基于神經(jīng)網(wǎng)絡(luò)的尿樣顏色識(shí)別方法比對(duì)分析

王春紅 張弘強(qiáng) 王雪飛 張全禹 崔金玉

（綏化學(xué)院 黑龍江綏化 152061）

一、引言

顏色識(shí)別在圖像處理、遙感技術(shù)、工業(yè)過(guò)程控制、產(chǎn)品質(zhì)檢、機(jī)器人視覺(jué)系統(tǒng)等領(lǐng)域已得到廣泛應(yīng)用。利用已有的彩色圖像處理設(shè)備，如攝像頭、彩色數(shù)碼相機(jī)等可以進(jìn)行尿樣的顏色識(shí)別[1]。但是，由于系統(tǒng)信號(hào)傳輸?shù)姆蔷€性等各種外在因素的影響，不同設(shè)備間顏色信息的傳遞是非常復(fù)雜的。同一彩色圖像經(jīng)不同彩色圖像處理設(shè)備拍攝或掃描后再輸入到計(jì)算機(jī)中所得到的RGB數(shù)據(jù)文件在數(shù)量大小和比例關(guān)系上也會(huì)呈現(xiàn)明顯的失調(diào)[2]。

神經(jīng)網(wǎng)絡(luò)通過(guò)尋找輸入—輸出數(shù)據(jù)間的關(guān)系來(lái)實(shí)現(xiàn)模式識(shí)別任務(wù)。經(jīng)過(guò)幾十年的發(fā)展，神經(jīng)網(wǎng)絡(luò)已經(jīng)在模式識(shí)別中奠定了不可或缺的位置[3]。

本文針對(duì)顏色色空間轉(zhuǎn)換非線性的復(fù)雜關(guān)系，在獲取標(biāo)準(zhǔn)閾值顏色色度值后，建立學(xué)習(xí)矢量量化（LVQ）神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)（PNN），用于尿樣的顏色識(shí)別，并與顏色色差評(píng)價(jià)方法進(jìn)行了比對(duì)。

一、樣本體系結(jié)構(gòu)

（一）標(biāo)準(zhǔn)閾值

尿液生化分析每一個(gè)具體項(xiàng)目中，分為非正常情況（+，++，+++）、臨界正常（－+）和正常（－）。將不同測(cè)試項(xiàng)目的尿試紙與標(biāo)準(zhǔn)閾值實(shí)驗(yàn)液作用，并在規(guī)定時(shí)間內(nèi)測(cè)試尿試紙的顏色值，每個(gè)檢測(cè)項(xiàng)目均有5個(gè)標(biāo)準(zhǔn)閾值，進(jìn)行5組實(shí)驗(yàn)，即每個(gè)檢測(cè)項(xiàng)目共提取25個(gè)顏色RGB值。

（二）標(biāo)準(zhǔn)閾值間色差計(jì)算

直接用色度儀器測(cè)試與標(biāo)準(zhǔn)閾值實(shí)驗(yàn)液反應(yīng)后的尿試紙的顏色三刺激值XYZ。為能夠反映兩個(gè)顏色之間色差的大小，通常將物體的顏色三刺激值XYZ轉(zhuǎn)化成CIELab勻色空間的色度值[4]，依據(jù)（1）式進(jìn)行計(jì)算。

其中：Xn，Yn，Zn為標(biāo)準(zhǔn)照明體的三刺激值；L*為米制明度；a*、b*為米制色度。

A、D65標(biāo)準(zhǔn)光源下的尿膽素原標(biāo)準(zhǔn)閾值色度數(shù)據(jù)如表1所示。

表1 標(biāo)準(zhǔn)光源下的色度數(shù)據(jù)T ab 1 Experimental data sheet under D65 standard light sources

在D65、A標(biāo)準(zhǔn)光源下的相鄰標(biāo)準(zhǔn)閾值間的色差如表2所示。

表2 標(biāo)準(zhǔn)光源下相鄰標(biāo)準(zhǔn)閾值間色差T ab2 Color difference under D65 standard light sources

由表2的色度數(shù)據(jù)可以看出，D65、A標(biāo)準(zhǔn)光源下標(biāo)準(zhǔn)閾值間的色差已超過(guò)了人眼顏色分辨差別的閾值。

（三）指標(biāo)數(shù)據(jù)的量化處理

對(duì)輸入數(shù)據(jù)進(jìn)行量化處理可減輕網(wǎng)絡(luò)訓(xùn)練難度[5]。利用計(jì)算量化公式將數(shù)據(jù)轉(zhuǎn)化為區(qū)間[0.05，0.95]上無(wú)量綱指標(biāo)屬性值。當(dāng)目標(biāo)數(shù)據(jù)越小分析結(jié)果越高時(shí)，效應(yīng)系數(shù)的計(jì)算公式為：

當(dāng)目標(biāo)數(shù)據(jù)越大分析結(jié)果越高時(shí)，效應(yīng)系數(shù)的計(jì)算公式為：

其中Xjmax，是第j個(gè)指標(biāo)的最大值；Xjmax是第j個(gè)指標(biāo)的最小值；Fj是目標(biāo)數(shù)據(jù)為Xj的效應(yīng)系數(shù)；j是評(píng)價(jià)指標(biāo)數(shù)目。將D65標(biāo)準(zhǔn)光源下的尿樣顏色RGB數(shù)據(jù)經(jīng)過(guò)上述處理后，便得到歸一化樣本數(shù)據(jù)。

二、LVQ神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)的建立和訓(xùn)練

（一）LVQ神經(jīng)網(wǎng)絡(luò)

利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的newlvq()函數(shù)設(shè)計(jì)LVQ網(wǎng)絡(luò)，代碼為：net=newlvq(minmax(P)，n，[a,b,c,d,e])，其中 P是輸入樣本向量，n是競(jìng)爭(zhēng)層神經(jīng)元數(shù)，a，b，c，d，e分別表示輸入樣本中各類所占的百分比。輸入層神經(jīng)元數(shù)與評(píng)價(jià)指標(biāo)數(shù)對(duì)應(yīng)[6]。用顏色RGB值對(duì)尿樣生化分析結(jié)果進(jìn)行模擬評(píng)價(jià)，因此，網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)為3。根據(jù)已有數(shù)據(jù)，5個(gè)閾值，即共有5個(gè)訓(xùn)練樣本，5個(gè)模式中共 25個(gè)訓(xùn)練樣本中。因此，a，b，c，d，e取值均為0.2。學(xué)習(xí)率leranlvl采用默認(rèn)值為0.01，訓(xùn)練步數(shù)epochs設(shè)為1000。網(wǎng)絡(luò)的輸出結(jié)果分5個(gè)等級(jí)，為－、－+、+、++、+++，因此取輸出神經(jīng)元個(gè)數(shù)為5。

網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainr，6次訓(xùn)練后網(wǎng)絡(luò)誤差為0.08，經(jīng)過(guò)138次訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到0，訓(xùn)練結(jié)果如圖1所示。網(wǎng)絡(luò)訓(xùn)練好后，權(quán)值就固定下來(lái)了。以后對(duì)于每一輸入值，網(wǎng)絡(luò)就會(huì)輸出相應(yīng)的分類值，可以利用這一點(diǎn)來(lái)進(jìn)行網(wǎng)絡(luò)測(cè)試。尿試紙與標(biāo)準(zhǔn)閾值實(shí)驗(yàn)液作用后的顏色RGB值為訓(xùn)練樣本，每個(gè)檢測(cè)項(xiàng)目中均有5個(gè)閾值，共進(jìn)行5組實(shí)驗(yàn)，即每個(gè)檢測(cè)項(xiàng)目共有25個(gè)訓(xùn)練樣本，與待測(cè)尿液反應(yīng)后的尿試紙顏色RGB值為測(cè)試樣本。

（二）PNN神經(jīng)網(wǎng)絡(luò)

每個(gè)檢測(cè)項(xiàng)目有5個(gè)閾值，即每個(gè)項(xiàng)目5個(gè)訓(xùn)練樣本，與待測(cè)尿液反應(yīng)后的尿試紙顏色RGB值為測(cè)試樣本。輸入層神經(jīng)元數(shù)與評(píng)價(jià)指標(biāo)數(shù)對(duì)應(yīng)，用顏色RGB值對(duì)尿樣生化分析結(jié)果進(jìn)行模擬評(píng)價(jià)，因此PNN神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)取為3。隱含層神經(jīng)元數(shù)與學(xué)習(xí)樣本數(shù)相同，分成5類，因此隱含層神經(jīng)元數(shù)為5。加權(quán)函數(shù)為歐氏距離加權(quán)函數(shù)dist，傳遞函數(shù)為高斯函數(shù)radbas。編程中設(shè)計(jì)輸人函數(shù)為netprod，輸出函數(shù)為compet，加權(quán)函數(shù)為dotprod。網(wǎng)絡(luò)的輸出結(jié)果分5個(gè)等級(jí)，即 -、-+、+、++、+++，因此取輸出神經(jīng)元個(gè)數(shù)為5。

PNN網(wǎng)絡(luò)設(shè)計(jì)函數(shù)newprm()，代碼為：net=newpnn(P，t，spread)，其中 net為產(chǎn)生的概率神經(jīng)網(wǎng)絡(luò)，t為目標(biāo)向量，即評(píng)價(jià)等級(jí)，分別用1,2,3,4,5代表-,-+,+,++,+++五個(gè)等級(jí)，P為輸入樣本向量。spread為徑向基函數(shù)的分布密度，這里設(shè)為0.1。

三、預(yù)測(cè)結(jié)果比對(duì)

把驗(yàn)證樣本數(shù)據(jù)輸人訓(xùn)練完成的LVQ神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)：Y=sim(net,X)，X為驗(yàn)證樣本矢量，Y為預(yù)測(cè)結(jié)果。ind2vec函數(shù)為將類別向量轉(zhuǎn)換為可以使用的目標(biāo)向量的神經(jīng)網(wǎng)絡(luò)函數(shù)，也可用函數(shù)vec2ind將仿真分類結(jié)果轉(zhuǎn)化為易識(shí)別的類別向量。

D65標(biāo)準(zhǔn)光源下，測(cè)試尿膽素原與待測(cè)尿液反應(yīng)后的尿試紙顏色RGB值，歸一化RGB空間色度值及預(yù)測(cè)結(jié)果如表3所示。預(yù)測(cè)結(jié)果1為訓(xùn)練樣本和驗(yàn)證樣本均未作歸一化處理的測(cè)試結(jié)果。由表3有，對(duì)數(shù)據(jù)進(jìn)行歸一化處理后的LVQ和PNN仿真預(yù)測(cè)結(jié)果2與期望輸出值是完全吻合的，這說(shuō)明網(wǎng)絡(luò)有比較好的預(yù)測(cè)精度。而LVQ和PNN利用原始數(shù)據(jù)進(jìn)行仿真的預(yù)測(cè)結(jié)果1的預(yù)測(cè)正確率分別為57.1%和71.4%，說(shuō)明利用網(wǎng)絡(luò)進(jìn)行分類識(shí)別時(shí)歸一化處理是完全必要的。

表3 基于LVQ神經(jīng)網(wǎng)絡(luò)的尿樣顏色分類結(jié)果Tab 3 T he classification results of urine color based on LVQ

四、結(jié)論

1.利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別時(shí)實(shí)驗(yàn)數(shù)據(jù)的歸一化處理是完全必要的。

2.與尿液生化分析顏色色差方法[1]進(jìn)行了比對(duì)，預(yù)測(cè)值Y與顏色色差計(jì)算方法結(jié)果完全吻合，表明網(wǎng)絡(luò)有較好的預(yù)測(cè)精度，LVQ神經(jīng)網(wǎng)絡(luò)和PNN神經(jīng)網(wǎng)絡(luò)用于進(jìn)行尿樣生化分析是完全可行而有效的。本文在樣本數(shù)據(jù)較少的情況下，取得了較滿意的結(jié)果。

[1]王春紅,周越,趙紅霞.基于色差評(píng)定方法的尿液生化分析系統(tǒng)研究[J].四川大學(xué)生物醫(yī)學(xué)工程學(xué)雜志, 2008(1).

[2]張國(guó),盧凌,闞大順.顏色在識(shí)別中的應(yīng)用及關(guān)鍵技術(shù)研究[J].武漢理工大學(xué)學(xué)報(bào),2008(4).

[3]BA0 Xiao an，LUO Zhuo lin，ZHANG Rui lin.Apple Grade Judgment Based on the Neural Network[J].AgriculturalSciencesinChina.2004(1).

[4]湯順青.色度學(xué)[M].北京:北京理工大學(xué)出版社,1990.

[5]王春紅,張弘強(qiáng),于長(zhǎng)興.基于概率神經(jīng)網(wǎng)絡(luò)的尿樣顏色識(shí)別[J].光學(xué)儀器,2012(5).

[6]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2005.