煤岩显微图像假边界对显微组分组自动识别的影响_宋孝忠.pdf

第 47 卷 第 6 期 煤田地质与勘探 Vol. 47 No.6 2019 年 12 月 COAL GEOLOGY 2. Xi’an Research Institute Co. Ltd., China Coal Technology and Engineering Group Corp., Xi’an 710077, China Abstract In automatic detection of coal petrology by image analysis technology, it is found that the boundary of various components in the microscopic image of coal petrology demonstrates a “rim” of gray transition zone, and the pixel of this rim cannot reflect the true gray level of the components on both sides. In order to analyze its in- fluence on the identification and detection of macerals, the characteristics and causes of the false boundary between various adjacent components were studied with analysis of microscopic images collected from a large number of coal samples in China. Generally, the false boundary is ring-shaped or strip-like rim, showing the gray ramp char- acteristics in-between the gray levels of adjacent components. The width of gray ramp of the false boundary is re- lated to the combination of various components in microscopic images. False boundary develops by different heights of the relief due to different hardness and toughness of various components in the coal. The gray ramp ap- pears at the boundary of different components during imaging. 10 representative coal samples from different rank in China were selected, and the edge detection of the sample false boundary was extracted by Prewitt operator. The pixel of the false boundary transition zone was 10–27 of the image of total coal particle. Compared with the standard results of manual identification done by domestic authoritative experts in coal petrology field, the results show that the deviation of the vitrinite, inertinite and liptinite group with the removal of false boundary is much lower than that with false boundary, the er is closer to manual identification result. Keywords microscopic image; maceral group; false boundary; gray ramp; edge detection; automatic image recognition ChaoXing 46 煤田地质与勘探 第 47 卷 煤岩显微组分自动识别及反射率自动测试技 术，是实现煤岩指标快速、准确测定及实验室间数 据可共享比对的一条重要技术途径，也是煤岩检测 技术的发展方向。 煤岩自动测试技术开发自 20 世纪 50 年代开始，先是在光度计测试反射率法基础上研制 煤岩自动测试技术[1-4]，70 年代后期发展了图像分析测 试技术，利用图像分析仪采集图像，建立标准物质的 灰阶–反射率关系模型进行样品反射率测定[5-10]，运用 全显微组分图像灰度分布图分析及图像分割识别技 术，自动识别测定显微组分组含量[11-13]；尤其是随 着高精度数字化图像采集装置及技术的出现，计算 机图像处理能力大幅度提高，以及图像识别技术的 快速发展，研究开发新型的数字化自动化煤岩图像 分析技术具有现实可行性，是未来煤岩自动化发展 趋势[14-16]。针对图像分析方法中影响显微组分识别 的因素，前人对图像中黏结剂及其壳质组的分割识 别进行了较多研究探索[17-19]，而对煤岩显微图像成 分间边界对显微组分识别及测定的影响认识不足。 笔者通过对全国大量煤岩样品所采集显微图像分析 的基础上，从煤岩显微图像假边界的特征、典型假 边界类型及其成因分析入手，开发了边界分割识别 算法，对选取的典型样本进行了边界提取分析，并 评价边界因素对显微组分组识别准确性的影响。 1 煤岩显微图像假边界及其特征 1.1 煤岩显微图像假边界 利用图像法进行煤岩显微组分识别过程中，发 现煤岩显微图像中各种成分的边界表现为“镶边”状 的灰度斜坡，这种灰度斜坡是相邻成分像素灰度的 过渡区图 1c图 1h，过渡区内的像素点灰度不能反 映其两侧显微成分的真实灰度，将其称之为假边界。 1.2 假边界特征 人工鉴定显微组分及测定反射率时，显微组分 假边界对检测结果影响不大，人工鉴定与图像法自 动识别的方式不同，人工鉴定为点检测方式[20]。且 人眼观测精度与图像法自动识别精度不同，在显微 镜视域下，人眼无法观测出显微组分边界图像成分 图 1a；而图像法是以像素点为基本判识单元，国 标中的一个有效测点采用该测点视域下构成一幅有 效显微图像的 mn 个像素点来代替。图 1a 为 421 310 像素 256 灰阶煤岩显微图像，沿图像任一方向 可以绘制出各成分的灰度分布曲线。图 1c图 1e 为图 1a 中图框局部放大，图 1f图 1h 对应放大图 中不同成分假边界过渡区灰度分布图。在壳质组与 惰质组边界图 1f灰度过渡区出现了镜质组的灰 度，惰质组与黏结剂边界图 1h灰度过渡区出现了 镜质组与壳质组的灰度，这显然是不合理的，因此， 假边界过渡区灰度斜坡内的像素点灰度不能反映显 微组分的真实灰度。 图 1b 为图 1a 中第 65 行像素点灰度分布图， 与 图 1a 切线上像素点灰度一一对应。可以看出，各显 微组分在边界处成像时普遍存在灰度斜坡假边界， 且过渡区灰度斜坡灰度特征随不同显微组分组合而 各异。 煤岩显微图像假边界特征通过其形状、过渡区 像素灰度及灰度斜坡宽度进行表征。 假边界的形态特征与各显微组成的形状特征大 体保持一致，表现为环状、条带状 “镶边”形态图 1c图 1e。 假边界像素灰度呈现出与相邻成分灰度 相衔接的灰度斜坡特征，按边界两侧成分灰阶高低 分为递增或递减灰度斜坡图 1f图 1h。 假边界灰度斜坡宽度与煤岩显微图像中各种显 微成分的组合类型相关。根据煤岩显微图像中显微 组分、矿物和黏结剂 3 大类组合方式，可分为显微 组分间假边界、显微组分–矿物间假边界、显微组分 –黏结剂间假边界；按照显微组分组成、矿物组成及 黏结剂之间组合关系， 又进一步可细分为 10 类煤岩 显微图像假边界组合类型表 1。 从表 1 可以看出，假边界两侧组分像素灰度差 异越大、突起差异越大，灰度斜坡宽度越宽，即过 渡区像素点个数越多；反之，灰度斜坡宽度则窄， 过渡区像素点个数少。一般情况下，壳质组与惰质 组、惰质组与黏结剂、显微组分与高亮矿物的假边 界灰度斜坡最宽，可达 58 个像素点；壳质组与镜 质组、镜质组与惰质组、镜质组与黏结剂、显微组 分与暗色矿物的灰度斜坡宽度次之，一般 46 个像 素点；壳质组与半丝质体、壳质组与黏结剂的假边 界一般 35 个像素点；镜质组与半丝质体过渡带较 窄，一般 24 个像素点；同类显微组分中其亚组分 间的灰度斜坡最窄，多不显示灰度过渡区特征。 2 煤岩显微图像假边界成因分析 显微镜下煤岩显微组分的识别一般是在制备的 粉煤光片下进行观察、识别，粉煤光片在制备抛光 过程中，由于煤岩样品中各种成分的硬度及韧性差 异， 形成抛光面上各种成分突起高低差异， 从而造成 成像时在不同成分的边界呈现灰度斜坡特征图 1， 形成煤岩显微图像假边界。这种灰度斜坡是由相邻 成分在抛光面深度上的不连续、表面方向不连续及 物质属性变化形成的。 ChaoXing 第 6 期 宋孝忠 煤岩显微图像假边界对显微组分组自动识别的影响 47 图 1 煤岩显微图像假边界过渡区像素灰度特征 Fig.1 Pixels gray characteristics of microscopic image of false boundary transition zone 表 1 煤岩显微图像假边界类型及灰度斜坡宽度特征 Table 1 Type of false boundary and characteristics of slope and width of gray level of microscopic image 组合方式 假边界类型 灰度斜坡宽度特征 镜质组–壳质组 介于镜质组与壳质组像素灰度之间，斜坡宽度35像素 镜质组–惰质组 介于镜质组与惰质组像素灰度之间，斜坡宽度26像素 惰质组–壳质组 跨惰质组与壳质组像素灰度，斜坡宽度46像素 镜质组亚组分 整体在镜质组灰度范围内，斜坡宽度24像素 显微组分间 惰质组亚组分 整体在惰质组灰度范围内，斜坡宽度26像素 显微组分–暗色矿物 跨显微组分与矿物像素灰度，斜坡宽度37像素 显微组分与矿物 显微组分–高亮矿物 跨显微组分与矿物像素灰度，斜坡宽度48像素 镜质组–黏结剂 跨镜质组与黏结剂像素灰度，斜坡宽度57像素 惰质组–黏结剂 跨惰质组与黏结剂像素灰度，斜坡宽度58像素 显微组分与黏结剂 壳质组–黏结剂 介于壳质组与黏结剂像素灰度之间，斜坡宽度34像素 抗磨硬度是指煤岩组分的抗磨强度，煤光片进 行抛光时，硬的组分如丝炭化组分比软的组分如 凝胶化组分磨损的慢，所以比相邻较软的组分突起 高[21]。在各种宏观煤岩成分中，镜煤最脆，而暗煤 的韧性较大，当壳质组分增多时，煤的韧性亦增强。 韧性大的成分亦难抛光，其突起较高。一般情况， ChaoXing 48 煤田地质与勘探 第 47 卷 在显微镜下观察，硬度大或者韧性大的显微成分如 惰质组、壳质组和氧化硅类、硫化物类矿物表现为 中高突起； 硬度小或者韧性小的显微成分如镜质组、 黏土类、碳酸盐类矿物及黏结剂无突起[22]。 此外，煤的显微硬度与煤化程度有关，一般随 煤化程度增高，煤的显微硬度也相应增大。煤化程 度低的褐煤和焦煤硬度最小，无烟煤的硬度最大。 3 假边界的分割剔除方法 显微组分边界内过渡区域像素点灰度不能反映 显微组分的真实灰度，是影响显微组分组分割识别 准确性的干扰因素，应作为背景噪声予以剔除。边 缘检测是基于灰度突变来分割图像的最常用的方 法，显微组分边界普遍适用于边缘检测中的斜坡模 型[23]。运用适合的边缘检测技术将显微组分边界模 糊像素分割识别出来，然后将分割后的边界模糊像 素作为背景噪声置 0 处理。 本文在大小为 33模板中采用 Prewitt算子对样 本边界模糊像素进行边缘检测。水平 x 方向和垂直 y 方向的梯度由下式给出 789123 x f gZZZZZZ x    1 369147 y f gZZZZZZ y    2 式1和式2可用图 2b 中 Prewitt 的两个模板通 过滤波整个图像来实现。图 2c 为一幅煤岩显微原图 像， 图 2d 为经 Prewitt 算子进行边缘提取后假边界作 为背景噪声置 0 的图像。从边界提取效果来看， 基本 实现了煤岩显微图像假边界的提取及有效剔除。 图 2 Prewitt 算子模板及煤岩显微图像边缘检测效果 Fig.2 Prewitt operator mask and the effect of edge detection of coal microscopic image 4 煤岩显微图像假边界检测分析 利用 Prewitt 算子对样本假边界进行边缘检测。 为便于观察分析样本所有显微组分假边界过渡区像 素灰度分布特征，将样本像素总灰度分布曲线按黏 结剂–壳质组–镜质组–惰质组顺次分解为 7 个灰度 区间Ⅰ Ⅶ 图 3。其中区间Ⅰ为黏结剂与壳质组边 界检测区，区间Ⅱ为壳质组与镜质组边界检测区， 区间Ⅲ、Ⅳ、Ⅴ为镜质组主峰区，区间Ⅵ为镜质组 与惰质组边界检测区，区间Ⅶ为惰质组主峰至 255 灰度区。 图 3 样品显微组分边界过渡区像素灰度区间划分 Fig.3 Gray interval division of pixels in transition zone of macerals boundary 从图 3 可见，总体上，样本中组分过渡区假边 界像素占比整体煤颗粒图像的 1027表 2，对 显微组分组的准确识别影响较大。样本显微组分假 边界过渡像素主要分布在Ⅱ、Ⅵ灰度区间，即壳质 组与镜质组过渡区、镜质组与惰质组过渡区，占比 总体假边界像素的 5279，平均占比 70左右。 分析样本假边界过渡区像素主要分布在Ⅱ、Ⅵ 灰度区间这种现象的原因，要从形成假边界的各种 组合特征着手。可以形成Ⅱ灰度区间像素灰度的假 边界组合主要有镜质组与壳质组边界、镜质组与 黏结剂边界、惰质组与壳质组边界、惰质组与黏结 剂边界；可以形成Ⅵ灰度区间像素灰度的边界主要 有镜质组与惰质组边界、惰质组与壳质组边界、 惰质组与黏结剂边界；可以形成Ⅲ、Ⅳ、Ⅴ灰度区 间像素灰度的假边界主要有 镜质组与惰质组边界、 惰质组与壳质组边界、惰质组与黏结剂边界；可以 形成Ⅰ灰度区间像素灰度的假边界主要有镜质组 与黏结剂边界、壳质组与黏结剂边界；可以形成Ⅶ 灰度区间像素灰度的假边界主要有惰质组亚组分 之间边界。从显微组分含量及其组合、显微组分与 黏结剂边界所出现的概率可以分析出， 可以形成Ⅱ、 Ⅵ灰度区间边界的显微组分含量高、组合多、与黏 结剂形成边界概率高，故其占比最高；Ⅲ、Ⅳ、Ⅴ灰 ChaoXing 第 6 期 宋孝忠 煤岩显微图像假边界对显微组分组自动识别的影响 49 度区间次之，其占比次之；可以形成Ⅰ、Ⅶ灰度区间 的边界组合最少、出现概率最低，故其占比最低。 煤岩显微图像假边界过渡区像素占比与样本中 各显微组分的含量及组合关系相关，一般情况下， 低变质阶段含镜质组、惰质组、壳质组 3 种显微组 分组合的样本假边界过渡区像素占比高；低变质阶 段含镜质组、惰质组、壳质组其中两种显微组分组 合的样本，或者壳质组、惰质组含量极低的样本假 边界过渡区像素占比相对较低；中高变质阶段含镜 质组、惰质组两种显微组分组合的样本假边界过渡 区像素占比低。 剔除煤岩显微图像假边界后图 3， 样本总像素 灰度分布曲线中，主要显微组分组峰值更加清晰， 相邻组分分割阈值更易于获取，提高了显微组分组 的可识别程度。 5 假边界对显微组分组自动识别准确性影响 为了对比分析剔除假边界后对显微组分组识别 测定结果准确性的影响，在中煤科工集团西安研究院 有限公司煤岩实验室，利用保留的 20 世纪 70 年代制 订 GB 575186中国煤炭分类标准[24-25]时采集的 全国各地区煤样， 选取了 10 个不同变质阶段有代表性 样品进行重新抛光，每个样品按固定间距采集 625 幅 图像，利用图像法对采集的样品图像显微组分组自动 识别测定，分别按未剔除假边界和剔除假边界两种方 式进行自动测定，并与权威煤岩专家人工鉴定结果进 行比对，结果见表 2。为了比较两种方式测定结果的 准确性，分别计算了两种方式测定三大显微组分组镜 质组V、惰质组I和壳质组E含量与对应的人工鉴 定标准结果的极差d，结果见表 3。 表 2 两种图像法自动识别测定与人工鉴定的显微组分组数据对比 Table 2 Data comparison of maceral group of automatic recognition and manual test 显微组分组体积分数/ 图像法自动识别测定 人工鉴定 未剔除假边界 剔除假边界 样品 序号 反射率 Rmax/ V I E V I E V I E 假边界 占比 1 0.57 68.9 24.8 6.3 65.4 21.5 13.1 70.6 21.3 8.2 27 2 0.68 90.9 4.6 4.4 84.4 6.6 9.0 88.8 5.8 5.4 18 3 0.75 83.1 11.7 5.1 81.6 9.2 9.2 86.6 8.4 5.0 12 4 0.88 68.8 22.3 8.9 64.3 21.8 13.9 68.7 20.2 11.1 23 5 0.96 72.6 22.1 5.3 65.1 28.3 6.5 67.6 27.7 4.7 16 6 1.05 70.6 24.4 5.0 62.9 25.4 11.7 70.9 26.3 2.8 18 7 1.18 83.9 16.1 0.0 88.5 11.5 0.0 82.7 17.3 0.0 20 8 1.34 76.2 23.8 0.0 69.9 30.1 0.0 75.1 24.9 0.0 19 9 1.53 79.7 20.2 0.1 79.2 20.8 0.0 81.8 18.2 0.0 10 10 1.76 82.2 17.8 0.0 86.6 13.4 0.0 82.8 17.2 0.0 12 注V 为镜质组；I 为惰质组；E 为壳质组。 表 3 图像法自动识别测定与人工鉴定数据极差 Table 3 Range of automatic image recognition and manual test data of maceral group 极差 d / 显微组分组 未剔除假边界 剔除假边界 镜质组 0.57.7/4.7 0.15.0/1.8 惰质组 0.56.3/3.1 0.65.6/2.3 壳质组 1.26.8/4.7 0.12.2/1.3 注0.50.784.7 表示最小值最大值/平均值，其他同。 由表 3 可以看出，图像法自动识别测定未剔除 假边界、剔除假边界与人工鉴定结果的平均极差， 镜质组分别为 4.7、1.8；惰质组分别为 3.1、 2.3；壳质组分别为 4.7、1.3。由此可见，剔除 假边界后图像自动识别测定出的显微组分组结果与 人工鉴定标准测定的结果更为接近，比未剔除假边 界的准确性更好。 6 结 论 a. 对煤岩显微图像中各种相邻成分间假边界 特征、成因、假边界检测方法及其对显微组分组的 自动识别测定准确性的影响进行了系统分析。 b. 假边界的特征通过其形状、 过渡区像素灰度 及灰度斜坡宽度进行表征。假边界一般多呈环状、 条带状 “镶边”形态， 呈现出与相邻成分灰度相衔接 的灰度斜坡特征，假边界灰度斜坡宽度与煤岩显微 图像中各种显微成分的组合类型相关。假边界两侧 组分像素灰度差异越大、突起差异越大，灰度斜坡 宽度越宽，反之，灰度斜坡宽度则窄。 c. 由于煤中各种成分的硬度及韧性差异，在抛 ChaoXing 50 煤田地质与勘探 第 47 卷 光面上表现为突起高低差异。突起高低造成成像时 在不同成分的边界呈现灰度斜坡特征，形成煤岩显 微图像假边界。 d. 利用 Prewitt 算子对样本假边界进行边缘检 测提取分析，样品中组分假边界过渡区像素占整体 煤颗粒图像的 1027， 对显微组分组的准确识别 影响较大。假边界过渡区像素占比与样品中各显微 组分的含量及组合关系相关。 e. 与选取的 10 个不同变质阶段有代表性煤 样人工鉴定结果比对表明，剔除假边界测定的镜 质组、惰质组、壳质组的极差远低于未剔除假边 界的极差。说明剔除假边界测定结果与人工鉴定 标准测定的结果更为接近，比未剔除假边界的准 确性更好。 参考文献 [1] MCCARTNEY J T， O’DONNELL J J， ERGUN S. Determination of proportions of coal components by automated microscopic re- flectance scanning[J]. Fuel，1971，50226–235. [2] DAVIS A，FRANCIS J V. Developments in automated reflec- tance microscopy of coal[J]. Journal of Microscopy，1977， 10913–12. [3] DAVIS A，KUEHN K W，MAYLOTTE D H，et al. Mapping of polished coal surfaces by automated reflectance microscopy[J]. Journal of Microscopy，1983，1323297–302. [4] 姚伯元，许国贤. 煤/焦反射率自动测定系统与技术方法[J]. 煤田地质与勘探，1996，24418–21. YAO Boyuan，XU Guoxian. The tool and technical for measuring coal/coke reflectance[J]. Coal Geology Explora- tion，1996，24418–21. [5] ENGLAND B M，MIKKA R A，BAGNALL E J. Petrographic characterization of coal using automatic[J]. Journal of Micros- copy，1979，1163329–336. [6] CHAO E C T， MINKIN J A， THOMPSON C L. Application of automated image analysis to coal petrography[J]. International Journal of Coal Geology，1982，2113–150. [7] WOLFGANG R，MONIKA S. Characterization of coal and coal blends by automatic image analysis[J]. Fuel， 1984， 63 313–317. [8] 金奎励， 夏俭. 煤组分组定量与镜质组反射率测定的自动化测 试[J]. 中国矿业学院学报，1986160–67. JIN Kuili，XIA Jian. The automated coal petrology in determin- ing maceral group composition and the reflectance of vitrinite[J]. Journal of China University of Mining Technology，19861 60–67. [9] GOODARZI F. The use of automated image analysis in coal pe- trology[J]. Earth Science，1987，241064–1069. [10] PEARSON D E. Probability analysis of blended coking coals[J]. International Journal of Coal Geology，1991，19109–119. [11] PRATT K C. The use of composite and mosaic imaging of pol- ished surfaces to enhance petrographic analysis of coal by im- age[J]. Organic Geochemistry，1993，206759–768. [12] O’BRIEN G，JENKINS B，ESTERLE J，et al. Coal charac- terization by automated coal petrography[J]. Fuel，2003，82 1067–1073. [13] 王素婷，朱宪坤，吕青. 基于 RILBP-GLCM 算法的煤岩显微 组分识别[J]. 煤炭学报，2017，423142–144. WANG Suting，ZHU Xiankun，LYU Qing. Coal rock macerals recognition based on RILBP-GLCM algorithm[J]. Journal of China Coal Society，2017，423142–144. [14] 王文韬，胡德生，尹文义，等. 数字化煤岩分析系统的设计与 实现[J]. 中国图像图形学报，2003，87783–787. WANG Wentao，HU Desheng，YIN Wenyi，et al. Design and implementation of digital coal petrography analysis system[J]. Journal of Image and Graphics，2003，87783–787. [15] 胡德生， 王文韬， 刘其真. 数字化自动煤岩分析技术的开发[J]. 钢铁，2005，40717–21. HU Desheng，WANG Wentao，LIU Qizhen. Development of digital automatically analysis technique for maceral specifica- tion[J]. Iron and Steel，2005，40717–21. [16] 陈洪博，白向飞，李振涛，等. 图像法测定煤岩组分反射率工 作曲线的建立与应用[J]. 煤炭学报，2014，393562–567. CHEN Hongbo， BAI Xiangfei， LI Zhentao， et al. Working curve establishing and application of determining maceral reflectance by image analysis [J]. Journal of China Coal Society， 2014，393562–567. [17] LESTER E，ALLEN M，CLOKE M，et al. An automated image analysis system for major maceral group analysis in coals[J]. Fuel，1994，73111729–1734. [18] CLOKE M，LESTER E，ALLEN M，et al. Repeatability of maceral analysis using image analysis systems[J]. Fuel，1995， 745654–658. [19] LESTER E，WATTS D，CLOKE M. A novel automated image analysis for maceral analysis[J]. Fuel，2002，81 2209–2217. [20] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化 管理委员会. 煤的显微组分组和矿物测定方法GB/T 8899 2013[S]. 北京中国标准出版社，2014. [21] 杨起， 韩德馨. 中国煤田地质学上册[M]. 北京煤炭工业出 版社，198022–44. [22] 中华人民共和国国家质量监督检验检疫总局，中国国家标准 化管理委员会. 烟煤显微组分分类 GB/T 155882013[S]. 北 京中国标准出版社，2014. [23] GONZALEZ R C，WOODS R E. 数字图像处理. 阮秋琦等， 译[M]. 北京电子工业出版社，2011449–467. [24] 张秀仪，龚至从，门桂珍，等. 烟煤的成因工业分类[J]. 煤 炭学报，1981230–37. ZHANG Xiuyi，GONG Zhicong，MEN Guizhen，et al. Ge- netic-technical classification of bituminous coal[J]. Journal of China Coal Society，1981230–37. [25] 陈鹏. 中国煤炭性质、分类和利用[M]. 北京化学工业出版 社，2001184–190. 责任编辑 范章群 ChaoXing