基于神經網絡的尿樣顏色識別方法比對分析

王春紅 張弘強 王雪飛 張全禹 崔金玉

（綏化學院 黑龍江綏化 152061）

一、引言

顏色識別在圖像處理、遙感技術、工業過程控制、產品質檢、機器人視覺系統等領域已得到廣泛應用。利用已有的彩色圖像處理設備，如攝像頭、彩色數碼相機等可以進行尿樣的顏色識別[1]。但是，由于系統信號傳輸的非線性等各種外在因素的影響，不同設備間顏色信息的傳遞是非常復雜的。同一彩色圖像經不同彩色圖像處理設備拍攝或掃描后再輸入到計算機中所得到的RGB數據文件在數量大小和比例關系上也會呈現明顯的失調[2]。

神經網絡通過尋找輸入—輸出數據間的關系來實現模式識別任務。經過幾十年的發展，神經網絡已經在模式識別中奠定了不可或缺的位置[3]。

本文針對顏色色空間轉換非線性的復雜關系，在獲取標準閾值顏色色度值后，建立學習矢量量化（LVQ）神經網絡和概率神經網絡（PNN），用于尿樣的顏色識別，并與顏色色差評價方法進行了比對。

一、樣本體系結構

（一）標準閾值

尿液生化分析每一個具體項目中，分為非正常情況（+，++，+++）、臨界正常（－+）和正常（－）。將不同測試項目的尿試紙與標準閾值實驗液作用，并在規定時間內測試尿試紙的顏色值，每個檢測項目均有5個標準閾值，進行5組實驗，即每個檢測項目共提取25個顏色RGB值。

（二）標準閾值間色差計算

直接用色度儀器測試與標準閾值實驗液反應后的尿試紙的顏色三刺激值XYZ。為能夠反映兩個顏色之間色差的大小，通常將物體的顏色三刺激值XYZ轉化成CIELab勻色空間的色度值[4]，依據（1）式進行計算。

其中：Xn，Yn，Zn為標準照明體的三刺激值；L*為米制明度；a*、b*為米制色度。

A、D65標準光源下的尿膽素原標準閾值色度數據如表1所示。

表1 標準光源下的色度數據T ab 1 Experimental data sheet under D65 standard light sources

在D65、A標準光源下的相鄰標準閾值間的色差如表2所示。

表2 標準光源下相鄰標準閾值間色差T ab2 Color difference under D65 standard light sources

由表2的色度數據可以看出，D65、A標準光源下標準閾值間的色差已超過了人眼顏色分辨差別的閾值。

（三）指標數據的量化處理

對輸入數據進行量化處理可減輕網絡訓練難度[5]。利用計算量化公式將數據轉化為區間[0.05，0.95]上無量綱指標屬性值。當目標數據越小分析結果越高時，效應系數的計算公式為：

當目標數據越大分析結果越高時，效應系數的計算公式為：

其中Xjmax，是第j個指標的最大值；Xjmax是第j個指標的最小值；Fj是目標數據為Xj的效應系數；j是評價指標數目。將D65標準光源下的尿樣顏色RGB數據經過上述處理后，便得到歸一化樣本數據。

二、LVQ神經網絡和概率神經網絡的建立和訓練

（一）LVQ神經網絡

利用Matlab神經網絡工具箱中的newlvq()函數設計LVQ網絡，代碼為：net=newlvq(minmax(P)，n，[a,b,c,d,e])，其中 P是輸入樣本向量，n是競爭層神經元數，a，b，c，d，e分別表示輸入樣本中各類所占的百分比。輸入層神經元數與評價指標數對應[6]。用顏色RGB值對尿樣生化分析結果進行模擬評價，因此，網絡輸入層神經元數為3。根據已有數據，5個閾值，即共有5個訓練樣本，5個模式中共 25個訓練樣本中。因此，a，b，c，d，e取值均為0.2。學習率leranlvl采用默認值為0.01，訓練步數epochs設為1000。網絡的輸出結果分5個等級，為－、－+、+、++、+++，因此取輸出神經元個數為5。

網絡訓練函數為trainr，6次訓練后網絡誤差為0.08，經過138次訓練后，網絡誤差達到0，訓練結果如圖1所示。網絡訓練好后，權值就固定下來了。以后對于每一輸入值，網絡就會輸出相應的分類值，可以利用這一點來進行網絡測試。尿試紙與標準閾值實驗液作用后的顏色RGB值為訓練樣本，每個檢測項目中均有5個閾值，共進行5組實驗，即每個檢測項目共有25個訓練樣本，與待測尿液反應后的尿試紙顏色RGB值為測試樣本。

（二）PNN神經網絡

每個檢測項目有5個閾值，即每個項目5個訓練樣本，與待測尿液反應后的尿試紙顏色RGB值為測試樣本。輸入層神經元數與評價指標數對應，用顏色RGB值對尿樣生化分析結果進行模擬評價，因此PNN神經網絡輸入層神經元個數取為3。隱含層神經元數與學習樣本數相同，分成5類，因此隱含層神經元數為5。加權函數為歐氏距離加權函數dist，傳遞函數為高斯函數radbas。編程中設計輸人函數為netprod，輸出函數為compet，加權函數為dotprod。網絡的輸出結果分5個等級，即 -、-+、+、++、+++，因此取輸出神經元個數為5。

PNN網絡設計函數newprm()，代碼為：net=newpnn(P，t，spread)，其中 net為產生的概率神經網絡，t為目標向量，即評價等級，分別用1,2,3,4,5代表-,-+,+,++,+++五個等級，P為輸入樣本向量。spread為徑向基函數的分布密度，這里設為0.1。

三、預測結果比對

把驗證樣本數據輸人訓練完成的LVQ神經網絡和概率神經網絡進行預測：Y=sim(net,X)，X為驗證樣本矢量，Y為預測結果。ind2vec函數為將類別向量轉換為可以使用的目標向量的神經網絡函數，也可用函數vec2ind將仿真分類結果轉化為易識別的類別向量。

D65標準光源下，測試尿膽素原與待測尿液反應后的尿試紙顏色RGB值，歸一化RGB空間色度值及預測結果如表3所示。預測結果1為訓練樣本和驗證樣本均未作歸一化處理的測試結果。由表3有，對數據進行歸一化處理后的LVQ和PNN仿真預測結果2與期望輸出值是完全吻合的，這說明網絡有比較好的預測精度。而LVQ和PNN利用原始數據進行仿真的預測結果1的預測正確率分別為57.1%和71.4%，說明利用網絡進行分類識別時歸一化處理是完全必要的。

表3 基于LVQ神經網絡的尿樣顏色分類結果Tab 3 T he classification results of urine color based on LVQ

四、結論

1.利用神經網絡進行分類識別時實驗數據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]進行了比對，預測值Y與顏色色差計算方法結果完全吻合，表明網絡有較好的預測精度，LVQ神經網絡和PNN神經網絡用于進行尿樣生化分析是完全可行而有效的。本文在樣本數據較少的情況下，取得了較滿意的結果。

[1]王春紅,周越,趙紅霞.基于色差評定方法的尿液生化分析系統研究[J].四川大學生物醫學工程學雜志, 2008(1).

[2]張國,盧凌,闞大順.顏色在識別中的應用及關鍵技術研究[J].武漢理工大學學報,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[M].北京:北京理工大學出版社,1990.

[5]王春紅,張弘強,于長興.基于概率神經網絡的尿樣顏色識別[J].光學儀器,2012(5).

[6]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京:電子工業出版社,2005.