基于有色金屬破碎料的外觀差異，利用機器視覺代替人的視覺進行識別，是一種及時便捷、環保 有效的方法。在分選領域中，機器視覺被廣泛應用于農產品以及電子元件的分選，研究主要集中在來源確定、形狀規則的目標，對于從農業機械設 備、汽車拆解破碎得到的來源復雜、形狀不規則、表面狀態復雜的物料鮮有研究。采用自行設計的銅鋁水箱粉碎機分選裝置，基于機器視覺針對來源復雜、形狀不規則、表面凹凸不平、多坑洼斑點的銅、鋁破碎料進行分選研究，提取顏色和紋理等外觀特征，并運用隨機森林智能算法建立分類 器，為分類特征選擇提供依據。

有效地從高維數據中提取或選擇出有用的特征信息或規律，并將其分類識別已成為當今信息科學與技術所面臨的基本問題。隨機森林RF由Breima博士（2001）提出，是一種流行的機器學習算法。基于模型融合的理念來解決分類和擬合問題，利用自助重采樣法bootstrap和節點隨機分裂技術構建多棵決策樹（多種不同分類器），并統計各個決策樹投票結果得到終分類結果[13]。RF具有分析大型、高維數據的能力，不會出現過擬合，訓練速度快，對于訓練數據中的噪聲和缺失數據具有良好的魯棒性。其自身具有重要性度量能夠對分類特征進行排序，從而進行特征選擇。 訓練過程中，根據決策樹的數量，應用bootstrap 自助重采樣方法有放回地隨機抽取高維數據，創建 n個與訓練集大小一致的樣本集D1、D2，……，Dn用 于訓練決策樹。假設每個樣本數據的維度為M（即 共M個特征），每棵決策樹從隨機選取的m（m≤M） 個特征子集中選擇優特征的進行節點分裂，直到 得到終止結果或不再分裂為止。整個訓練過程中不 進行剪枝。在測試過程中，所有訓練完成的決策樹 對測試集數據進行投票判斷，根據多數投票原則選 出分類結果。其中，CART決策樹通過獨立的測試集 對訓練集生成的決策樹進行剪枝，從而獲得每個決 策樹的特征，也稱為葉子節點。對測試集數據 的所有決策樹葉子節點遍歷求和，比較得到隨機森 林的特征重要性度量。