[发明专利]显微镜系统和对显微镜的可互换部件进行分类的方法

说明书

本发明涉及一种显微镜的可互换部件(9)的分类方法，其中该方法包括：获得显微镜图像(20)，在其中所述可互换部件(9)至少部分成像；从所述显微镜图像(20)计算处理图像(30)；并且对所述处理图像(30)进行图像评估，以对所述可互换部件(9)进行分类。所述处理图像(30)的计算包括，至少在转换为所述处理图像(30)的所述显微镜图像(20)的区域中去除物体(11、12、13)的图像内容或表面特征。此外描述了对应的显微镜系统。

技术领域

本发明涉及显微镜系统和借助于图像处理对显微镜的可互换部件进行分类的方法。

背景技术

对于显微镜的直观的和至少部分自动化的操作，附接或放置在显微镜上的可互换部件的自动检测是一个重要方面。例如，可互换的部件可以是样品载体、用于样品载体或DIC载玻片(用于微分干涉对比的载玻片)的保持架。越来越大程度上地自动评估概览图像，以便识别现有的可互换部件。

通用显微镜系统具有这样的显微镜，其包括至少一个可互换部件并且设置用于摄取显微镜图像，其中至少部分地成像了可互换部件。计算装置设置用于，从显微镜图像计算处理图像并评估处理图像以对可交换部件进行分类。

用于对显微镜的可互换部件进行分类的通用方法以相应的方式至少包括以下步骤：获得显微镜图像，其中至少部分地成像了可互换部件。从显微镜图像计算处理图像，并评估处理图像以可交换部件进行分类。

显微镜图像尤其可以由概览相机摄取，因此除了待检查的样本被放置在其中的区域之外，周围的显微镜部件也是可见的，其中包括待分类的可互换部件。为了处理显微镜图像，通常执行例如对比度或亮度调整。现在详细地评估从中得到的处理图像，以便对可互换部件进行分类，即识别可互换部件的类型或型号。这示例性地参考图1进行解释。申请人在DE 102017109698 A1中描述了类似的方法。

图1示意性地示出了用于对可互换部件9、在示例中保持架10进行分类的常规方法的流程。显微镜图像20示出了具有样品凹部14的保持架10，样品或样品载体将被定位在该样品凹部中。另外，可以识别保持架10的外形的部分和保持架10的表面特征。

保持架10的分类通过分类CNN 40'(Convolutional Neural Network，卷积神经网络)实现。分类CNN 40'已经在显示各种已知类型的保持架的训练数据的帮助下进行了训练。因此，能够对要输入的显微镜图像20进行如下分类：显微镜图像20中成像了什么样的保持架10。分类CNN 40'输出输出45'，它从几种可能的保持架类型中理想地指示正确的保持架10。

在训练期间，分类CNN 40'在很大程度上独立地学习，哪些图像内容以及这些图像内容以何种方式指明保持架10的特定类型。在此特别相关的是保持架10的细节，其在图像部分21、22和23中放大显示。这些包括标签11，例如制造商名称、型号或序列号，螺钉12，夹子和固定架上的其他物体以及固定架10上的划痕13。在不同类型的固定架之间，标签11和螺钉12无论是在它们的排列还是它们的外观上可能不同，因此它们本身就是合适的区别特征。然而，标签11和螺钉12可以由保持架的制造商随时更改，而无需改变保持架的功能或型号名称。在这些情况下，分类CNN 40'必须在显示制造商更新的保持架的新训练数据的帮助下重新训练。另一个问题可能由保持架中的划痕13引起，特别是如果训练数据包括同一保持架的多张图像。在这种情况下，分类CNN 40'学习识别特定保持架的个体属性，即其划痕13或污渍。由此，没有划痕或有其他划痕的相同类型的保持架的识别受到影响。为了减少由保持架的抓痕和其他个体表面特征引起的问题，图1中的分类CNN 40'需要相对大量的训练数据。但即使有大量的训练数据，泛化性相对较差的问题仍然存在。如果显微镜图像20与训练数据的差异较大(例如因为制造商改变了螺钉12的布置)，则输出45'指示正确类型的保持架的分类可靠性降低。

代替图1中示例性地示出的分类CNN 40'，也使用其他用于分类是机器学习模型或经典算法，其中也存在泛化性或分类可靠性方面的问题。

发明内容