基于随机森林算法对（duì）铜铝破碎（suì）料的识别方法

基（jī）于（yú）有色金属破碎料的外观差异，利用机器（qì）视觉代替人（rén）的视觉进行识别，是一种及时便捷、环保 有效的方（fāng）法。在分选领域中，机器视觉被广泛应（yīng）用（yòng）于（yú）农（nóng）产品以及电子元件的分选，研究（jiū）主要集中在来源确定（dìng）、形状规则的目标，对（duì）于（yú）从农业机械设 备、汽车拆解破碎得到的来源复杂、形状不规则、表面状态复杂的（de）物料（liào）鲜有研究。采（cǎi）用自行设（shè）计（jì）的铜铝水箱粉碎机分选装置，基于机器视觉针对来源复杂、形（xíng）状不规则（zé）、表面凹凸不（bú）平、多坑洼斑点的铜、铝破碎料进行分选研究，提取颜色和纹理等外观（guān）特征，并运用随机森林智能算法建立分类 器，为分类特（tè）征选择提供依据。

有效地从高维数据中提取或选择出有用的特征信息或规律（lǜ），并将其分类识别已成为当（dāng）今信息科学与（yǔ）技（jì）术所（suǒ）面临的（de）基本问题。随机（jī）森林RF由Breima博士（2001）提出，是一种流（liú）行的机器学习算法。基于模型融合的理念来解决分类和拟合问题，利（lì）用自助重采样法bootstrap和节点随机分裂技术构建多棵决策树（多种不同分类器），并统计各个决策树投票结果得（dé）到终分（fèn）类结果[13]。RF具有（yǒu）分（fèn）析大型、高维数据的能力，不（bú）会出现过拟合，训练速度快，对于（yú）训练数据中的（de）噪声和缺失数据具有良（liáng）好的鲁棒性。其（qí）自身具有重要性度量能够对分类特征进行排（pái）序，从而进行特征选择。 训练过程中，根据决策树的（de）数量，应用bootstrap 自助重（chóng）采（cǎi）样（yàng）方法（fǎ）有放回地随机抽取（qǔ）高维数据，创建 n个与训练（liàn）集大小一致的样本（běn）集D1、D2，……，Dn用 于（yú）训练决策树。假设每个样本（běn）数（shù）据的维度为M（即 共M个特征），每棵决（jué）策树从随机（jī）选取的m（m≤M） 个特征子集中选择优（yōu）特征的进行节点分裂，直到 得到终止结果或不再分裂为止。整个训练过程中（zhōng）不（bú） 进行剪枝。在测试过（guò）程中，所有训练完成的决策树 对测试集数据进行投票判断，根据多数投票原则选 出分类结果。其中，CART决策树通过独立的测试集（jí） 对训（xùn）练集生成的决策树进行剪枝，从而（ér）获得每个决 策树的特征，也称为（wéi）叶子节点。对测试（shì）集数据 的所有决策树叶子节点（diǎn）遍历求和，比较得到随机森 林的特征重要（yào）性度量。