矿石的粒度参数信息是选矿过程中的一项关键数据,也是衡量破碎效果的重要参考,对工艺参数调节及矿山生产智能化有着极其重要的指导价值。通过对传送带上的矿石粒度进行分析,能够实时地获取破碎机的工作状态,调节破碎机参数、进出料的速度,有效提高破碎效率,降低矿区生产能耗,达到节能减排的目的。为解决传送带矿石粒度分布信息获取效率低的问题,采用深度学习与图像处理技术,分别对传送带上的矿石颗粒进行图像分割与粒度分布检测。本文主要的工作如下:（1）为解决传送带上的矿石颗粒图像亮度低、噪声严重等问题,首先,对获取的矿石图像做亮度变换处理,提升或减弱图像亮度;其次,利用图像技术做灰度化处理,减少图像分割的计算量,为去除矿石图像中存在的大量噪声,选择双边滤波算法,在有效去噪的同时,最大程度地保留了矿石图像的边缘信息;最后,对图像进行二值化操作,更好地表现图像的局部细节特征。（2）为解决堆叠矿石图像分割准确率低、边缘线漏检严重、边缘线不清晰等问题。在对矿区破碎站进行现场考察后,选择HED边缘检测网络作为矿石图像分割的基础网络,并对原始网络进行了相应的改进,引入了空洞卷积扩充感受野,并使用残差可变形卷积替换常规卷积,实现了对破碎矿石的有效分割,从而提高了网络模型对复杂颗粒的分割精度。（3）为实时获取矿石的粒度及其分布情况,在完成矿石图像分割后,构建图像与实际尺寸的转换公式,结合矿石颗粒的形状特点以及Open CV库,实现了对矿石粒度大小的实时测定。针对应用图像只能求得传送带上表面的矿石粒度,对底部矿石粒度未知,存在一定的局限性。在获取结果的基础上,使用BP神经网络对传送带上的矿石粒度分布进行预测,得到整体的粒度分布数据。（4）结合python编程语言,设计了矿石粒度检测系统应用界面,涵盖了图像的输入、预处理、图像分割及粒度检测功能模块。实验结果证明,本研究所构建的应用改进HED网络的分割方法能够有效分割传送带上的破碎矿石图像,并在一定程度上提高了分割精度,同时,在分割结果的基础上所设计的Open CV转换方法,能够有效计算矿石的粒度大小,统计矿石的粒度分布,为露天矿选矿破碎流程提供数据指标,具有一定的适用性和可行性。