序應簡單、經濟高效；④無人化和智能化程度高。

為此，本研究提出了基于光譜分析的巖礦智能感知技術，簡稱巖礦光譜智能感知技術。該技術利用現代高光譜遙感技術，對礦山現場的巖礦進行非接觸的原位感知和測試，通過一定的光譜分析模型和算法，實現對巖礦的感知和智能化識別。該技術除了具有現場原位、遙測、周期短、工序簡單、經濟高效、自動化和智能化特點外，還具有以下特點：

（1）與一般的巖礦測試中的光譜分析技術不同。傳統的光譜測試主要為原子光譜測試，獲得是巖礦中的元素含量，而該技術屬于分子光譜或者離子光譜測試技術，在波段上屬于可見光、近紅外、熱紅外光譜范圍，可以識別巖礦中的礦物成分及含量，這對于礦石類型確定和礦石品級劃分非常重要，屬于高光譜遙感技術范疇。

（2）搭載光譜測試傳感器的平臺可以有多種。根據礦山不同需要，可以分為天基、空基和地基（包括地面和地下）平臺，即傳感器可以搭載在衛星、無人機、地面車、井下車、手持以及鉆孔中的探頭上。如果進行露天礦采場的巖礦測試，則可以使用無人機、地面車、三腳架或手持式進行測試。隨著衛星遙感空間分辨率和光譜分辨率的提高，未來也可以考慮使用衛星遙感方式；對于井下礦，可以在采場使用車載、三腳架或手持式測試；對于鉆孔內不同深度的巖礦測試，可以使用光纜深入鉆孔進行測試。

（3）樣品間距小，測試密度高。如果使用無人機成像光譜儀對地觀測，則一般的空間分辨率可以達到分米甚至厘米級，即樣品的間距可縮小為幾個厘米。

（4）與現有的現場手持式原位測試技術——熒光光譜測試技術有顯著區別。目前市場上的熒光光譜測試技術屬于原子光譜測試技術，雖然測試速度快，但僅可獲得元素含量和礦石品位，無法獲取礦石中的礦物類型信息；且一般需要測試粒狀樣品，否則，精度偏低。

3 研究進展

3.1 波譜庫建設

前已述及，巖礦光譜智能感知技術屬于高光譜遙感技術范疇，是隨著高光譜遙感技術發展起來的，而高光譜遙感是用很窄而連續的光譜通道對地物進行持續遙感成像，使用的波段主要包括可見光、近紅外、中紅外和熱紅外波段，相對于多光譜（只獲取幾個波段的數據），它可以獲取上百甚至上千個非常窄的光譜波段信息，光譜分辨率高達納米級。眾所周知，每種地物都有自己特定的光譜（像人的NDA一樣），因此可以使用光譜來識別地物。為達到這一目的，一般需要首先建立標準的地物波譜庫，然后將待識別地物的波譜與標準波譜進行對比，從而達到識別的目的。因此，建設高質量的地物波譜數據庫是高光譜遙感必不可少的一個環節，它對高精度遙感識別起著非常重要的作用。美國國家航空航天局（NASA）于20世紀60年代末—70年代初建立了首個地球資源信息波譜數據庫（ERSIS），經過近半個世紀的努力，目前已有中國、美國、瑞士、英國、法國、澳大利亞等多個國家建立了面向不同研究領域、地物類型豐富、波譜范圍多樣的30余個地物波譜數據庫［43-44］。其中，由美國地質調查局（USGS）建立的USGS波譜庫［45-48］和美國噴氣推進實驗室（JPL）建立的ASTER波譜庫［49］是國際上最具代表性的地物波譜數據庫。國際上比較有代表性的巖石和礦物波譜庫有美國噴氣推進實驗室（JPL）早在20世紀80年代就推出的JPL波譜庫［50］和美國亞利桑那州立大學2000年推出的ASU熱紅外波譜庫［51］。

我國在巖礦波譜庫建設方面工作相對較少，據已有文獻，賈智樂等［52］對鶴壁礦區典型地物（包括矸石堆、地表覆被、土壤、植被、煤堆、洗煤水、開采塌陷區等）進行了實地波譜采集及數據后期處理，建立了煤礦區具有典型特征地物的反射波譜庫。國家實物地質資料館進行了館藏固體礦產、油氣等多門類巖芯共20多個礦床上萬米巖芯的紅外光譜掃描工作。截至2018年年底，已經完成約30萬m巖芯的圖像掃描工作，并基于“地質云”和“中國實物地質資料信息網”進行在線圖像發布服務［53］。2014年，由中國科學院遙感與數字地球研究所牽頭的國家科技基礎性工作專項“測繪地物波譜本底數據庫建設”項目啟動，旨在國內較好的工作基礎上以及多年來數據積累的支持下，嘗試解決目前波譜數據庫使用的若干問題，建成一套標準規范、一個系統下的地物波譜本底數據庫共享平臺GOSPEL（Ground Object Spectral Library）［54］。

本研究課題組近年來也開展了巖礦光譜庫的建設工作，建立了我國東北區域優勢礦種（包括煤礦、鐵礦、銅礦、金礦、菱鎂礦等）的典型巖礦波譜庫，庫中包含了810條這些礦種的典型礦石和圍巖的可見光、近紅外和熱紅外的光譜曲線（圖1），為該區域巖礦高光譜識別奠定了基礎。

3.2 光譜識別方法（算法）研究

3.2.1 波譜特征分析法

波譜特征分析是通過對特定地物的光譜特征進行分析，提取出一個或幾個突出的光譜特征，并用一定的參量表示，從而建立光譜識別參量或者指數，實現地物識別。這種方法原理明確、算法簡單、計算速度快、易于實現，有時能夠達到很高的精度。

（1）特征參量法。該方法是將地物波譜曲線上某個吸收谷、反射峰或者發射峰等特征進行參量化，再基于這些參量化后的特征進行分類識別或參數反演。常用方法有二值編碼、波譜斜率、波譜坡向指數（Spectral Slope Index，SSI）、波譜吸收特征參數、波譜微分、波譜積分、波譜對數、波譜曲線擬合函數以及小波變換系數等。王東等［55］研究發現在鞍山式鐵礦中赤鐵礦在1 000～1 250 nm波段，反射光譜的斜率對鐵品位反應敏感，二者呈現顯著線性正相關關系，據此建立了鐵品位的反演模型，反演誤差小于1%。何群等［56］研究表明，赤鐵礦、磁鐵礦與圍巖之間的光譜特征存在顯著差異，利用該類差異構建的巖礦類型識別和分類模型，其鐵礦石與圍巖的區分正確率為97.1%，赤鐵礦和磁鐵礦區分的正確率達到93.5%。特征參量法是光譜分析中經常使用的一種方法，該方法由于直觀、簡便，且容易實施和數據處理速度快，被經常用于高光譜數據處理分析。

（2）光譜指數法。該方法是將地物波譜曲線上兩個或多個特征譜段經線性或非線性組合，構成對感興趣地物敏感而對背景因子不敏感的遙感光譜指數，實現對地物的識別。植被指數（Vegetation Index，VI）是最常用的指數方法，它可以有效進行植被識別與分類，此外還有水體指數（Water Index，WI），用以識別地面的水體。為有效識別不同煤種，毛亞純等［57］提出了歸一化差異煤指數 NDCI（Normalized Difference Coal Index），利用該指數不僅可以將煤體從周圍其它地物中提取出來，還可以將褐煤和煙煤進行有效區分。為定量化識別煤矸石中的碳含量，宋亮等［58］提出了熱紅外光譜差指數，反演矸石中碳含量的平均誤差為5%。此外，宋亮等［59］基于可見光波段構建了光譜指數NDGI（Normalized Difference Gangue Index），用于識別燃燒矸石和未燃燒矸石。王東等［60］利用熱紅外光譜分析方法構建了8.06 μm與8.2 μm處的歸一化差指數NDI，預測了鞍山式鐵礦中的SiO2含量，誤差為3.57%。毛亞純等［61］利用935 nm與1 050 nm處的歸一化指數構建了鞍山式鐵礦中的磁性率的定量反演模型，反演磁性率與實測磁性率的判定系數達到了0.96。光譜指數法與特征參量法均具有直觀、簡便、易操作的特點，而且能達到較高的精度，因此經常被用于巖礦的光譜分類中。

3.2.2 光譜匹配識別法

光譜匹配識別法是利用巖礦波譜數據庫中已知的反射或發射波譜曲線，采用匹配算法來對待測巖礦進行分類和識別。這種匹配可以是在全波長范圍內的完整波形比較，也可以是基于波譜特征的匹配。這類方法有光譜距離匹配、光譜角度匹配、光譜相關性匹配等方法。佟家興等［62］首先采用主成分分析法對福建紫金山金銅礦的高光譜遙感數據進行降維處理，然后利用光譜角匹配法對礦石和巖石進行識別，成功率達到了74%。董新豐等［63］提出了綜合光譜特征增強匹配度和特征參量的礦物識別方法，并基于GF-5衛星數據開展了礦物精細識別，平均正確率優于90%。需要說明的是，光譜匹配識別法由于采用光譜對比的方法，因此需要待識別地物的光譜與標準光譜的測試條件相同，這樣才能達到較高的匹配精度，否則，會影響匹配效果。

3.2.3 混合光譜分解法

混合光譜分解技術用以確定在同一像元內不同地物光譜成分所占的比例或非已知成分。由于無論礦石還是巖石都是由礦物組成，理論上可以使用混合光譜分解技術定量分析巖礦中的礦物成分?；旌瞎庾V分解技術在高光譜遙感或者定量遙感中具有重要地位，該方法包括了端元提取和豐度反演兩個步驟。其中，端元可以從該區域的地物波譜數據庫中選取，也可以通過端元提取算法從遙感影像上提取。但不論哪種算法，其本身都存在著不確定性，需要對其進行精度驗證和評價。在可見光—近紅外波段，巖石和礦物光譜受到表面形態的影響，礦物組分之間發生多重散射，使得光譜混合屬于非線性混合，給光譜解混帶來了不便。而熱紅外波段由于可以探測硅酸鹽礦物的振動，與可見光—近紅外反射遙感相比，大大拓寬了遙感礦物識別的廣度，并且發射光譜混合為線性混合，避開了一直阻礙遙感應用的光譜非線性混合的難題，使精確提取礦物種屬及豐度信息成為可能。在光譜分解中，最常用的數學方法是帶約束的最小二乘法，即在滿足豐度和為1且非負的約束條件下，線性混合或非線性混合模型的殘差達到最小。光譜解混算法很多，如監督、半監督和非監督學習的光譜解混方法等，這些方法又延伸出許多子類方法。劉善軍等［64］研究表明，當巖石與礦物端元的光譜測試條件相同時，光譜解混效果好，使用塊狀端元光譜能有效解混塊狀巖石光譜，而顆粒光譜則不能有效解混塊體巖石的礦物成分及含量。從理論上講，混合光譜分解方法可以適用于所有的巖礦光譜分析。但在實際中，由于巖礦石中的礦物顆粒較小，且同一種礦物在不同的巖礦石中的賦存狀態不同，增加了光譜分解難度，影響了該方法的實際應用，尤其對于機載或星載數據的處理問題更為突出。

3.2.4 智能識別方法

近年來，由于人工智能技術的興起，許多機器學習算法被用于巖礦的光譜識別與分析中。張兵［65］認為，研究融合遙感數據特征與深度學習等智能信息提取算法，構建適用于遙感大數據的模型、方法與系統工具，是遙感大數據時代實現信息提取與知識挖掘的必由之路。毛亞純等［66］利用遺傳算法和BP神經網絡建立了斑巖型銅礦可見光—近紅外光譜的定量反演模型，品位反演平均絕對誤差為0.104%。為預測尾礦庫中尾砂含水量，虞茉莉等［67］首先構建了比值指數（RTI）、歸一化差異指數（NDTI）和差值指數（DTI），然后將這3種指數作為輸入自變量，使用隨機森林方法進行訓練構建尾礦含水量預測模型，通過Landsat8-OLI數據對實地尾礦庫繪制了含水量的空間分布圖，結果表明，模型含水量預測的相對精度為80%。文獻［68］在研究不同煤種光譜時發現，與主成分分析（PCA）特征提取方法比較，CNN網絡能夠更好地提取光譜特征，改進ELM分類模型的分類精度優于基礎ELM和SVM分類模型。毛亞純等［69］在分析菱鎂礦近紅外光譜特征的基礎上，利用主成分分析（PCA）進行光譜數據降維，然后與ELM分類算法相結合進行菱鎂礦品級識別，準確率達到90%以上。總體來說，智能識別方法一般要求光譜樣本數量足夠多，這樣才能通過多樣本學習獲得足夠的知識，進而達到較高的識別精度。

3.2.5 多波段光譜聯合分析方法

在巖礦光譜識別中，往往使用單一波段光譜難以奏效，客觀需要多波段聯合，進行不同波段光譜的優勢互補，方可有效提升巖礦識別精度。劉善軍等［70］將可見光—近紅外和熱紅外光譜優勢和特點結合起來，利用光譜聯合分析方法反演了鐵礦石中的磁性率，進一步提出了基于可見光—近紅外和熱紅外光譜聯合分析的鞍山式鐵礦原位測定方法，全鐵品位的平均預測誤差達到3.5%，取得了較好效果。宋亮等［71］針對煤與含碳矸石在可見光—近紅外的“異物同譜”現象，提出了基于可見光—近紅外和熱紅外光譜聯合分析的煤與矸石區分方法。該方法有效解決了單獨使用可見光—近紅外波段存在的“異物同譜”現象，使得試驗樣品的分類精度由90.5%提高到100%。

上述5種光譜識別方法各有所長，但總體來看，波譜特征分析法、光譜匹配識別法由于含義明確、方法簡便，被廣泛使用；智能識別方法隨著近年來人工智能和計算機技術的快速發展逐漸被廣泛使用，且往往能達到很高的識別分類精度；混合光譜分解方法雖然理論較為成熟，且研究較多，但由于礦山巖礦種類多、成分和結構復雜，實現成功應用尚需解決一系列技術問題；多波段光譜聯合分析方法由于考慮了不同波段的優勢和特點，對于單一波段難以完成的光譜識別通過多光譜聯合分析可以達到很好的效果，成為未來的發展趨勢。

3.3 光譜影響因素與機理研究

巖石和礦物的光譜特征除了與其成分含量和內部結構有關外，還受到眾多變異因素的影響，該類因素主要包括粗糙度、顆粒度、孔隙度、含水率、風化程度，以及觀測條件（如觀測角度、光照條件等）。巖礦在自然狀態下多以致密塊狀形式賦存，由于成因環境與結晶程度不同，不同巖礦表面形態特征不同，即表面的粗糙度不同；而一些巖礦還會呈粉末狀（如炮孔或鉆孔中的粉末），粉末的顆粒度和孔隙度也會對光譜特征產生影響。所以，為有效利用高光譜測試分析巖礦成分，需要對光譜特征的影響因素和機理進行分析。

3.3.1 粗糙度對反射光譜特征的影響研究

塊狀巖礦石的表面粗糙度是影響其光譜特征的重要因素，目前針對其它材料研究較多，對于巖礦石的研究相對較少。曾浩倫［72］、周月［73］和ANDERSON［74］等通過對不同粗糙度的金屬材料進行研究發現，當試驗樣品表面比較光滑時，試樣二向性反射（BRDF）能量主要分布在很窄的角度范圍內，能量集中在鏡向反射方向，且峰值明顯；當試樣表面變得粗糙時，BRDF會分布在較寬廣的角度范圍內，即鏡向反射方向的能量減小，其他角度方向的能量增加。許邦偉［75］應用雙向反射分布函數，仿真計算了試樣在不同粗糙度下的反射光譜曲線，結果表明：在鏡面方向時，材料粗糙度越小，鏡面反射強度越大；在非鏡面方向時，試樣光譜強度隨著粗糙度的增大而增大，即隨著試樣粗糙度增加，其散射分布范圍和散射光譜強度在半球空間發散分布且逐漸增大。XIAO等［76］、凌晉江等［77］通過對二向性反射模型進行理論分析與推導，結果表明：鏡面反射能量與粗糙度呈現顯著的負相關關系，漫反射能量與粗糙度呈現顯著的正相關關系。KIRKLAND等［78］研究了巖礦光譜特征的影響因素，認為巖石表面粗糙度變化會影響試樣光譜對比度，造成相同巖石的光譜對比度存在一定差異，最大達到10%，使得巖礦識別變得困難。CARTER等［79］通過研究發現，火山巖的粗糙度對其光譜對比度影響顯著，原因是粗糙度較大時會形成空腔效應，使得光子產生類似在黑體中的多次反射，進而影響試樣的光譜特征。OSTERLOO等［80］同樣發現隨著粗糙度的增加光譜對比度減小，但不同巖石的光譜對比度變化是不同的。李天子等［81］對常見的7種礦物——石英、正長石、斜長石、微斜長石、角閃石、橄欖石和白云石的熱紅外光譜的研究發現，粗糙度對礦物的光譜特征有顯著影響，當粗糙度增加時，光譜發射率增加，光譜對比度減小。當巖石和礦物端元具有不同的粗糙度時，由粗糙度差異引起的端元光譜變異，使光譜混合偏離了線性加和規律，解混誤差會大大增加。此外，王東［82］在對鞍山式鐵礦的反射光譜研究發現，粗糙度對赤鐵礦和磁鐵礦的光譜特征都有很大影響，如圖2所示。

3.3.2 顆粒度對反射光譜特征的影響研究

當巖礦石呈顆粒狀態時，顆粒度大小對其光譜特征有重要影響。楊柏林等［83］探討了巖石和礦物的粒度、顏色和表面狀態與反射光譜特征的關系，結果表明：由透明礦物組成的巖礦樣品，其反射率與樣品粒度呈反比關系；半透明礦物和不透明礦物，其反射率與樣品的粒度關系則比較復雜。吳昀昭等［84］通過試驗研究發現，隨著試驗樣品顆粒度增大，試樣反射光譜逐漸降低，但是礦物粒度一般只影響反射率大小，不會改變吸收波段位置與其吸收深度等特征。汪金花等［85］在實驗室對不同粒徑鐵尾礦樣本的可見光—近紅外反射光譜特征進行了分析研究，發現鐵尾礦的反射率隨著粒徑減小逐漸增大，但是試樣的診斷性光譜吸收特征不受樣本粒徑影響。VERNAZZA［86］對行星中的巖礦樣品進行了光譜測試，發現巖礦顆粒度不同時，巖礦光譜趨勢也會受到一定的影響，表明顆粒度不僅會影響反射率的高低，還會對試樣光譜趨勢產生相應的影響。梁樹能等［87］研究發現巖礦光譜隨粒度的變化比較復雜，不僅不同礦物的光譜特征隨著顆粒度的變化規律有所不同，而且同一種礦物光譜特征在不同粒度區間上的變化也具有差異性，基于光譜特征進行礦物識別必須考慮粒度對光譜特征的影響。王東［82］研究發現，顆粒度對赤鐵礦和磁鐵礦石反射光譜特征的影響存在顯著差異（圖3）。顆粒度對磁鐵礦反射光譜的影響較小，顆粒度由0.03 mm增加到4 mm時，反射率變化量小于3%。顆粒度對赤鐵礦反射光譜特征的影響較大，當赤鐵礦粒徑小于1 mm時，顆粒度對赤鐵礦反射光譜曲線的高低與光譜形態特征的影響非常顯著，顆粒度由0.03 mm增加到1 mm時，其光譜反射率不斷降低，反射率變化幅度最大達30%，顯著敏感波段為1 250～2 500 nm波段；當赤鐵礦試樣粒徑大于1 mm時，顆粒度對試樣反射光譜的影響較微弱。

3.3.3 觀測角度對反射光譜特征的影響研究

巖礦光譜除了與巖礦表面的形態有關外，還與觀測條件有關。其中，觀測角度是影響光譜特征的一個重要因素。觀測角度不同，光譜儀獲得的不同波段的反射或輻射量不同，從而影響了光譜特征。周悅等［88］研究了不同探測距離與觀測角度下典型煤巖的近紅外光譜特征。趙虎等［89-92］選擇地表最常見、最重要的巖石——花崗巖、玄武巖、橄欖巖3種巖石作為研究對象，分析了觀測角度對3種代表性巖石在2π空間內反射光譜的影響規律。結果表明：3種代表性巖石的反射光譜特征在2π空間存在明顯差異，表現出強烈的非朗伯體特性，在空間方向上具有明顯的極化特征。WALD等［93］通過在多角度條件下觀測分析石英試樣的反射光譜特征，明確了石英試樣的光學常數和振蕩子參數的適應性。BANDFIELD等［94］對火星表面的砂礫巖進行了多角度條件下的光譜測試與分析，提高了基于光譜特征的試樣溫度反演模型的精度。閆柏琨等［95］通過對顆粒狀的石英、白云母和鈣長石3種礦物試樣進行觀測分析，得出隨著試驗樣品發射角度增加，試樣發射率逐漸減小，試樣的透射特征和吸收特征逐漸增強，但是光譜的整體形狀和典型特征譜帶的位置與形態均基本保持不變。程寅益等［96］對孔雀石粉末在多角度條件下的反射光譜特征進行了研究，并應用Hapke模型對孔雀石的多角度光譜特征進行了分析解釋，發現當傳感器位于鏡面反射方向時，試驗樣品反射率最大，因為在該位置時，試驗樣品發生鏡面反射，反射效果強烈，光照強度最強；傳感器位于其他位置時，光照強度逐漸減弱。路鵬等［97］研究發現：當觀測角度發生變化時，巖礦試樣的反射光譜也會隨之發生變化，但是不同巖石礦物的反射光譜特征在不同角度下的變化規律與變化程度不盡一致，具有明顯的差異性。王東［82］研究發現：赤鐵礦和磁鐵礦石反射光譜受觀測角度影響較顯著，當觀測天頂角由0°增加至20°時，試樣的光譜反射率呈現逐漸升高趨勢；當試樣觀測角度由20°增加至80°時，試樣的光譜反射率呈現緩慢降低趨勢；當觀測天頂角從0°增加至80°時，反射率變化幅度最大達到10%（圖4）。

3.4 礦山實際應用研究

目前，巖礦光譜智能感知技術在礦山的應用大多還停留在室內試驗或現場試驗階段。在這方面，國外發展較快。目前在市場上已經有手持反射或發射光譜儀問世，能夠有效測試巖礦的光譜。如反射光譜儀TerraSpec，其波長為350～2 500 nm，有2 151個通道；發射光譜儀Handheld FTIR，其波長為2.5～15.0 μm，有1 800個通道。近幾年，國內研發速度也很快，目前市場上已經有了可見光—近紅外成像光譜儀。童慶禧等［98-99］于2012年成功研制出了短波紅外波段的地面成像光譜系統，2013年又成功研發了小型航空成像光譜系統，并進行了試飛。相對于硬件的較快發展，軟件的發展則較慢。近年來，本研究課題組以鞍山式鐵礦為突破口，開展了大量的光譜測試分析試驗與研究，并在此基礎上，進行了現場應用試驗。毛亞純等［100］分析了磁鐵礦和赤鐵礦及其圍巖的可見光—近紅外光譜差異，建立了鐵礦石遙感提取與分類模型，并應用Landsat 8數據對某露天礦鐵礦石進行了識別，精度達到83.5%～85.0%。劉善軍等［70］首先通過試驗研究提出了基于可見光—近紅外和熱紅外光譜聯合分析的鞍山式鐵礦原位測定方法，然后選擇鞍鋼鞍千礦露天采場作為試驗場對該方法進行了測試。結果表明：鐵礦石中SiO2含量的平均預測誤差為3.6%，磁性率w（FeO）/w（TFe）平均預測誤差為3.64%，全鐵品位的平均預測誤差為3.5%。從反演結果來看，雖然單個樣品的反演精度較室內測試方法偏低，但由于使用現場便攜式原位測定方法，采樣密度高、速度快、效率高，5個開采斷面中251件試驗樣品半天時間即可完成測試（圖5），具有很高的時效性。此外，課題組還利用航拍無人機采集該采場的高光譜影像，應用混合像元光譜分解技術，對采場中礦巖進行了識別與自動提?。▓D6）。結果表明：鐵礦圈定結果與現有的室內化驗圈定的礦體面積相比，二者相差為8.10%。上述分析表明：基于光譜分析的巖礦智能感知技術具有很好的發展前景，在進一步優化和完善的基礎上，可廣泛應用于智能礦山建設中。

4 未來發展方向

（1）加強波譜庫建設。前已述及，目前國外在波譜庫建設方面開展了大量的工作，尤其是ASU、ASTER等波譜庫的建設。目前我國開展的工作還較少，波譜庫規模小、系統性不夠，還需要深入細致地開展波譜庫建設工作。由于我國礦床類型多，礦石種類豐富，且不同礦床類型圍巖的種類又有所不同，因而波譜庫建設還有很長一段路要走。具體建設時，可以根據國家對各種礦產需求程度的不同，先進行對國民經濟起重要支撐作用的戰略性礦種的波譜庫建設，然后再推廣開來。

（2）完善已有算法，提高巖礦識別與定量分析精度。目前，由于對巖礦光譜特征的研究和把握不深，使得基于光譜分析的各種巖礦識別與定量反演模型精度偏低，距離實際應用還有差距。由于不同礦石的成分和結構不同，其光譜特征存在很大差異，因此需要針對不同礦種和礦石類型建立獨有的光譜識別模型，即“一礦一模型”，構建理想化的普適模型可能是不現實的。

（3）加強相關理論研究，建立考慮光譜多因素綜合影響的完備模型。目前，開展的光譜變異影響因素研究大多是基于正交試驗設計，即固定其它變異影響因素的前提下，只讓一個變異因素發生變化，來分析該因素影響下的光譜變化規律。但是在巖礦實際賦存條件中，多種變異因素是同時存在、共同作用的，不同變異因素可能會相互抑制或效果增強。因此，如何綜合考慮多種變異因素的影響，同時引入粗糙度、觀測角度、顆粒度等多個變異因素，明確巖礦反（發）射光譜在多種變異因素共同影響下的變化規律，并確定各個變異因素的影響權重，建立適用性更強的完備模型，是將來需要重點考慮的問題。

（4）加強軟硬件集成化研究。目前，搭載在不同平臺的光譜儀已經得到了快速發展，國外發展較快，國內正在迎頭趕上。相對于硬件來說，基于各種光譜分析算法的軟件發展相對緩慢，需要加大研發力度。且存在軟硬件研發與應用各自為戰的現狀，開展軟硬件有效集成和一體化研究，才能從根本上解決該技術的實用化問題，將是未來的發展方向。

（5）加強應用化研究。目前，盡管一部分成果已經進入現場試驗階段，但相關的研究還主要停留在實驗室試驗階段。今后應進一步加強現場應用化研究。應進一步加強高校、科研院所與礦山企業的深度融合，開展項目合作，建立產學研聯盟，促進高校和科研院所的研究成果及時應用于礦山實際生產中，推動智能礦山建設。此外，礦山現場實際情況往往比實驗室復雜得多，室內試驗成果往往需要結合現場實際情況進行不斷修正、完善和改造，方可取得較理想的應用效果，而這一過程往往是艱苦的。只有加強應用化研究，方可有助于解決巖礦智能識別這一礦山卡脖子難題。

5 結論

針對智能化礦山建設的實際需要，在分析礦山巖礦測試技術發展現狀的基礎上，提出了巖礦光譜智能感知技術，并對這一技術的現狀及發展方向進行了討論，主要結論和認識如下：

（1）傳統的巖礦測試技術，由于采樣密度低、測試周期長、成本高、效率低等原因，已成為智能礦山建設的瓶頸，開展新的巖礦測試技術研究，是新時代背景下智能礦山建設的要求。

（2）基于光譜分析的巖礦智能感知技術，不僅具有原位測試、非接觸、周期短、工序簡單、經濟高效和智能化的特點，還具有平臺多、測試密度高的特點；不僅可以獲得礦石品位，還可以獲得礦物成分及其含量信息。

（3）針對巖礦光譜智能感知技術，目前已經開展了波譜庫建設、光譜識別方法（算法）、光譜影響因素與機理，以及應用化等方面的研究，但主要還停留在實驗室試驗階段。未來應加強波譜庫建設、光譜識別算法以及相關理論和綜合性模型的研究，進一步提高巖礦識別與定量分析精度。此外，還應加強軟硬件集成研究和現場應用研究。