在矿山企业中,破碎矿石的粒度信息是评价爆破效果的重要参数,也是控制各级破碎机作业参数的主要指标,所以破碎矿石的粒度信息对于矿山的高效生产意义重大。针对传统算法在处理复杂环境下的矿石图像存在的分割准确率低、欠分割严重等问题,本文在深入研究人工智能在图像分割领域应用的基础上,采用了深度学习作为实现矿石图像分割的人工智能技术手段,进行了矿石粒度检测方法的研究。首先,研究选择了适宜的矿石图像的预处理手段;然后,通过训练神经网络提取矿石图像特征,得到轮廓检测模型和轮廓优化模型,提高了矿石图像的分割精度;最后,通过对矿石粒度信息的研究,选择了可以定量描述矿石颗粒粒度的相关参数,并完成了矿石粒度检测系统的软件研发。本文的主要研究工作如下:（1）制作适用于深度卷积神经网络训练的数据集。首先,从矿山分别采集多变环境下的爆堆和传送带作业图像作为图像集,并从图像集中选取互不包含重叠区域、光照条件不同及矿石表面颜色不同的矿石图像作为样本集;然后,绘制样本集图像的边缘线作为标签集,将样本集及其相对应的标签集组合成训练集;最后,采用图像裁剪的方式大量扩充训练集,将扩充后的训练集作为训练模型时输入的数据集。（2）建立三步结合的数据集处理方法。将数据集中RGB格式图像灰度化后,采用均值滤波降低图像噪声,并采用自适应直方图均衡化方法实现图像增强。这种“灰度化+均值滤波+自适应直方图均衡化处理”三步结合的数据处理方式,不仅降低了图像噪声,增强了矿石边缘信息,同时灰度化图像也可以提高模型训练速度,降低模型训练的数据处理工作量。（3）建立基于双模型的矿石图像分割算法。首先,将矿石图像转换为灰度图,经过图像去噪和增强处理后,利用预训练的轮廓检测模型分别提取爆堆和传送带图像边缘特征。然后,使用预训练的轮廓优化模型分别优化爆堆和传送带图像边缘;最后,标记连通区域获取分割结果。（4）开发矿石粒度检测系统软件。在深入研究矿石图像形状和纹理特征的基础上,确定了粒度参数的表示方法,并获取了矿石的周长径、面积径、最小外接椭圆长径和短径等粒度参数。随后,结合本文的矿石图像分割算法,研发了可以适用于复杂环境下矿石图像的粒度检测系统。将该系统应用于鞍千铁矿,通过对实际作业环境下的爆堆和传送带作业图像进行粒度检测分析,结果表明该系统检测效果较好,可以满足矿山企业的实际作业需求。