智能矿山中的岩矿光谱智能感知技术与研究进展

2021-08-11刘善军毛亚纯丁瑞波刘海琪

金属矿山 2021年7期

刘善军王东毛亚纯宋亮丁瑞波刘海琪

（1.东北大学资源与土木工程学院，辽宁沈阳 110819；2.信息工程大学地理空间信息学院，河南郑州 450001）

矿业是国民经济的支柱产业，随着5G网络、大数据、人工智能、云计算等新技术兴起，智能化作为颠覆性的创新技术，已经成为世界范围内基础工业产业变革的核心驱动力。采用智能化高新技术来带动传统矿业的转型和升级，可从本质上提升矿山企业的核心竞争力，从而推动传统矿业向安全、高效、经济、绿色与可持续的目标发展。2020年3月国家发展和改革委员会等8部委推出了《关于加快煤矿智能化发展的指导意见》，提出了将煤矿智能化作为煤炭工业高质量发展的核心技术支撑，制定了煤矿智能化发展的原则、目标、任务和保障措施。到2021年，建成多种类型、不同模式的智能化示范煤矿；到2025年，大型煤矿和灾害严重煤矿基本实现智能化，形成煤矿智能化建设技术规范与标准体系；到2035年，各类煤矿基本实现智能化，构建多产业链、多系统集成的煤矿智能化系统，建成智能感知、智能决策、自动执行的煤矿智能化体系。矿山智能化涉及矿山地质、测量、采矿、选矿、安全等各环节，其中地质条件探测的智能化是矿山智能化的一个重要环节，是智能开采的基础，岩矿测试的智能化则是实现智能化地勘的关键。

众所周知，矿山岩矿成分测定以及矿体边界的准确圈定对矿山设计、生产规划和采矿、配矿等工作至关重要。传统的现场采样、室内化验的矿岩测定方法，由于采样密度偏低、测点稀疏、工作量大、周期长、效率低等原因，已成为智能矿山建设的瓶颈，如何研发新的岩矿测试技术，以适应新时代背景下矿业发展的需要，是亟待解决的问题，也是智能矿山建设的关键。本研究结合近年来国内外的发展现状，提出了基于光谱分析的岩矿智能感知技术（简称岩矿光谱智能感知技术），并对该技术的特点、优势以及发展现状等进行论述。

1 矿山常用的岩矿测试技术及存在不足

1.1 矿山常用的岩矿测试技术

目前，矿山企业常用的岩矿测试技术与地质行业的一般岩矿测试技术基本相同，主要有以下几种。

（1）化学分析法。化学分析法是以物质的化学反应为基础对物质成分含量进行确定，主要包括重量分析法和滴定分析法。岩矿中二氧化硅含量经常采用高氯酸脱水重量法［1］、盐酸蒸干脱水重量法、聚环氧乙烷凝聚重量法［2］、动物胶凝聚重量法、甲基纤维素凝聚重量法等方法进行确定。铁矿石中铁含量可通过铈量滴定法［3］、三氯化钛还原滴定法［4］、重铬酸钾滴定法［5］等进行确定，也可通过重铬酸钾滴定法确定铁矿石中亚铁含量［6］。锰矿中锰的含量可通过硫酸亚铁铵滴定法、硫脲滴定法［7］、碘量滴定法［8］、过硫酸铵氧化滴定法、硝酸铵氧化滴定法［9］确定。

（2）电化学分析法。电化学分析法是将试样溶液作为化学电池的一个组成部分，根据电池的某种电参数（电阻、电导、电位、电流、电量或电流—电压曲线等）与被测物质浓度之间存在的关系及变化规律，对试样组分进行定性和定量分析。电化学分析法主要包括电位测定法、恒电位库仑法、极谱法、电导法、电位滴定法、库仑滴定法、电导滴定法、电解分析法等［10-16］。郭志英［17］应用电位滴定法对铜矿中铜的含量进行了测定，相对误差约5%。周正等［18］应用示波极谱法对地质样品中锡的含量进行了测定，相对标准偏差小于5%。

（3）色谱分析法。色谱分析法是一种依据物质在固定相和流动相之间性质（溶解性、极性、离子交换能力、分子大小等）的不同，对样品进行定性和定量分析的方法。当流动相携带样品流经固定相时，流动相对固定相中的混合物进行洗脱，混合物中不同物质沿固定相以不同速度移动，各组分在两相中不断地重新分配，最终达到分离与提纯，对分离提纯的组分进行定量分析，即可确定样品的成分含量。刘绮萍等［19］应用液相色谱分析法对岩矿中钴和镍的含量进行了测定，所得结果与化学化验值基本相符。梁汉文等［20］应用离子色谱法对硫化矿中高含量的硫和砷进行了测定，相对标准偏差分别为0.53%和0.47%。陈德勋等［21］应用离子色谱法同时测定了地质样品中磷和硫的含量，极大提高了工作效率。

（4）质谱分析法和中子活化分析法。质谱分析法通过将待测试样离子化，生成不同质荷比的带电荷离子，然后利用不同离子在电场或磁场运动行为的不同，将离子按质荷比分开得到试样质谱，通过试样质谱对样品进行定性、定量分析。戢朝玉等［22］应用等离子体质谱法对碳酸盐岩石中的26个元素进行了测定分析，各元素检测结果均达到了技术指标要求，提高了检测效率。章新泉等［23］应用电感耦合等离子体质谱法测定了地质样品中多元素的含量，相对标准偏差达到1.7%～3.4%，满足指标要求。中子活化分析法首先将样品放在中子源中照射，使试验样品活化并产生放射性同位素；然后根据各种放射性同位素的半衰期及其发出的γ射线的能力和强度，对样品中的元素进行定性、定量分析。李小梅等［24］应用中子活化分析法对南极菲尔德斯半岛西湖沉积岩芯进行了分析测定，有效确定了沉积物中Fe、Ca、Na等元素的含量。张锋等［25］对镍精矿进行了中子活化分析，得到了镍精矿的元素成分和含量，可以较好地满足工业要求。

（5）物相分析法。物相分析法是应用特定的方法，确定岩矿中元素的赋存状态，进而确定试样中各种元素形成的具有稳定结构的化合物（物相），并对其进行定性、定量分析。该方法主要包括显微镜镜下鉴定、X射线衍射分析（XRD）、电子探针分析等方法。林善良等［26］应用X射线衍射分析法（XRD）确定了试样中的钙和镁元素主要赋存在堇青石矿物中。程金荣［27］应用X射线衍射分析法（XRD）对矿石试样中红柱石的含量进行了定量确定，相对标准偏差为0.94%。阮鸿兴［28］将电子探针和显微镜鉴定相结合，确定了银绝大部分呈固溶体分散赋存于方铅矿、铅矾、铅铁矾等铅的含氧酸盐矿物中。包亮亮等［29］应用显微镜镜下鉴定分析法，确定了新疆西南天山吉根一带含锰岩矿中的锰主要以菱锰矿、软锰矿、褐锰矿等形式赋存。

（6）光度分析法。光度分析法是通过测定试验样品在特定波长处或一定波长范围内光的吸收度，对试样进行定性和定量分析，主要包括比色分析法、荧光光度法、分光光度法、吸光光度法、化学发光法等。袁少芝［30］应用过碘酸钾法和过氧化氢法进行比色分析确定了岩矿中锰和钛的含量。谢晓岚等［31］应用铋钼蓝分光光度法对岩矿中磷和砷的含量进行了有效测定。董学林等［32］应用硅钼蓝比色分光光度法对地质样品中二氧化硅的含量进行了测定，相对标准偏差约1%。朱玉伦等［33］应用二阶导数荧光光度法对岩矿中铌和钽的含量进行了测定，实现了铌和钽含量的同时测定。

（7）原子光谱分析法。原子光谱分析法是一种基于试验样品原子光谱线的趋势特征和强度特征对试样组分进行定性、定量分析的方法。该方法主要包括原子发射光谱法（AES）、原子吸收光谱法（AAS）、原子荧光光谱法（AFS）以及X射线荧光光谱法（XRF）。郝志红等［34］应用原子发射光谱法测定了地球化学样品中银、钼、铅的含量，银含量相对标准偏差为4%～8%，钼含量相对标准偏差为3%～10%，铅含量相对标准偏差为2%～11%。赵雷等［35］应用原子吸收光谱法测定了岩芯中铁、铝、钾、钠等的含量，精度均在90%以上。谢海东等［36］应用原子荧光光谱法测定了铅精矿中的砷含量，相对标准偏差为6%。艾晓军等［37-39］总结了应用波长色散-X射线荧光光谱测定硅酸盐岩石、铁矿石等样品的测定条件，并对精度、准确度等指标进行了评价。

1.2 存在不足

前述所及的7种岩矿测试技术虽然测试精度大多较高，但这些方法往往测试的样本质量很小，代表性有限，且需要现场取样、室内处理制成标准样品，才能进行测试，工序多而复杂、耗时较多，不能满足智能化矿山建设的需要，主要有如下3个方面不足。

（1）采样密度低。传统的矿山地质取样方法在确定矿岩界限以及圈定不同品级矿体时，虽然采样间距因矿种不同而有所差别，但受限于成本和人力、物力等因素，一般现场采样的密度较低，影响了矿体边界的准确圈定。

（2）测试周期长、效率低。传统的岩矿测试方法一般需要对样品进行加工处理，流程多、耗时长，一般少则数小时，多则数天，并且劳动强度大、效率很低，极大影响了矿山生产效率。

（3）成本高、经济效益低下。传统的岩矿测试方法工序多、复杂、劳动强度大，致使样品测试成本较高，不够经济，效益低下。

鉴于传统岩矿测试方法存在的上述问题，亟需一种工序简单、速度快、经济、高效的岩矿测试方法，这也成为智能矿山建设亟待解决的问题。

2 岩矿光谱智能感知技术的提出

按照目前业内共识，智能矿山的显著标志是“无人”，即整个矿山的各个生产环节都在智能机器人和智能设备操作下完成。文献［40］对智能矿山的内涵进行了概括，即智能矿山是将物联网、云计算、大数据、人工智能、自动控制、移动互联网、机器人化装备等与现代矿山开发技术相融合，形成矿山感知、互联、分析、自学习、预测、决策、控制的完整智能系统。因此，在智能矿山的三要素（智能感知、智能决策、自动执行）中，智能感知是基础，智能决策是重点，自动执行是结果。其中，智能感知是指利用各种智能传感器对矿山各个流程、各种环境和各种条件进行感知，包括地质、测量、采矿、选矿、安全等各环节的智能感知，缺一不可。形象地说，智能感知是智能矿山的“眼睛”。

目前，我国智能矿山建设中智能采矿、智能选矿、智能安全，甚至智能测量发展较快，进步较大，智能地质则发展较慢，成为制约智能矿山建设的瓶颈和卡脖子工程。然而，由于地质条件的智能感知是智能开采的基础，即如果不知道哪里是矿，就无法实现自动采矿。因此，忽略了地质工作的智能化，就相当于失去了智能采矿的“眼睛”。对此，袁亮院士［41］指出，在推进智能化煤矿建设中，首先需要解决的问题是地质条件的透明化，以确保采掘条件的可视、可预和可控。彭苏萍院士等［42］阐述了透明地质条件（透明地球物理）的重要性，指出地质条件的精准把握是关键，他指出，矿井地质透明化是当前煤矿安全高效矿井地质保障系统的发展方向，要努力实现对工作面前方5 m范围煤岩结构的自动化数据采集与精准识别。

为满足当下智能矿山建设的需要，本研究认为，矿山需要发展新的岩矿测试技术，该技术应满足以下条件：①测试必须快、近于实时，以满足自动、智能化采矿的需求；②测试应该是原位和遥测方式，无需接触和损坏样品；③测试工序应简单、经济高效；④无人化和智能化程度高。

为此，本研究提出了基于光谱分析的岩矿智能感知技术，简称岩矿光谱智能感知技术。该技术利用现代高光谱遥感技术，对矿山现场的岩矿进行非接触的原位感知和测试，通过一定的光谱分析模型和算法，实现对岩矿的感知和智能化识别。该技术除了具有现场原位、遥测、周期短、工序简单、经济高效、自动化和智能化特点外，还具有以下特点：

（1）与一般的岩矿测试中的光谱分析技术不同。传统的光谱测试主要为原子光谱测试，获得是岩矿中的元素含量，而该技术属于分子光谱或者离子光谱测试技术，在波段上属于可见光、近红外、热红外光谱范围，可以识别岩矿中的矿物成分及含量，这对于矿石类型确定和矿石品级划分非常重要，属于高光谱遥感技术范畴。

（2）搭载光谱测试传感器的平台可以有多种。根据矿山不同需要，可以分为天基、空基和地基（包括地面和地下）平台，即传感器可以搭载在卫星、无人机、地面车、井下车、手持以及钻孔中的探头上。如果进行露天矿采场的岩矿测试，则可以使用无人机、地面车、三脚架或手持式进行测试。随着卫星遥感空间分辨率和光谱分辨率的提高，未来也可以考虑使用卫星遥感方式；对于井下矿，可以在采场使用车载、三脚架或手持式测试；对于钻孔内不同深度的岩矿测试，可以使用光缆深入钻孔进行测试。

（3）样品间距小，测试密度高。如果使用无人机成像光谱仪对地观测，则一般的空间分辨率可以达到分米甚至厘米级，即样品的间距可缩小为几个厘米。

（4）与现有的现场手持式原位测试技术——荧光光谱测试技术有显著区别。目前市场上的荧光光谱测试技术属于原子光谱测试技术，虽然测试速度快，但仅可获得元素含量和矿石品位，无法获取矿石中的矿物类型信息；且一般需要测试粒状样品，否则，精度偏低。

3 研究进展

3.1 波谱库建设

前已述及，岩矿光谱智能感知技术属于高光谱遥感技术范畴，是随着高光谱遥感技术发展起来的，而高光谱遥感是用很窄而连续的光谱通道对地物进行持续遥感成像，使用的波段主要包括可见光、近红外、中红外和热红外波段，相对于多光谱（只获取几个波段的数据），它可以获取上百甚至上千个非常窄的光谱波段信息，光谱分辨率高达纳米级。众所周知，每种地物都有自己特定的光谱（像人的NDA一样），因此可以使用光谱来识别地物。为达到这一目的，一般需要首先建立标准的地物波谱库，然后将待识别地物的波谱与标准波谱进行对比，从而达到识别的目的。因此，建设高质量的地物波谱数据库是高光谱遥感必不可少的一个环节，它对高精度遥感识别起着非常重要的作用。美国国家航空航天局（NASA）于20世纪60年代末—70年代初建立了首个地球资源信息波谱数据库（ERSIS），经过近半个世纪的努力，目前已有中国、美国、瑞士、英国、法国、澳大利亚等多个国家建立了面向不同研究领域、地物类型丰富、波谱范围多样的30余个地物波谱数据库［43-44］。其中，由美国地质调查局（USGS）建立的USGS波谱库［45-48］和美国喷气推进实验室（JPL）建立的ASTER波谱库［49］是国际上最具代表性的地物波谱数据库。国际上比较有代表性的岩石和矿物波谱库有美国喷气推进实验室（JPL）早在20世纪80年代就推出的JPL波谱库［50］和美国亚利桑那州立大学2000年推出的ASU热红外波谱库［51］。

我国在岩矿波谱库建设方面工作相对较少，据已有文献，贾智乐等［52］对鹤壁矿区典型地物（包括矸石堆、地表覆被、土壤、植被、煤堆、洗煤水、开采塌陷区等）进行了实地波谱采集及数据后期处理，建立了煤矿区具有典型特征地物的反射波谱库。国家实物地质资料馆进行了馆藏固体矿产、油气等多门类岩芯共20多个矿床上万米岩芯的红外光谱扫描工作。截至2018年年底，已经完成约30万m岩芯的图像扫描工作，并基于“地质云”和“中国实物地质资料信息网”进行在线图像发布服务［53］。2014年，由中国科学院遥感与数字地球研究所牵头的国家科技基础性工作专项“测绘地物波谱本底数据库建设”项目启动，旨在国内较好的工作基础上以及多年来数据积累的支持下，尝试解决目前波谱数据库使用的若干问题，建成一套标准规范、一个系统下的地物波谱本底数据库共享平台GOSPEL（Ground Object Spectral Library）［54］。

本研究课题组近年来也开展了岩矿光谱库的建设工作，建立了我国东北区域优势矿种（包括煤矿、铁矿、铜矿、金矿、菱镁矿等）的典型岩矿波谱库，库中包含了810条这些矿种的典型矿石和围岩的可见光、近红外和热红外的光谱曲线（图1），为该区域岩矿高光谱识别奠定了基础。

3.2 光谱识别方法（算法）研究

3.2.1 波谱特征分析法

波谱特征分析是通过对特定地物的光谱特征进行分析，提取出一个或几个突出的光谱特征，并用一定的参量表示，从而建立光谱识别参量或者指数，实现地物识别。这种方法原理明确、算法简单、计算速度快、易于实现，有时能够达到很高的精度。

（1）特征参量法。该方法是将地物波谱曲线上某个吸收谷、反射峰或者发射峰等特征进行参量化，再基于这些参量化后的特征进行分类识别或参数反演。常用方法有二值编码、波谱斜率、波谱坡向指数（Spectral Slope Index，SSI）、波谱吸收特征参数、波谱微分、波谱积分、波谱对数、波谱曲线拟合函数以及小波变换系数等。王东等［55］研究发现在鞍山式铁矿中赤铁矿在1 000～1 250 nm波段，反射光谱的斜率对铁品位反应敏感，二者呈现显著线性正相关关系，据此建立了铁品位的反演模型，反演误差小于1%。何群等［56］研究表明，赤铁矿、磁铁矿与围岩之间的光谱特征存在显著差异，利用该类差异构建的岩矿类型识别和分类模型，其铁矿石与围岩的区分正确率为97.1%，赤铁矿和磁铁矿区分的正确率达到93.5%。特征参量法是光谱分析中经常使用的一种方法，该方法由于直观、简便，且容易实施和数据处理速度快，被经常用于高光谱数据处理分析。

（2）光谱指数法。该方法是将地物波谱曲线上两个或多个特征谱段经线性或非线性组合，构成对感兴趣地物敏感而对背景因子不敏感的遥感光谱指数，实现对地物的识别。植被指数（Vegetation Index，VI）是最常用的指数方法，它可以有效进行植被识别与分类，此外还有水体指数（Water Index，WI），用以识别地面的水体。为有效识别不同煤种，毛亚纯等［57］提出了归一化差异煤指数 NDCI（Normalized Difference Coal Index），利用该指数不仅可以将煤体从周围其它地物中提取出来，还可以将褐煤和烟煤进行有效区分。为定量化识别煤矸石中的碳含量，宋亮等［58］提出了热红外光谱差指数，反演矸石中碳含量的平均误差为5%。此外，宋亮等［59］基于可见光波段构建了光谱指数NDGI（Normalized Difference Gangue Index），用于识别燃烧矸石和未燃烧矸石。王东等［60］利用热红外光谱分析方法构建了8.06 μm与8.2 μm处的归一化差指数NDI，预测了鞍山式铁矿中的SiO2含量，误差为3.57%。毛亚纯等［61］利用935 nm与1 050 nm处的归一化指数构建了鞍山式铁矿中的磁性率的定量反演模型，反演磁性率与实测磁性率的判定系数达到了0.96。光谱指数法与特征参量法均具有直观、简便、易操作的特点，而且能达到较高的精度，因此经常被用于岩矿的光谱分类中。

3.2.2 光谱匹配识别法

光谱匹配识别法是利用岩矿波谱数据库中已知的反射或发射波谱曲线，采用匹配算法来对待测岩矿进行分类和识别。这种匹配可以是在全波长范围内的完整波形比较，也可以是基于波谱特征的匹配。这类方法有光谱距离匹配、光谱角度匹配、光谱相关性匹配等方法。佟家兴等［62］首先采用主成分分析法对福建紫金山金铜矿的高光谱遥感数据进行降维处理，然后利用光谱角匹配法对矿石和岩石进行识别，成功率达到了74%。董新丰等［63］提出了综合光谱特征增强匹配度和特征参量的矿物识别方法，并基于GF-5卫星数据开展了矿物精细识别，平均正确率优于90%。需要说明的是，光谱匹配识别法由于采用光谱对比的方法，因此需要待识别地物的光谱与标准光谱的测试条件相同，这样才能达到较高的匹配精度，否则，会影响匹配效果。

3.2.3 混合光谱分解法

混合光谱分解技术用以确定在同一像元内不同地物光谱成分所占的比例或非已知成分。由于无论矿石还是岩石都是由矿物组成，理论上可以使用混合光谱分解技术定量分析岩矿中的矿物成分。混合光谱分解技术在高光谱遥感或者定量遥感中具有重要地位，该方法包括了端元提取和丰度反演两个步骤。其中，端元可以从该区域的地物波谱数据库中选取，也可以通过端元提取算法从遥感影像上提取。但不论哪种算法，其本身都存在着不确定性，需要对其进行精度验证和评价。在可见光—近红外波段，岩石和矿物光谱受到表面形态的影响，矿物组分之间发生多重散射，使得光谱混合属于非线性混合，给光谱解混带来了不便。而热红外波段由于可以探测硅酸盐矿物的振动，与可见光—近红外反射遥感相比，大大拓宽了遥感矿物识别的广度，并且发射光谱混合为线性混合，避开了一直阻碍遥感应用的光谱非线性混合的难题，使精确提取矿物种属及丰度信息成为可能。在光谱分解中，最常用的数学方法是带约束的最小二乘法，即在满足丰度和为1且非负的约束条件下，线性混合或非线性混合模型的残差达到最小。光谱解混算法很多，如监督、半监督和非监督学习的光谱解混方法等，这些方法又延伸出许多子类方法。刘善军等［64］研究表明，当岩石与矿物端元的光谱测试条件相同时，光谱解混效果好，使用块状端元光谱能有效解混块状岩石光谱，而颗粒光谱则不能有效解混块体岩石的矿物成分及含量。从理论上讲，混合光谱分解方法可以适用于所有的岩矿光谱分析。但在实际中，由于岩矿石中的矿物颗粒较小，且同一种矿物在不同的岩矿石中的赋存状态不同，增加了光谱分解难度，影响了该方法的实际应用，尤其对于机载或星载数据的处理问题更为突出。

3.2.4 智能识别方法

近年来，由于人工智能技术的兴起，许多机器学习算法被用于岩矿的光谱识别与分析中。张兵［65］认为，研究融合遥感数据特征与深度学习等智能信息提取算法，构建适用于遥感大数据的模型、方法与系统工具，是遥感大数据时代实现信息提取与知识挖掘的必由之路。毛亚纯等［66］利用遗传算法和BP神经网络建立了斑岩型铜矿可见光—近红外光谱的定量反演模型，品位反演平均绝对误差为0.104%。为预测尾矿库中尾砂含水量，虞茉莉等［67］首先构建了比值指数（RTI）、归一化差异指数（NDTI）和差值指数（DTI），然后将这3种指数作为输入自变量，使用随机森林方法进行训练构建尾矿含水量预测模型，通过Landsat8-OLI数据对实地尾矿库绘制了含水量的空间分布图，结果表明，模型含水量预测的相对精度为80%。文献［68］在研究不同煤种光谱时发现，与主成分分析（PCA）特征提取方法比较，CNN网络能够更好地提取光谱特征，改进ELM分类模型的分类精度优于基础ELM和SVM分类模型。毛亚纯等［69］在分析菱镁矿近红外光谱特征的基础上，利用主成分分析（PCA）进行光谱数据降维，然后与ELM分类算法相结合进行菱镁矿品级识别，准确率达到90%以上。总体来说，智能识别方法一般要求光谱样本数量足够多，这样才能通过多样本学习获得足够的知识，进而达到较高的识别精度。

3.2.5 多波段光谱联合分析方法

在岩矿光谱识别中，往往使用单一波段光谱难以奏效，客观需要多波段联合，进行不同波段光谱的优势互补，方可有效提升岩矿识别精度。刘善军等［70］将可见光—近红外和热红外光谱优势和特点结合起来，利用光谱联合分析方法反演了铁矿石中的磁性率，进一步提出了基于可见光—近红外和热红外光谱联合分析的鞍山式铁矿原位测定方法，全铁品位的平均预测误差达到3.5%，取得了较好效果。宋亮等［71］针对煤与含碳矸石在可见光—近红外的“异物同谱”现象，提出了基于可见光—近红外和热红外光谱联合分析的煤与矸石区分方法。该方法有效解决了单独使用可见光—近红外波段存在的“异物同谱”现象，使得试验样品的分类精度由90.5%提高到100%。

上述5种光谱识别方法各有所长，但总体来看，波谱特征分析法、光谱匹配识别法由于含义明确、方法简便，被广泛使用；智能识别方法随着近年来人工智能和计算机技术的快速发展逐渐被广泛使用，且往往能达到很高的识别分类精度；混合光谱分解方法虽然理论较为成熟，且研究较多，但由于矿山岩矿种类多、成分和结构复杂，实现成功应用尚需解决一系列技术问题；多波段光谱联合分析方法由于考虑了不同波段的优势和特点，对于单一波段难以完成的光谱识别通过多光谱联合分析可以达到很好的效果，成为未来的发展趋势。

3.3 光谱影响因素与机理研究

岩石和矿物的光谱特征除了与其成分含量和内部结构有关外，还受到众多变异因素的影响，该类因素主要包括粗糙度、颗粒度、孔隙度、含水率、风化程度，以及观测条件（如观测角度、光照条件等）。岩矿在自然状态下多以致密块状形式赋存，由于成因环境与结晶程度不同，不同岩矿表面形态特征不同，即表面的粗糙度不同；而一些岩矿还会呈粉末状（如炮孔或钻孔中的粉末），粉末的颗粒度和孔隙度也会对光谱特征产生影响。所以，为有效利用高光谱测试分析岩矿成分，需要对光谱特征的影响因素和机理进行分析。

3.3.1 粗糙度对反射光谱特征的影响研究

块状岩矿石的表面粗糙度是影响其光谱特征的重要因素，目前针对其它材料研究较多，对于岩矿石的研究相对较少。曾浩伦［72］、周月［73］和ANDERSON［74］等通过对不同粗糙度的金属材料进行研究发现，当试验样品表面比较光滑时，试样二向性反射（BRDF）能量主要分布在很窄的角度范围内，能量集中在镜向反射方向，且峰值明显；当试样表面变得粗糙时，BRDF会分布在较宽广的角度范围内，即镜向反射方向的能量减小，其他角度方向的能量增加。许邦伟［75］应用双向反射分布函数，仿真计算了试样在不同粗糙度下的反射光谱曲线，结果表明：在镜面方向时，材料粗糙度越小，镜面反射强度越大；在非镜面方向时，试样光谱强度随着粗糙度的增大而增大，即随着试样粗糙度增加，其散射分布范围和散射光谱强度在半球空间发散分布且逐渐增大。XIAO等［76］、凌晋江等［77］通过对二向性反射模型进行理论分析与推导，结果表明：镜面反射能量与粗糙度呈现显著的负相关关系，漫反射能量与粗糙度呈现显著的正相关关系。KIRKLAND等［78］研究了岩矿光谱特征的影响因素，认为岩石表面粗糙度变化会影响试样光谱对比度，造成相同岩石的光谱对比度存在一定差异，最大达到10%，使得岩矿识别变得困难。CARTER等［79］通过研究发现，火山岩的粗糙度对其光谱对比度影响显著，原因是粗糙度较大时会形成空腔效应，使得光子产生类似在黑体中的多次反射，进而影响试样的光谱特征。OSTERLOO等［80］同样发现随着粗糙度的增加光谱对比度减小，但不同岩石的光谱对比度变化是不同的。李天子等［81］对常见的7种矿物——石英、正长石、斜长石、微斜长石、角闪石、橄榄石和白云石的热红外光谱的研究发现，粗糙度对矿物的光谱特征有显著影响，当粗糙度增加时，光谱发射率增加，光谱对比度减小。当岩石和矿物端元具有不同的粗糙度时，由粗糙度差异引起的端元光谱变异，使光谱混合偏离了线性加和规律，解混误差会大大增加。此外，王东［82］在对鞍山式铁矿的反射光谱研究发现，粗糙度对赤铁矿和磁铁矿的光谱特征都有很大影响，如图2所示。

3.3.2 颗粒度对反射光谱特征的影响研究

当岩矿石呈颗粒状态时，颗粒度大小对其光谱特征有重要影响。杨柏林等［83］探讨了岩石和矿物的粒度、颜色和表面状态与反射光谱特征的关系，结果表明：由透明矿物组成的岩矿样品，其反射率与样品粒度呈反比关系；半透明矿物和不透明矿物，其反射率与样品的粒度关系则比较复杂。吴昀昭等［84］通过试验研究发现，随着试验样品颗粒度增大，试样反射光谱逐渐降低，但是矿物粒度一般只影响反射率大小，不会改变吸收波段位置与其吸收深度等特征。汪金花等［85］在实验室对不同粒径铁尾矿样本的可见光—近红外反射光谱特征进行了分析研究，发现铁尾矿的反射率随着粒径减小逐渐增大，但是试样的诊断性光谱吸收特征不受样本粒径影响。VERNAZZA［86］对行星中的岩矿样品进行了光谱测试，发现岩矿颗粒度不同时，岩矿光谱趋势也会受到一定的影响，表明颗粒度不仅会影响反射率的高低，还会对试样光谱趋势产生相应的影响。梁树能等［87］研究发现岩矿光谱随粒度的变化比较复杂，不仅不同矿物的光谱特征随着颗粒度的变化规律有所不同，而且同一种矿物光谱特征在不同粒度区间上的变化也具有差异性，基于光谱特征进行矿物识别必须考虑粒度对光谱特征的影响。王东［82］研究发现，颗粒度对赤铁矿和磁铁矿石反射光谱特征的影响存在显著差异（图3）。颗粒度对磁铁矿反射光谱的影响较小，颗粒度由0.03 mm增加到4 mm时，反射率变化量小于3%。颗粒度对赤铁矿反射光谱特征的影响较大，当赤铁矿粒径小于1 mm时，颗粒度对赤铁矿反射光谱曲线的高低与光谱形态特征的影响非常显著，颗粒度由0.03 mm增加到1 mm时，其光谱反射率不断降低，反射率变化幅度最大达30%，显著敏感波段为1 250～2 500 nm波段；当赤铁矿试样粒径大于1 mm时，颗粒度对试样反射光谱的影响较微弱。

3.3.3 观测角度对反射光谱特征的影响研究

岩矿光谱除了与岩矿表面的形态有关外，还与观测条件有关。其中，观测角度是影响光谱特征的一个重要因素。观测角度不同，光谱仪获得的不同波段的反射或辐射量不同，从而影响了光谱特征。周悦等［88］研究了不同探测距离与观测角度下典型煤岩的近红外光谱特征。赵虎等［89-92］选择地表最常见、最重要的岩石——花岗岩、玄武岩、橄榄岩3种岩石作为研究对象，分析了观测角度对3种代表性岩石在2π空间内反射光谱的影响规律。结果表明：3种代表性岩石的反射光谱特征在2π空间存在明显差异，表现出强烈的非朗伯体特性，在空间方向上具有明显的极化特征。WALD等［93］通过在多角度条件下观测分析石英试样的反射光谱特征，明确了石英试样的光学常数和振荡子参数的适应性。BANDFIELD等［94］对火星表面的砂砾岩进行了多角度条件下的光谱测试与分析，提高了基于光谱特征的试样温度反演模型的精度。闫柏琨等［95］通过对颗粒状的石英、白云母和钙长石3种矿物试样进行观测分析，得出随着试验样品发射角度增加，试样发射率逐渐减小，试样的透射特征和吸收特征逐渐增强，但是光谱的整体形状和典型特征谱带的位置与形态均基本保持不变。程寅益等［96］对孔雀石粉末在多角度条件下的反射光谱特征进行了研究，并应用Hapke模型对孔雀石的多角度光谱特征进行了分析解释，发现当传感器位于镜面反射方向时，试验样品反射率最大，因为在该位置时，试验样品发生镜面反射，反射效果强烈，光照强度最强；传感器位于其他位置时，光照强度逐渐减弱。路鹏等［97］研究发现：当观测角度发生变化时，岩矿试样的反射光谱也会随之发生变化，但是不同岩石矿物的反射光谱特征在不同角度下的变化规律与变化程度不尽一致，具有明显的差异性。王东［82］研究发现：赤铁矿和磁铁矿石反射光谱受观测角度影响较显著，当观测天顶角由0°增加至20°时，试样的光谱反射率呈现逐渐升高趋势；当试样观测角度由20°增加至80°时，试样的光谱反射率呈现缓慢降低趋势；当观测天顶角从0°增加至80°时，反射率变化幅度最大达到10%（图4）。

3.4 矿山实际应用研究

目前，岩矿光谱智能感知技术在矿山的应用大多还停留在室内试验或现场试验阶段。在这方面，国外发展较快。目前在市场上已经有手持反射或发射光谱仪问世，能够有效测试岩矿的光谱。如反射光谱仪TerraSpec，其波长为350～2 500 nm，有2 151个通道；发射光谱仪Handheld FTIR，其波长为2.5～15.0 μm，有1 800个通道。近几年，国内研发速度也很快，目前市场上已经有了可见光—近红外成像光谱仪。童庆禧等［98-99］于2012年成功研制出了短波红外波段的地面成像光谱系统，2013年又成功研发了小型航空成像光谱系统，并进行了试飞。相对于硬件的较快发展，软件的发展则较慢。近年来，本研究课题组以鞍山式铁矿为突破口，开展了大量的光谱测试分析试验与研究，并在此基础上，进行了现场应用试验。毛亚纯等［100］分析了磁铁矿和赤铁矿及其围岩的可见光—近红外光谱差异，建立了铁矿石遥感提取与分类模型，并应用Landsat 8数据对某露天矿铁矿石进行了识别，精度达到83.5%～85.0%。刘善军等［70］首先通过试验研究提出了基于可见光—近红外和热红外光谱联合分析的鞍山式铁矿原位测定方法，然后选择鞍钢鞍千矿露天采场作为试验场对该方法进行了测试。结果表明：铁矿石中SiO2含量的平均预测误差为3.6%，磁性率w（FeO）/w（TFe）平均预测误差为3.64%，全铁品位的平均预测误差为3.5%。从反演结果来看，虽然单个样品的反演精度较室内测试方法偏低，但由于使用现场便携式原位测定方法，采样密度高、速度快、效率高，5个开采断面中251件试验样品半天时间即可完成测试（图5），具有很高的时效性。此外，课题组还利用航拍无人机采集该采场的高光谱影像，应用混合像元光谱分解技术，对采场中矿岩进行了识别与自动提取（图6）。结果表明：铁矿圈定结果与现有的室内化验圈定的矿体面积相比，二者相差为8.10%。上述分析表明：基于光谱分析的岩矿智能感知技术具有很好的发展前景，在进一步优化和完善的基础上，可广泛应用于智能矿山建设中。

4 未来发展方向

（1）加强波谱库建设。前已述及，目前国外在波谱库建设方面开展了大量的工作，尤其是ASU、ASTER等波谱库的建设。目前我国开展的工作还较少，波谱库规模小、系统性不够，还需要深入细致地开展波谱库建设工作。由于我国矿床类型多，矿石种类丰富，且不同矿床类型围岩的种类又有所不同，因而波谱库建设还有很长一段路要走。具体建设时，可以根据国家对各种矿产需求程度的不同，先进行对国民经济起重要支撑作用的战略性矿种的波谱库建设，然后再推广开来。

（2）完善已有算法，提高岩矿识别与定量分析精度。目前，由于对岩矿光谱特征的研究和把握不深，使得基于光谱分析的各种岩矿识别与定量反演模型精度偏低，距离实际应用还有差距。由于不同矿石的成分和结构不同，其光谱特征存在很大差异，因此需要针对不同矿种和矿石类型建立独有的光谱识别模型，即“一矿一模型”，构建理想化的普适模型可能是不现实的。

（3）加强相关理论研究，建立考虑光谱多因素综合影响的完备模型。目前，开展的光谱变异影响因素研究大多是基于正交试验设计，即固定其它变异影响因素的前提下，只让一个变异因素发生变化，来分析该因素影响下的光谱变化规律。但是在岩矿实际赋存条件中，多种变异因素是同时存在、共同作用的，不同变异因素可能会相互抑制或效果增强。因此，如何综合考虑多种变异因素的影响，同时引入粗糙度、观测角度、颗粒度等多个变异因素，明确岩矿反（发）射光谱在多种变异因素共同影响下的变化规律，并确定各个变异因素的影响权重，建立适用性更强的完备模型，是将来需要重点考虑的问题。

（4）加强软硬件集成化研究。目前，搭载在不同平台的光谱仪已经得到了快速发展，国外发展较快，国内正在迎头赶上。相对于硬件来说，基于各种光谱分析算法的软件发展相对缓慢，需要加大研发力度。且存在软硬件研发与应用各自为战的现状，开展软硬件有效集成和一体化研究，才能从根本上解决该技术的实用化问题，将是未来的发展方向。

（5）加强应用化研究。目前，尽管一部分成果已经进入现场试验阶段，但相关的研究还主要停留在实验室试验阶段。今后应进一步加强现场应用化研究。应进一步加强高校、科研院所与矿山企业的深度融合，开展项目合作，建立产学研联盟，促进高校和科研院所的研究成果及时应用于矿山实际生产中，推动智能矿山建设。此外，矿山现场实际情况往往比实验室复杂得多，室内试验成果往往需要结合现场实际情况进行不断修正、完善和改造，方可取得较理想的应用效果，而这一过程往往是艰苦的。只有加强应用化研究，方可有助于解决岩矿智能识别这一矿山卡脖子难题。