用于配置自动化显微镜的方法和执行该方法的手段以及显微镜系统

摘要

本发明涉及一种用于配置自动化的显微镜(1)的流程控制的方法(100)，其中，在方法(100)的学习操作模式中，分别依次自动或手动地进行显微镜部件(2‑53)的与设定数据集相对应的学习设定，其中，用户将显微镜部件(2‑53)的至少一部分带到分别与确定的样品区域和/或确定的焦点位置相对应的位置，并且将借助于该显微镜部件或其他的显微镜部件(2‑53)待进行的一个或更多个检查步骤分配给这些位置中的每一个，并且其中，在进行完之后自动或手动地评估学习设定，其中，根据评估，将与学习设定相关的设定数据集在流程控制中存储、舍弃和/或修改，以用于后续使用，其中，流程控制规定，在学习操作模式之后的检查操作模式中以根据设定数据集设置显微镜部件(2‑53)的形式使用所存储的设定数据集。用于实施该方法的手段和显微镜系统同样是本发明的主题。

说明书

技术领域

本发明涉及一种用于配置自动化的显微镜的流程控制的方法、一种用于执行相应方法的手段以及一种设置用于执行该方法的显微镜系统。

背景技术

在显微术的实验期间，通常需要以不同的设置和/或在不同的位置依次或顺序地检查待检查的样品，以及分析和评估相应的结果。

相应的位置尤其是包括显微镜载物台的平面中的不同的位置，也称为x/y位置，该位置在自动化的显微镜中可以通过也称为x/y工作台的载物台的相应的马达驱动的调节而被行进，以及物镜至物体的不同距离，也称为y位置，该距离在这种自动化的显微镜中可以通过聚焦驱动器的相应的马达驱动的调节被调节。在任何情况下，除了自动的调节之外，在所谓的流程控制的范围内也可以手动地调节相应的不同位置。

在此，“流程控制”，如在本领域中普遍地定义的并且例如也在F.

术语“物体”在此应宽泛地理解，并且涉及任意的、可装入显微镜中的并且在那里可被检查的物体，该物体可以以任意的方式对显微术而言是准备好的。例如，可以涉及以切割体或涂敷层为形式的生物物体，但也可以涉及非生物的天然的物体，如岩石或矿物以及人造物体，如晶片。本发明原则上适用于显微术的所有领域，例如可以在反射光、透射光、利用在可见光波长范围内的照明和/或检测和/或利用荧光照明和/或荧光检测以及在宽场或扫描地被执行。

为了能够借助软件正确地控制不同的显微镜，如DE102008016262B4中所述，该软件需要关于待控制的显微镜的仪器配置的信息。相应的数据可以借助自动搜索来确定，然而自动搜索不一定总是得出正确的结果。

因此，在该文献中，在一个设计方案中，提出了一种方法，其中，如果在询问用于识别仪器部件的硬件时确定，这些仪器部件没有被明确地识别或被排除，则询问显微镜用户相应的信息，这通过以下完成，例如在显微镜控制软件中的对话框中列出仪器部件的可考虑的可替换物，然后显微镜用户可以决定哪些可替换物是可用的。在此，在显微镜用户决定之后，可替换物的一部分已经被排除，或新的仪器部件可以被添加到剩余部件的列表，使得在运行完配置文件之后为待控制的显微镜建立新的完整的仪器配置。

DE102008016262B4提供了一种方法，该方法限定了显微镜的基本配置，从而提供了以后的控制的基础。在此，没有进行特殊的设置。EP1697782A1也描述了一种用于配置显微镜的装置和方法。该文献中所述的发明目的在于，提供一种用于学习和配置至少部分自动的显微镜的单个部件的机构。显微镜的支架应当能够对不同的显微术方法自动地作出反应。

为了实现该目的，在所提及的文献中提出，提供一种用于配置至少部分自动的或马达驱动的显微镜的机构，其中，显微镜具有至少一个可配置的组件，该可配置的组件具有用于不同元件的多个位置，其中，将具有显示器和至少一个输入手段的计算机配置给显微镜，并且其中，在计算机中实施数据库，在该数据库中存储用于至少一个可配置的组件的所有可能的和可用的元件。

在刚刚提到的方法中，在使用显微镜执行相应的实验之前，针对用户通过用户界面进行相应的配置设置。

如同例如US7593158B2中所述，在相应的自动化的显微镜中，例如波长或波长范围可以根据待执行的检查方法来调节。在此也可以进行相应的自动的优化。DE10361158B4中公开了一种显微镜，其中多个组件可以在使用用户界面的情况下被配置。DE3933064C2公开了一种方法，其中借助控制机构可以进行显微镜的用户特定和样品特定的预设置。

DE102012219775A1提出，建立用于在使用记录装置、例如显微镜的情况下自动记录图像的流程。在此，借助设置单元应当可以在实验开始之前由使用者确定用于执行具有不同记录维度(时间、在x、y和z方向上的维度、颜色和对比度等)的复杂实验的实验流程，如它们在后面被自动处理的那样。因此，可以定义时间序列的时间间隔或总记录持续时间(或次数)。还可以限定在制备样品上的x、y和z方向(空间)上的多个位置，在图像记录期间样品行进的x和y和/或z方向上的范围，固定的曝光时间和/或用于不同的记录信道的激光或LED强度。

如在该文献中要求保护的那样，根据步骤a)设置记录程序。根据步骤b)规定或选择待监控的参数。根据步骤c)，也可以规定关于参数和与条件的满足相关的动作的条件。根据步骤c)在此基础上定义流程控制。该过程与设置的流程的本身已知的预定义相符合，然而扩展了参数的监控和相应的反应。以这种方式，可以将在常规方式中完整地规定了的流程以相应的条件来扩展。

所引用的文献由此一方面公开了提供尽可能完整和正确的配置信息，其可以作为自动控制的基础，另一方面公开了自动的流程的预定义，必要时通过分析参数和对此的相应反应来扩展。然而自动流程本身的建立由此不改变。

本发明的目的在于，使自动化的显微镜的流程控制的配置设计得更简单并且更对用户友好，并且以这种方式提出一种改进的自动化的显微镜系统。

发明内容

在此背景下，本发明提出一种具有独立权利要求的相应特征的用于配置具有可控制的显微镜部件的自动化的显微镜的流程控制的方法、用于执行相应方法的手段和设置用于执行该方法的显微镜系统。设计方案分别是从属权利要求以及以下描述的主题。

在自动的显微镜的配置中，显微镜部件的设置或设置顺序例如可以由操作者以设定值的形式存储。以这种方式存储的设置接着可以在需要时由使用者恢复，如参考现有技术基本上已经解释的。

此外已知的是，替代于或附加于宏的自动化创建，将由使用者所操纵的操作记录在显微镜上，并且如果需要的话调用它们。此外，显微镜操作也可以通过合适的编程语言来管理并且在流程控制的过程中通过合适的解释器转换为显微镜上的相应动作。

然而，这些已知的方法具有缺点。在手动存储部件的设置和其调用时，虽然必要时可以恢复学习的和因此存储的状态，但是不能执行流程控制。在创建宏时，虽然可以记录并重新调用较复杂的序列，但是不存在通过用户交互影响预定流程的可能性，使得也相应地进行错误的设置。传统的编程虽然覆盖了所有的自由度，但是在此通常需要学习编程语言和用于编程的基本知识。

本发明通过以下方式克服了这些缺点，即在根据本发明地提出的方法中，在学习操作模式中，通过用户将显微镜部件的至少一部分带到分别与确定的样品区域和/或确定的焦点位置相对应的位置中，分别依次自动地或手动地进行可控制的显微镜部件的确定的、与不同的设定数据集相对应的学习设定，并且将借助于所提及的或任意其他的显微镜部件待进行的一个或更多个检查步骤分配给这些位置中的每一个，并且其中在进行学习设定之后自动地或手动地评估学习设定。

由用户带到所提及的位置中的显微镜部件尤其可以涉及样品台，其将样品相对于物镜在X方向、Y方向和Z方向上定位，使得位于物镜的观察区域中的样品区域不仅关于其横向位置而且关于其焦点位置被确定。然而，也可以涉及允许这种定位的任何其他的部件。如果在此谈及用户将相应的显微镜部件“带到”，那么这能够通过直接的作用(例如通过对相应的部件的手动调节)或间接的作用(例如通过调节机构或借助于对马达的控制信号)实现。

可以在使用显微镜部件或任意其他的显微镜部件的情况下以任意的组合进行的一个或更多个检查步骤例如涉及检查步骤，这种检查步骤可以包括确定的照明方法(透射光、反射光、荧光照明、明场照明、暗场照明、相位对比照明等)和照明强度(例如依次以较弱的和较强的照明进行检查)、照明模式(例如以荧光进行检查，然后以可见光进行检查，然后借助确定的照明方法进行检查，或例如以扫描探测的形式，如螺旋扫描)。除了照明之外，例如也可以改变温度等。本发明不受特定的检查方法的选择的限制。

根据该评估，将与该学习设定相关的设定数据集以合适的流程控制的形式分别存储、舍弃和/或修改，以用于后续使用。通过将存储的学习设定相继排列，可以定义复杂的流程控制。流程控制规定，在学习操作模式之后的检查操作模式中以根据设定数据集设置显微镜部件的形式使用所存储的设定数据集。相继排列可以按照定义的顺序进行，其可以由用户或也可以完全自动地来规定。

流程控制尤其包括根据转接条件以逐步的流程的形式从一个步骤转接到根据程序的下一个步骤。在此，这些步骤与根据相应的设定数据集对显微镜进行相继跟随的设置相对应。该转接条件可以在过程引导的流程控制的范围内例如基于探测到的样品特性或根据其使前面的步骤结束的反馈值来规定。替代地或附加地，在时间引导的流程控制中，可以仅仅基于经过的时间规定转接条件。在本发明的范围内，过程引导和时间引导的流程控制的混合形式也是可能的。

“设定数据集”在此应当是适当地被提供的、输出的、输入的、传输的或存储的数据单元，该数据单元具有与一个或各一个学习设定相关的一个或更多个设定值。

以这种方式，本发明提出了一种方法，在该方法中，可以以时间顺序借助于流程控制将设定数据集在紧接学习操作模式的检查操作模式中依次转换为确定的显微镜部件的设置和具有相关的检查步骤的检查。与通过设定值的手动定义相反，在此，在本发明的范围内，用户不需要详细地知道例如数字的或以设定值的形式存在的并且在内部继续以这种方式被使用的设定值，而是他仅需要进行相应的设置，例如引导显微镜载物台、更换物镜、选择照明亮度和/或光色和/或调节聚焦驱动器。根据本发明的方法包括将与学习设定相对应的相应的值存储在相应的设定数据集中，使得该设定数据集以由显微镜系统或相应的控制单元或计算机可评估和可使用的形式来提供并且尤其针对相应的设置定义了确定的检查模式。

与宏编程的方法相反，本发明允许，通过自动或手动地评估与相应的学习设定相关的设定数据集，仅为后续的使用保留有效或有利的设定数据集或必要时还针对后续的使用修改它们。如果相应的设定数据集以及由此获得的学习设定不可用，则可以将其舍弃，并且可以例如在物镜的相同或不同位置和/或利用显微镜的相同或其它设置进行新的学习设定。

特别有利的是，检查操作模式包括一个或更多个获取步骤，在一个或更多个获取步骤中在相应的样品区域中和/或利用相应的焦点位置进行一个或更多个检查步骤，其中借助一个或更多个获取步骤获得和存储图像数据。在此，图像数据尤其是通过已经在前面进行的评估优化。

有利地，在一个或更多个获取步骤中获得和存储的图像数据在一个或更多个分析步骤中进行图像分析，该图像分析尤其也利用关于位置和/或所执行的检查步骤的信息来进行。以这种方式可以在流程控制中尽可能自动地进行有针对性的并且与检查方法相符的分析。

在此，一个或更多个分析步骤的执行可以作为对用户输入的反应被启动或自动地启动，使得要么用户在需要时可以生成相应地分析的数据，要么方法可以完全自动地执行。替代地或附加地，可以在一个或更多个分析步骤中分析用户输入，该用户输入例如提供附加信息。

如上文已经多次提到的，在本发明的范围内，设定数据集或不同的学习设定可以涉及显微镜或显微镜系统的任意的部件。相应的显微镜或显微镜系统例如以一个或更多个可配置的组件的形式包括这样的部件，组件可以具有一个或更多个不同的元件，元件借助于在本发明的范围内使用的设定数据集中的相应设定值，例如借助于适当的步进电机或其他机电致动器，可被带到不同的位置。相应的情况适用于检查步骤，这些检查步骤在流程控制中可以分配给相应的位置。配备有显示器和至少一个输入手段的计算机可以分配给显微镜或显微镜系统。

在此，相应的部件例如可以包括马达驱动的镜筒和/或马达驱动地可调节的反射光轴、马达驱动的物镜转盘、用于焦点调节的马达驱动的z驱动器、马达驱动的载物台、用于反射光照明或透射光照明的至少一个照明机构和/或聚光器以及多个操作钮或所提及的部件的任意组合。

如同提到的，在根据本发明的方法中，在学习操作模式中，分别依次自动地或手动地进行显微镜部件的与不同的设定数据集相对应的学习设定，并且在进行完之后尤其是自动或手动地评估。在此，自动评估例如可以通过光学地评价所获得的显微镜图像来进行，但也可以例如通过相应的图像处理来进行。在此，尤其是可以评价清晰度值、对比度值、亮度值和/或颜色值或其他的图像特性，例如也以与事先或随后获得的图像进行相应的图像比较的形式进行评价。如果例如可以以相应阈值的形式电子地被存储的这些确定的期望值符合，则可以存储与学习设定相关的设定数据集，以用于后续使用，否则可以舍弃和/或根据可能性以合适的方式修改这些设定数据集，以用于后续使用或用于学习设定的经修改的设置。

如同提到的，本发明包括，用户将确定的或所有的显微镜部件带到确定的位置或引导到确定的位置，以便进行学习设定，其中，这可以包括，他或她将部件，例如安装在自动地可控制的滤板或其他自动地可控制的调节机构上的过滤器、棱镜、分束器等，或也将例如物镜通过自动地可控制的马达驱动的物镜转盘，枢转到照明光束路径或观察光束路径中，或进行亮度调节。

然后用户或相应地自动的显微镜或显微镜系统根据提到的标准对以这种方式进行的学习设定进行评估。根据该评估的结果，通过相应的手动或自动的确认，可以确保显微镜或显微镜系统“记住”用于相应的学习设定的，但是用户不直接输入的或存储在文件中的在相应的设定数据集中的设定值，使得这些设定值可用于随后的检查操作模式。后续的检查操作模式可以使用单个的设定数据集，尤其是以至少部分地自动的流程控制的形式，但是该流程控制当然可以提供任意的用户交互可能性，例如用于停止或修改地运行相应的序列和/或用于改变设定值。以这种方式，在本发明的范围内可以提供一种特别灵活的方法。

本发明还延伸到一种具有显微镜和控制机构的显微镜系统，该控制机构设置用于，在学习操作模式和检查操作模式下运行显微镜，其中，在学习操作模式下的显微镜系统设置用于，依次自动或手动地进行显微镜部件的确定的、分别与相继不同的设定数据集相对应的学习设定，这通过以下完成，用户将显微镜部件的至少一部分带到分别与确定的样品区域和/或确定的焦点位置相对应的位置，并且将借助于该显微镜部件的或其他的显微镜部件(2-53)待进行的一个或更多个检查步骤分配给这些位置中的每一个，并且在进行完之后自动或手动地评估学习设定，以及根据评估，将与学习设定相关的设定数据集在流程控制中分别存储、舍弃和/或修改，以用于后续使用，其中，流程控制设置用于，在学习操作模式之后的检查操作模式中以根据设定数据集预先规定显微镜部件的设定的形式使用所存储的设定数据集。

如同提到的，本发明可以在使用不同的显微术方法和相应地设置的显微镜的情况下来实现，例如使用反射光显微镜、透射光显微镜、光片(激光)扫描显微镜或荧光显微镜。相应的显微镜构造得越复杂，这些显微镜从在此提出的措施中受益的程度就越大。

本发明还涉及一种用于显微镜或显微镜系统的控制单元，该控制单元可以设置用于执行如上文在不同的设计方案中所解释的方法。因此，在此明确地强调参考相应的解释。这也适用于所提出的计算机程序或相应的、存储在数据载体或服务器等上的计算机程序产品。

在此，在本发明的范围内一些或所有方法步骤可以通过(或在其使用下)硬件设备来执行，硬件设备例如包括处理器、微处理器、可编程计算机或电子电路。在一些实施例中，最重要的方法步骤中的一个或更多个可以由这样的设备来执行。

根据确定的实施要求，本发明的实施例可以以硬件或软件实施。该实施可以利用非易失性存储介质来执行，例如软盘、DVD、蓝光光盘、CD、ROM、PROM和EPROM、EEPROM或闪存，它们上存储有电子可读的控制信号，该控制信号与可编程的计算机系统协同作用(或能够协同作用)，使得执行相应方法。因此，存储介质可以是计算机可读的。

一些实施例包括具有电子可读的控制信号的数据载体，该控制信号可以与可编程的计算机系统协同作用，使得执行本文描述的方法之一。

一般地，本发明的实施例可以被实施为具有程序代码的计算机程序产品，其中，当计算机程序产品在计算机上运行时，该程序代码对于实施方法之一是起作用的。程序代码例如可以存储在机器可读的载体上。

其他实施例包括用于执行所描述的方法之一的计算机程序，该计算机程序存储在机器可读的载体上。

换言之，本发明的实施方式因此是具有程序代码的计算机程序，当计算机程序在计算机上运行时，程序代码用于执行本文描述的方法之一。

因此，本发明的另一实施例是一种存储介质(或数据载体或计算机可读介质)，该存储介质包括存储在其上的计算机程序，当该计算程序由处理器执行时，该计算机程序用于执行本文描述的方法之一。数据载体、数字存储介质或记录介质通常是有形的和/或非瞬时的。本发明的另一实施例是一种如本文所述的装置，其包括处理器和存储介质。

因此，本发明的另一实施例是一种数据流或信号序列，其表现为用于执行本文所描述的方法之一的计算机程序。数据流或信号序列例如可以配置为，使得其通过数据通信连接、例如通过因特网被传输。

另一实施例包括处理装置，例如计算机、控制单元或可编程的逻辑装置，该处理装置配置为或适于执行本文描述的方法之一。

本发明的另一实施例包括计算机，在该计算机上安装了用于执行本文描述的方法之一或本文中任意的设计方案之一的计算机程序。

根据本发明的另一实施例包括装置或系统，该装置或系统配置为，将用于执行本文描述的方法之一的计算机程序(例如，以电子方式或以光学方式)传输至接收器。接收器例如可以是计算机、移动设备、存储设备等。该装置或系统例如可以包括用于将计算机程序传输至接收器的文件服务器。

在本发明的一些实施例中，可编程的逻辑装置(例如，现场可编程的门阵列，FPGA)可以用于执行本文描述的方法的一些或全部功能。在一些实施例中，现场可编程的门阵列可以与微处理器协同作用以执行本文描述的方法之一。一般地，方法优选地由每个硬件仪器执行。

本发明的实施例可以基于机器学习模型或机器学习算法的使用。这尤其可以涉及根据本发明进行的评估。机器学习可以涉及算法和统计模型，算法和统计模型可以使用计算机系统，以便在不使用明确的指令的情况下执行确定的任务，而不依赖于模型和干扰。

在机器学习中，例如，可以使用可以从对历史数据和/或训练数据的分析中导出的数据的变换，而不是使用基于规则的数据变换。例如，可以在使用机器学习模型或使用机器学习算法的情况下来分析图像的内容，从而进行根据本发明的评估。

例如，为了使机器学习模型能够分析图像的内容，可以在使用训练图像作为输入并且训练内容信息作为输出的情况下来训练机器学习模型。通过用大量训练图像和/或训练序列(例如，词或短语)和相关的训练内容信息(例如，标签或注释)训练机器学习模型，机器学习模型“学习”，以识别图像的内容，使得可以在使用机器学习模型的情况下识别训练数据中不包括的图像的内容。相同的原理同样可以用于其他类型的传感器数据：通过在使用训练传感器数据和期望的输出的情况下训练机器学习模型，机器学习模型“学习”传感器数据与输出之间的转换，这可以被用于基于提供给机器学习模型的非训练传感器数据来提供输出。所提供的数据(例如，传感器数据、元数据和/或图像数据)可以被预处理以获得特征向量，其被用作机器学习模型的输入。

可以在使用训练输入数据的情况下训练机器学习模型。上述示例使用被称为“监督学习”的训练方法。在监督学习中，机器学习模型在使用多个训练取样值的情况下被训练，其中每个取样值可以包括多个输入数据值和多个期望的输出值，即，给每个训练取样值分配期望的输出值。通过给出训练取样值和期望的输出值两者，机器学习模型“学习”，哪个输出值基于与在训练期间提供的取样值类似的输入取样值而被提供。除了监督学习之外，也可以使用半监督学习。在半监督学习中，一些训练取样值缺少期望的输出值。监督学习可以基于监督学习算法(例如，分类算法、回归算法或相似性学习算法)。如果输出被限制于有限的数量的值(分类变量)，即输入被分类为有限的值的集中的一个，则可以使用分类算法。当输出显示为任何一个数值(在区域内部)时，可使用回归算法。相似性学习算法可以既类似于分类算法又类似于回归算法，但是基于在使用相似性函数的情况下从示例中学习，相似性函数衡量两个对象有多类似或有多相关。除了监督学习或半监督学习之外，可以使用无监督学习来训练机器学习模型。在无监督学习中，尽可能地(仅)提供输入数据，并且可以使用无监督学习算法来找到输入数据中的结构(例如，通过对输入数据进行分组或聚集、找到数据中的共性)。聚集是将包括多个输入值的输入数据分配到子集(集群)中，使得同一集群(cluster)内的输入值根据一个或更多个(预定义的)相似性标准是相似的，而其与包括在其他集群中的输入值是不相似的。

增强学习是第三组机器学习算法。换句话说，增强学习可以被用于训练所使用的机器学习模型。在增强学习中，一个或更多个软件编辑器(所谓的“软件代理”)被训练，以便在环境中采取操作。基于这些采取的操作计算回报。增强学习基于训练一个或更多个软件代理，以便选择操作，使得累积的回报增加，导致软件代理在向其提供的任务中变得更好(如通过提升的回报得以证明)。

此外，一些技术可以应用于一些机器学习算法。例如，可以使用特征学习。换句话说，可以至少部分地在使用特征学习的情况下训练机器学习模型，和/或机器学习算法可以包括特征学习成分。被称为再现学习算法的特征学习算法可以以其输入获得信息，对其进行变换以使其变得有用，通常作为执行分类或预测之前的预处理阶段。特征学习例如可以基于主要成分分析或集群分析。

在一些示例中，可以使用异常检测(即离群值检测)，其旨在提供对引起怀疑的输入值的识别，因为其与多数输入数据和训练数据显著不同。换句话说，可以至少部分地在使用异常检测的情况下训练机器学习模型，和/或机器学习算法可以包括异常检测成分。

在一些示例中，机器学习算法可以使用决策树作为预测模型。换句话说，机器学习模型可以基于决策树。在决策树中，对对象(例如，输入值的数量)的观察可以由决策树的分支表示，并且与对象相对应的输出值可以由决策树的叶表示。决策树可以支持离散和连续的值作为输出值。如果使用离散值，则决策树可以被称为分类树，而如果使用连续值，则相反地，决策树可以被称为回归树。

关联规则是可以在机器学习算法中使用的另一种技术。换句话说，机器学习模型可以基于一个或更多个关联规则。通过识别大量数据中的变量之间的关系来建立关联规则。机器学习算法可以识别和/或使用一个或更多个关系规则，这些关系规则表现为从数据推导出的知识。例如，规则可以用于存储、操纵或应用知识。

机器学习算法通常基于机器学习模型。换句话说，术语“机器学习算法”可以指可以用于创建、训练或使用机器学习模型的指令的集。术语“机器学习模型”可以表现为学习的知识(例如，基于机器学习算法执行的训练)的数据结构和/或规则的集。在实施例中，机器学习算法的使用可以暗指基础的机器学习模型(或多个基础的机器学习模型)的使用。机器学习模型的使用可以暗指，机器学习模型和/或作为机器学习模型的数据结构和/或规则的集通过机器学习算法被训练。

例如，机器学习模型可以是人工神经网络(ANN；artificial neural network)。ANN是通过生物神经网络产生灵感的系统，生物神经网络如在视网膜或大脑中发现的。ANN包括多个互连的节点和多个在节点之间的连接，所谓的边(edges)。通常有三种类型的节点，接收输入值的输入节点，(仅)连接到其他节点的隐藏节点，以及提供输出值的输出节点。每个节点可以代表人工的神经元。每条边可以从一个节点向另一个节点发送信息。节点的输出可以被定义为输入的(非线性)函数(例如，其输入的总和)。可以基于提供输入的边或节点的“权重”在函数中使用节点的输入。节点和/或边的权重可以在学习过程中被适配。换句话说，训练人工神经网络可以包括适配人工神经网络的节点和/或边缘的权重，即，以针对确定的输入实现期望的输出。

替代地，机器学习模型可以是支持向量机、随机森林模型或梯度提升模型。支持向量机(即，支持向量网络)是具有相关的学习算法的监督学习模型，其可以被用来分析数据(例如，在分类分析或回归分析中)。支持向量机可以通过提供具有属于两个分类之一的多个训练输入值的输入来训练。支持向量机可以被训练，以便将新的输入值分配给这两个分类中的一个。替代地，机器学习模型可以是贝叶斯网络，该贝叶斯网络是概率性的定向的非循环的图形模型。贝叶斯网络可以在使用定向的非循环的图形的情况下表示随机变量的集及有条件的关联性。替代地，在本发明的范围内，机器学习模型可以基于遗传算法，该遗传算法是模仿自然选择过程的搜索算法和启发式技术。

如上使用的，术语“和/或”包括一个或更多个相关地列举的项目的所有组合。

尽管以上结合方法描述了本发明的一些方面，但是应当理解，相应的描述也适用于相应的装置，反之亦然，其中，例如可以使用相应的装置部件来实施方法步骤。

下面参考附图详细说明本发明及本发明的设计方案。

附图说明

图1示出了在本发明的设计方案的范围内可使用的自动化的正置显微镜系统。

图2示出了在本发明的设计方案的范围内可使用的自动化的倒置显微镜系统。

图3以另一视图示出了在本发明的设计方案的范围内可使用的自动化的显微镜系统。

图4示出了根据本发明的设计方案的在学习操作模式下的方法。

在附图中，彼此相应的，即相同或类似地构造的元件或具有相同或类似作用的元件以相同的附图标记来标记并且出于清楚的原因不重复地阐述。

具体实施方式

图1和图2示出了在本发明的设计方案的范围内可使用的、用200标记的自动的显微镜系统。显微镜分别用1标记，其中图1示出了正置显微镜1，相反图2示出了倒置显微镜1。显微镜1分别包括支架2，在图1和图2所示的设计方案中，支架2分别具有支架脚3和支架柱4。

根据图1设置有两个光源14，或根据图2设置有一个光源，以便在根据图1的设计方案中产生反射光照明和透射光照明，并且在根据图2的设计方案中仅产生透射光照明。设置有显微镜载物台41，例如，未单独示出的过滤器保持件也可以设置在该显微镜载物台41上，并且该显微镜载物台41借助马达42可移动。数据可以存储在显微镜1的内部存储器47中。

在根据图1和图2的设计方案中，可以在支架2上在两侧设置驱动钮28，然而，如同在此仅在图3中示出的，显微镜载物台41利用该驱动钮28例如可以在其高度(z方向)上被调节。同样可考虑的是，在驱动钮28上还附加地设置其他功能。在围绕驱动钮28的区域中，还可以设置在图1和图2中未示出的多个操作钮，通过这些操作钮同样可切换显微镜功能。显微镜功能例如是过滤器更换、光阑选择、转盘运动等。可选地，物镜37能够安装在未示出的物镜转盘36(为此参见图3)中。与物镜转盘36相对地，可以设置(为此同样参见图3)聚光器24。

此外，给显微镜1分配计算机17。计算机17配置有输入手段19和显示器21。在这里所示的实施例中，输入手段19包括键盘和鼠标。然而，当然，除了键盘之外，还可以使用其他输入手段19。计算机17在此是控制机构；然而，也可以设置任何其他控制机构，例如集成在显微镜1中的控制机构或外部的控制机构80。根据图1，在镜筒51或相应的摄像机出口上设置有合适的摄像机51，根据图2，该摄像机51位于支架脚3中。样品用60标记。

图3示意性地示出了可用于本发明的设计方案的范围内的具有显微镜1的可自动的显微镜系统。该显微镜系统也可以分别涉及图1和图2中所示的显微镜系统，其在此再次被示意性地示出并且被更详细地解释。

显微镜1和显微镜1的各种可配置的组件在此部分地比之前更示意性地被示出。这些组件中的每一个都可以是在本发明的范围内可被调节的部件或显微镜部件，为此可以使用相应的设定数据集。因此在以下，术语“组件”可以代表这样的显微镜部件中的一个或更多个，其根据本发明是可调节的，或可以生成相应的设定数据集中的设定数据。如果下面谈及一个或更多个部件的“学习”，那么这能够在使用根据本发明的设计方案的方法的情况下进行并且包括多次提到的用于建立学习数据集的步骤。

可配置的组件之一是已经提到的物镜转盘36。通过根据本发明的方法例如可以使用设定数据集，该设定数据集与针对每个单个的物镜37的数据相对应或具有该数据或者预先确定相应的物镜37的选择。物镜转盘36是马达驱动的并且通过马达38旋转，使得所选择的物镜被带到显微镜的光轴39中。表征每个物镜37的数据是物镜放大率、物镜的产品编码(对于相应的订单处理是明确的记号)、物镜模式(例如干式物镜、浸没式物镜或干式物镜和浸没式物镜的组合)、孔径、对于相应的物镜37在z方向上的优化的步距(焦点)和对于相应的物镜用于x/y位移的优化的步距(载物台)。载物台41分配给显微镜1，并且放置在载物台41上的样品(图3中未示出)可以借助载物台在期望方向上移动。为了使载物台41在z方向(焦点)上以及在x方向和y方向上移动，分别设置有马达42。当然，在任何时候，载物台41在z方向上的调节也可以利用驱动钮28附加地手动地进行。

此外，还学习利用相应的物镜37待执行的照明方法，或在本发明的设计方案中使用的设定数据集可以包括用于照明的控制值或设定值。为此相对应地，分别针对反射光轴14a和透射光轴14b给显微镜1分配灯14。由物镜37支持的照明方法例如可以包括明场照明、荧光差对比照明、荧光相位对比照明、荧光照明、反射光偏振对比照明、反射光差对比照明、反射光暗场照明、反射光倾斜光照明、反射光明场照明、透射光偏振对比照明、透射光差对比照明、透射光暗场照明、透射光相位对比照明或透射光明场照明。同样地，针对各个照明方法学习光源14的值或在本发明的范围内使用的设定数据集可以涉及该值。

此外，针对相应的方法存在用于透射光的孔径光阑的值，并且针对相应的方法存在用于透射光的照明场光阑的值。当然，也针对相应的方法学习用于反射光的光阑的孔径的值，以及针对相应的方法学习用于反射光的照明场光阑的值，或在本发明的范围内使用的设定数据集可以涉及这些值。根据方法，针对相应的方法可学习干涉对比片的待调节的位置，或在本发明的范围内使用的设定数据集可以涉及该位置。此外，针对相应的方法可学习聚光器的待调节的位置或在本发明的范围内使用的设定数据集可以涉及该位置。

同样可以学习用于荧光的照明轴线的数据或在本发明的范围内使用的设定数据集可以涉及这些数据。这些数据是相应的过滤器块的名称、过滤器块的产品编码、照明方法(其中过滤器块可以驶入光束路径(或照明轴线)中)和所谓的炫目防护(DazzleProtection)。

同样可以学习用于干涉对比的轮子位置或在本发明的范围内使用的设定数据集可以涉及该轮子位置。必须针对每个位置学习相应的过滤器块的名称。

对于显微镜1的聚光器24，可以针对每一个位置学习数据，或在本发明的范围内使用的设定数据集可以涉及该数据。例如，这涉及待枢转到光束路径39中的棱镜的名称或待枢转到光束路径39中的相位环的名称。当然，还可以用马达驱动聚光器24，以便在聚光器的光束路径39中自动地枢转棱镜和相位环。

同样可以学习变倍转换器46或在本发明的范围内使用的设定数据集可以涉及该变倍转换器46。在此可学习的是产品编码、变倍转换器46的位置的数量等。同样，在变倍转换器中在相应的位置上给出放大值，或在本发明的范围内使用的设定数据集可以涉及该放大值。在所提到的正置显微镜中，变倍转换器位于镜筒和物镜转盘之间在光束路径中。

可学习显微镜1的镜筒50的配置(马达驱动的和/或机械的)或在本发明的范围内使用的设定数据集可以涉及该配置。在此，例如可以输入镜筒50的产品编码。因此，利用所使用的镜筒50可确定输出端的数量。例如，用于摄像机51的输出端和用于目镜52的输出端可以布置在镜筒50上。同样地，光强度能够分布到不同的输出端上。例如，光强度的分布可以是，光强度的50％分布到视觉的输出端上并且剩余的50％分布到用于图像镜筒的输出端上。同样重要的是，学习所使用的目镜的产品编码，并且必要时也学习与目镜相关的放大率。必要时可以与摄像机固定装置的放大率一起同样地学习所使用的摄像机固定装置的产品编码。

如所提到的那样，在围绕驱动钮28的区域中可以存在多个操作钮30或功能键。这些功能键可以被不同地设置。例如，在本发明的设计方案的范围内的配置中，可以给出键分配的缩写。此外，可以通过在本发明的设计方案的范围中的配置来规定在键操纵时所实施的命令。同样可以相应地配置在松开功能键时所触发的命令。此外，在保持抓按功能键时实现命令重复率。

图4示出了根据本发明的设计方案的在学习操作模式中并且以示意性的流程图100为形式的方法，该流程图100具有多个在时间轴110上绘出的方法步骤。

根据在此所示的设计方案的方法100以步骤101开始，例如初始化或提供方法100所需的电子资源和软件资源。

在步骤102中，如在先前解释的附图中示出的那样以先前解释的方式自动地或手动地进行显微镜部件的与第一设定数据集相对应的学习设定。在此，可以涉及先前所解释的任意学习设定和任意其他的学习设定。

在步骤102中进行学习设定之后，在步骤103中，尤其是自动或手动地评估这些学习设定。根据步骤103中的这种评估，如果设定数据集与期望值等相符，则与学习设定相关的设定数据集针对后续的使用分别被存储在流程控制中，否则被舍弃和/或修改。在第一种情况下，该方法可以以在步骤104中进行第二学习设定或在步骤105中进行评估而继续；在后一种情况下，例如可以在步骤103中重新进行(例如修改)第一学习设定。

在步骤106中进行任意的其他的学习设定以及其评估(在此概况为105)之后，方法100结束。接着，可以进行检查操作模式。

以这种方式，本发明提出了一种方法，在该方法中，可以以时间顺序借助于流程控制将设定数据集在紧接学习操作模式的检查操作模式中依次转化为确定的显微镜部件的设置。与通过设定值的手动定义相反，在此，在本发明的范围内，用户不需要详细地知道例如数字的或以设定值的形式存在的并且在内部继续以这种方式被使用的设定值，而是他仅需要进行相应的设置，例如引导显微镜载物台、更换物镜、选择照明亮度和/或光色和/或调节聚焦驱动器。根据本发明的方法包括将与学习设定相对应的相应的值存储在相应的设定数据集中，使得该设定数据集以由显微镜系统或相应的控制单元或计算机可评估和可使用的形式来提供。