使用高光譜成像技術實時確定工作面等級，用于確定采礦面或礦石裸露表面質量的當前方法，采礦業還有很多不足之處。開采工作的位置在整個開采過程中必定會發生變化，這使得需要確定多個工作面。但是，當前的工作面分級技術取決于鉆探和破壞性測試，這些測試需要時間才能完成，從而導致礦石損失并且缺乏精度。

機器視覺系統解決了這些問題。它使用HySpexVNIR-1800攝像機（覆蓋400至1000 nm波長范圍）和HySpex SWIR-384攝像機（覆蓋1000至2500 nm范圍）進行高光譜成像，并且Velodyne-VLP-16 LiDAR掃描儀可生成采礦工作面的3D點云。攝像機和掃描儀裝在安裝在云臺上的傳感器頭中，系統的其余部分安裝在固定車輛的后部。

三個具有實時運動（RTK）校正功能的全球導航衛星系統（GNNS）接收器通過對由LiDAR掃描儀構建的地形模型進行地理定位來對系統進行定向。這樣做可以將GPS坐標分配給地形圖上的每個點，以查明收集高光譜數據的位置，從而使機器視覺系統可以將高光譜和3D掃描數據結合起來。系統的最佳掃描距離為30 m。

首先進行LiDAR掃描，以確保地形掃描捕獲了整個感興趣的區域，并允許操作員進行校正。然后，當高光譜攝像機進行線掃描時，云臺單元將在感興趣的區域中進行搖攝。此過程在場景的一小部分上進行，以確保高光譜相機捕獲所需波長范圍內的信息。進行必要的調整后，高光譜相機會對整個礦井面成像。
研究人員指出，將太陽光與通常的照明光源（如鹵素燈或寬帶LED）進行對比，對于處理高光譜數據提出了挑戰。由于水蒸氣吸收了某些波長的紅外光，因此諸如濕度之類的大氣條件提出了挑戰。可以對機器視覺系統進行編程，以在處理高光譜數據時通過使用過濾器來考慮這些變量。

最后，圖像中的每個像素都用高光譜信息標記，而卷積神經網絡（CNN）將每個像素的標記分類。CNN訓練從已知品位的礦石樣品，化學測定值或具有實測真實值的現場調查中收集的標記數據。

在位于澳大利亞的金礦的測試中，從每個站點采集礦石樣品，用鹵素燈照明，并用高光譜相機成像。為原型系統設計的波長濾光片用于濾除大氣條件引起的噪聲，用于對礦石樣品進行成像，以確保在測試和地面真實高光譜數據收集中使用相同數量的光譜通道。

在將地面真實數據與由CNN分析機器視覺系統收集的高光譜圖像確定的礦石分級結果進行比較之后，研究人員確定該系統成功提供了有用的礦石分級信息。此外，實驗建立了適當的工作流程，以將系統部署到新站點。

外星眼機器視覺認為：嚴酷的自然環境會給機器視覺成像系統帶來挑戰，這使得機器視覺在自然條件下使用的精度和準確性并不高。使用多次成像和高光譜成像在一定程度上可以解決這樣的問題。