王 越，白向飞，曲思建

(1.中国矿业大学(北京)化学与环境工程学院，北京 100083；2.煤炭科学技术研究院有限公司 煤化工分院，北京 100013；3.煤炭资源高效开采与洁净利用国家重点实验室，北京 100013)

0 引 言

煤岩显微组分与煤的成因、物理性质、化学性质及工艺性质等密切相关，广泛应用于地质勘探、煤化学研究、煤质评价、煤炭加工及利用等各个领域[1]。根据煤岩显微组分特征可以确定煤相及沉积环境，进行煤层对比，解决地层、古地理和古构造以及地热等方面的问题；研究煤岩显微组分的成因及性质，在煤的热解、气化、液化以及环保等领域发挥着重要的作用[2]。如煤岩学方法应用到炼焦生产及成本控制环节，可以经济合理地选择煤源、确切地评价炼焦煤质量、观测煤在储运中的变化、评价煤价等，通过分析煤岩显微组分含量和变质程度，可以建立煤岩配煤方案，稳定并提高焦炭质量，预测焦炭强度，降低焦炭成本[3]。

煤岩显微组分鉴定是一项专业性很强的工作，具有以下特点：

(1)煤岩显微组分的形态特征多样性。鉴定煤岩显微组分主要依据反射率、突起、结构、结合状态等形态学特征。成煤环境及成煤后期作用导致煤岩显微组分特征多样；随着变质程度不断提高，煤岩显微组分的反射色趋于一致，对煤岩显微组分的识别也会造成较大的困难。此外，壳质组与镜质组之间存在树脂镜质体、镜质组与惰质组之间存在半镜质体等过渡组分，对显微组分的准确鉴定造成困难。煤岩显微组分鉴定对测定者的专业水平要求较高，需要其具有深厚的煤岩学理论基础和实践经验。

(2)对偏光显微镜的操作要求较高。煤岩显微组分鉴定需要结合各种显微组分(包括矿物)在干物镜、油浸物镜、反射荧光、单偏光、正交偏光等不同观察条件下的光学特征进行综合分析。因而测定者需要熟练使用偏光显微镜，使偏光显微镜光源稳定、成像均匀清晰、起偏器、测量光阑、视域光阑等配置符合煤岩显微组分测试要求。

(3)测试主观性强，测试速度慢。煤岩显微组分鉴定依靠操作者手动测试，需要测定大量的测点，测试时间长，效率低[4]。不同测试者对显微组分鉴定特征的认识水平常有差异，组分鉴定时存在主观性，导致不同测试人员的鉴定结果存在一定差异，严重制约了煤岩学在各领域的应用。

针对人工分析方法的缺陷和不足，减少组分识别的主观性，降低操作者的劳动强度，提高测试精度，实现煤岩显微组分自动测定，是煤岩工作者长期追求的目标[5]。目前煤岩显微组分自动识别形成了基于显微光度计和图像分析2种自动测试技术路线。

1 基于显微光度计的自动测试技术

基于显微光度计的测试设备中的光学和电子元件较简单，对传统的煤岩测试设备稍加改造即可，因而硬件成本相对较低。此外，早期显微光度计的测试精度远大于图像分析设备。因而早期的煤岩自动测试设备大多为此类技术。

早在1955年美国矿务局的McCartney & Hofer[6]利用自动载物台、光电倍增管、微安计和图解记录装置组成显微光度计自动测试系统，采用线扫描的方式采集数据，但扫描时间约3.5 h，数据处理时间也较长，并没得到推广使用。1964年Bomberger & Deul使用高速电子计数器进行黄铁矿粒径分析，分析时间大大缩减[7]。1968年Bayer等开发了AMEDA系统可以区分4种不同的组分，数据读取速度可达1 000 readings/s，分析时间在20 min以内[8]。1969年美国矿务局的McCartney & Ergun采用螺旋扫描的方式降低样品振动，采用计算机磁带记录数据，扫描速度可达175 μm/s，数据读取可达80 readings/s[9]，将反射率数据划分为黏合胶、壳质组、镜质组、惰质组和黄铁矿，并以此计算各显微组分含量[10]。

20世纪70年代中期，显微光度计的测试精度明显提升，微型计算机开始作为数据获取、显微镜控制、扫描台控制、数据存储、处理和输出的装置，显微光度计自动测试技术得以快速发展。1974年日本新日铁的Kojima采用计算机控制的扫描台，以10 μm的间距进行点扫描，在每个测点停留10 ms～20 ms，以消除浸油“拖尾”的影响，通过A/D转换将光电倍增管信号转化为512级的电压数据，可在12 min内获取10 000个反射率读数，计算活性显微组分和惰性显微组分含量，在日本国内多家焦化厂推广使用[11]。1979年Kojima 等采用曲线剥离反射率分布直方图，获取反射率和显微组分数据，对22个样品的测试表明，单煤显微组分的测试误差为±5%[12]。美国宾夕法尼亚州立大学的Davis等[13-14]开发了ARM系统，测区直径仅为2 μm，18 min内即能测试近40万个读数，但由于检测设备精度的限制，仅能区分煤和黄铁矿的反射率差异。1979年美国钢铁公司的Gray等开发了ADPR-Ⅱ自动数字显微光度计，测区直径为2 μm，自动扫描速度为200 μm/s，6min内可测定50 000点，人工方法和自动方法测试的煤岩显微组分含量的相关系数在0.8以上[15]。

国内研制和开发的历史相对较短。1991年原华东化工学院的林治穆等利用显微光度计和步进电机制备反射率显微光度计，测试镜质组反射率并计算显微组分含量[16]。1992年煤炭科学研究总院北京煤化学研究所的郑雨寿基于二维扫描台和显微光度计，运用多区域跟踪调焦法进行焦距调节，校正混合视域的假有效值，获取单种烟煤的镜质组反射率及其分布图，但不适用于褐煤及混煤鉴定[17]。1996年原华东冶金学院的姚伯元利用显微光度计和自动扫描台，并结合自动调焦技术及数据采集分析系统实现自动测定煤镜质组反射率，鉴别混煤并确定混配比例[18-19]。

2 基于图像分析的自动测试技术

图像分析方法除了可以获取反射率(灰度)信息外，还可以获取尺寸和形状参数。但图像分析法要比显微光度计法出现的晚。1975年Harris[20]采用Quantimet 720图像分析仪(分辨率达到869×704像素)研究煤中黄铁矿的粒径分布和煤岩显微组分反射率分布图，1977年Lebiedzik & Dutcher[21]采用图像分析方法研究黄铁矿的平均粒径、体积分数和形状因子。Bethlehem 钢铁公司采用Leitz T.A.S图像分析仪区分100级灰阶，可以区分0.02%的反射率，10 min扫描40个区域[22]。1979年美国地质调查局的Chao等采用64级灰阶的图像分析设备分析显微煤岩类型[23]。1979年澳大利亚Broken Hill Proprietary Company的England等使用Quantimet 720图像分析仪(可区分100级灰阶)获取显微组分反射率分布图，进而计算显微组分含量和镜质体反射率，并能计算惰质组的粒径参数[24]，但未实现完全的自动化。

Chao等[25]开发了AIAS自动图像分析系统，通过64灰阶的TV相机获取，通过光笔可以控制和编辑特征；Pratt采用拼接图像进行煤岩分析[26]。Goodarzi等利用对比传统测试与Zeiss IBAS 图像分析系统[27]。Riepe等使用Leitz T.A.S图像分析仪，根据不同显微组分灰度差异调整阈值范围区分不同的显微组分，但由于黏合树脂和壳质组的灰度值接近，上述显微图像自动分析系统的识别精度不佳[28]。

早期的计算机无法处理图像中的大量数据，图像处理由硬件完成，计算机的微处理器仅存储图像和结果。20世纪80年代，随着计算机性能不断提高、成本不断下降，图像分析系统开始与计算机相结合。Unsworth & Gough利用图像分析系统对镜质体和惰质体的反射率特征进行研究[29-30]。澳大利亚布罗肯希尔公司的Lee等利用图像分析技术获取煤的反射率分布图，并尝试进行混煤剥离[31-32]。Misuaki等尝试采用图像方法对煤岩显微组分进行自动识别[33]。

20世纪90年代以来，计算机性能的进一步提升，图像分析软件完全独立于硬件，开始出现专门的图像分析软件。英国诺丁汉大学的Lester等利用Zeiss Axiocam彩色数码相机，结合显微组分的灰度特征和形态特征，提出壳质组和黏合树脂的区分方法，但在处理煤岩显微组分复杂的图像时容易出错[34]。针对此问题，作者提出利用壳质组的荧光特性将其和黏合树脂区分，能够准确测定壳质组的含量，重复性较好[35]。此外，Lester等发现提高曝光时间也可区分黏合树脂和壳质组[36]。David & Fermont[37]开发了CIAS彩色图像分析系统，分别以RGB3种不同的颜色强度表征显微组分。Dehmeshki等采用具有金字塔结构的多灰度级分割方法，对煤岩显微图像进行分割，但并不能很好地分割煤岩显微组分复杂的图像[38]。Agus计算不同组分的纹理特征构成特征向量来识别煤岩显微组分[39]。Pearson[40]提出以累积频率曲线表示全组分反射率分布，单煤镜质组为其中的直线部分，混煤中各单种煤的组成可由曲线直接得出。

国内利用图像分析方法进行煤岩分析方面的工作较少。1986年金奎励等对比图像分析与显微光度计的优缺点，提出了采用图像分析的反射率自动测试方法[42]，分析了图像分析法测试镜质体反射率的精度问题[43]。1998年，宝钢集团胡德生等综合图像灰度和显微相机的曝光时间计算反射率值，采用阈值法和主分量分析法分割得到镜质体反射率和煤岩显微组分含量[44-46]。张代林等对煤岩显微组分的彩色图像进行人工阈值分割[47]。张文成等利用自动扫描装置与高分辨摄像头，获取全组分反射率，通过数据处理的方式得到镜质体反射率[48]。尹文花尝试对煤样薄片的显微图像进行识别[49]。

作者所在的研发团队对煤岩自动测试有超过10年的积累。白向飞系统分析了煤岩自动测试过程中存在的问题，指出煤岩自动测试技术路线及关键问题[4,5,50]。王越对煤岩自动测试系统中图像灰度与反射率关系进行研究[51]，武琳琳对煤岩光片平整度及光线斜射对反射率自动测试精度影响进行研究[52]，张宇宏对煤岩自动测试中图像质量对镜质体反射率测定的影响进行研究[53]，王越对煤岩自动测试系统关键技术及测试精度进行研究[54]。丁华等对煤中有机组分和常见矿物形态特征参数进行初步研究[55-56]，王越分析了煤岩显微组分自动识别技术现状及关键技术[57]。在此基础上，成功开发BRICC-M煤岩自动测试系统，利用显微数码相机和自动载物台获取煤岩显微组分图像，减少显微镜下的繁琐操作；结合煤岩组分的反射率及形态学参数界定显微组分，每个测点的测值和相应测试对象可追溯，测试结果可审核；在保证测试准确性和客观性的基础上，提高了测试速度和效率，该系统在煤焦异常判断中表现优异[58]。

3 煤岩显微组分智能识别

近年来随着数字图像处理技术和装备的发展，尤其是CCD显微相机灵敏度的提升，能够检测4 096灰阶(12 bit)，甚至16 384灰阶(14 bit)。计算机进行数据处理的能力也得到极大提升。图像分析系统可通过自动显微镜和数码相机对图像执行高度复杂的图像处理功能。图像识别及处理算法的不断发展使得越来越多的研究者尝试将成熟的图像识别及处理算法引入到煤岩显微组分识别领域，并取得了一定的成果。

众多研究者对煤岩显微组分的纹理特征进行了详尽的研究。王培珍等采用圆形LBP均匀模式分析镜质组的纹理特征[59]，对均质镜质体、基质镜质体和碎屑镜质体进行识别[60]；提取灰度共生矩阵等特征构造初始特征集，经PCA降维处理，利用SVM算法完成镜质组分类[61]。王培珍等通过曲波变换提取特征，利用压缩感知对提取的特征进行降维，利用SVM算法实现惰质组分类[62]。Mlynarczuk等利用形态学梯度和灰度等特征识别煤岩显微组分样本，对惰质组的6种显微组分的分类准确率达到91.7%[63]。Skiba等提出基于多层感知机(MLP)并结合Haralick纹理特征的惰质组分类方法[64]。王慧等对惰质组显微图像进行曲波变换和压缩感知算法形成特征集，采用支持向量机进行分类[65]。王培珍等利用改进SUSAN算法检测壳质组中渗出沥青体的特征[66]。刘婕梅采用卷积神经网络模型提取壳质组显微图像的特征量，利用支持向量机分类器和深度神经网络实现壳质组显微组分的分类[67-68]。

王培珍等提出基于结构元的煤显微图像轮廓提取方法，可有效去除碎屑组分，获得显微组分的有效轮廓[69]，采用离散小波变换分解煤岩显微图像，提取频域纹理特征量，采用支持向量机进行分类[70]。殷子睆[71]提取基于灰度共生矩阵的纹理特征量和基于灰度分布的统计特征量构成初始特征集，采用特征抽取算法和支持向量机分类器对抽取后的特征进行验证。王素婷等结合GLCM算法和RILBP算法的优点，提出基于RILBP-GLCM的图像纹理特征提取方法，结合支持向量机对纹理特征进行分类[72]。Skiba使用图像分析方法描述显微组分特定类的要素空间，在特定邻域内确定空间参数并训练神经网络[73]。Antonypandiarajan等采用Tamura算法对无烟煤、次烟煤和褐煤等六类煤中显微组分的纹理特征进行提取[74]。

刘小除等提出利用灰度特征和纹理特征对单种煤的显微组分进行快速分类[75]。尹文义等结合神经网络算法与显微组分反射率，对混煤中各单种煤比例的识别效果较好[76]。田甜采用直方图阈值双峰法去除煤岩图像中的黏结剂，采用钝化滤波法去除图像中孔洞及碎屑，采用改进的PCA算法对镜质组含量和反射率进行测定[77]。宋孝忠开发了基于Prewitt算子的煤岩显微组分假边界图像剔除技术以及基于K均值聚类的煤岩显微组分组图像自动分割和识别技术[78-79]。朱宪坤采用Hough算法和改进FMM算法去除煤岩图像中的划痕，采用了基于灰度图像数学形态学重建方法填充孔洞，采用RILBP-GLCM方法获取煤岩显微组分纹理特征，在满足较低特征维数的前提下，采用多分类支持向量机对镜质组、惰质组、壳质组、矿物质以及背景进行分类[80]。王洪栋提出基于Hough变换和Criminisi算法的划痕检测和修复方法，采用随机森林并结合几何、灰度和纹理特征实现对背景树脂以及镜质体、丝质体、半丝质体、角质体、孢子体、碎屑惰质体和微粒体7种显微组分的自动识别，基于Unet系列的语义分割方法实现煤岩显微图像的最优分割，分割效果接近于人工标注结果[81]。

上述研究工作在分析煤岩显微组分图像信息的基础上，针对性地进行特征抽取，对显微结构复杂的空间信息进行刻画，可实现对样品中煤岩显微组分的自动识别。

4 总结与展望

在应用煤岩学领域，对煤岩显微组分自动测试技术的期望较高。深入开展煤岩显微组分相关基础研究，开发符合煤岩学原理和分析流程的煤岩显微组分自动测试技术，提高煤炭科研、生产、贸易、加工转化利用等领域煤岩分析的精度和效率，促进煤岩分析技术的普及和应用，对相关用煤行业技术进步，具有深远的理论和实践意义。

煤岩显微组分的智能识别是煤岩学、图像处理和计算机科学等多学科交叉研究方向，是煤岩显微组分自动识别技术的发展趋势。煤岩显微组分的形态特征多样，为了更加全面提取和识别特征，提高识别的准确率，应充分分析我国煤中显微组分的特征，结合数字图像分割、特征提取与机器/深度学习算法，针对煤岩显微组分特点选择特征提取算法和分类算法，从而实现煤岩显微组分的快速、准确、自动测试。