基于概率神经网络的尿样颜色识别.pdf

第34卷第5期
光学仪器
Vol 34. No 5
2012年10月
OPTICAL INSTRUMENTS
October, 201
文章编号:1005-5630(2012)050023-05
基于概率神经?络的尿样颜色识别
王春红,张弘强,于长兴
绥化学院电气工程学院,黑龙江绥化152061)
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,获取标准值颜色色度値,进行归一化处理后,建立基于概率神经网络的
尿样颜色识別模型。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:TP391.4文献标识码:Adoi:10.3969/j.isn.1005-5630.2012.05.005
Research on color recognition of urine test paper based on
probabilistic neural network
WANG Chunhong, ZHANNG Hongqiang, YU Changxing
(College of Electrical Engineering, Suihua University, Suihua 152061, China
Abstract: A color recognition method of urine test paper based on probabilistic neural networks
( PNN) is proposed. According to the complicated nonlinear relationship of the color space
transformation, the standard threshold value is obtained after normalization. PNN is
established for color recognition of urine test paper. The results indicate that this method has
high convergence speed and forecast precision as well as high feasibility. A comparison with
the color difference evaluation method indicates that the proposed method here does not need
color space conversion, using only original RGB color value, which is easy to understand and
operate.
Key words probabilistic neural network(PNN); color recognition; biochemical analysis
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,如彩色打描仪、彩色数码相机、摄像头等,可以进行尿液
的医学生化分析。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
收稿日期:2012-04-09
基金项目:黑龙江省教育厅科学技术研究项目(11551561);黑龙江省教育厅科学技术研究项目(12511631)
作者简介:王春红(1974),女,黑龙江绥化人,副教授,博士,主要从事颜色科学、色图像处理方面的研究。
万方数据
24
光学仪器
第34卷
会呈现明显的失调和不一致。
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
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s们。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劇络模型。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)允许减少或増加训练数据而无需进行长时间的训练。
1.2PNN结构
输入
径向基层
竞争层
PNN是一种能够用于模式分类的径向基神经网
QXR LW
络,实质是基于贝叶斯最小风險准则的一种并行算
法。PN网络结构如图1所示,共三层:输人层、隐
-l ldistl
含层和输出层。第一层为输入层,网络第二层为隐含
Kメ」CK×1
LW,
层,用径向基函数作为激励函数,一般为高斯函数(即
Q×1
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概率神经网络结构
?1中Q为输人向量的个数,R为输入向量的维
Fig 1 Schematic diagram of PNN structure
数,LW、为输入权值向量,LW2.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:径向基层计算输人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
标准阈值
尿液生化分析中每一具体项目分为正常(ー)、临界正常(ー+)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>S(A)R(A)x(x)△x
Y=k>S(A)R(x)y(x)△A
Z=]>S4)R()2().
式(1)中,S()为照明光源相对光谱功率分布、R()为物体可见光谱反射率、(A)、y()和x(入)为CIE标
准观察者的光谱二刺激值函数,△为采样间隔,一般△=10nm。在 Lambda9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