توزیع ابعادی ذرات پس از استخراج و در مراحل مختلف خردایش (به ویژه خوراک آسیاهای خودشکن یا نیمه خودشکن) از جمله مهم ترین پارامترها به منظور شبیه سازی و کنترل فرآیندهای استخراج و فرآوری مواد معدنی می باشد. تعیین توزیع ابعادی ذرات در مدارهای صنعتی معمولاً با استفاده از نمونه برداری دستی و آنالیز سرندی انجام می گیرد که روشی زمان بر، سخت و نیازمند توقف عملیات (توقف نوار نقاله) است. امروزه با توسعه کامپیوترها، دوربین های با کیفیت بالا و نرم افزارهای پردازش تصویر، امکان اندازه گیری روی جریان ابعاد ذرات در کوتاه ترین زمان ممکن و بدون ایجاد اختلال در فرآیند باربری فراهم شده است. هدف از بررسی حاضر، تعیین دانه بندی ذرات با استفاده از شبکه های عصبی مصنوعی و ویژگی های انتخاب شده به کمک تکنیک پردازش تصویر می باشد. به دلیل پیچیدگی مساله و تاثیر عوامل مختلف مربوط به مراحل استخراج ویژگی بر دقت انداره گیری توزیع ابعادی ذرات، در این تحقیق ابتدا تحلیل جامعی روی دقت توصیف گرهای سطحی یا طولی مختلف در تخمین وزن ذرات ارائه شده است. در این مرحله، تاثیر خطاهای ناشی از ناحیه بندی تصویر با استفاده از تصویر ذرات ناهمپوشان منیزیت حذف شده است به این ترتیب که تصاویر متعددی از ذرات ناهمپوشان منیزیت تهیه شده و تخمین توزیع ابعادی آنها با استفاده از شبکه ی عصبی پرسپترون چند لایه و ویژگی های مختلف به صورت جداگانه و ادغام این ویژگی ها با استفاده از روش تحلیل مولفه ی اصلی به دست آمده است. نتایج این مرحله نشان می دهد که یک ویژگی به تنهایی قادر نیست توصیف کاملی از توزیع ابعادی ذرات ارائه نماید و ادغام ویژگی ها تخمین دقیق تری از توزیع ابعادی ذرات در اختیار می گذارد. در ادامه تحقیق و برای اعمال روش روی داده های صنعتی (تصاویر ذرات موجود روی نوار نقاله بعد از مرحله سنگ شکنی اولیه در کارخانه فرآوری معدن مس قلعه زری)، فقط از ویژگی سطح ذره استفاده شده است. نتایج نشان می دهد که با تصویربرداری مطلوب و استفاده از الگوریتم های ناحیه بندی مناسب، امکان تخمین توزیع ابعادی ذرات با دقت قابل قبول توسط شبکه ی عصبی فراهم می باشد.