基于机器学习的煤岩显微组分灰度及纹理特征提取实验

王越; 庞克亮; 吴昊天; 刘福军

doi:10.3969/j.issn.1007-7677.2023.02.007

摘要：煤岩显微组分的鉴别需综合显微组分的反射率、颜色、突起、形态、大小、细胞结构等特征.基于图像分析的煤岩显微组分自动识别方法能够降低人工的劳动强度并提高测试速度与可重复性,因而其为煤岩显微组分分析的未来发展趋势.煤岩显微组分种类较多且不同显微组分的结构特征差异较大,目前对其光学性质的定性描述很难体现许多显微组分独特的形貌及结构特征,因而识别准确度较低,急需对煤岩显微组分的形态特征和纹理特征进行深入研究和表征.针对煤岩显微组分的识别特征,分析油浸反射光下煤岩显微组分的灰度、形态及纹理特征等图像学特征,对15种有机显微组分及3种无机显微组分选取1693幅能够表征显微组分特征的代表性图像,构建烟煤显微组分特征数据集,利用灰度共生矩阵对灰度均值、灰度方差、灰度歪斜度、灰度峰态、灰度能量、灰度熵等6 种灰度特征参数以及纹理对比度、纹理相关性、纹理角二阶矩和纹理同质性等4种纹理特征进行提取,利用K最近邻(KNN)和支持向量机(SVM)2种机器学习分类算法进行分类.结果发现,显微组分的灰度特征及纹理特征差异较大,支持向量机分类算法对显微组分的识别效果优于K最近邻,基于灰度+纹理特征的支持向量机算法可以对煤中18种显微组分实现大于60％的识别精度.