本文以偃师东山白云岩矿山智慧化生产为背景研究砂石生产过程中的粒度检测问题。砂石粒度是砂石产品质量的重要信息,不同粒径的砂石具有不同的用途,粒度一致性强的骨料具有更好的品质和更高的经济价值,因此对砂石粒度进行在线检测是实现砂石品控的前提。传统的粒度检测采用人工筛分,存在人为误差大控制精度低等问题,不满足实时性要求。本文设计实现了基于端到端的砂石粒度检测系统,通过工业相机采集传送带上的砂石图像,自动检测砂石粒度的分布情况,实现非接触式生产质量在线检测。论文完成的主要工作如下:砂石粒度检测过程中存在的主要障碍是传送带上的砂石彼此堆叠、粘连严重,传统的分割算法如分水岭无法进行有效分割,过分割和欠分割现象严重。本文提出了基于神经网络的端到端砂石粒度检测方法,直接完成砂石粒度的估计。选择Dense Net作为骨架网络,引入一个全连接层作为头部网络直接回归粒度分布。为了实现分布曲线的估计,以度量分布差异性的KL散度作为损失函数。通过采集实际的砂石图像,对粒径信息进行标注,构建了专用建筑砂石图像数据集。数据集上的实验结果表明,本文提出的端到端粒度检测方法明显优于传统的分水岭算法。基于神经网络的方法需要大规模数据进行训练,砂石样本的标注则耗时费力。本文提出半监督学习方式对粒度检测算法进行进一步优化。首先采用任务相关的伪标签方式进行训练,提高了训练集规模,并针对伪标签引起的模型收敛困难情况,进一步提出了学生-老师半监督算法,通过学生模型参数对老师模型参数平滑更新,保证了模型的收敛。实验结果表明两种半监督方法可以有效提高模型检测性能,学生-老师半监督算法相比伪标签方式更具有优越性。设计并实现了基于端到端的砂石粒度检测软硬件系统。在硬件系统设计中充分考虑了砂石生产现场中的震动、粉尘、昏暗等因素,设计包含光照及控制单元、除尘装置、减震机构的专用设备。软件系统具有图像采集与处理、设备管理、调试、通信、数据管理等功能。通过实际的现场测试,能够满足实际生产需要。