基于有色金屬破碎料的外觀差異，利用機(jī)器視覺代替人的視覺進(jìn)行識(shí)別，是一種及時(shí)便捷、環(huán)保 有效的方法。在分選領(lǐng)域中，機(jī)器視覺被廣泛應(yīng)用于農(nóng)產(chǎn)品以及電子元件的分選，研究主要集中在來源確定、形狀規(guī)則的目標(biāo)，對(duì)于從農(nóng)業(yè)機(jī)械設(shè) 備、汽車拆解破碎得到的來源復(fù)雜、形狀不規(guī)則、表面狀態(tài)復(fù)雜的物料鮮有研究。采用自行設(shè)計(jì)的銅鋁水箱粉碎機(jī)分選裝置，基于機(jī)器視覺針對(duì)來源復(fù)雜、形狀不規(guī)則、表面凹凸不平、多坑洼斑點(diǎn)的銅、鋁破碎料進(jìn)行分選研究，提取顏色和紋理等外觀特征，并運(yùn)用隨機(jī)森林智能算法建立分類 器，為分類特征選擇提供依據(jù)。

有效地從高維數(shù)據(jù)中提取或選擇出有用的特征信息或規(guī)律，并將其分類識(shí)別已成為當(dāng)今信息科學(xué)與技術(shù)所面臨的基本問題。隨機(jī)森林RF由Breima博士（2001）提出，是一種流行的機(jī)器學(xué)習(xí)算法?；谀Ｐ腿诤系睦砟顏斫鉀Q分類和擬合問題，利用自助重采樣法bootstrap和節(jié)點(diǎn)隨機(jī)分裂技術(shù)構(gòu)建多棵決策樹（多種不同分類器），并統(tǒng)計(jì)各個(gè)決策樹投票結(jié)果得到終分類結(jié)果[13]。RF具有分析大型、高維數(shù)據(jù)的能力，不會(huì)出現(xiàn)過擬合，訓(xùn)練速度快，對(duì)于訓(xùn)練數(shù)據(jù)中的噪聲和缺失數(shù)據(jù)具有良好的魯棒性。其自身具有重要性度量能夠?qū)Ψ诸愄卣鬟M(jìn)行排序，從而進(jìn)行特征選擇。 訓(xùn)練過程中，根據(jù)決策樹的數(shù)量，應(yīng)用bootstrap 自助重采樣方法有放回地隨機(jī)抽取高維數(shù)據(jù)，創(chuàng)建 n個(gè)與訓(xùn)練集大小一致的樣本集D1、D2，……，Dn用 于訓(xùn)練決策樹。假設(shè)每個(gè)樣本數(shù)據(jù)的維度為M（即 共M個(gè)特征），每棵決策樹從隨機(jī)選取的m（m≤M） 個(gè)特征子集中選擇優(yōu)特征的進(jìn)行節(jié)點(diǎn)分裂，直到 得到終止結(jié)果或不再分裂為止。整個(gè)訓(xùn)練過程中不 進(jìn)行剪枝。在測(cè)試過程中，所有訓(xùn)練完成的決策樹 對(duì)測(cè)試集數(shù)據(jù)進(jìn)行投票判斷，根據(jù)多數(shù)投票原則選 出分類結(jié)果。其中，CART決策樹通過獨(dú)立的測(cè)試集 對(duì)訓(xùn)練集生成的決策樹進(jìn)行剪枝，從而獲得每個(gè)決 策樹的特征，也稱為葉子節(jié)點(diǎn)。對(duì)測(cè)試集數(shù)據(jù) 的所有決策樹葉子節(jié)點(diǎn)遍歷求和，比較得到隨機(jī)森 林的特征重要性度量。