基于概率神经网络尿样颜色识别.docVIP

基于概率神经网络尿样颜色识别 　　摘要： 基于概率神经网络，提出一种与尿液反应后尿试纸的颜色识别方法。针对颜色色空间转换的非线性复杂关系，获取标准阈值颜色色度值，进行归一化处理后，建立基于概率神经网络的尿样颜色识别模型。实验结果表明，用概率神经网络进行尿样颜色识别是可行而有效的。与颜色色差评价方法作比较，该方法无须进行色空间转换，只利用设备原有RGB颜色空间的RGB值即可实现，更易于操作。 　　关键词： 概率神经网络（PNN）； 颜色识别； 生化分析 　　中图分类号： TP 391.4文献标识码： Adoi： 10.3969/j.issn2012.05.005 　　引言颜色识别在遥感技术、工业过程控制、材料分拣识别、图像处理、产品质检、机器人视觉系统等领域已得到广泛应用。利用已有的彩色图像处理设备，如彩色扫描仪、彩色数码相机、摄像头等，可以进行尿液的医学生化分析[1]。但是，由于系统信号传输的非线性、硬件设备本身的局限性及其它各种外在因素的影响，不同设备间颜色信息的传递也不是线性的，而是非常复杂的。即使是同一彩色图像，经不同的彩色图像处理设备扫描或拍摄后再输入到计算机中所得到的RGB数据文件在比例关系上和数量大小方面也会呈现明显的失调和不一致[2]。概率神经网络（PNN）是一种基于概率密度函数理论且泛化能力很强的神经网络，并且能够广泛地应用于模式识别等领域。可以利用线性学习算法完成以往非线性算法的工作，又可以保持非线性算法的高精度特性[34]。现基于PNN，提出一种与尿液反应后尿试纸的颜色识别方法。针对颜色色空间转换的非线性复杂关系，在获取标准阈值颜色色度值后，进行归一化处理，建立PNN，用于尿样颜色的识别，并与颜色色差评价方法进行比对。1概率神经网络（PNN） 　　1.1PNN特点PNN是统计方法与前馈神经网络相结合的一种神经网络模型。与多层前馈神经网络（back propagation，BP）相比较，PNN的主要优势为：（1）网络收敛速度快。网络结构仅有两层，并且运算时不需要返回网络再对权值进行修改；（2）无论多么复杂的分类问题，只要有足够的训练数据，PNN可以保证获得贝叶斯准则下的最优解；（3）允许减少或增加训练??据而无需进行长时间的训练。 　　光学仪器第34卷 　　第5期王春红，等：基于概率神经网络的尿样颜色识别 　　图1概率神经网络结构 　　Fig.1Schematic diagram of PNN structure1.2PNN结构PNN是一种能够用于模式分类的径向基神经网络，实质是基于贝叶斯最小风险准则的一种并行算法[5]。PNN网络结构如图1所示，共三层：输入层、隐含层和输出层。第一层为输入层，网络第二层为隐含层，用径向基函数作为激励函数，一般为高斯函数（即exp（-n2），n为径向基函数神经元输入值）；第三层为输出层，即竞争层。图1中Q为输入向量的个数，R为输入向量的维数，LW1，1为输入权值向量，LW2，1为隐层权值向量，K为输出神经元个数，C为扩展常数。C值越大，隐含层神经元对输入向量的响应也越大。PNN分类方法：径向基层计算输入向量同样本输入向量间的距离dist，输出一个距离向量。竞争层接受距离向量，计算各个模式出现的概率，通过竞争传递函数compet寻找输入向量中的最大元素，把响应的神经元输出设置为1，其余输出设置为0。2样本体系结构 　　2.1标准阈值尿液生化分析中每一具体项目分为正常（-）、临界正常（-+）和非正常情况（+，++，+++）。将尿试纸与标准阈值实验液作用，在规定的时间内，检测尿试纸可见光谱反射率或用色度仪器测试颜色三刺激值XYZ。CIE1931颜色三刺激值XYZ计算公式为X=k∑λS（λ）R（λ）x―（λ）Δλ 　　Y=k∑λS（λ）R（λ）y―（λ）Δλ 　　Z=k∑λS（λ）R（λ）z―（λ）Δλ（1）式（1）中，S（λ）为照明光源相对光谱功率分布、R（λ）为物体可见光谱反射率、x―（λ）、y―（λ）和z―（λ）为CIE标准观察者的光谱三刺激值函数，Δλ为采样间隔，一般Δλ=10 nm。在Lambda 9紫外可见近红外分光光度计上测试获得光谱反射率数据，即可由式（1）得到光源下的颜色三刺激值XYZ。实验中比对实验所用光源和测试标准阈值颜色所用光源相同。为能更好地反映两个颜色间色差大小与人眼感知程度的一致性，通常将物体颜色三刺激值XYZ转换成CIE Lab匀色空间色度值[6]，依据下式进行计算。L*=116×fYYn-16 　　a*=500×fXXn-fYYn 　　b*=200×fYYn-fZZn（2）式（2）中，L*为米制明度；a*、b*为米制色度。Xn，Yn，Zn为标准照明体的三刺激值。fXXn、fYYn、fZZn的计算公式为