基于可見光-近紅外光譜的煤巖識別方法實(shí)驗(yàn)研究

徐良驥，孟雪瑩，韋 任，張 坤

1. 深部煤礦采動響應(yīng)與災(zāi)害防控國家重點(diǎn)實(shí)驗(yàn)室，安徽 淮南 232001 2. 安徽理工大學(xué)空間信息與測繪工程學(xué)院，安徽 淮南 232001

引 言

煤巖識別是實(shí)現(xiàn)智能化選煤和綜采工作面無人化的前提。 近年來隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展，煤礦生產(chǎn)自動化水平顯著提高，也使得綜合開采工作面的無人化操作和選煤廠智能化選煤的實(shí)現(xiàn)成為可能[1]。 智能化技術(shù)的實(shí)現(xiàn)在很大程度上提高煤炭生產(chǎn)的安全性[2]。 煤巖識別技術(shù)的實(shí)現(xiàn)對煤炭綠色開采、 精準(zhǔn)開采具有重大的實(shí)際意義[3]。

近年來，遙感技術(shù)在礦區(qū)煤炭勘探開采、 煤和巖石的性質(zhì)測定、 土壤和水體的污染監(jiān)測等方面得到廣泛應(yīng)用[4，5]。 在煤炭資源勘探開發(fā)各階段遙感技術(shù)主要應(yīng)用于資源調(diào)查評價(jià)、 礦區(qū)衛(wèi)星測圖、 礦產(chǎn)資源開發(fā)及礦區(qū)環(huán)境監(jiān)測等領(lǐng)域[6]，在煤炭開采過程中，可以利用遙感圖像對礦區(qū)地層分布特征進(jìn)行提取。 對于土壤與水體污染監(jiān)測方面，遙感技術(shù)更是可以直接利用地物光譜反射率進(jìn)行地物提取與監(jiān)測。 近年來，井下無人開采成為國內(nèi)外研究的熱點(diǎn)，而煤巖識別正是井下無人開采的關(guān)鍵，在傳統(tǒng)煤巖識別過程中，人工識別效率低下，因此如何準(zhǔn)確的實(shí)現(xiàn)煤巖識別成為該研究領(lǐng)域亟待解決的問題。 宋亮等[7]研究了基于可見光-近紅外和熱紅外聯(lián)合分析煤和巖石分類方法； 王衛(wèi)東等[8]研究了基于激光三維掃描與動態(tài)稱重的煤巖石光電分選系統(tǒng)； Yang等[9]利用可見光和近紅外(VIS-NIR)反射光譜進(jìn)行煤巖石識別； Wang等[10]使用太赫茲時(shí)域光譜法對煤和巖石進(jìn)行表征和分類。 本文基于可見光-近紅外光譜和樣本成分含量研究煤巖的識別方法。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)概況

實(shí)驗(yàn)樣本共29份，其中煤樣15份，巖石樣本14份，樣本來源如下：

從謝橋礦采集煤和巖石樣本共11份，其中煤樣7份，巖石樣本4份，7份煤樣按順序命名為XQM1，…，XQM7，巖石樣本按順序命名為XQG1，…，XQG4。 煤的類型主要為煙煤，巖石類型主要為砂巖、 和泥巖。

從潘二礦采集煤和巖石樣本共18份，其中煤樣8份，巖石樣本10份，8份煤樣按順序命名為P2M1，…，P2M8，10份巖石樣本按順序命名為P2G1，…，P2G10。

謝橋礦位于安徽省潁上縣東北部，距潁上縣城約20 km，現(xiàn)生產(chǎn)能力超過800萬噸/年、 配套800萬噸選煤廠的特大型現(xiàn)代化礦井。 潘二煤是淮南礦業(yè)集團(tuán)所屬的一座年設(shè)計(jì)生產(chǎn)能力為300萬噸的大型現(xiàn)代化礦井。 該礦位于安徽省淮南市西北部約30 km的潘集區(qū)境內(nèi)。 礦井地處淮河以北屬江淮平原，西南部與潘一礦井接壤，西北部與潘北礦井毗鄰。

圖1 部分煤和巖石樣本Fig.1 Some coal and rock samples

1.2 煤巖光譜差異機(jī)理分析

圖2所示為煤和巖石樣本的反射光譜，由圖可知，煤的整體反射率較低，上升平緩，而巖石的反射率偏高，且有吸收谷。 在1 450 nm附近，由于水分子O—H官能基伸縮振動的第一倍頻，巖石在此處有較強(qiáng)吸收谷。 在1 900 nm附近，由于巖石中的二價(jià)Fe離子和煤樣中的Al2O3，巖石存在更強(qiáng)的吸收谷。 在2 130～2 250 nm波段內(nèi)煤與巖石存在較大差異，這是由于Al元素在煤中主要以Al2O3的形式存在，而在巖石中則主要以Al(OH)3形式存在，Al(OH)3的Al—OH晶格振動使得其在2 210 nm附近具有強(qiáng)吸收峰[11]。

圖2 原始光譜反射率曲線Fig.2 Original reflectance spectra

近紅外光譜的主要吸收帶是含氫基團(tuán)C—H，O—H，N—H等的一級倍頻和C—O，C—N，C—C等的多級倍頻。 煤中的有機(jī)物主要包括碳(C)、 氫(H)、 氧(O)、 氮(N)等，主要指工業(yè)分析指標(biāo)的揮發(fā)分和固定碳； 無機(jī)物包括水和碳物質(zhì)，主要指工業(yè)指標(biāo)的水分和灰分。 根據(jù)中國國家標(biāo)準(zhǔn)GB/T 5751《中國煤炭分類》和國際標(biāo)準(zhǔn)ISO 11760 Classification of coals對煤炭的定義標(biāo)準(zhǔn), 煤炭是主要由植物遺體經(jīng)煤化作用轉(zhuǎn)化而成的富含碳的固體可燃有機(jī)沉積巖, 含有一定量的礦物質(zhì), 其灰分產(chǎn)率小于或等于50%[12]。 據(jù)此, 灰分和揮發(fā)分的含量差異可用于進(jìn)行煤巖識別分析。

1.3 光譜數(shù)據(jù)的采集

美國ASD公司生產(chǎn)的地物光譜儀FieldSpec 4的光譜范圍是350～2 500 nm，有兩種采樣間隔分別為1.4 nm(350～1 000 nm)和2 nm(1 000～2 500 nm)； 該實(shí)驗(yàn)的重采樣間隔為1 nm。 數(shù)據(jù)采集在暗室中進(jìn)行，選擇50 W的鹵素?zé)魹楣庠础?25°裸光纖鏡頭接收反射波段。 測量時(shí)將樣本放入直徑為100 mm，高2 mm的透明玻璃培養(yǎng)皿中，光源距離樣品40 cm，光線與樣品成45°角，探頭距樣本10 cm位于光源對面，探頭光纖末端位于煤、 巖石樣本正上方。 在對樣本進(jìn)行光譜測量前需要進(jìn)行白板校正，每個(gè)樣本采集30條曲線，對獲取的煤和巖石樣本反射光譜曲線采用ViewSpecPro軟件進(jìn)行預(yù)處理(剔除異樣數(shù)據(jù)、 斷點(diǎn)修復(fù)，光滑處理等)，最后將各組曲線的算術(shù)平均值作為樣本的原始光譜反射率值，如圖2所示。

1.4 樣品成分含量檢測

采用GB212—2008煤的工業(yè)分析方法對煤和巖石樣本的水分、 灰分、 揮發(fā)分進(jìn)行測定。 測定結(jié)果如表1所示，具體測定步驟如下：

(1)樣本水分的質(zhì)量分?jǐn)?shù)(Mad)采用空氣干燥法[13]。

稱取粒度粒徑為0.15 mm煤樣、 巖石樣本(1±0.1) g，稱準(zhǔn)至0.000 2 g，平攤在稱量瓶中。 每個(gè)樣本設(shè)置三個(gè)對比樣，將樣品置于105～110 ℃鼓風(fēng)干燥箱內(nèi)，于空氣流中干燥到質(zhì)量恒定。 根據(jù)煤樣的質(zhì)量損失計(jì)算出水分的質(zhì)量分?jǐn)?shù)(Mad)。

表1 兩礦煤樣工業(yè)指標(biāo)測試結(jié)果Table 1 Test results of industrial indicators ofcoal samples from two mines

續(xù)表1

(2)樣本的灰分(Aad)采用快速灰化法[13]。

①在預(yù)先灼燒至質(zhì)量恒定的灰皿中，稱取粒度小于0.2 mm的一般分析實(shí)驗(yàn)煤樣(1±0.1) g，稱準(zhǔn)至0.000 2 g，均勻地?cái)偲皆诨颐笾?，使其每平方厘米的質(zhì)量不超過0.15 g。 將盛有煤樣的灰皿預(yù)先分排放在耐熱瓷板或石棉板上。

②將馬弗爐加熱到850 ℃，打開爐門，將放有灰皿的耐熱瓷板緩慢地推入馬弗爐中，待5～10 min后煤樣不再冒煙時(shí)，以每分鐘不大于2 cm的速度把其余各排灰皿順序推入爐內(nèi)熾熱部分(若煤樣著火爆燃，停止該實(shí)驗(yàn)、 作廢)。

③關(guān)上爐門并使?fàn)t門留有15 mm左右的縫隙，在(815±10) ℃溫度下灼燒40 min。

④將灰皿從爐中取出，放在空氣中冷卻5 min，然后移入干燥器中冷卻至室溫(約20 min)后，稱量。

⑤進(jìn)行檢查性灼燒，溫度為(815±10) ℃，每次20 min，直到連續(xù)兩次灼燒后的質(zhì)量變化不超過0.001 0 g為止。 以最后一次灼燒后的質(zhì)量為計(jì)算依據(jù)。

(3)樣本的揮發(fā)分(Vad)測定[13]：

①在預(yù)先于900 ℃溫度下灼燒至質(zhì)量恒定的帶蓋瓷坩堝中，稱取粒度小于0.2 mm的一般分析實(shí)驗(yàn)煤樣(1±0.1) g，稱準(zhǔn)至0.000 2 g，然后輕輕振動坩堝，使樣品攤平，蓋上蓋，放在坩堝架上。

②將馬弗爐預(yù)先加熱至920 ℃左右，打開爐門，迅速將

圖4 煤和巖石樣本揮發(fā)分實(shí)驗(yàn)爐Fig.4 Set up for determining the volatilematter in coal and gangue

放有坩堝的坩堝架送入恒溫區(qū)，立即關(guān)上爐門并計(jì)時(shí)，準(zhǔn)確加熱7 min； 坩堝及坩堝架放入后，要求爐溫在3 min內(nèi)恢復(fù)至(900±10) ℃，此后保持在(900±10) ℃，否則此次實(shí)驗(yàn)作廢，加熱時(shí)間包括溫度恢復(fù)時(shí)間。

③從爐中取出坩堝，放在空氣中冷卻5 min左右，然后移入干燥器中冷卻至室溫(約20 min)后稱量。

煤和巖石氧化物含量采用XRF檢測，檢測結(jié)果如表2所示。

表2 兩礦煤和巖石樣本氧化物百分比含量Table 2 Oxygen percentage contents of coal and rock samples from two mines

續(xù)表2

1.5 建模方法及參數(shù)選擇分析

主成分分析是目前較常用的一種光譜特征信息提取方法，在處理線性問題時(shí)能夠取得很好的效果。 核成分分析則將數(shù)據(jù)映射到高維特征空間，利用主成分分析實(shí)現(xiàn)非線性的特征提取，改善主成分分析在非線性數(shù)據(jù)分布情況下分析結(jié)果不理想的狀況。 與其他機(jī)器學(xué)習(xí)算法相比, 支持向量機(jī)(SVM)算法更適合于本實(shí)驗(yàn)的小訓(xùn)練樣本、 多維度成分因素、 非線性關(guān)系問題[14]。 因此選擇PCA-SVM、 PCA-BP和KPCA-SVM共三種方法進(jìn)行煤巖識別的建模。 其中，懲罰因子由網(wǎng)格搜索法獲得，經(jīng)過多次建模試驗(yàn)確定最優(yōu)迭代率和學(xué)習(xí)率。 模型復(fù)雜度低，未出現(xiàn)過擬合現(xiàn)象。

2 結(jié)果與討論

2.1 基于可見光-近紅外光譜的煤和巖石識別模型

(1)主成分分析結(jié)合支持向量機(jī)(PCA-SVM)模型

煤巖識別的本質(zhì)是一個(gè)二分類的問題，并不需要區(qū)分煤或巖石具體的礦物類型。 將煤作為識別向量標(biāo)簽“0”，巖石作為識別向量標(biāo)簽“1”，對煤巖的特征值進(jìn)行訓(xùn)練，將煤巖的特征值作為自變量，煤巖的識別標(biāo)簽“0”和“1”作為因變量，最后利用訓(xùn)練的模型對驗(yàn)證集進(jìn)行識別。 其中，煤巖對應(yīng)的特征值分別為它們在可見光-近紅外波段的反射率和工業(yè)分析與XRF儀器測量出的成分含量。 隨機(jī)建立訓(xùn)練集20個(gè)樣本和驗(yàn)證集9個(gè)樣本，對樣本反射率進(jìn)行主成分分析，確定主成分得分值利用5倍交叉驗(yàn)證確定最優(yōu)懲罰參數(shù)和最優(yōu)方差參數(shù)，進(jìn)行支持向量機(jī)模型建立，并將驗(yàn)證集代入模型驗(yàn)證。 隨機(jī)建立的20組主成分分析結(jié)合支持向量機(jī)識別模型的最優(yōu)參數(shù)、 建模精度、 驗(yàn)證結(jié)果如表3所示。

由表3可知，主成分分析結(jié)合支持向量機(jī)模型中，建模精度最高為100%，最低精度為55%，平均精度為83.75%。 驗(yàn)證集模型識別精度最高為66.67%，最低為22.22% ，平均識別精度約為45.97%。

表3 基于可見光-近紅外光譜的PCA-SVM模型的模型精度Table 3 Model accuracy of PCA-SVM model based onvisible-near infrared spectra

(2)主成分分析結(jié)合BP神經(jīng)網(wǎng)絡(luò)(PCA-BP)模型

對樣本光譜反射率數(shù)據(jù)進(jìn)行主成分分析，得到28個(gè)主成分。 首先對BP神經(jīng)網(wǎng)絡(luò)中的初始參數(shù)進(jìn)行設(shè)置，構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，參數(shù)如下： 迭代次數(shù)(epochs)=10 000，學(xué)習(xí)率(Ir)=0.05，訓(xùn)練目標(biāo)誤差(goal)=0.001。 整個(gè)神經(jīng)網(wǎng)絡(luò)匹配系統(tǒng)分為四個(gè)部分： 輸入端、 一個(gè)隱含層、 一個(gè)輸出層、 輸出端。 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 基于可見光-近紅外光譜的PCA-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.5 Model structure of PCA-BP neural networkbased on visible-near infrared spectra

將主成分?jǐn)?shù)據(jù)代入BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行煤和巖石識別分類，20組數(shù)據(jù)的PCA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度如圖6所示。

圖6 PCA-BP神經(jīng)網(wǎng)絡(luò)模型識別率Fig.6 PCA-BP neural network model recognition rate

基于樣本反射率光譜數(shù)據(jù)的PCA-BP神經(jīng)網(wǎng)絡(luò)模型識別率最高為54.55%，最低為26.25%，平均識別率為43.33%。

(3)核主成分分析結(jié)合主成分分析(KPCA-SVM)模型

對樣本反射率進(jìn)行核主成分分析，確定主成分得分值利用5倍交叉驗(yàn)證確定最優(yōu)懲罰參數(shù)和最優(yōu)方差參數(shù)，進(jìn)行支持向量機(jī)模型建立，并將驗(yàn)證集代入模型驗(yàn)證。 20組KPCA-SVM模型最優(yōu)參數(shù)、 訓(xùn)練集、 驗(yàn)證精度如表4所示。

由表4可知，核主成分分析結(jié)合支持向量機(jī)模型中，建模精度最高為100%，最低精度為85%，平均精度為95.5%。 驗(yàn)證集模型識別精度最高為100%，最低為66.67%，平均識別精度約為90.56%。

2.2 基于樣本成分含量的煤和巖石識別模型

(1)主成分分析結(jié)合支持向量機(jī)(PCA-SVM)模型

對樣本的14個(gè)成分含量進(jìn)行主成分分析，確定主成分得分值利用5倍交叉驗(yàn)證確定最優(yōu)懲罰參數(shù)和最優(yōu)方差參數(shù)，進(jìn)行支持向量機(jī)模型建立，并將驗(yàn)證集帶入模型驗(yàn)證。 基于樣本成分的PCA-SVM模型最優(yōu)參數(shù)、 訓(xùn)練集、 驗(yàn)證精度如表5所示。

由表5可知，主成分分析結(jié)合支持向量機(jī)模型中，建模精度最高為100%，最低精度為70%，平均精度為83.75%。 驗(yàn)證集模型識別精度最高為100%，最低為22.22%，平均識別精度約為50.56%。

表4 KPCA-SVM模型的模型精度Table 4 Accuracy of KPCA-SVM model

表5 基于樣本成分的PCA-SVM模型的模型精度

(2)主成分分析結(jié)合BP神經(jīng)網(wǎng)絡(luò)(PCA-BP)模型

對樣本光譜反射率數(shù)據(jù)進(jìn)行主成分分析，得到12個(gè)主成分。 首先對BP神經(jīng)網(wǎng)絡(luò)中的初始參數(shù)進(jìn)行設(shè)置，構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，參數(shù)如下： 迭代次數(shù)(epochs)=10 000，學(xué)習(xí)率(Ir)=0.05，訓(xùn)練目標(biāo)誤差(goal)=0.001。 整個(gè)神經(jīng)網(wǎng)絡(luò)匹配系統(tǒng)分為四個(gè)部分： 輸入端、 一個(gè)隱含層、 一個(gè)輸出層、 輸出端。 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 基于樣本成分的PCA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Structure of PCA-BP neural network based onsample components

將主成分?jǐn)?shù)據(jù)代入BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行煤和巖石識別分類，20組數(shù)據(jù)的PCA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度如圖8所示。

圖8 基于樣本成分的PCA-BP神經(jīng)網(wǎng)絡(luò)模型識別率Fig.8 Recognition rate of PCA-BP neural networkmodel based on sample components

基于樣本成分的PCA-BP神經(jīng)網(wǎng)絡(luò)模型識別率最高為77.78%，最低為22.22%，平均識別率為46.11%。

(3)核主成分分析結(jié)合主成分分析(KPCA-SVM)模型

對樣本成分進(jìn)行核主成分分析，確定主成分得分值利用5倍交叉驗(yàn)證確定最優(yōu)懲罰參數(shù)和最優(yōu)方差參數(shù)，進(jìn)行支持向量機(jī)模型建立，并將驗(yàn)證集帶入模型驗(yàn)證。 20組KPCA-SVM模型最優(yōu)參數(shù)、 訓(xùn)練集、 驗(yàn)證精度如表6所示。

由表6可知，核主成分分析結(jié)合支持向量機(jī)模型中，建模精度最高為100%，最低精度為95%，平均精度為98.5%。 驗(yàn)證集模型識別精度最高為100%，最低為77.78%，平均識別精度約為95%。

3 結(jié) 論

針對可見光-近紅外光譜法煤巖石識別時(shí)易發(fā)生煤與巖石誤分類的問題，綜合采用主成分分析結(jié)合支持向量機(jī)模型(PCA-SVM)、 主成分分析結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型、 核主成分分析結(jié)合支持向量機(jī)模型(KPCA-SVM)進(jìn)行了研究，并將最終的識別率、 精度列在表7中。

表6 基于樣本成分的KPCA-SVM模型的模型精度Table 6 Model accuracy of KPCA-SVM modelbased on sample components

表7 算法模型精度/識別率比較Table 7 Algorithm model accuracy/recognition rate comparison

(1)基于可見光-近紅外光譜的KPCA-SVM模型建模精度最高為100%，最低精度為85%，驗(yàn)證模型精度最高為100%。 基于樣本成分含量的KPCA-SVM模型建模精度最高為100%，最低精度為95%。 驗(yàn)證模型精度最高為100%。 可見，基于可見光-近紅外光譜和煤巖成分含量進(jìn)行煤巖識別是可行的，在建模方法中KPCA-SVM表現(xiàn)較佳，優(yōu)于PCA-SVM和PCA-BP兩種方法。

(2) 基于樣本成分含量對煤、 巖石的分類過程中，KPCA-SVM的建模精度高于PCA-SVM，平均建模精度為98.5%； 同時(shí)KPCA-SVM的驗(yàn)證精度高于PCA-SVM和PCA-BP兩種方法的驗(yàn)證精度，平均精度為95%。

(3) 提取了煤巖的光譜數(shù)據(jù)和成分含量兩種特征，結(jié)合PCA-SVM，PCA-BP和KPCA-SVM三種算法模型，建立了六種煤巖識別的方法。 由表7可知，基于煤巖成分含量的KPCA-SVM的模型方法識別率達(dá)到了95%，高于其他五種方法的識別率，故該模型最優(yōu)。