Effect of false boundary of microscopic image on automatic identification of maceral group
-
摘要: 在利用图像分析技术进行煤岩自动化检测过程中,发现煤岩显微图像中各种成分的边界表现为"镶边"状的灰度过渡区,过渡区像素点灰度不能反映其两侧显微成分的真实灰度。为了分析这种假边界对煤岩显微组分组识别检测的影响,通过对全国大量煤岩样品所采集显微图像分析的基础上,对各种相邻成分间假边界的特征、成因进行了分析。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成分的组合类型相关。假边界的形成是由于煤中各种成分的硬度及韧性差异引起突起高低不同,成像时在不同成分的边界呈现灰度斜坡。选取10个不同变质阶段代表性煤样,利用Prewitt算子对样本假边界进行边缘检测提取,提取的假边界过渡区像素占比整体煤颗粒图像的10%~27%;并将测定结果与国内资深煤岩专家人工鉴定的标准结果进行比对,结果表明,剔除假边界后测定的镜质组、惰质组、壳质组的极差远低于未剔除假边界的极差,更为接近人工鉴定结果。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 influence 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 characteristics in-between the gray levels of adjacent components. The width of gray ramp of the false boundary is related 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 appears 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 former is closer to manual identification result.
-
Keywords:
- microscopic image /
- maceral group /
- false boundary /
- gray ramp /
- edge detection /
- automatic image recognition
-
岩石内部含有大量原生孔隙与微裂隙,在外部应力环境影响下,微裂隙逐渐扩展聚合,导致其力学性能劣化[1]。微裂隙扩展常被视为岩石损伤累积,决定了岩体破坏失稳过程[2]。由于岩体工程一般开挖规模大、扰动强度高,岩体损伤区会随时间推移不断发展演化,导致岩体工程施工过程中需要不断地对围岩损伤区进行跟踪检测,以实现对损伤区岩体力学性质及承载能力的快速估算[3-4]。因此,合理预测岩石损伤程度对工程稳定性和安全性具有重要意义。
研究表明,不同损伤程度岩石物理性质会有明显区别,包括声学、电磁学、热学等物理参数[5-6]。岩石在受力作用时,其内部原生孔洞裂隙的发育扩展以及新生裂隙孕育所产生的能量以弹性波形式释放,称为岩石的声发射[7-8]。声发射特征参数和频谱特性能够反映岩石内部破裂的动态演化过程,研究岩石破裂声发射信号特征可为岩体破坏的稳定性评价和监测预报提供理论依据[9]。目前,损伤岩石声发射特征研究主要可以分为两大类:基于时域参数的方法和基于波形的方法,通过振铃计数、能量、b值、S值等声发射特征参数来研究岩石变形破坏过程,以及分析岩石不同损伤阶段的声发射特性、岩石破坏震源定位等[10-12]。但这些声发射参数只是对信号单一特征的简单统计描述,仅提供有限的破裂源特征信息,无法获取声发射波形携带的岩石受力状态、结构、物理力学性质等全部信息[13-15]。近年来,学者开始对声发射波形进行分析,即采用信号处理方法分析波形,揭示岩石破裂过程中时域信号演化规律,进而提供更全面详尽的声发射特征信息[16-18]。频率特征由于具有本征性、唯一性和稳定性,且不同的频率特征能反映出岩体内部不同的破坏过程,被广泛应用于声发射演化规律研究[19-21]。另外,超声波无损检测技术在岩体损伤测试中也得到了广泛应用,专家学者利用超声波穿过岩土介质后所反映的声学特征参数如波速、振幅、衰减系数等来反演岩土介质的物理力学参数及损伤规律[22-25]。
以上研究成果表明,岩石在损伤破裂过程中波速、声发射参数均会表现出一定的演化特征,但关于不同损伤程度岩石的波速及声发射特征研究相对较少。鉴于此,笔者通过循环加卸载试验制备不同损伤程度粉砂岩试样,并开展单轴压缩试验,分析粉砂岩损伤程度与波速关系及其声发射演化规律,探讨不同损伤程度粉砂岩声发射响应机制,以期为损伤岩体工程灾害监测预警提供一定理论参考。
1 试样制备及试验方案
1.1 试样制备
图1为制备的标准粉砂岩试样。原岩取自陕西神东矿区布尔台煤矿顶板的粉砂岩岩层,自地面向下钻孔取心获得,取样地点煤层覆岩结构未受采动影响。依据国际岩石力学学会标准,将岩心切割加工为ø50 mm×100 mm(高度)的标准圆柱体试样、ø50 mm×25 mm(高度)的巴西圆盘试样,粉砂岩基本力学参数见表1。采用JSM-6510LV型扫描电镜观测粉砂岩碎片细观形貌特征,结果如图2所示,粉砂岩内部细密晶粒均匀分布,局部存在破碎岩屑与黏土矿物,整体均质性较好,试件基本力学参数都在统一认可的误差范围内。
表 1 粉砂岩基本力学参数Table 1. Basic mechanical parameters of siltstone岩性 密度/
(g∙cm−3)峰值强度/
MPa弹性模量/
GPa抗拉强度/
MPa纵波波速/
(m∙s−1)粉砂岩 2.32 28.59 2.64 7.05 2229.51 目前,学者多通过开展循环加卸载试验来制备不同损伤程度试样,在循环加卸载过程中,试样损伤演化过程必然伴随着试验输入能、试样储存弹性能以及裂隙扩展耗散能之间的相互转化[26]。图3为应力点σi处循环加卸载应力−应变曲线,其中加载曲线oa与应变所围成的面积Soac为第i次循环中岩石存储的输入能密度ui,卸载曲线ab与应变所围成的面积Sabc为弹性能密度uie,加载曲线oa与卸载曲线ab、应变所围成的面积Soab为耗散能密度uid。由此可得输入能、弹性能及耗散能密度计算公式为:
$$ {u_i} = {u_{i{\mathrm{e}}}} + {u_{i{\mathrm{d}}}} $$ (1) $$ {u}_{i}={\int }_{{\varepsilon }_{0}}^{{\varepsilon }_{i}}\sigma {\mathrm{d}}\varepsilon $$ (2) $$ {u}_{i{\mathrm{e}}}={\int }_{{\varepsilon }_{i{\mathrm{e}}}}^{{\varepsilon }_{i}}\sigma {\mathrm{d}}\varepsilon $$ (3) 本质上岩石损伤是由能量耗散引起的,损伤累积可以看作是能量耗散的不可逆过程,可根据下式定义岩石损伤变量[27]:
$$ D=\sum _{i=1}^{{N}_{i}}{u}_{i{\mathrm{d}}}/\sum _{i=1}^{N}{u}_{i{\mathrm{d}}}\times 100\text{%} $$ (4) 图4为不同循环加卸载次数下粉砂岩试样损伤程度演化规律。开展循环加卸载试验制备损伤试样,采用位移控制方式,加卸载速率均为0.25 mm/min,载荷从0 → 3 kN → 0.3 kN → 6 kN → 0.3 kN → 9 kN → 0.3 kN······逐级递增。根据式(1)—式(3)计算粉砂岩试样的输入能、弹性能和耗散能密度,根据式(4)计算粉砂岩试样损伤变量,最后根据损伤变量评估岩石损伤程度(损伤程度0表示非损伤试样)。随着循环次数增加,试样损伤程度呈非线性增长趋势。
1.2 试验方案
图5为本次试验设备系统图。利用RLJW-2000型伺服岩石试验系统对试样加载;利用试验机自带的位移传感器监测试样轴向变形;采用AMSY-6声发射系统监测试样裂隙发育情况,在试样两侧分别粘贴一个声发射探头,探头型号为VS45-H,前置放大器增益值设定为38 dB,信号激发门槛值设定为40 dB,仪器监测频率为10 MHz;采用HKN-B型声波探测仪监测试样波速。首先开展常规单轴压缩试验,测试非损伤试样的基本物理力学参数;然后开展不同次数循环加卸载试验,以此制备不同损伤程度试样,试验过程中加卸载速率均为0.25 mm/min,循环载荷以3 kN逐级递增,加载至预期损伤程度后取下试样(图4);最后开展损伤试样单轴压缩试验,测试损伤试样在加载过程中的声发射演化特征。
2 试验结果分析
2.1 波速演化规律
图6为损伤试样纵波波速演化规律。试样纵波波速随着损伤程度增加呈线性减小趋势,当试样损伤程度为0时,纵波波速为2256.79 m/s;当试样损伤程度为9.51%时,纵波波速为2318.19 m/s,相比非损伤试样增加了5.84%;当试样损伤程度为62.69%时,纵波波速为2012.91 m/s,相比非损伤试样减小了10.81%;最终当试样损伤程度达到100%时,纵波波速为1721.38 m/s,相比非损伤试样减小了23.72%。波速的变化可以反映试样内部裂隙发育程度,损伤程度较小的试样处于微裂隙压密状态,其结构完整性较好,导致纵波波速减小不明显甚至有所增大;而随着循环加载次数增多,试样内部裂隙密度增大,导致纵波波速明显减小。
2.2 声发射演化规律
图7为损伤试样声发射振铃计数演化规律。振铃计数随着应力增加整体呈阶段性递增趋势,当损伤程度为9.51%时,振铃计数在压密、弹性及屈服阶段缓慢增加,屈服阶段快速增加、峰后破坏阶段突增达到峰值;当损伤程度为37.80%时,振铃计数在压密阶段小幅增加,弹性及屈服阶段缓慢增加、峰后破坏阶段突增;当损伤程度为100%时,振铃计数在峰前各个阶段均呈线性增加趋势,仅在峰后破坏阶段小幅度突增。随着试样损伤程度增加,振铃计数由阶段性递增转变为加载全过程迅速增加,且峰后大幅突增现象不明显。
图8为损伤试样声发射能量演化规律。随着应力增加,声发射能量呈先缓慢增加而后快速增加,最终在峰后破坏阶段呈现突增演化趋势。当损伤程度为9.51%时,能量在压密及弹性阶段缓慢增加,而在屈服阶段出现小幅突增后迅速增加,并在峰后破坏阶段出现多次突增,累积能量最终达16.1×10−10 aJ;当损伤程度为37.80%时,能量在峰前各阶段均缓慢增加,但在峰后破坏阶段迅速增加,最终达到0.6×10−10 aJ;当损伤程度为100%时,能量演化规律与损伤程度37.80%试样类似,在峰后破坏阶段突增至2.6×10−10 aJ。随着损伤程度增加,声发射能量在屈服阶段由小幅突增转变为快速增加。
3 损伤岩石声发射响应机制探讨
3.1 b值与S值
声发射b值反映了岩石内部不同尺度裂隙的发展趋势,当b值在小范围内波动时,岩石以渐进式稳定破坏为主,若b值发生大幅度波动,则岩石内部裂隙迅速扩展造成突发式失稳[18]。计算岩石声发射b值公式[22]如下:
$$ b=20(a-\lg n)/A $$ (5) 图9为损伤试样声发射b值演化规律。在加载过程中b值均呈波动式发展趋势,但不同损伤程度粉砂岩试样的b值演化特征区别明显。当损伤程度为9.51%,b值在压密及弹性阶段呈小幅度波动,而在屈服阶段突增,在峰后破坏阶段达到峰值;当损伤程度为37.80%,b值在压密阶段波动增加,而在弹性阶段波动减小,在屈服及峰后破坏阶段快速增大直至峰值;当损伤程度为100%,b值在压密阶段突增,而在屈服及峰后破坏阶段逐渐减小。随着粉砂岩损伤程度增加,b值峰值区由峰后破坏阶段向压密阶段转移,即主控裂隙成形阶段会更早出现。
由此可见,当岩石损伤程度较小时,b值在压密以及弹性阶段小幅波动,仅在屈服及峰后破坏阶段突增,即产生突发式失稳;当岩石损伤程度较大时,b值在压密阶段突增,而在弹性直至峰后破坏阶段呈波动式减小趋势,表明其在压密阶段已处于非稳定劣化状态,造成破坏阶段突发式失稳特征不明显。需注意的是,当岩石损伤程度较小时,b值在屈服阶段突增预示了岩石即将产生破坏,而当岩石损伤程度较大时,这一现象不明显。因此,不同损伤程度岩石破坏失稳前兆具有一定区别,应结合其他声发射参数演化特征进行合理预测。
声发射S值反映岩体内部声发射源集中程度和能量尺度,计算岩石声发射S值公式[23]如下:
$$ S=0.117\mathrm{lg}(n+1)+0.029\mathrm{lg}\frac{1}{N}\sum _{i=1}^{n}{10}^{0.075{m}_{{\mathrm{s}}i}}+0.000\;75{m}_{{\mathrm{s}}} $$ (6) 图10为损伤试样声发射S值演化规律。S值随着应力增加经历了先减小再波动变化,然后突增,最后达到峰值后减小的变化趋势,但不同损伤程度粉砂岩试样的S值演化特征区别明显。当损伤程度为9.51%时,S值在压密阶段逐渐减小,弹性及屈服阶段维持在0.1~0.2,峰后破坏阶段出现突增现象;当损伤程度为37.80%时,S值在压密及弹性阶段呈波动式变化特征,直至在屈服阶段出现突增而后在峰后破坏阶段达到最大值;当损伤程度为100%时,S值在压密及弹性阶段为0.32~0.36,在屈服阶段开始增大直至在峰后破坏阶段达到最大值。随着试样损伤程度增加,在加载前中期声发射S值由低位中幅度波动转变为高位小幅度波动。
由此可见,当岩石损伤程度较小时,S值在峰前阶段呈低位中高幅度波动,而当岩石损伤程度较大时,S值在峰前阶段呈高位小幅度波动,表明损伤程度较小岩石在峰前阶段主要产生稳定破坏,损伤程度较大岩石在峰前阶段产生非稳定破坏。
3.2 主频特征
图11为损伤试样声发射主频演化规律。主频整体呈横向条带状分布,在压密及弹性阶段主频条带相对较少,在屈服阶段明显增多,尤其在峰后破坏阶段出现多个主频信号带,其中低频高能信号主要分布在压密及峰后破坏阶段,但不同损伤程度试样的主频演化特征具有明显差异。由图11a、图11b可知,当损伤程度为9.51%时,主频在压密阶段密集、弹性阶段较少,在屈服阶段开始增多直至在峰后破坏阶段密集分布,主频频率主要分布在20~60、90~130和250~300 kHz,在整个加载过程中以0~100 kHz低频信号为主,占比均达到80%以上,100~300、300 kHz以上的中高频信号较少,占比均低于10%。由图11c、图11d可知,当损伤程度为37.80%时,主频演化规律与之类似,但出现了400~500 kHz的高频低能信号带,即高频信号占比明显增加,在弹性变形阶段占比达到30%以上;由图11e、图11f可知,当损伤程度为62.69%时,新出现了480~520、600~720和790~880 kHz高频低能信号带,高频信号占比进一步增加,在应力−应变曲线各个阶段占比达到70%以上;由图11g、图11h可知,当损伤程度为100%时,高频信号带频率转变为400~580、590~770和780~880 kHz,在加载全过程高频信号占比超过80%。
可见,当试样损伤程度较小时,在压密及弹性阶段以低频低能信号为主、高频低能信号零星出现,在屈服阶段开始出现低频高能信号,最后在峰后阶段出现大量低频高能信号。而当损伤程度较大时,在压密、弹性、屈服以及峰后阶段均出现大量的高频低能信号,在压密以及峰后阶段出现低频高能信号。学者普遍认为,晶间滑移引起的摩擦型声发射主频小,新生裂隙发育引起的破裂型声发射主频高,而宏观裂纹扩展与摩擦的混合型声发射主频频带较宽[28]。当损伤程度较小时,声发射以低频信号为主、高频信号零星出现,主频频带在压密及弹性阶段相对较窄、在屈服以及峰后破坏阶段变宽,表明岩石劣化过程以晶间滑移为主;当损伤程度较大时,声发射出现大量高频低能信号,且高频低能信号带持续整个加载过程,表明岩石破坏过程以裂隙发育为主。
3.3 声发射响应机制
图12为不同损伤程度岩石声发射响应机制示意图。损伤程度较小时,在压密及弹性阶段产生晶间滑移摩擦,声发射b值和S值呈低幅小范围波动、低能高频信号零星出现;在屈服阶段裂隙贯通形成裂纹,b值和S值开始增大、低频高能信号增多;在峰后破坏阶段裂纹扩展导致岩石破坏,b值和S值达到最大值、低频高能信号密集出现。损伤程度较大时,在压密及弹性阶段其内部裂隙已开始不断发育,b值突增后大幅度波动、S值维持在中幅小范围波动、高频低能信号密集出现且频带较宽;在屈服阶段裂隙贯通形成裂纹,b值大幅度波动、S值开始增大、高频低能信号较密集;在峰后破坏阶段裂纹扩展导致试样破坏,b值逐渐减小、S值先增大后减小、低频高能信号出现。
由此可见,不同损伤程度岩石破裂过程有明显区别,晶间滑移、裂隙发育、裂纹扩展等行为对应的声发射响应特征明显不同。为了便于分析,将b值、S值以及主频频率认为是声发射活跃度,主频信号的能量认为是声发射强度。据此可将不同损伤程度岩石声发射响应机制总结为:损伤程度小时,岩石内部裂隙发育少,峰前阶段以渐进式稳定变形为主,声发射信号活跃度低、强度小;损伤程度大时,岩石内部裂隙密度增多,峰前阶段以突发式非稳定变形为主,声发射信号活跃度高、强度大。
以上对不同损伤程度的岩石波速及声发射参数演化特征进行了分析,发现声发射参数以及波速随着岩石损伤程度变化具有明显的规律性,可通过监测岩石的声发射振铃计数、能量、b和S值等参数演化趋势定性评估其损伤程度[29-30]。而不同损伤程度试样的声发射主频信号演化特征更便于量化评估,本次试验选取的粉砂岩试样在其损伤程度较大时,声发射高频低能(400~800 kHz、0~250 aJ)信号由零星出现转变为加载全过程中密集分布,在图11中,当岩石损伤程度为37.80%时,在加载过程中0~100 kHz的主频数量占比为61.79%~80.59%,当岩石损伤程度为62.69%时,300 kHz以上的主频数量明显增加,数量占比为73.34%~86.17%,且随着损伤程度增加,主频频率的最大值同样在不断增大,当岩石损伤程度分别为9.51%、37.80%、62.69%、100%时,加载过程中主频频率的最大值分别为310、510、840、880 kHz,这一特征也可作为识别岩石损伤程度的指标之一。需注意的是,本次试验只选取了粉砂岩作为试样,不同岩性岩石受载过程中的损伤破裂过程存在一定差别[31-34]。由此导致声发射参数规律演化也产生差异,后续将进一步对其他类型损伤岩石的声发射演化规律及响应特征进行深入研究。
4 结 论
a. 开展不同损伤程度岩石的单轴加载试验,其声发射特征参数及纵波波速演化规律显示:损伤试样纵波波速随着损伤程度增加呈线性减小趋势,但声发射振铃计数由阶段性递增转变为加载全过程迅速增加,声发射能量在屈服阶段由小幅度突增转变为快速增加,声发射b值峰值区由峰后破坏阶段向压密阶段转移,S值在压密至屈服阶段由低位中幅度波动转变为高位小幅度波动。可将这些参数作为定性评估岩石损伤程度的指标。
b. 基于声发射主频信号演化特征划分了损伤岩石破裂类型。随着试样损伤程度增加,岩石破坏过程由晶间滑移主导型转变为裂隙发育主导型,导致声发射高频低能(400~800 kHz、0~250 aJ)信号由零星出现转变为加载全过程中密集分布,以及高频信号带变宽。高频低能信号的出现可作为定量评价岩石损伤程度的指标。
c. 揭示了不同损伤程度岩石破裂声发射响应机制。损伤岩石内部裂隙发育程度不同是导致声发射响应机制差异化的根本原因,岩石内部裂隙密度随着损伤程度增加而增大,造成其在受载过程中由渐进式稳定破坏模式向突发式非稳定破坏模式转变,以及加载过程中声发射信号活跃度及强度增强。
符号注释:
a为经验常数,震级间隔取0.2,起算震级大小为2;A为声发射幅值,dB;b为表征声发射活动水平的物理量;D为基于耗散能密度占比定义的损伤变量,用于评估试样的损伤程度,%;ms为统计窗口最大声发射事件幅值的震级;msi为第i个声发射事件幅值的震级;n为震级间隔下的声发射统计累积频次,即为标准化的幅值大于等于统计震级的声发射数量;N为最终循环次数;Ni为第i次循环;ui为第i次循环中岩石存储的输入能密度,J/m3;uie为第i次循环中岩石存储的弹性能密度,J/m3;uid为第i次循环中岩石耗散能密度,J/m3;ε为循环加卸载应力−应变曲线上某一点应变值;ε0为第i轮循环起始点对应的应变值;εi为第i轮循环应力峰值点对应的应变值;εie为第i轮循环卸载至0点的应变值;σ为循环加卸载应力−应变曲线上某一点应力值,MPa。
-
[1] MCCARTNEY J T,O'DONNELL J J,ERGUN S. Determination of proportions of coal components by automated microscopic reflectance scanning[J]. Fuel,1971,50:226-235.
[2] DAVIS A,FRANCIS J V. Developments in automated reflectance microscopy of coal[J]. Journal of Microscopy,1977,109(1):3-12.
[3] DAVIS A,KUEHN K W,MAYLOTTE D H,et al. Mapping of polished coal surfaces by automated reflectance microscopy[J]. Journal of Microscopy,1983,132(3):297-302.
[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,1996,24(4):18-21. YAO Boyuan,XU Guoxian. The tool and technical method for measuring coal/coke reflectance[J]. Coal Geology & Exploration,1996,24(4):18-21.
[5] ENGLAND B M,MIKKA R A,BAGNALL E J. Petrographic characterization of coal using automatic[J]. Journal of Microscopy,1979,116(3):329-336.
[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,1982,2:113-150.
[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,1986(1):60-67. JIN Kuili,XIA Jian. The automated coal petrology in determining maceral group composition and the reflectance of vitrinite[J]. Journal of China University of Mining & Technology,1986(1):60-67.
[9] GOODARZI F. The use of automated image analysis in coal petrology[J]. Earth Science,1987,24:1064-1069.
[10] PEARSON D E. Probability analysis of blended coking coals[J]. International Journal of Coal Geology,1991,19:109-119.
[11] PRATT K C. The use of composite and mosaic imaging of polished surfaces to enhance petrographic analysis of coal by image[J]. Organic Geochemistry,1993,20(6):759-768.
[12] O'BRIEN G,JENKINS B,ESTERLE J,et al. Coal characterization 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,2017,42(3):142-144. WANG Suting,ZHU Xiankun,LYU Qing. Coal rock macerals recognition based on RILBP-GLCM algorithm[J]. Journal of China Coal Society,2017,42(3):142-144.
[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,2003,8(7):783-787. WANG Wentao,HU Desheng,YIN Wenyi,et al. Design and implementation of digital coal petrography analysis system[J]. Journal of Image and Graphics,2003,8(7):783-787.
[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,2005,40(7):17-21. HU Desheng,WANG Wentao,LIU Qizhen. Development of digital automatically analysis technique for maceral specification[J]. Iron and Steel,2005,40(7):17-21.
[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,2014,39(3):562-567. CHEN Hongbo,BAI Xiangfei,LI Zhentao,et al. Working curve establishing and application of determining maceral reflectance by image analysis method[J]. Journal of China Coal Society,2014,39(3):562-567.
[17] LESTER E,ALLEN M,CLOKE M,et al. An automated image analysis system for major maceral group analysis in coals[J]. Fuel,1994,73(11):1729-1734.
[18] CLOKE M,LESTER E,ALLEN M,et al. Repeatability of maceral analysis using image analysis systems[J]. Fuel,1995,74(5):654-658.
[19] LESTER E,WATTS D,CLOKE M. A novel automated image analysis method 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,1980:22-44. [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 15588-2013[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,2011:449-467. [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,1981(2):30-37. ZHANG Xiuyi,GONG Zhicong,MEN Guizhen,et al. Genetic-technical classification of bituminous coal[J]. Journal of China Coal Society,1981(2):30-37.
[25] 陈鹏. 中国煤炭性质、分类和利用[M]. 北京:化学工业出版社,2001:184-190.
计量
- 文章访问数: 82
- HTML全文浏览量: 4
- PDF下载量: 11