破碎矿石的粒度信息一直是矿物加工过程中的一项关键数据指标,是评价破碎效果好坏的一项重要标准,尤其对选矿生产中选矿设备的工艺参数优化调整和实现选矿自动化具有非常重要的指导意义,通过对选矿矿石粒度的检测分析,能够及时地了解当前破碎机的工作状态,从而根据实际情况来及时地调节破碎机排矿口的大小,提高破碎机选矿的工作效率和破碎精度。在当前传统的选矿生产中,对于矿石粒度的检测主要通过人工筛分和沉降法检测等方法来实现,这些检测方法存在检测时间长,反馈矿石粒度的分布信息滞后,人为干扰影响大,导致检测的粒度的精确度比较低,效率不高。针对以上原因,本文研究了将机器视觉应用在粒度检测中的方法——基于图像处理的在线矿石粒度检测与分析,该方法运用工业相机对选矿车间传送带上的矿石颗粒图像进行实时采集,实时获取当前矿石的粒度分布信息,然后及时反馈给破碎机,来优化控制排矿口等参数的大小,消除了人工检测的误差,提高了选矿的效率和准确性,降低了能耗。通过对鞍钢集团矿业公司齐大山铁矿破碎车间实际生产情况和现场环境的实地考察,将基于图像处理技术的矿石粒度在线检测的方法应用到实际生产现场。首先应用工业相机采集矿石图像,通过双边滤波算法消除图像噪声并应用二值图像进行距离变换与重构以进行种子提取,为分水岭分割做准备,使其减少过分割的现象。其次利用形态学梯度重构的分水岭分割算法与Canny边缘检测算法(阈值的图像分割算法)相结合,将Canny边缘检测算法得到的分割边缘线与改进分水岭算法的分割线合并,实现矿石颗粒有效分割。然后利用击中与击不中变换方法统计矿石图像中不同粒度等级的矿石颗粒数量,实现了矿石颗粒的标定及矿石粒度的统计,得到输送带上破碎矿石粒度表层分布信息。最后提出了一种基于权值修正量的BP神经网络算法,预测矿石粒度深度分布状态,为进一步提升矿石粒度检测精度提供了保证,通过上述预处理分析以及现场人工筛分对比,预测精度满足实际现场需求,有效地提升了破碎能力,达到了多磨精磨的生产目的。