DE19639884C2

DE19639884C2 - Mustererkennungssystem

Info

Publication number: DE19639884C2
Application number: DE19639884A
Authority: DE
Inventors: Satoshi Mitsuyama; Jun Motoike; Norio Oowada; Yasuaki Kojima
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1995-09-27
Filing date: 1996-09-27
Publication date: 2000-09-21
Anticipated expiration: 2016-09-28
Also published as: JPH0991430A; DE19639884A1; US5911002A

Description

Die Erfindung betrifft allgemein eine Mustererkennungstechnik, d. h. ein Mustererkennungssystem, das ein Objekt zurückweisen kann, dessen Muster schwer zu erkennen ist, bei dem also die Zu verlässigkeit der Mustererkennungsergebnisse gering ist. Speziel ler ist die Erfindung auf ein Mustererkennungssystem gerichtet, das für einen Harnsedimentanalysator geeignet ist, der in Harn enthaltene Teilchen klassifizieren kann.

Harnsedimentuntersuchung ist eine Untersuchung, bei der in Urin enthaltene feste Komponenten wie Blutzellen und Epithelzellen untersucht werden und dann die Sorten und Mengen der jeweiligen festen Komponenten mitgeteilt werden. Herkömmlicherweise wird eine derartige Harnsedimentuntersuchung wie folgt ausgeführt. Es wird eine vorbestimmte Menge an Urin zentrifugiert, um Sedimentkomponenten zu erhalten, die dann angefärbt werden, und dann werden die angefärbten Sedimentkomponenten als Probe auf einem Abstrichträger gesammelt. Dann beobachtet ein Laborant diese Probe unter Verwendung eines Mikroskops. Die jeweiligen Komponenten werden auf Grundlage von Merkmalen mit der Form und der Anfärbbarkeit klassifiziert. Da auch dieselben Kompo nenten verschiedene Formen zeigen können, ist die Wahrscheinlichkeit hoch, dass die Klassifizierung dieser Komponenten schwierig ist. Auch existieren Fälle, dass in der Luft vorhandene Verunreinigungen in die Urinprobe ein treten, da eine solche im allgemeinen der offenen Luft ausgesetzt ist. Was derartige Verunreinigungsteilchen betrifft, wird sie der Laborant nicht klassifizieren, sondern er wird nur typische Teilchen klassifizieren, für die dies korrekt ausgeführt werden kann.

Techniken zum automatischen Vornehmen einer Harnsedimentuntersuchung sind z. B. in den Dokumenten JP-A-57-500995 (WO 81/03224), JP-A-63-94156 und JP- A-5-296915 offenbart, gemäß denen im Urin vorhandene feste Komponenten oder Teilchen als Stehbilder photographiert werden. Bei diesen herkömmlichen Techniken wird die Probe so zugeführt, dass sie durch eine Strömungszelle mit speziellen Formen läuft, und die in der Probe enthaltenen Teilchen werden so zugeführt, dass sie in einen weiten Photographierbereich strömen. Wenn feste Komponenten innerhalb der Probe bekannt werden, wird eine Blitz lampe eingeschaltet, und die vergrößerten Bilder der im Urin enthaltenen festen Komponenten werden als Stehbilder photographiert. Um die so photo graphierten Sedimentkomponenten automatisch zu analysieren, werden als erstes, nachdem der Bereich der Sedimentkomponenten vom zugehörigen Hinter grundbereich des Bilds getrennt ist, die Bildmerkmalsparameter im Bereich der Sedimentkomponenten berechnet. Die Klassifizierung erfolgt auf Grundla ge dieser Merkmalsparameter. Als Bildmerkmalsparameter werden z. B. die Fläche, der Umriss und die mittlere Farbdichte verwendet. Eine Technik zum Abtrennen des Bereichs fester Komponenten vom Hintergrundbereich eines Bilds ist z. B. im Dokument JP-A-1-119765 mit dem Titel "Bereichstrennver fahren für Blutzellenbilder" beschrieben. Bei dieser Technik wird der Bild bereich dadurch in Farbbereiche unterteilt, dass ein aus einem Graustufen histogramm berechneter Schwellenwert verwendet wird.

Als Technik zum Klassifizieren eines Teilchens aus einem Bildmerkmalsparameter beschreiben z. B. US 4,965,725 die automatische Klassifizierung der Zellen auf einem zytologischen Abstrich mittels eines neuronalen Netzwerks und die Dokumente JP-B-58-29872 und JP-A-3-131756 die Klassifizie rung eines Blutzellenbilds. Das Dokument JP-B-58-29872 führt aus, dass entweder eine Unterscheidungstheorie, die mit einer mehrstufigen statistischen Unterscheidungsfunktion auf Grundlage der Bildmerkmalsparame ter kombiniert wird oder die Entscheidungsbaumtheorie verwendet wird. Das Dokument JP-A-3-131756 führt aus, dass als Erkennungstheorie ein mehr schichtiges Netzwerk verwendet wird. Wenn die Mustererkennung unter Verwen dung einer Netzwerkstruktur ausgeführt wird, werden normalerweise die fol genden Verfahren verwendet. Als erstes werden Ausgangsknoten bereitge stellt, deren Menge derjenigen der Klassen entspricht, in die Objekte zu klassifizieren sind, und dann werden diese Ausgangsknoten den Klassen je weils einzeln zugeordnet. Danach wird das Netzwerk dadurch aufgebaut, dass ein Trainingsmuster in solcher Weise verwendet wird, dass dann, wenn ein bestimmtes Muster eingegeben wird, das Ausgangssignal desjenigen Knotens, der der zum Eingangsmuster gehörenden Klasse entspricht, unter den Aus gangssignalen der jeweiligen Ausgangsknoten maximal wird. Wenn einmal ein unbekanntes Muster erkannt wird, wird dieses eingegeben. Wenn nun angenom men wird, dass diejenige Klasse, die dem Ausgangsknoten entspricht, der den Maximalwert ausgibt, als diejenige Klasse erkannt wird, die zum unbekannten Muster gehört, wird diese Klasse als Erkennungsergebnis angezeigt. Das Dokument JP-A-3-131756 beschreibt ferner, dass für den Ausgangswert eine Schwelle vorhanden ist, die dazu benutzt wird, dass eine Probe nicht klas sifiziert werden kann, wenn der maximale Ausgangswert kleiner als oder gleich groß wie diese Schwelle ist. Auch das Dokument JP-A- 4-1870 beschreibt, dass der Bestätigungsgrad mit dem Schwellen wert verglichen wird; wenn der Bestätigungsgrad größer als der Schwellenwert ist, wird das Ausgangser gebnis als Erkennungsergebnis verwendet, wohingegen andernfalls das Aus gangsergebnis verworfen wird. Infolgedessen kann die Zuverlässigkeit des Erkennungsergebnisses erhöht werden. Das Dokument JP-A-4-294444 beschreibt, dass die Ausgangswert-Zuverlässigkeit eines neuralen Netzwerks durch eine Zuverlässigkeitsbewertungseinrichtung bewertet wird.

Wie vorstehend beschrieben, ist es schwierig, bei einer Harnsedimentunter suchung eine korrekte Klassifizierung auszuführen. Auch existieren viele Komponenten, die von einem Laboranten nicht notwendigerweise klassifiziert werden. Solche schwierig zu klassifizierenden Objekte können beim Aufbau eines automatischen Untersuchungssystems zu Problemen führen. Z. B. konnten bei einem automatischen Untersuchungssystem wie dem oben beschriebenen, bei dem Sedimentkomponenten als Bild photographiert werden und dann die Erken nung mittels des Bilds ausgeführt wird, wenn eine vorbestimmte Menge an Urin als Probe verwendet wird, in der eine große Anzahl von Sedimentkompo nenten vorhanden ist, aufgrund von Hardwarebeschränkungen nicht alle auf tretenden Objekte verarbeitet werden, z. B. wegen Beschränkungen hinsicht lich der Bildverarbeitungsgeschwindigkeit, der Bilddaten-Übertragungsge schwindigkeit sowie der Speicherkapazität des Bildspeichers und eines Da tenspeichers. Wenn in solchen Fällen eine sehr große Anzahl nicht klassifi zierbarer Komponenten vorhanden ist, besteht die Gefahr, dass Komponenten, die eigentlich klassifiziert werden sollten, übersehen werden, wodurch die statistische Zuverlässigkeit der Klassifizierung beeinträchtigt ist.

Ein Mustererkennungssystem, das mit einem neuronalen Netzwerk arbeitet und die Zuverlässigkeit des Erkennungsergebnisses bestimmt, ist auch in US 5,335,291 angegeben, von der der Oberbegriff des Anspruchs 1 ausgehen. Bei diesem System geben Ausgangswerte von Ausgangsknoten des neuronalen Netzwerk die Klassenzugehörigkeit von Eingangsdaten an. Zur Abschätzung der Zuverlässigkeit dieser Klassifizierung ist das neuronale Netz mit weiteren Ausgangsknoten versehen, deren Ausgangs werte beispielsweise angeben, inwieweit sich der aktuelle Zu stand des Netzes vom Zustand zur Zeit der Lernphase des Net zes entfernt hat, das Netz also in einen Bereich geringer Dichte der Lerndaten extrapolieren muß, oder inwieweit sich die Ausgangswerte von den Lerndaten unterscheiden, woraus Vertrauensgrenzen für die Klassifizierung gewonnen werden. Diese Ausgestaltung vergrößert das neuronale Netzwerk und verkompliziert dessen Lernphase.

Der Erfindung liegt die Aufgabe zugrunde, ein effizientes und zuverlässiges Mustererkennungssystem zu schaffen.

Die Lösung dieser Aufgabe gelingt mit dem in Anspruch 1 ange gebenen System. Die Unteransprüche betreffen vorteilhafte Ausgestaltungen der Erfindung.

Normalerweise wird, wenn ein Netzwerk aufgebaut wird (eingelernt wird), ein zu klassifizierendes Lernmuster bereitgestellt. Wenn ein bestimmtes Muster eingegeben wird, wird dafür gesorgt, dass sich eine solche Zielausgangsin formation ergibt, dass das Ausgangssignal desjenigen Ausgangsknotens, der der Klasse entspricht, zu dem das Eingangsmuster gehört, 1 wird, während die Ausgangssignale der anderen Knoten 0 werden. Dann ist dieses Netzwerk so aufgebaut, dass ein mittels der Trainingsdaten angenäherter Wert ausge geben wird. Wenn ein unbekanntes Muster eingegeben wird, wird diejenige Klasse, die dem Ausgangsknoten entspricht, der unter den jeweiligen Knoten den maximalen Wert ausgibt, als Mustererkennungsergebnis erkannt (nachfol gend einfach als "Erkennungsergebnis" bezeichnet). Es ist denkbar, dass dabei ein derartiges Eingangsmuster näherungsweise einem Trainingsmuster entspricht und entsprechend erkannt wird. D. h., dass die Kombination der von den jeweiligen Ausgangsknoten hergeleiteten Ausgangswerte näherungswei se der Kombination der Werte entspricht, die als Trainingsdaten vorgegeben sind (nur ein Ausgangsknoten gibt 1 aus, und die anderen Ausgangsknoten geben 0 aus). Umgekehrt ist dann, wenn die Kombination der Ausgangswerte der Ausgangsknoten stark von der Kombination der als Trainingsdaten vorge gebenen Werte ist, das Eingangsmuster stark vom Lernmuster verschieden. So ist die Wahrscheinlichkeit groß, dass diese Komponenten nicht klassifiziert werden müssen oder dass es schwierig ist, sie zu klassifizieren. Selbst wenn eine Erkennung derselben ausgeführt würde, wäre die zugehörige Zuver lässigkeit gering. Z. B. ist die Erkennungszuverlässigkeit gering, wenn der Maximalwert relativ klein ist oder wenn Ausgangswerte neben dem maximalen Ausgangswert relativ große Werte einnehmen.

Infolgedessen werden bei praktischen Ausführungsformen der Erfin dung für die jeweiligen Ausgangswerte der Ausgangsknoten in der Netzwerkstruktur Schwellenwerte vorgegeben, und die Erkennungszu verlässigkeit wird auf Grundlage der jeweiligen Ausgangswerte der Ausgangsknoten beurteilt. Nur wenn die Zuver lässigkeit hoch ist, wird das Erkennungsergebnis ausgegeben, um in einer Folgestufe einen Verarbeitungsvorgang auszuführen. Wenn die Zuverlässigkeit gering ist, wird das Erkennungsergebnis nicht ausgegeben, und es wird kein weiterer Verarbeitungsvorgang in der Folgestufe ausgeführt. Andernfalls wird, wenn eine Anzahl vorausgewählter Ausgangsknoten Maximalwerte ausgibt, das Erkennungs ergebnis in die Speichereinrichtung eingespeichert. Bei einem System, in das ein zu klassifizie rendes Objekt als Bild eingegeben wird, werden vorzugsweise, wenn es schwierig ist, wegen der Auflösung des Abbildungssystems ein zu kleines Objekt zu erkennen, die Fläche dieses kleinen Objekts, sein Umfang und die Projektionslängen entlang der X- und der Y-Achse im Bild berech net. Dann wird bei einem Objekt mit einer kleineren Abmessung als einer vorgegebenen Abmes sung keine Erkennung ausgeführt.

Ausführungsbeispiele der Erfindung verfügen über eine Mustererkennungs-Verarbeitungsein richtung mit einer Netzwerkstruktur aus folgendem: einer Eingangsschicht zum Eingeben eines Merkmalsparameters eines der Erkennung unterliegenden Objekts als Eingangsinformation; einer verborgenen oder Zwischenschicht zum Verarbeiten dieser Eingangsinformation und einer Ausgangsschicht zum Ausge ben des Verarbeitungsergebnisses, wobei Ausgangswerte der jeweiligen Aus gangsknoten, die die Ausgangsschicht bilden und die der Eingangsinformation entsprechen, durch die Mustererkennungs-Verarbeitungseinrichtung miteinan der verglichen werden und eine Klasse, die demjenigen Ausgangsknoten ent spricht, dessen Ausgangswert maximal ist, als Erkennungsergebnis hinsicht lich der Eingangsinformation in eine Speichereinrichtung eingespeichert wird, wobei (1) das Mustererkennungssystem ferner eine Zuverlässigkeitsbe wertungseinrichtung aufweist, um einen Schwellenwert hinsichtlich des Aus gangswerts jedes der Ausgangsknoten einzustellen und um die Zuverlässigkeit eines jeweiligen Erkennungsergebnisses auf Grundlage der Ausgangswerte der jeweiligen Ausgangsknoten zu bewerten, wobei dann, wenn die Zuverlässig keitsbewertungseinrichtung beurteilt, dass die Zuverlässigkeit hoch ist, das Erkennungsergebnis in die Speichereinrichtung eingespeichert wird; und wobei, (2) wenn mehrere vorbestimmte Ausgangsknoten Maximalwerte ausgeben, das Erkennungsergebnis in die Speichereinrichtung eingespeichert wird.

Gemäß einem Ausführungsbeispiel der Erfindung kann auch bei automatischer Muster erkennung ein Objekt erkannt werden, das nur schwer zu erkennen/zu klassifizieren ist und für das die Erkennungszuverlässigkeit gering ist. Dieses Objekt kann aus den Verarbeitungsstufen herausgenommen werden, so dass deren Wirkungsgrad er höht werden kann und Speicherkapazität der Speichereinrichtung eingespart werden kann.

Es wird nun auf Fig. 1 Bezug genommen, um ein Ausführungsbeispiel der Erfindung kurz zusammengefasst darzustellen. Zunächst wird ein Merkmalsparameter des zu erkennenden Objekts berechnet (S6). Unter den Merkmalsparametern wird auf die Dimension geachtet, um ein Objekt mit sehr kleiner Dimension aus dem Verarbeitungs vorgang auszuschließen (S7). Ferner werden Parameter, die die Erkennungszu verlässigkeit anzeigen, unter Bezugnahme auf die Ausgangswerte der jeweili gen Ausgangsknoten des neuralen Netzwerks erhalten. Diese Parameter werden mit Schwellenwerten verglichen, die zum Bewerten der Zuverlässigkeit ver wendet werden. Wenn die Zuverlässigkeit gering ist, wird dieses Objekt aus der Erkennung/Klassifizierung ausgeschlossen (S8, S9). Infolgedessen kann bei der Mustererkennung eine Ermittlung solcher Objekte erfolgen, die schwer zu erkennen/zu klassifizieren sind und die bei einer von Hand ausge führten Mustererkennung vom Laboranten aus der Erkennung ausgeschlossen werden. Dann können andere Objekte erkannt und klassifiziert werden.

Die Erfindung ist am besten aus der folgenden detaillierten Beschreibung in Verbindung mit den beigefügten Zeichnungen zu verstehen.

Fig. 1 ist ein Flussdiagramm, das einen Verarbeitungsvorgang veranschau licht, wie er in einem Harnsedimentanalysator mit einem Mustererkennungs system gemäß einem Ausführungsbeispiel der Erfindung ausgeführt wird;

Fig. 2 veranschaulicht schematisch ein Aufbaubeispiel einer Durchsichtsaus rüstung gemäß einem Ausführungsbeispiel der Erfindung;

Fig. 3 veranschaulicht schematisch ein Aufbaubeispiel eines Bildverarbei tungssystems bei einem Ausführungsbeispiel der Erfindung;

Fig. 4 veranschaulicht schematisch ein Aufbaubeispiel eines neuralen Erken nungsnetzwerks gemäß einem Ausführungsbeispiel der Erfindung;

Fig. 5 repräsentiert schematisch die Verbindungsbeziehung zwischen dem neuralen Netzwerk und einem neuralen Netzwerk zur Zuverlässigkeitsbewertung gemäß einem Ausführungsbeispiel der Erfindung; und

Fig. 6 veranschaulicht schematisch ein Aufbaubeispiel für einen Harnsedi mentanalysator mit einem Mustererkennungssystem gemäß einem Ausführungsbei spiel der Erfindung.

Unter Bezugnahme auf die Zeichnungen wird nun im einzelnen ein Harnsedi mentanalysator beschrieben, bei dem ein Mustererkennungssystem gemäß einem Ausführungsbeispiel der Erfindung verwendet ist.

Fig. 6 veranschaulicht schematisch ein Aufbaubeispiel eines derartigen Analysators. Diese Zeichnung zeigt eine Systemanordnung mit einem Bilder zeugungssystem und einem Erkennungssystem im Analysator. Bei diesem Analy sator ist eine Strömungszelle 100 zum Erzeugen einer ebenen Strömung einer Urinprobe verwendet. Diese Probenströmung verfügt über geringe Dicke und eine Breite, die sich zwischen einer CCD-Farbfernsehkamera 500 und einer Impulslampe 300 erstreckt. Von einem Halbleiterlaser 210 wird Laserlicht über eine Linse 220 auf die innerhalb der Strömungszelle 100 erzeugte Harn probenströmung gestrahlt, wobei durch die Zelle auch eine Ummantelungslö sung strömt, wobei ein Teilchendetektor 230 ermittelt, dass feste Komponen ten durch die Strömungszelle 100 laufen. Synchron mit diesem Ermittlungssi gnal wird von der Impulslampe 300 emittiertes Licht auf die Urinprobenströ mung gestrahlt. Da das Licht der Impulslampe 300 momentan eingestrahlt wird, kann unter Verwendung der CCD-Farbfernsehkamera 500 ein Bild der im Urin enthaltenen festen Komponenten, vergrößert über eine Objektivlinse 400, als Stehbild photographiert werden. Dieser Analysator verfügt über eine Anzahl Messmodi, und er ändert Strömungsbedingungen, z. B. die Ge schwindigkeit oder die Menge, hinsichtlich der durch die Strömungszelle 100 fließenden Probe, und er ändert auch die Vergrößerung der Objektlinse 400.

Das erfasste Bild wird an ein Bildverarbeitungssystem 600 übertragen. Die ses Bildverarbeitungssystem 600 ermittelt die Art der im Bild vorhandenen festen Komponenten und zählt die Anzahl von Objekten jeder Sorte in einer einzelnen, gerade untersuchten Probe. Das Zählergebnis wird über eine Aus gabeeinrichtung 700 an eine Bedienperson mitgeteilt. Als Ausgabeeinrichtung 700 wird ein Drucker verwendet. Sowohl die Bilddaten als auch das Erken nungsergebnis zu diesem Bild werden vom Bildverarbeitungssystem 600 an einen Speicher 800 (der ein Festplattenlaufwerk verwendet) übertragen.

Fig. 2 zeigt schematisch ein Aufbaubeispiel für eine Durchsichtausrüstung gemäß einem Ausführungsbeispiel der Erfindung. Wie es in Fig. 2 dargestellt ist, kann die Durchsichtausrüstung 900 ein Bild und ein Erkennungsergebnis, wie im Speicher 800 abgespeichert, unter Verwendung eines Computers 920 anzeigen, der mit einer CRT(Kathodenstrahlröhre)-Anzeige 910 und, falls erforderlich, einer Tastatur 930 versehen ist. Eine Bedienperson kann, wenn das auf der CRT-Anzeige 910 angezeigte Erkennungsergebnis einen Fehler zeigt, dieses fehlerhafte Erkennungsergebnis korrigieren, während sie das auf der CRT-Anzeige 910 angezeigte Bild betrachtet, und dann kann sie das korrigierte Erkennungsergebnis erneut in den Speicher einspeichern.

Nun erfolgt eine detailliertere Beschreibung zur Innenanordnung des Bild verarbeitungssystems 600. Fig. 3 repräsentiert schematisch ein Aufbaubei spiel für ein Bildverarbeitungssystem gemäß einem Ausführungsbeispiel der Erfindung. Fig. 4 zeigt schematisch Aufbaubeispiel für ein neurales Erken nungsnetzwerk gemäß einem Ausführungsbeispiel der Erfindung. Fig. 5 zeigt schematisch eine Verbindungsbeziehung zwischen dem neuralen Erkennungsnetz werk und einem neuralen Netzwerk zur Zuverlässigkeitsbewertung gemäß einem Ausführungsbeispiel der Erfindung. Ein von der CCD-Farbfernsehkamera 500 eingegebenes analoges Bildsignal wird durch einen A/D-Umsetzer 610 in digi tale Bilddaten umgesetzt, die dann an eine Bereichsunterteilungseinheit 620 geliefert werden. Die Bereichsunterteilungseinheit 620 unterteilt ein Bild in einen Hintergrundbereich und einen Objektbereich, und die Bilddaten jedes abgetrennten Objekts werden in einen Bildspeicher 680 eingespeichert. Eine Merkmalsparameter-Berechnungseinheit 630 berechnet einen Merkmalspara meter des abgetrennten Bereichs, der von der Bereichsunterteilungseinheit 620 als Objektbereich abgetrennt wurde. Wenn mehrere Objektbereiche im Bild vorhanden sind, werden jeweils die Merkmalsparameter für diese Objektberei che berechnet. Was die Merkmalsparameter betrifft, werden z. B. die folgen den Größen verwendet: die Fläche des Objektbereichs, sein Umfang, seine Projektionslänge im Bild entlang der X-Achse, eine andere Projektionslänge desselben entlang der Y-Achse sowie die mittlere Farbdichte.

In einer Größenzurückweisungseinheit 640 wird ein mit der Dimension des Objektbereichs, unter den erhaltenen Merkmalsparametern, in Beziehung ste hender Merkmalsparameter verwendet, und für einen Bereich, der kleiner als eine vorbestimmte Größe ist, wird ein Verarbeitungsvorgang weggelassen, der auf den Erkennungsprozess durch das neurale Netzwerk folgt. Da es aufgrund der Auflösung der CCD-Farbfernsehkamera 500 und Einflüssen, wie sie durch die Strömungsgeschwindigkeit der Probe hervorgerufen sind, schwierig ist, ein Objekt mit kleiner Größe korrekt zu klassifizieren, und da ferner die meisten Objekte, die tatsächlich aus der Erkennung ausgeschlossen werden sollten, sehr kleine Komponenten sind, können mittels der Größenzurückwei sungseinheit 640 anschließende überflüssige Verarbeitungsvorgänge ausge schlossen werden. Es ist zu beachten, dass die Größenzurückweisungseinheit 640 jedesmal dann, wenn ein neuer Messmodus ausgewählt wird, sie einen geeigneten Verarbeitungsvorgang auswählen und ausführen muss, da die Ver größerung beim Photographiervorgang und die Strömungsgeschwindigkeit der Probe bei den Messmodi voneinander verschieden sind.

Nun wird ein typischer Verarbeitungsvorgang der Größenzurückweisungseinheit für einen Fall beschrieben, bei dem angenommen ist, dass als Merkmalspara meter für den Objektbereich der Umfang L zum Zurückweisen der Größe verwen det wird. Wie bereits beschrieben, verfügt dieses System über mehrere Mess modi mit verschiedenen Strömungsraten für die Urinproben sowie verschiede nen Vergrößerungen der Objektivlinse 400. Für diesen Fall ist die Anzahl von Messmodi als k angenommen. Dann sind k Werte L₁ bis L_k in einen Spei cher 645 für Zurückweisungsschwellenwert eingespeichert, und eine Auswahl erfolgt mit dem für den Messmodus passenden Wert. Anders gesagt, wird, wenn das System im Messmodus i betrieben wird, der Wert Li als Schwellenwert ausgewählt. Wenn Li mit dem Durchmesser L des Objektbereichs verglichen wird und wenn L < Li gilt, wird der Merkmalsparameter an das neurale Erken nungsnetzwerk 650 übertragen, um in der folgenden Stufe verarbeitet zu werden. Wenn L ≦ Li gilt, wird das Objekt zurückgewiesen, so dass kein Verarbeitungsvorgang in der folgenden Stufe ausgeführt wird, sondern sofort zum Verarbeitungsvorgang für das nächste Objekt übergegangen wird.

Es ist zu beachten, dass bei diesem Beispiel zwar die Verwendung des Durch messers des Objekts beschrieben ist, dass jedoch in ähnlicher Weise ein anderer Merkmalsparameter verwendet werden kann, der die Größe des Objekts anzeigt, dessen Fläche, dessen Projektionslänge entlang der X-Achse oder dessen Projektionslänge entlang der Y-Achse. Alternativ können mehrere Merkmalsparameter kombiniert werden, und es kann der kombinierte Merkmals parameter verwendet werden. Als Beispiel wird nun ein anderer Fall erläu tert, bei dem die Projektionslänge der Px-Achse zusätzlich zum Umfang L verwendet wird. In diesem Fall sind 2k Werte L₁ bis P_xk im Schwellenwert speicher abgespeichert, und wenn das System im Messmodus i betrieben wird, wird der Verarbeitungsvorgang unter Verwendung von Li und Pxi ausgeführt. Wenn L < Li und Px < Pxi gelten, werden die Verarbeitungsvorgänge in der folgenden Stufe ausgeführt. Andernfalls wird kein Verarbeitungsvorgang in der folgenden Stufe ausgeführt, sondern es wird direkt zum Verarbeitungs vorgang für das nächste Objekt übergegangen.

Die obige Erläuterung erfolgte für Fälle, gemäß denen in jeweiligen Messmo di derselbe Merkmalsparameter verwendet wird. Alternativ könnten z. B. in einem Messmodus 1 der Umfang und die Fläche verwendet werden, während in einem Messmodus 2 die Fläche und die Projektionslänge entlang der X-Achse verwendet werden. D. h., dass in jeweiligen Messmodi verschiedene Merkmals parameter verwendet werden können oder dass bei jedem Messmodus anders kombinierte Merkmalsparameter verwendet werden können. Es ist auch zu be achten, dass beim Beispiel zwar die zu verwendenden Schwellenwerte im Spei cher 645 für Zurückweisungsschwellenwerte abgespeichert sind, dass diese Schwellenwerte jedoch vom Benutzer bei Bedarf umgeschrieben werden können. Dabei wird ein Schwellenwert z. B. dadurch spezifiziert, dass die Tastatur 930 der Durchsichtausrüstung 900 verwendet wird und der spezifizierte Schwellenwert von dieser an den Speicher 645 für Zurückweisungsschwellen werte übertragen wird.

Ein Merkmalsparameter zu einem nicht von der Größenzurückweisungseinheit zurückgewiesenen Objekt wird in das neurale Erkennungsnetzwerk 650 eingege ben, um dort erkannt zu werden. Wie es in Fig. 4 veranschaulicht ist, be steht das neurale Erkennungsnetzwerk 650 aus einer Eingangsschicht 651, einer Ausgangsschicht 653 und mehreren verborgenen Schichten 652. In Fig. 4 ist die Anordnung eines neuralen Netzwerks mit q verborgenen Schichten dargestellt, die den Eingangsparameter unter Verwendung von p Werten von Merkmalsparametern in r Klassen (Klassifizierungsgrößen) klassifizieren. Die Eingangsschicht 651 verfügt über dieselbe Anzahl von Knoten, wie Merk malsparameter vorliegen, und in jeden der Knoten wird ein spezieller Merk malsparameter eingegeben. Die Ausgangsschicht 653 verfügt über dieselbe Anzahl wie zu klassifizierende Klassen (Klassifizierungsgrößen) vorliegen, wobei die jeweiligen Knoten den jeweiligen speziellen Klassen (Klassifizie rungsgrößen) entsprechen. Im Fall eines Urinsedimentanalysators existieren z. B. rote Blutzellen, weiße Blutzellen und Epithelzellen als Klassen (Klassifizierungsgrößen). Die verborgene Schicht 652 besteht entweder aus einer einzelnen Schicht oder mehreren Schichten, und jede dieser Schichten verfügt über mehrere Knoten.

Die Eingangsschicht 651 gibt den Eingangswert an die jeweiligen Knoten in der ersten Schicht der verborgenen oder Zwischenschicht 652. Die jeweiligen Knoten der verborgenen Schicht 652 geben eine gewichtete Summe der Aus gangswerte der jeweiligen Knoten der Schichten in den Vorstufen mit festge legt monoton zunehmender Funktion, die als "S-Funktion" bezeichnet wird, ein, und dann geben sie den auf Grundlage der S-Funktion berechneten Wert als Ausgangswert des Knotens aus. Die von den jeweiligen Knoten der verbor genen Schicht 652 und der Ausgangsschicht 653 ausgeführte Berechnung ist durch die folgende Gleichung 1 wiedergegeben:

z = f (Σw_ix_i - Θ) (1).

Es ist zu beachten, dass das Symbol z den Ausgangswert der folgenden Schicht angibt, das Symbol x_i den Ausgangswert des Knotens i der vorange henden Schicht angibt, das Symbol w_i einen Gewichtungswert angibt, das Symbol Θ einen Schwellenwert angibt, das Symbol f die S-Funktion repräsen tiert und die Summierung Σ so ausgeführt wird, dass i von 1 bis n läuft, das Symbol n ist die Anzahl der Knoten in der vorangehenden Schicht. Als Beispiel ist die S-Funktion durch die folgende Gleichung (2) gegeben:

f(x) = 1/{1 + exp(-x)} (2).

Die Funktion des neuralen Netzwerks ist durch den Gewichtungswert Wi und den Schwellenwert Θ definiert, wie bei jedem der Knoten verwendet. Bei diesem Analysator sind verschiedene Gewichtungswerte Wi und verschiedene Schwellenwerte Θ für die jeweiligen Modi im Gewichtungswertspeicher 655 abgespeichert, und die Werte für die jeweiligen Modi werden während des Betriebs in das neurale Erkennungsnetzwerk 650 eingegeben.

Das neurale Erkennungsnetzwerk 650 lernt zuvor unter Verwendung von Trai ningsdaten für jeden Messmodus. Während des Lernvorgangs wird eine große Anzahl von zu den jeweiligen Klassen (Klassifizierungsgrößen) gehörenden Daten bereitgestellt, und wenn ein Merkmalsparameter für ein bestimmtes Bild eingegeben wird, wird das Ausgangssignal des Knotens in der Ausgangs schicht 653, der der Klasse entspricht, zu der dieses Bild gehört, auf 1 eingestellt, wohingegen die Ausgangswerte der anderen Knoten der Ausgangs schicht 653 auf 0 eingestellt werden. Z. B. wird der Lernvorgang auf solche Weise ausgeführt, dass Merkmalsparameter 1 bis p, die aus Bildern berechnet wurden, die zur Klasse 1 gehören, in die jeweiligen Knoten der Eingangs schicht 651 eingegeben werden und dafür gesorgt wird, dass die Ausgangswer te der der Klasse 1 entsprechenden Knoten in der Ausgangsschicht 653 den Wert 1 einnehmen, wohingegen die Ausgangssignale der den Klassen 2 bis r entsprechenden Knoten den Wert 0 einnehmen. Als Lernverfahren für das neu rale Netzwerk kann z. B. das Rückwärtsausbreitungsverfahren verwendet wer den (wie es z. B. in "Neural Network Information Processing", herausgegeben von Sangyo-Tosho, 1988, S. 50 bis 54 beschrieben ist).

Das Ausgangssignal des neuralen Erkennungsnetzwerks 650 wird an die Zuver lässigkeitsbewertungseinheit 660 von Fig. 3 geliefert. Diese beurteilt auf Grundlage eines der im folgenden erörterten Verfahren (1) bis (7), ob die Zuverlässigkeit hinsichtlich des Erkennungsergebnisses hoch ist oder nicht. Nur wenn sie beurteilt, dass die Zuverlässigkeit hoch ist, werden die Aus gangswerte der jeweiligen Ausgangsknoten des neuralen Erkennungsnetzwerks 650 an die Ausgangswert-Umsetzeinheit 690 übertragen, Bilddaten für das Objekt werden aus dem Bildspeicher 680 gelesen, und die gelesenen Bilddaten werden dann in den Bildspeicher 800 eingespeichert. Alternativ kann die Bedienperson eines der unten erörterten Verfahren (1) bis (7) auswählen.

Dabei erfolgt die Auswahl von der Bedienperson z. B. unter Verwendung der Tastatur 930 an der Durchsichtausrüstung 900. Es ist zu beachten, dass beim folgenden neuralen Erkennungsnetzwerk 650 die zu klassifizierende Klasse eine von r Klassen ist, der Ausgangswert jedes Ausgangsknotens der Aus gangsschicht 653 des neuralen Erkennungsnetzwerks 650 Zi(1 ≦ i ≦ r) ist und der Schwellenwert hinsichtlich des Ausgabewerts jedes Ausgangsknotens Si(1 ≦ i ≦ r) ist. Ferner werden die Werte Zi(1 ≦ i ≦ r) in absteigender Reihenfolge sortiert, wobei die Ausgangswerte der Ausgangsknoten zu Z_h1 (für den Maximalwert gilt Z_a = Z_h1), Z_h2 (zweitmaximaler Wert Z_b = Z_h2), Z_h3, . . ., Z_hr (Minimalwert) angenommen sind, denen die Schwellenwerte Si(1 ≦ i < r) hinsichtlich der jeweiligen Ausgangswerte der jeweiligen Ausgangsknoten als S_h1, S_h2, S_h3, . . ., S_hr entsprechen. Wenn z. B. die in absteigender Reihenfolge sortierten Ergebnisse die Werte Z₅ (Maximalwert), Z₃, Z₁, . . . sind, mit h1 = 5, h2 = 3, h3 = 1, . . ., wird Z₅ (Maximalwert) mit S₅ verglichen.

Es sei auch angenommen, dass der der Klasse a (1 ≦ a < r) entsprechende Knoten den Maximalwert Z₁ ausgibt und der Klasse b (1 ≦ b ≦ r) entsprechen de Knoten den zweitmaximalen Wert Z_b ausgibt.

1. Der Schwellenwert Si(1 ≦ i ≦ r) wird so vorab eingestellt und dann, wenn Za < S_a gilt, erfolgt die Beurteilung, dass die Erkennungszuverlässig keit hoch ist. Anders gesagt, wird beurteilt, dass die Erkennungszuverläs sigkeit hoch ist, wenn der Maximalwert unter den Ausgangswerten der jewei ligen Ausgangsknoten der Ausgangsschicht größer als der Schwellenwert ist, der für diesen Ausgangsknoten betreffend die Ausgabe des Maximalwerts ein gestellt ist. Es ist zu beachten, dass Z_a = Z_h1 gilt.
2. Wenn vorab der Schwellenwert Ti(1 ≦ i ≦ r) eingestellt ist und Z_b < T_b gilt, erfolgt die Beurteilung, dass die Erkennungszuverlässigkeit hoch ist. Anders gesagt, wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist, wenn der zweitmaximale Wert unter den Ausgangswerten der jeweiligen Aus gangsknoten der Ausgangsschicht kleiner als der Schwellenwert ist, der für den Ausgangsknoten voreingestellt ist, der den zweitmaximalen Wert ausgeben soll. Es ist zu beachten, dass Z_b = Z_h2 gilt.
3. Wenn der Schwellenwert Ui(1 ≦ i ≦ r) eingestellt wird und wenn (Z_a - Z_b) < U_a gilt, erfolgt die Beurteilung, dass die Erkennungszuverlässigkeit hoch ist. Anders gesagt, wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist, wenn die Differenz zwischen dem Maximalwert und dem zweitmaxima len Wert unter den Ausgangswerten der jeweiligen Ausgangsknoten der Ausgangs schicht größer als der Schwellenwert ist, der für den Ausgangsknoten zum Ausgeben des Schwellenwerts voreingestellt ist. Es ist zu beachten, dass Z_a = Z_h1 und Z_b = Z_h2 gelten.
4. Wenn der Schwellenwert Vi(1 ≦ i ≦ r) vorab eingestellt wird und wenn der aus der Gleichung (3) bezeichnete Wert R der Bedingung R < V_a genügt, wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist. Es ist zu beachten, dass in der Gleichung (3) Z_h1 = Z_a gilt und dass die Summierung Σ für i von 1 bis r ausgeführt wird. Anders gesagt, wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist, wenn das Verhältnis des Maximums unter den Ausgangswerten der jeweiligen Ausgangsknoten der Ausgangsschicht zur Summe der Ausgangswerte der jeweiligen Ausgangsknoten größer als der Schwellenwert ist, der für den Ausgangsknoten zum Ausgeben des Maximalwerts eingestellt ist:
R = Z_h1/{ΣZ_i} (3).
5. Wenn vorab der Schwellenwert Wi(1 ≦ i ≦ r) eingestellt wird und der aus der Gleichung (4) berechnete Wert der Bedingung Q < W_a genügt, wird beur teilt, dass die Erkennungszuverlässigkeit hoch ist. Es ist zu beachten, dass in der Gleichung (4) Z_h1 = Z_a gilt und dass die Summierung Σ für i von 1 bis r ausgeführt wird. Anders gesagt, wird beurteilt, dass die Erken nungszuverlässigkeit hoch ist, wenn Q kleiner als der Schwellenwert ist, der für den Ausgangsknoten zum Ausgeben des Maximalwerts unter den Aus gangswerten der Ausgangsknoten der Ausgangsschicht eingestellt ist:
Q = (Z_h1 - 1)² + Σ(Z_hi)² (4)
In diesem Fall entspricht der berechnete Wert Q dem Quadrat des geometri schen Abstands (Summe der quadrierten Differenzen der jeweiligen Komponen ten) zwischen dem idealen Ausgangsvektor (Z_a = 1, Z_i = 0, i ≠ a) und dem tatsächlichen Ausgangsvektor, wenn angenommen ist, dass die Kombination der Ausgangswerte des neuralen Erkennungsnetzwerks 650 als Vektor angesehen wird.
6. Es werden mehrere der vorstehend beschriebenen Bedingungen (1) bis (5) ausgewählt, und nur dann, wenn beurteilt wird, dass die Zuverlässigkeit hinsichtlich aller ausgewählter Bedingungen hoch ist, wird der Ausgangswert des neuralen Erkennungsnetzwerks 650 an die Ausgangswert-Umsetzeinheit 690 übertragen. Wenn z. B. die Bedingungen (1) und (3) verwendet werden, wird beurteilt, dass die Erkennungszuverlässigkeit hoch ist, wenn die Schwellen werte Si und Ui (1 ≦ i < r) vorab eingestellt sind und Z_a < S_a gilt und auch (Z_a - Z_b) < U_a gilt. Anders gesagt, wählt die Bedienperson aus den vorstehend erläuterten Bedingungen (1) bis (5) mehrere Bedingungen aus, und nur dann, wenn die Beurteilung erfolgt, dass die Zuverlässigkeit bei allen ausgewählten Bedingungen hoch ist, wird beurteilt, dass die Erkennungszu verlässigkeit hoch ist.
7. Alternativ kann als Maßnahme zum Bewerten der Erkennungszuverlässigkeit ein anderes neurales Netzwerk zum Bewerten der Zuverlässigkeit, das sich vom vorstehend beschriebenen neuralen Netzwerk 650 unterscheidet, verwendet werden. Für diesen Fall ist die Verbindungsbeziehung zwischen dem neuralen Netzwerk 650 und einem anderen neuralen Netzwerk 661 zur Zuverlässigkeits bewertung in Fig. 5 dargestellt. Das dabei verwendete neurale Zuverlässig keitsbewertungsnetzwerk verfügt über einen Eingangsknoten zum Eingeben des Ausgangswerts Zi(1 ≦ i ≦ r) des neuralen Netzwerks 650 sowie über r + 1 Ausgangsknoten. Nun sei angenommen, dass r Ausgangsknoten den jeweiligen Klassen entsprechen und der restliche eine Knoten dazu verwendet wird, "Klassifizierung unmöglich" anzuzeigen, wobei dann, wenn hohe Wahrschein lichkeit für fehlerhafte Klassifizierung besteht, ein großer Wert ausgege ben wird. Das neurale Zuverlässigkeitsbewertungsnetzwerk 661 führt einen Lernvorgang wie folgt aus. Es sei angenommen, dass die Merkmalsparameter verschiedener Testmuster (alternativ können Muster verwendet werden, wie sie beim Trainieren des neuralen Netzwerks 650 verwendet werden) nach dem Lernvorgang in das neurale Netzwerk 650 eingegeben werden und der dabei auftretende Ausgangswert als Eingangswert des neuralen Zuverlässigkeitsbe wertungsnetzwerks 661 verwendet wird. Dann wird, wenn die vom neuralen Netzwerk 650 ausgeführte Erkennung korrekt ist, ein solcher Sollausgangs wert an das neurale Zuverlässigkeitserkennungsnetzwerk geliefert, dass der dieser Klasse entsprechende Ausgangsknoten den Wert 1 einnimmt und die anderen Ausgangsknoten den Wert 0 einnehmen. Wenn die vom neuralen Netzwerk 650 ausgeführte Erkennung fehlerhaft ist, wird diejenige erwünschte Aus gangsinformation an das neurale Zuverlässigkeitsbewertungsnetzwerk gelie fert, dass der "Klassifizierung unmöglich" repräsentierende Ausgangsknoten den Wert 1 einnimmt und die anderen Ausgangsknoten den Wert 0 einnehmen.

Wenn tatsächliche Erkennung ausgeführt wird, wird der Merkmalsparameter des Objektbilds in das neurale Netzwerk 650 eingegeben, und die Ausgangswerte der jeweiligen Ausgangsknoten desselben werden in das neurale Zuverlässig keitsbewertungsnetzwerk 661 eingegeben. Wenn der Knoten zum Ausgeben des Maximalwerts unter den jeweiligen Ausgangswerten ein anderer Knoten als der Knoten für "Klassifizierung unmöglich" ist, wird beurteilt, dass die Erken nungszuverlässigkeit hoch ist. Anders gesagt, wird beurteilt, dass die Erkennungszuverlässigkeit niedrig ist, wenn der Knoten zum Ausgeben des Maximalwerts unter den jeweiligen Ausgangswerten im Knoten für "Klassifi zierung unmöglich" entspricht. Obwohl in diesem Fall die Anzahl der Aus gangsknoten des neuralen Zuverlässigkeitsbewertungsnetzwerks zu r + 1 ange nommen ist, kann die Anzahl der Ausgangsknoten kleiner als r + 1 gewählt werden, solange diese Ausgangsknoten einen Knoten für die Beurteilung "Klassifizierung unmöglich" aufweisen.

Wenn die Verfahren (1) bis (6) verwendet werden, werden für die Messmodi jeweils verschiedene Schwellenwerte verwendet, die in den Speicher 665 für Zuverlässigkeitsschwellenwerte eingespeichert werden. Alternativ können für die jeweiligen Messmodi jeweils verschiedene Verfahren verwendet werden.

In der Ausgabewert-Umsetzeinheit 690 werden die jeweiligen Ausgangsknoten mit den Ausgangsgrößen in Beziehung gesetzt, und das Klassifizierungsergeb nis wird an die Zähleinheit 670 und den Speicher 800 übertragen. Wenn bei diesem System angenommen wird, dass die Anzahl der Ausgangsknoten des neu ralen Erkennungsnetzwerks 650 r ist und die Anzahl der tatsächlich vom System zu klassifizierenden Einzelobjekte t ist, gilt r ≧ t. Anders gesagt, werden, wenn das Klassifizierungsergebnis ausgegeben wird, r Ausgangsknoten des neuralen Erkennungsnetzwerks 650 mit der Anzahl zu klassifizierender Größen (Klassen) in Beziehung gesetzt. Diese Beziehungsvorgehensweise ist in einer Umsetzungstabelle 695 abgespeichert. In der Ausgabewert-Umsetzein heit 690 wird der Ausgangsknoten des neuralen Erkennungsnetzwerks 650, der den maximalen Ausgangswert liefert, mit der Klasse in Beziehung gesetzt, während auf den Inhalt der Umsetztabelle 695 Bezug genommen wird. Wenn ein Ausgangsknoten, für den in der Umsetztabelle 695 keine entsprechende Klasse beschrieben ist, unter den Knoten des neuralen Erkennungsnetzwerks 650 den Maximalwert ausgibt, wird keine Klassifizierung ausgeführt, was entspre chend wie der Fall gehandhabt wird, dass die Erkennungszuverlässigkeit niedrig ist. Der Inhalt dieser Umsetzungstabelle 695 kann z. B. mittels der Tastatur 630 der Durchsichtausrüstung 900 umgeschrieben werden. Es werden mehrere Arten von Umsetztabellen vorbereitet, und dann werden die verschie denen Umsetzungstabellen entsprechend den jeweiligen Messmodi ausgewählt. Der Grund, weswegen ein derartiger Vorgang ausgeführt wird, ist der, dass klinikabhängig verschiedene Verfahren zum Klassifizieren von Harnsedimenten ausgeführt werden. D. h., dass die Einzelobjekte im neuralen Erkennungs netzwerk 650 mit genauen Klassifizierungen klassifiziert werden, wohingegen in der Ausgangswert-Umsetzeinheit 690 einige Klassifizierungsklassen des neuralen Erkennungsnetzwerks 650 so kombiniert werden, dass ein Einzelob jekt gebildet ist, so dass eine Klassifizierung ausgeführt werden kann, die für die Klassifizierungsverfahren jeweiliger Kliniken geeignet ist. In diesem Fall können, da der Inhalt der Umsetzungstabelle 695 umschreibbar ist, die Klassifizierungsgrößen für die jeweiligen Krankenhäuser leicht geändert werden.

Die Zähleinheit 670 verfügt über Zähler, deren Anzahl derjenigen der zu klassifizierenden Klassen (Klassifizierungsgrößen) entspricht, und sie inkrementiert den Wert des Zählers, der der in der Ausgangswert-Umsetzein heit 690 klassifizierten Größe entspricht. Wenn die Messung hinsichtlich einer untersuchten Probe abgeschlossen ist, wird der Inhalt des Zählers an die Ausgabeeinrichtung 700 übertragen, und die Werte der jeweiligen Zähler werden auf 0 zurückgesetzt. Jedesmal dann, wenn die Messung hinsichtlich einer untersuchten Probe abgeschlossen ist, gibt die Ausgabeeinrichtung 700 aus, wieviele Sedimentkomponenten jeder Klassengröße ermittelt werden konn ten. Hinsichtlich dieser untersuchten Probe ist im Speicher 800 die Menge von Objekten abgespeichert, die ermittelt, jedoch nicht klassifiziert wur den, z. B. die Menge von Objekten, die wegen ihrer Größe zurückgewiesen wurden, und die Anzahl von Objekten, die aufgrund geringer Zuverlässigkeit aus der Klassifizierung ausgeschlossen wurden. Anders gesagt, ist im Spei cher die Anzahl ermittelter, jedoch nicht klassifizierter Erkennungsobjekte (Muster), für die kein Erkennungsergebnis erzielt werden konnte, abgespei chert.

Fig. 1 ist ein Flussdiagramm, das die vorstehend beschriebenen Verarbei tungsvorgänge veranschaulicht, wie sie im Urinsedimentanalysator mit dem Mustererkennungssystem gemäß dem einen Ausführungsbeispiel der Erfindung ausgeführt werden. D. h., dass Fig. 1 den Prozessablauf für ein gerade untersuchtes Objekt zeigt. Nun erfolgt eine Beschreibung für diesen Verar beitungsablauf:

- Schritt S1: Zu Initialisierungszwecken wird der Zähler der Zähleinheit 670 gelöscht (zurückgesetzt), das Größenzurückweisungsverfahren wird ausge wählt, der Größenzurückweisungs-Schwellenwert wird in den Speicher 645 für Zurückweisungsschwellenwerte eingeschrieben, hinsichtlich der Zuverlässig keitsbewertungseinrichtung wird der Zuverlässigkeitsbewertungs-Schwellen wert in den Speicher 665 für Zuverlässigkeitsschwellenwerte eingeschrieben, und es wird die Ausgabewert-Umsetztabelle 695 ausgewählt.
- Schritt S2: Das Objekt wird photographiert und das photographierte Bild wird eingegeben.
- Schritt S3: Das Bildsignal wird A/D-umgesetzt.
- Schritt S4: Es erfolgt eine Bereichsunterteilung zum Unterteilen des Bildsignals in den Objektbereich und den Hintergrundbereich.
- Schritt S5: Überprüfen, ob ein unverarbeiteter Objektbereich vorhanden ist, da Fälle existieren, bei denen mehrere unabhängige Objekte (Bereiche) in einem einzelnen Bild vorhanden sind. Wenn kein unbearbeiteter Objektbe reich vorliegt, wird ein Verarbeitungsvorgang gemäß einem Schritt S13 aus geführt. Wenn ein unbearbeiteter Objektbereich vorliegt, werden Verarbei tungsvorgänge ausgeführt, wie sie in den auf den Schritt S6 folgenden Schritten definiert sind.
- Schritt S6: Berechnen des Bildmerkmalsparameters für den interessierenden Objektbereich.
- Schritt S7: Zurückweisen eines Objekts mit kleinerer Größe als einer vorbestimmten Größe unter Verwendung von Werten, die die Abmessung des Objektbereichs anzeigen, z. B. der Fläche, des Umfangs oder einer Projekti onslänge, die zu den Bildmerkmalsparametern gehören. Wenn eine Zurückwei sung vorgenommen wird, kehrt der Verarbeitungsvorgang zum Schritt S5 zu rück, in dem die Verarbeitung für einen im Bild verbliebenen Objektbereich erfolgt. Wenn keine Zurückweisung aufgrund der Größe erfolgt, wird der im Schritt S8 definierte Verarbeitungsvorgang ausgeführt.
- Schritt S8: Eingabe des Merkmalsparameters in das neurale Erkennungsnetz werk 650, damit dieser klassifiziert wird.
- Schritt S9: Beurteilen, unter Bezugnahme auf die Ausgangswerte des neura len Erkennungsnetzwerks 650, ob die Klassifizierungszuverlässigkeit hoch ist oder nicht. Die Beurteilung, ob die Klassifizierungszuverlässigkeit hoch ist oder nicht, wird unter Verwendung eines beliebigen der obenangege benen Verfahren (1) bis (7) ausgeführt. Wenn beurteilt wird, dass die Zu verlässigkeit gering ist, wird der im Schritt S5 definierte Verarbeitungs vorgang ausgeführt, in dem die im Bild enthaltenen restlichen Objektberei che verarbeitet werden. Wenn beurteilt wird, dass die Zuverlässigkeit hoch ist, wird der Verarbeitungsvorgang gemäß dem folgenden Schritt S10 ausge führt.
- Schritt S10: Ausführen einer Ausgangswertumsetzung, durch die die jewei ligen Ausgangsknoten des neuralen Erkennungsnetzwerks 650 in Beziehung zur jeweiligen Klassifizierungsgröße gesetzt werden.
- Schritt S11: Zählen, wieviele Objekte der jeweiligen Klassifizierungsgrö ßen von der Zähleinheit 670 ermittelt wurden.
- Schritt S12: Sowohl das Objektbild als auch das Erkennungsergebnis werden in den Speicher 800 eingespeichert. Nachdem die Verarbeitungsvorgänge bis zum Schritt S12 abgeschlossen sind, kehrt der Ablauf erneut zum Schritt S5 zurück, in dem der Verarbeitungsvorgang für die restlichen im Bild enthal tenen Objektbereiche ausgeführt wird.
- Schritt S13: Es wird beurteilt, ob die Messung für die gerade untersuchte Probe abgeschlossen ist oder nicht. Wenn die Messung abgeschlossen ist, werden die Verarbeitungsvorgänge beendet. Wenn dagegen die Messung nicht abgeschlossen ist, kehrt der Ablauf zum Schritt S2 zurück, in dem ein Bild neu eingegeben wird, und dann werden die Verarbeitungsvorgänge gemäß den obenbeschriebenen Schritten ausgeführt.

Während als Ausführungsbeispiel für ein erfindungsgemäßes Mustererkennungs system ein Urinsedimentanalysator beschrieben ist, ist die Erfindung nicht hierauf beschränkt, sondern sie kann z. B. bei verschiedenen Blutbildklas sifizierungen verwendet werden, z. B. bei Klassifizierung für rote Blutzel len oder solchen für weiße Blutzellen. Die Erfindung kann auch bei solchen Systemen angewandt werden, die die Außenform einer Pflanze, die Außenform eines Blatts einer Pflanze oder die Form eines Mikroorganismus klassifizie ren.

Bei Mustererkennungssystemen können zwar häufig erscheinende Objekte mehr oder weniger stark zurückgewiesen werden, jedoch ist es erforderlich, dass selten auftretende Objekte nicht übersehen werden. Selten auftretende Ob jekte sollten also so wenig wie möglich zurückgewiesen werden. Insbesondere ist es bei Urinsedimentuntersuchungen, wie sie oben beschrieben sind, wir kungsvoll, dass Erkennungsergebnisse dadurch zurückgewiesen werden, dass entsprechende Schwellenwerte für die Ausgangswerte für die jeweiligen Aus gangsknoten des neuralen Netzwerks eingestellt werden. Bei einer Urinsedi mentuntersuchung sollte hinsichtlich auftretender Objekte z. B. die folgen de Maßnahme vorhanden sein. Als Ergebnis eines Vergleichs zwischen der Koinzidenzrate beim Verfahren, gemäß dem keine Zurückweisung eines Erken nungsergebnisses erfolgt, und der Koinzidenzrate beim obenerläuterten Ver fahren (1) zum Ausführen einer Zurückweisung von Erkennungsergebnissen, betrug die erstgenannte Koinzidenzrate ungefähr 60% und die zweitgenannte Koinzidenzrate ungefähr 90%. Dieser Vergleich wurde für dasselbe Untersu chungsobjekt ausgeführt. Die Koinzidenzrate ist eine Rate, bei der das durch das Analysatorsystem erzielte Klassifizierungsergebnis und das durch Beobachtung erzielte Klassifizierungsergebnis für alle Objekte gleich sind. Infolgedessen entsprach das durch das Analysatorsystem erhaltene Klassifi zierungsergebnis ungefähr dem durch Beobachtung erhaltenen Klassifizie rungsergebnis.

Claims

1. Mustererkennungssystem mit Netzwerkaufbau (650) zur Klassifizierung eines Objekts unter Zuordnung zu einem Klas sifizierungsgegenstand, aufweisend:
eine Eingangsschicht (651) zum Eingeben von Merkmalspa rametern des Objekts,
eine verborgene Schicht (652) zum Verarbeiten der Merk malsparameter,
eine Ausgangsschicht (653) zum Erzeugen eines Erken nungsergebnisses,
eine Speichereinrichtung (800) zum Speichern des Erken nungsergebnisses, und
eine Zuverlässigkeitsbewertungseinrichtung (660) zum Be werten der Zuverlässigkeit des Erkennungsergebnisses,
dadurch gekennzeichnet, daß
die Ausgangsschicht (653) Ausgangsknoten aufweist, die den einzelnen Klassifizierungsgegenständen entsprechen,
die Speichereinrichtung (800) als Erkennungsergebnis den Klassifizierungsgegenstand des Ausgangsknotens mit dem größ ten Ausgangswert vermerkt, wenn die Zuverlässigkeitsbewer tungseinrichtung (660) eine hohe Zuverlässigkeit des Erken nungsergebnisses feststellt,
ein Speicher (665) zum Speichern eines Zuverlässigkeits schwellenwerts für jeden Ausgangsknoten vorgesehen ist, und
die Zuverlässigkeitsbewertungseinrichtung (660) die Zu verlässigkeit des Erkennungsergebnisses aufgrund des Aus gangswerts und des Zuverlässigkeitsschwellenwerts jedes Aus gangsknotens ermittelt.

2. System nach Anspruch 1, wobei die Zuverlässigkeitbewer tungseinrichtung (660) eine hohe Zuverlässigkeit feststellt, wenn der größte Ausgangswert der Ausgangsknoten größer als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert ist.

3. System nach einem der vorhergehenden Ansprüche, wobei die Zuverlässigkeitsbewertungseinrichtung (660) eine hohe Zu verlässigkeit feststellt, wenn der zweitgrößte Ausgangswert der Ausgangsknoten kleiner als der Zuverlässigkeitsschwellen wert des Ausgangsknotens mit dem zweitgrößten Ausgangswert ist.

4. System nach einem der vorhergehenden Ansprüche, wobei die Zuverlässigkeitsbewertungseinrichtung (660) eine hohe Zu verlässigkeit feststellt, wenn die Differenz zwischen dem größten und dem zweitgrößten Ausgangswert der Ausgangsknoten größer als der Zuverlässigkeitsschwellenwert des Ausgangskno tens mit dem größten Ausgangswert ist.

5. System nach einem der vorhergehenden Ansprüche, wobei die Zuverlässigkeitsbewertungseinrichtung (660) eine hohe Zu verlässigkeit feststellt, wenn das Verhältnis des größten Ausgangswerts der Ausgangsknoten zur Summe der Ausgangswerte der Ausgangsknoten größer als der Zuverlässigkeitsschwellen wert des Ausgangsknotens mit dem größten Ausgangswert ist.

6. System nach einem der vorhergehenden Ansprüche, wobei die Zuverlässigkeitsbewertungseinrichtung (660) die Differenz zwischen dem Ausgangswert jedes Ausgangsknotens und einem zu gehörigen Vergleichswert, der für den jeweiligen Ausgangskno ten bei einem idealen Erkennungergebnis gelten würde, berech net und eine hohe Zuverlässigkeit feststellt, wenn die Summe der Quadrate der Differenzen kleiner als der Zuverlässig keitsschwellenwert des Ausgangsknotens mit dem größten Aus gangswert ist.

7. System nach einem der vorhergehenden Ansprüche, wobei die Zuverlässigkeitsbewertungseinrichtung (660) eine hohe Zu verlässigkeit feststellt, wenn mehrere der folgenden Bedin gungen (1) bis (5) erfüllt sind:

1. der größte Ausgangswert der Ausgangsknoten ist grö ßer als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert,
2. der zweitgrößte Ausgangswert der Ausgangsknoten ist kleiner als der Zuverlässigkeitsschwellenwert des Ausgangs knotens mit dem zweitgrößten Ausgangswert,
3. die Differenz zwischen dem größten und dem zweit größten Ausgangswert der Ausgangsknoten ist größer als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert,
4. das Verhältnis zwischen dem größten Ausgangswert und der Summe der Ausgangswerte der Ausgangsknoten ist größer als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert, und
5. die Summe der Quadrate der Differenzen zwischen dem Ausgangswert jedes Ausgangsknotens und einem zugehörigen Ver gleichswert, der für den jeweiligen Ausgangsknoten bei einem idealen Erkennungsergebnis gelten würde, ist kleiner als der Zuverlässigkeitsschwellenwert des Ausgangsknotens mit dem größten Ausgangswert.

8. System nach Anspruch 7 mit einer Eingabeeinrichtung (930), mit der eine Bedienungsperson eine Kombination mehre rer Bedingungen auswählen kann.

9. System nach einem der vorhergehenden Ansprüche mit einer Eingabeeinrichtung (930), mit der eine Bedienungsperson die jeweiligen Zuverlässigkeitsschwellenwerte einstellen kann.

10. System nach einem der vorhergehenden Ansprüche, mit ei ner Ausgangswert-Umsetzeinheit (690) zur Zuordnung der ein zelnen Ausgangsknoten zu auszugebenden Klassifizierungsgegen ständen mittels einer Umsetztabelle (695), die eine Beziehung zwischen den einzelnen Ausgangsknoten und den auszugebenden Klassifizierungsgegenständen enthält.

11. System nach einem der vorhergehenden Ansprüche, das einen Harnsedimentanalysator mit einem Bildaufnahmesystem dar stellt, das eine Strömungszelle (100), eine Impulslampe (300) und eine optische Vergrößerungseinrichtung (400) beinhaltet, wobei eine Urinprobe mit festen Komponenten in die Strömungs zelle strömt, Licht der Impulslampe auf ein Teilchen strahlt, das durch einen Photographierbereich in der Strömungszelle läuft, unter Verwendung der optischen Vergrößerungseinrich tung ein vergrößertes Bild des Teilchens aufgenommen wird und dieses als Objekt der Mustererkennung unterworfen wird.