使用高光谱成像技术实时确定工作面等级，用于确定采矿面或矿石裸露表面质量的当前方法，采矿业还有很多不足之处。开采工作的位置在整个开采过程中必定会发生变化，这使得需要确定多个工作面。但是，当前的工作面分级技术取决于钻探和破坏性测试，这些测试需要时间才能完成，从而导致矿石损失并且缺乏精度。

机器视觉系统解决了这些问题。它使用HySpexVNIR-1800摄像机（覆盖400至1000 nm波长范围）和HySpex SWIR-384摄像机（覆盖1000至2500 nm范围）进行高光谱成像，并且Velodyne-VLP-16 LiDAR扫描仪可生成采矿工作面的3D点云。摄像机和扫描仪装在安装在云台上的传感器头中，系统的其余部分安装在固定车辆的后部。

三个具有实时运动（RTK）校正功能的全球导航卫星系统（GNNS）接收器通过对由LiDAR扫描仪构建的地形模型进行地理定位来对系统进行定向。这样做可以将GPS坐标分配给地形图上的每个点，以查明收集高光谱数据的位置，从而使机器视觉系统可以将高光谱和3D扫描数据结合起来。系统的最佳扫描距离为30 m。

首先进行LiDAR扫描，以确保地形扫描捕获了整个感兴趣的区域，并允许操作员进行校正。然后，当高光谱摄像机进行线扫描时，云台单元将在感兴趣的区域中进行摇摄。此过程在场景的一小部分上进行，以确保高光谱相机捕获所需波长范围内的信息。进行必要的调整后，高光谱相机会对整个矿井面成像。
研究人员指出，将太阳光与通常的照明光源（如卤素灯或宽带LED）进行对比，对于处理高光谱数据提出了挑战。由于水蒸气吸收了某些波长的红外光，因此诸如湿度之类的大气条件提出了挑战?？梢远曰魇泳跸低辰斜喑?，以在处理高光谱数据时通过使用过滤器来考虑这些变量。

最后，图像中的每个像素都用高光谱信息标记，而卷积神经网络（CNN）将每个像素的标记分类。CNN训练从已知品位的矿石样品，化学测定值或具有实测真实值的现场调查中收集的标记数据。

在位于澳大利亚的金矿的测试中，从每个站点采集矿石样品，用卤素灯照明，并用高光谱相机成像。为原型系统设计的波长滤光片用于滤除大气条件引起的噪声，用于对矿石样品进行成像，以确保在测试和地面真实高光谱数据收集中使用相同数量的光谱通道。

在将地面真实数据与由CNN分析机器视觉系统收集的高光谱图像确定的矿石分级结果进行比较之后，研究人员确定该系统成功提供了有用的矿石分级信息。此外，实验建立了适当的工作流程，以将系统部署到新站点。

外星眼机器视觉认为：严酷的自然环境会给机器视觉成像系统带来挑战，这使得机器视觉在自然条件下使用的精度和准确性并不高。使用多次成像和高光谱成像在一定程度上可以解决这样的问题。