JP2020121503A - 印刷装置、機械学習装置、機械学習方法、印刷制御プログラム - Google Patents

Abstract

【課題】印刷媒体の種類を容易に判別可能にする。【解決手段】印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを用いて機械学習した学習済モデルを記憶する記憶部と、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと前記学習済モデルとを用いて、印刷媒体の種類を判別する印刷制御部と、を備える印刷装置を構成する。【選択図】図１

Description

本発明は、印刷装置、機械学習装置、機械学習方法、印刷制御プログラムに関する。

従来、印刷媒体の物性値に基づいて印刷媒体の種類を判別することが知られている。例えば特許文献１には、印刷媒体の表面を読み取って得られた画像データから算出した空間周波数毎の振幅スペクトルに基づいて印刷媒体の種類を判別することが記載されている。より具体的には、振幅スペクトルが一定以上となる周波数の総数を、空間周波数領域を分割した領域（ＤＣ領域、低周波領域、高周波領域）毎に算出し、各領域における総数と閾値とを比較することで印刷媒体の種類を判別することが記載されている。

特開２０１１−１３７９３８号公報

しかし、印刷媒体の物性値と閾値とを比較して印刷媒体の種類を判別する構成の場合、当該閾値が適切でなければ、印刷媒体の判別率が低下する。印刷媒体の種類毎に適切な閾値等の判別条件を定める作業は容易ではない。
本発明は、印刷媒体の種類を判別することを目的とする。

上記目的を達成するための印刷装置は、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを用いて機械学習した学習済モデルを記憶する記憶部と、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと学習済モデルとを用いて、印刷媒体の種類を判別する印刷制御部と、を備える。
本印刷装置は、印刷媒体の反射率、透過率、画像データのうちの少なくとも１つに基づいて印刷媒体の種類を判別することができる。また、本印刷装置は、機械学習モデルを用いて印刷媒体の種類を判別する構成であるため、印刷媒体の種類を判別するための判別条件を人間が定める必要がなく、媒体種の判別条件を容易に得ることができる。また、印刷媒体の反射率、透過率、画像データ等の複数の物性値に基づいて印刷媒体の種類を判別する機械学習モデルを構成した場合、印刷媒体の種類を正確に判別できる可能性を高めることができる。

上記目的を達成するための印刷装置は、印刷媒体の反射率は、光源から発せられ印刷媒体の表面で反射した光の分光反射率であり、印刷媒体の透過率は、光源から発せられ印刷媒体を透過した光の分光透過率である構成であってもよい。
本構成によれば、印刷媒体の分光反射率（波長に応じた反射率の特性）および分光透過率（波長に応じた透過率の特性）の少なくともいずれかに基づいて印刷媒体の種類を判別することができる。

上記目的を達成するための印刷装置は、印刷媒体の反射率は、印刷媒体に対して撮像部と同じ側に位置する光源から印刷媒体を照射した状態で印刷媒体の表面を撮像して得られた画像データに基づいて算出され、印刷媒体の透過率は、印刷媒体に対して撮像部の反対側に位置する光源から印刷媒体を照射した状態で印刷媒体の表面を撮像して得られた画像データに基づいて算出される構成であってもよい。
本構成によれば、撮像部によって撮像された画像データに基づいて算出された反射率および透過率の少なくともいずれかに基づいて印刷媒体の種類を判別することができる。

上記目的を達成するための印刷装置は、教師データにおいては、印刷媒体の表面を撮像した画像データに基づいて取得された、印刷媒体の表面の粗さ、紙目のうちの少なくとも１つと、印刷媒体の種類とが対応付けられている構成であってもよい。
本構成によれば、印刷媒体を撮像して得られた印刷媒体の表面の粗さおよび紙目の少なくともいずれかに基づいて印刷媒体の種類を判別するための機械学習モデルを構成することができる。

上記目的を達成するための印刷装置は、印刷制御部は、判別された印刷媒体の種類に応じた印刷パラメーターで印刷を実行する構成であってもよい。
印刷媒体の種類に応じた印刷パラメーターで印刷を実行することにより、印刷品質が低下する可能性を低減することができる。

上記目的を達成するための機械学習装置は、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを取得する教師データ取得部と、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像した得られた画像データ、のうちの少なくとも１つを入力し、印刷媒体の種類を出力するモデルを、教師データに基づいて機械学習する学習部と、を備える。
本構成によれば、印刷媒体の反射率、透過率、画像データのうちの少なくとも１つに基づいて印刷媒体の種類を判別する機械学習モデルを得ることができる。

上記目的を達成するための機械学習方法は、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを取得し、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像した得られた画像データ、のうちの少なくとも１つを入力し、印刷媒体の種類を出力するモデルを、教師データに基づいて機械学習する。
この方法によれば、印刷媒体の反射率、透過率、画像データのうちの少なくとも１つに基づいて印刷媒体の種類を判別する機械学習モデルを得ることができる。

上記目的を達成するための印刷制御プログラムは、コンピューターを、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを用いて機械学習した学習済モデルを記憶する記憶部、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと学習済モデルとを用いて、印刷媒体の種類を判別する印刷制御部、として機能させる。
本プログラムを実行することにより、コンピューターは、印刷媒体の反射率、透過率、画像データのうちの少なくとも１つに基づいて印刷媒体の種類を判別することができる。

印刷装置と機械学習装置のブロック図。 印刷媒体の反射率，透過率，画像データを取得する構成を示す模式図。 分光反射率特性の一例を示す図。 機械学習処理のフローチャート。 機械学習モデルの入力と出力を示す図。 印刷制御処理のフローチャート。

ここでは、下記の順序に従って本発明の実施の形態について説明する。
（１）プリンターの構成：
（２）機械学習装置の構成：
（３）印刷制御処理：
（４）他の実施形態：

（１）プリンターの構成：
図１は、本発明の実施形態にかかる印刷装置として機能するプリンター１０の構成を示すブロック図である。プリンター１０は、ＣＰＵ，ＲＡＭ等を備えるプロセッサー２０と不揮発性メモリー３０とを備えており、不揮発性メモリー３０に記録された印刷制御プログラム等の種々のプログラムをプロセッサー２０で実行することができる。

本実施形態にかかるプリンター１０は、インクジェット方式のプリンターである。プリンター１０は、キャリッジ４０、ＬＥＤ４３、通信部５０、搬送機構６０を備えている。通信部５０は、プリンター１０に装着された各種のリムーバブルメモリーや、有線または無線でプリンター１０に接続された他の装置と各種の通信プロトコルに従って通信するための通信インターフェース回路を含む。プロセッサー２０は、通信部５０を介して接続された後述する機械学習装置１００と通信可能である。また、プロセッサー２０は、通信部５０を介して接続されたリムーバブルメモリーや他の装置から印刷対象のデータを取得することができる。

搬送機構６０は、印刷媒体を既定の方向に搬送する装置である。プロセッサー２０は、搬送機構６０を制御して、既定の手順で印刷媒体を搬送することができる。キャリッジ４０には、印刷部４１とセンサー４２とが搭載されている。プロセッサー２０は、キャリッジ４０を特定の方向に沿って往復移動させることが可能である。プリンター１０においては、印刷媒体から所定の距離が維持された状態でキャリッジ４０が特定の方向に移動されるように構成されている。

印刷部４１は、ＣＭＹＫ（Ｃ：シアン、Ｍ：マゼンタ、Ｙ：イエロー、Ｋ：ブラック）の４種類のインクを吐出する印刷ヘッドと、印刷ヘッドに装着されたＣＭＹＫ各色のインクのインクタンクとを備えている。むろん、インクの色や色数は一例であり、他の色のインクや他の色数が利用されても良い。印刷ヘッドは、吐出ノズルを備えている。同色のインクの吐出ノズルは、キャリッジ４０の移動方向と直交する方向に複数個並んでノズル列を構成する。各色のノズル列は、キャリッジ４０が移動する方向に並ぶ。プロセッサー２０は、各吐出ノズルからのインク吐出量や吐出タイミング等を制御することができる。

従って、キャリッジ４０を特定の方向に移動させる過程で吐出ノズルから各色のインクが吐出されることにより、印刷媒体に画像を印刷することができる。そして、搬送機構６０による印刷媒体の搬送と、キャリッジ４０の移動および印刷ヘッドからのインクの吐出とを繰り返すことにより、印刷媒体における印刷可能範囲の任意の位置に画像を印刷することが可能である。本実施形態においては、印刷媒体が搬送される方向を副走査方向、キャリッジ４０が移動する方向を主走査方向と呼ぶ。

センサー４２は、印刷部４１によって印刷が行われる印刷媒体の反射率と透過率と画像データを取得することが可能なセンサーユニットである。本実施形態においてセンサー４２は、印刷部４１の吐出ヘッドに対して主走査方向に隣接した状態でキャリッジ４０に備えられている。従って、プロセッサー２０は、キャリッジ４０を移動させることにより、センサー４２を主走査方向に移動させることができる。このような構成により、本実施形態においては、センサー４２が移動することにより、主走査方向における印刷媒体上の任意の位置を視野に含めることができる。本実施形態においては、センサー４２による測定結果を印刷媒体の種類を判別するために使用する。

図２は、センサー４２の構造を模式的に示す図である。図２においては、センサー４２と印刷媒体Ｐとを模式的に示しており、副走査方向をｙ方向、印刷面に垂直な方向をｚ方向として示している。従って、主走査方向は、ｙ方向およびｚ方向に垂直な図面の奥行き方向である。本実施形態においては、主走査方向をｘ方向とも呼ぶ。

本実施形態にかかるセンサー４２は、図２に示すように、筐体４２ａを備えており、筐体４２ａによってセンサー４２の内部に空間が形成されている。筐体４２ａの内部には、エリアセンサー４２ｂ（撮像部）と、ＬＥＤ４２ｃと、レンズ４２ｄと、受光素子４２ｅと、分光素子４２ｆとが備えられている。エリアセンサー４２ｂは、２次元的に配置されたセンサー素子を備えている。各センサー素子はＲＧＢ（Ｒ：レッド、Ｇ：グリーン、Ｂ：ブルー）の各色のフィルターを通して各色の明るさを読み取り、明るさを出力するセンサーである。

ＬＥＤ４２ｃは、印刷媒体に光を照射する光源である。ＬＥＤ４２ｃから出力された光は筐体４２ａに形成された開口４２ａ１を通って印刷媒体Ｐで反射し、反射光が開口４２ａ１，レンズ４２ｄを通ってエリアセンサー４２ｂのセンサー素子に結像する。従って、エリアセンサー４２ｂは、ＬＥＤ４２ｃで照明された印刷媒体Ｐを読み取ることができる。図２においては、ＬＥＤ４２ｃから印刷媒体Ｐ上の読み取り範囲に照射される光の光路と、印刷媒体Ｐからレンズ４２ｄを通ってエリアセンサー４２ｂに達する光の光路との一部を濃い灰色の一点鎖線の矢印で示している。プロセッサー２０は、エリアセンサー４２ｂの各センサー素子で読み取られたＲＧＢの各色の明るさに基づいて、印刷媒体Ｐの表面の画像を読み取ることができる。このようにして読み取られた印刷媒体Ｐの表面の画像は、印刷媒体Ｐの表面の微細な凹凸や模様や繊維配列等を示している。

本実施形態においてエリアセンサー４２ｂは、既定のサイズの矩形の読み取り範囲を既定の解像度で読み取る。プロセッサー２０は、ＲＧＢの各色について縦Ｈ画素×横Ｗ画素分の階調値を画像データとして取得することができる。

また、図２の濃い灰色の二点鎖線の矢印に示すように、ＬＥＤ４２ｃから照射された光は、筐体４２ａに形成された開口４２ａ２を通って印刷媒体Ｐの表面で反射し、反射光が開口４２ａ２，分光素子４２ｆを通って受光素子４２ｅに入射する。分光素子４２ｆは、プロセッサー２０の制御信号に応じて透過する光の波長を切り換えることができる。プロセッサー２０は、分光素子４２ｆにおいて透過波長を複数種類（例えば１０ｎｍ毎）に変化させた状態で受光素子４２ｅに入射した光の強度をそれぞれ測定する。測定した光の強度とＬＥＤ４２ｃから照射される光の強度との比に基づいてプロセッサー２０は反射率を算出する。以上のように、プロセッサー２０は、印刷媒体Ｐの分光反射率データ（光の波長に応じた反射率を示すデータ）を取得することができる。

図３は、上述のように取得した分光反射率の一例を示すグラフである。印刷媒体の種類に応じて反射率の特性が異なる。蛍光増白剤が使用されていない白い紙の場合は、例えばｒ１のように各波長域において反射率の変化は少ない傾向がある。一方、蛍光増白剤が使用されている白い紙の場合、例えばｒ２のように短波長域において反射率が上昇する傾向がある。このように、印刷媒体Ｐの分光反射率は、印刷媒体Ｐの表面の色情報や、蛍光増白剤の有無等の情報を含んでいる。

図２に示すように、ＬＥＤ４３は、印刷媒体Ｐを挟んで受光素子４２ｅの反対側から印刷媒体Ｐに光を照射する光源である。本実施形態においてＬＥＤ４３は、プリンター１０の筐体内に固定されている。図２の薄い灰色の二点鎖線の矢印に示すように、ＬＥＤ４３から照射された光は、印刷媒体Ｐを透過し、開口４２ａ２，分光素子４２ｆを通って受光素子４２ｅで受光される。プロセッサー２０は、分光素子４２ｆにおいて透過波長を複数種類（例えば１０ｎｍ毎）に変化させた状態で受光素子４２ｅに入射した光の強さをそれぞれ測定する。測定した光の強さとＬＥＤ４３から照射される光の強さとの比に基づいてプロセッサー２０は透過率を算出する。以上のようにして、プロセッサー２０は、印刷媒体Ｐの分光透過率データ（波長に応じた透過率を示すデータ）を取得することができる。印刷媒体Ｐの分光透過率は、印刷媒体Ｐの厚さや坪量等と相関する情報を含んでいる。印刷媒体の種類に応じて透過率の特性も異なる。

なお、印刷媒体Ｐの分光反射率を測定する際には、プロセッサー２０はＬＥＤ４２ｃを点灯し、ＬＥＤ４３を消灯する。なお、印刷媒体Ｐの分光透過率を測定する際には、プロセッサー２０は、ＬＥＤ４３から照射された光が開口４２ａ２を通って分光素子４２ｆおよび受光素子４２ｅに入射する位置にキャリッジ４０を移動させ、ＬＥＤ４２ｃを消灯しＬＥＤ４３を点灯して、測定を行う。なお、エリアセンサー４２ｂにて印刷媒体Ｐの表面を読み取る際には、プロセッサー２０はＬＥＤ４２ｃを点灯してＬＥＤ４３を消灯する。

印刷媒体の種類を判別するための機械学習モデルを、後述する機械学習装置１００において生産するにあたり、プリンター１０では、判別対象の複数の印刷媒体のそれぞれについて、上述の画像データ，分光反射率データ，分光透過率データが取得される。以降では、画像データと分光反射率データと分光透過率データをまとめて媒体データと呼ぶ。プロセッサー２０は、印刷媒体の種類毎に取得された媒体データと、印刷媒体の種類と、を対応付けた教師データ１３０ｂを、後述する機械学習装置１００に通信部５０を介して送信する。また、プロセッサー２０は、機械学習装置１００において教師データ１３０ｂを用いた機械学習の結果生成された学習済モデル３０ａを、通信部５０を介して取得し、不揮発性メモリー３０（記憶部）に記憶させる。

印刷制御部２１は、印刷媒体に印刷を行う機能をプロセッサー２０に実現させるプログラムである。印刷制御部２１の機能によりプロセッサー２０は、印刷媒体に印刷を実行する前にセンサー４２等を制御して当該印刷媒体の媒体データを取得し、媒体データを学習済モデル１３０ａに入力して出力結果を得る。そしてプロセッサー２０は、出力結果に基づいて印刷媒体の種類を判別する。

（２）機械学習装置の構成：
次に、機械学習装置１００の構成を、図１を参照しながら説明する。機械学習装置１００は、プリンター１０から収集した教師データ１３０ｂに基づいて機械学習を行い、機械学習の結果得られた学習済モデル１３０ａをプリンター１０に出力するコンピューターである。なお、教師データ１３０ｂを複数のプリンターから収集し、学習済モデル１３０ａを複数のプリンターに配布する構成であってもよい。機械学習装置１００は、ＣＰＵ，ＲＡＭ，ＲＯＭを備える制御部１２０、記録媒体１３０、通信部１５０を備える。むろん、機械学習にＧＰＵや機械学習用に設計された各種のプロセッサーが利用されても良い。

制御部１２０は、記録媒体１３０に記録された図示しない機械学習プログラムを実行することにより、教師データ取得部１２１，学習部１２２として機能し、機械学習に関連した機能を実行することができる。

制御部１２０は、教師データ取得部１２１の機能により、教師データ１３０ｂを取得する機能を実行可能である。教師データ１３０ｂは、プリンター１０から機械学習装置１００に送信される。本実施形態において、機械学習装置１００がプリンター１０から取得した教師データ１３０ｂは、印刷媒体の媒体データと印刷媒体の種類とを対応付けたデータである。制御部１２０は、プリンター１０から教師データ１３０ｂを受信すると、記録媒体１３０に蓄積する。既定量の教師データ１３０ｂが蓄積されると、印刷媒体の媒体データから印刷媒体の種類を判別するモデルを機械学習によって生成することができる。

図４は機械学習処理を示すフローチャートである。機械学習処理は、既定量の教師データ１３０ｂが蓄積された後、任意のタイミングで実行されてよい。機械学習処理が開始されると、制御部１２０は、学習部１２２の機能により、訓練モデル１３０ｄを取得する（ステップＳ１００）。ここで、モデルとは、推定対象のデータと推定結果のデータとの対応関係を導出する式を示す情報である。本実施形態においては推定対象のデータが印刷媒体の媒体データであり、印刷媒体の種類が推定結果のデータであるモデルを例にして説明する。

入力データを出力データに変換する限りにおいて、モデルは種々の定義が可能である。図５は本実施形態において利用されるモデルの一例を模式的に示した図である。本実施形態においては、印刷媒体の表面を撮像して得られた画像データについては、ＣＮＮ（Convolutional Neural Network）を用いる。同図においては、ＣＮＮによるデータフォーマットの変化を直方体で示しており、通常のニューラルネットワークのノードを白丸で示している。

本実施形態のモデルは、印刷媒体の表面を撮像して得られた画像データをＣＮＮの入力層Ｌ_ｉ１への入力データとし、層Ｌ_ｎ１から画像データに関する中間出力データを出力する。ＣＮＮに入力する画像データは縦Ｈピクセル、横Ｗピクセルであり、各ピクセルについてＲ：赤、Ｇ：緑、Ｂ：青の３チャンネルの階調値が規定されている。従って、図５において入力層Ｌ_ｉ１の画像は縦Ｈ，横Ｗ，奥行き３の直方体で模式的に示されている。図５においては、画像が入力層に入力された後、ＣＮＮを経て、すなわち、所定の大きさおよび数のフィルターによる畳み込み演算、活性化関数による演算およびプーリング層の演算を経てＨ_１１×Ｗ_１１×Ｄ_１１個の出力値に変換される例を示している。図５においては、この後、複数の層（図示省略）を経てＨ_ｍ１×Ｗ_ｍ１×Ｄ_ｍ１個の出力値に変換される例を示している。ＣＮＮによってＨ_ｍ１×Ｗ_ｍ１×Ｄ_ｍ１個の出力値が得られた後、全結合によって層Ｌ_ｎ１に画像データに関する中間出力データを示す出力値が得られる。

また、本実施形態のモデルには、一定波長毎の反射率を入力するノードが設けられている。本実施形態においては、分光反射率データが示す一定波長毎の分光反射率を入力層Ｌ_ｉ２の各ノードへの入力データとし、層Ｌ_ｎ２から分光反射率データに関する中間出力データを出力する。なお、反射率は０以上１以下の値である。また、本実施形態のモデルには、一定波長毎の透過率を入力するノードが設けられている。本実施形態においては、分光透過率データが示す一定波長毎の分光透過率を入力層Ｌ_ｉ３の各ノードへの入力データとし、層Ｌ_ｎ３から分光透過率データに関する中間出力データを出力する。透過率は０以上１以下の値である。出力層Ｌ_ｏの各ノードは、層Ｌ_ｎ１、Ｌ_ｎ２、Ｌ_ｎ３の各ノードの出力値を入力とする。出力層Ｌ_ｏの各ノードは、判別対象とする印刷媒体の種類（Ｐ１，Ｐ２，Ｐ３，…Ｐｎ）に対応している。出力層Ｌ_ｏの各ノードの出力値の和は１になるように規格化される。なお、層Ｌ_ｎ１、Ｌ_ｎ２、Ｌ_ｎ３と出力層Ｌ_ｏとの間は多階層であってもよい。出力層Ｌ_ｏにおいて出力値が最も大きいノードに対応する印刷媒体の種類が、入力層Ｌ_ｉ１〜Ｌ_ｉ３に入力された各データを取得した印刷媒体の種類であると推定可能である。

図４に示すフローチャートにおけるステップＳ１００では、訓練モデルを取得する。ここで、訓練とは、学習対象であることを示す。すなわち、訓練モデルにおいては、印刷媒体の媒体データを入力し、印刷媒体の種類を出力するが、上述の媒体データと印刷媒体の種類との対応関係は初期において正確ではない。すなわち、訓練モデルにおいては、ノードが構成する層の数やノードの数は決められるが、入出力の関係を規定するパラメーター（重みやバイアス等）は最適化されていない。これらのパラメーターは、機械学習の過程で最適化される（すなわち、訓練される）。

訓練モデルは、予め決定されていても良いし、機械学習装置１００を操作するオペレーターが、機械学習装置１００が備えるＵＩ部（不図示）を操作して入力することによって取得されても良い。いずれにしても、制御部１２０は、図５に示す例のように、印刷媒体の上述の媒体データに基づいて当該印刷媒体の種類を出力するニューラルネットワークのパラメーターを訓練モデルとして取得する。

次に、制御部１２０は、学習部１２２の機能により、教師データを取得する（ステップＳ１０５）。本実施形態においては、上述のように教師データ１３０ｂが予めプリンター１０から送信され、記録媒体１３０に記録されている。そこで、制御部１２０は、記録媒体１３０を参照して教師データ１３０ｂを取得する。次に、制御部１２０は、学習部１２２の機能により、テストデータを取得する（ステップＳ１１０）。本実施形態においては、教師データ１３０ｂから、その一部が抽出されてテストデータになる。テストデータは訓練に利用されない。

次に、制御部１２０は、学習部１２２の機能により、初期値を決定する（ステップＳ１１５）。すなわち、制御部１２０は、ステップＳ１００で取得した訓練モデルのうち、可変のパラメーターに対して初期値を与える。初期値は、種々の手法で決定されて良い。例えば、ランダム値や０等を初期値とすることができ、重みとバイアスとで異なる思想で初期値が決定されても良い。むろん、学習の過程でパラメーターが最適化されるように初期値が調整されても良い。

次に、制御部１２０は、学習部１２２の機能により、学習を行う（ステップＳ１２０）。すなわち、制御部１２０は、ステップＳ１００で取得した訓練モデルにステップＳ１０５で取得した教師データ１３０ｂにおける媒体データを入力し、出力層Ｌ_ｏの出力値を計算する。また、制御部１２０は、出力された印刷媒体の種類と教師データ１３０ｂが示す印刷媒体の種類との誤差を示す損失関数によって誤差を特定する。そして、制御部１２０は、損失関数のパラメーターによる微分に基づいてパラメーターを更新する処理を既定回数繰り返す。例えば、印刷媒体（Ｐ１）の媒体データと、印刷媒体（Ｐ１）と、が対応付けられた教師データがある場合、印刷媒体（Ｐ１）の媒体データをモデルに入力して得られる出力（Ｐ１，Ｐ２，Ｐ３，…Ｐｎ）が（１，０，０，…０）に近づくようにパラメーターが更新される。

むろん、損失関数は、種々の関数を採用可能であり、例えば、交差エントロピー誤差などを採用可能である。以上のような損失関数を算出する処理は、教師データ１３０ｂに含まれる画像の全てまたは一部について実施され、その平均や総和によって１回の学習における損失関数が表現される。１回の学習における損失関数が得られたら、制御部１２０は、既定の最適化アルゴリズム、例えば、確率的勾配降下法等によってパラメーターを更新する。

以上のようにして、既定回数のパラメーターの更新が行われると、制御部１２０は、訓練モデルの汎化が完了したか否かを判定する（ステップＳ１２５）。すなわち、制御部１２０は、ステップＳ１１０で取得したテストデータが示す画像データを訓練モデルに入力して設定を示す出力を取得する。そして、制御部１２０は、出力された設定と、テストデータに対応づけられた設定とが一致している度合いを取得する。本実施形態において、制御部１２０は、当該一致している度合いが閾値以上である場合に汎化が完了したと判定する。

なお、汎化性能の評価に加え、ハイパーパラメーターの妥当性の検証が行われてもよい。すなわち、重みとバイアス以外の可変量であるハイパーパラメーター、例えば、ノードの数等がチューニングされる構成において、制御部１２０は、検証データに基づいてハイパーパラメーターの妥当性を検証しても良い。検証データは、ステップＳ１１０と同様の処理により、教師データから抽出されても良い。むろん、検証データもテストデータと同様に、訓練には使用されない。

ステップＳ１２５において、訓練モデルの汎化が完了したと判定されない場合、制御部１２０は、ステップＳ１２０を繰り返す。すなわち、さらに重みおよびバイアスを更新する。一方、ステップＳ１２５において、訓練モデルの汎化が完了したと判定された場合、制御部１２０は、学習済モデルを記録する（ステップＳ１３０）。すなわち、制御部１２０は、訓練モデルを学習済モデル１３０ａとして記録媒体１３０に記録する。そして制御部１２０は、通信部１５０を介してプリンター１０に学習済モデル１３０ａを送信する。

以上の構成によれば、プリンター１０において印刷を実施しようとする印刷媒体の種類を判別するためのモデル（学習済モデル１３０ａ）を生産することができる。

（３）印刷制御処理：
次に、プリンター１０において実施される印刷制御処理について説明する。図６は、印刷制御部２１の機能によってプロセッサー２０が実行する印刷制御処理のフローチャートである。本実施形態において、印刷媒体はロール紙の形態であることを想定している。図６の印刷制御処理は、ユーザーがプリンター１０にロール紙をセットした状態（センサー４２の視野内に印刷媒体が到達している状態）で、印刷実行を指示した場合に実行される。なお、機械学習装置１００から上述のようにして生産された学習済モデル１３０ａは、不揮発性メモリー３０に記憶済みであることを前提としている。

印刷制御処理が開始されると、プロセッサー２０は、画像データと分光反射率データと分光透過率データを取得する（ステップＳ２０５）。すなわち、プロセッサー２０は、ＬＥＤ４２ｃを点灯しＬＥＤ４３を消灯した状態でエリアセンサー４２ｂによって印刷媒体Ｐの表面を撮像させ、表面の画像データを取得する。また、プロセッサー２０は、ＬＥＤ４２ｃを点灯しＬＥＤ４３を消灯した状態で、分光素子４２ｆにおける透過波長を切り換えながら各波長における光の強さを測定し、反射率を取得する。また、プロセッサー２０は、ＬＥＤ４２ｃを消灯し、ＬＥＤ４３を点灯した状態で、分光素子４２ｆにおける透過波長を切り換えながら各波長における光の強さを測定し、透過率を取得する。

続いてプロセッサー２０は、ステップＳ２０５で取得した各データと学習済モデル１３０ａを用いて印刷媒体の種類を判別する（ステップＳ２１０）。すなわちプロセッサー２０は、取得した各データを学習済モデル１３０ａに入力し、出力値を得る。プロセッサー２０は、学習済モデル１３０ａの出力値に基づいて、印刷媒体の種類を判別する。例えば、モデルの出力層Ｌ_ｏから得られた出力値（Ｐ１，Ｐ２，Ｐ３，…Ｐｎ）が（０．９，０．０１，０．０１，…０．００５）である場合、プロセッサー２０は、セットされている印刷媒体の種類がＰ１であると判定する。

続いてプロセッサー２０は、ステップＳ２１０で判別された印刷媒体の種類に応じた印刷パラメーターで印刷を実行する（ステップＳ２１５）。印刷パラメーター３０ｂは、例えば、インク吐出量、インク乾燥のためのヒーターの温度、搬送機構６０の各部品に関する搬送パラメーター（例えば、メディアテンションに関するパラメーター）等を想定してよい。

プロセッサー２０は、通信部５０を介して印刷対象のデータを取得し、当該データをプリンター１０における印刷に適した形式の印刷データであって、印刷媒体の種類に応じて最適化された印刷データに変換する。この際も、印刷媒体の種類に応じたインク吐出量となるように変換される。また、プロセッサー２０は、印刷媒体の種類に応じた搬送パラメーターで印刷媒体を搬送しながら、印刷部４１にインク滴を吐出させ、印刷媒体の種類に応じたヒーターの温度で印刷媒体上のインクを乾燥させる。このように、本実施形態によれば、印刷媒体の種類に応じた印刷パラメーターで印刷を実行することにより、印刷品質が低下する可能性を低減することができる。

（４）他の実施形態：
以上の実施形態は本発明を実施するための一例であり、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを用いて機械学習した学習済モデルと、上述のうちの少なくとも１つとを用いて、印刷媒体の種類を判別する限りにおいて、他にも種々の実施形態を採用可能である。例えば、印刷機能と画像読取機能とを有する複合機において、コピー（原稿を読み取って原稿を示す画像を印刷媒体に印刷する）を実施する際に本発明が適用されてもよい。

また例えば、教師データ取得部１２１や学習部１２２は、プリンター１０に備えられても良い。すなわち、印刷装置が機械学習装置を兼ねていても良い。また、印刷媒体は、ロール紙、カット紙等どのような形態であってもよい。印刷媒体は、紙であってもよいし紙以外の素材であってもよい。

センサー４２は、プリンター１０において印刷媒体Ｐにインクが吐出される前に各データを取得できることが望ましい。センサー４２は、キャリッジ４０に搭載されていてもよいし、キャリッジ４０に搭載されていなくてもよい。印刷媒体の搬送経路において、キャリッジ４０よりも上流側に設けられても良い。透過率測定用のＬＥＤは、印刷装置の筐体に固定されていてもよいし、例えば主走査方向に移動可能に設置されていてもよい。

なお、印刷装置における印刷方式は、インクジェット方式に限定されない。電子写真方式等その他の方式であってもよい。印刷パラメーターは、印刷方式に応じた種々のパラメーターを想定してよい。
分光反射率や分光透過率は、可視光の波長域について測定されてもよいし、非可視光の波長域について測定されてもよい。

さらに、印刷媒体の反射率は、印刷媒体に対して撮像部と同じ側に位置する光源から印刷媒体を照射した状態で印刷媒体の表面を撮像して得られた画像データに基づいて算出される構成であってもよい。すなわち、画像データの各画素の階調値に基づいて印刷媒体の反射率を算出してもよい。例えば、エリアセンサー４２ｂの撮像範囲の全体、または、そのうちの特定の領域においてそれぞれ得られた階調値の平均値を算出し、ＬＥＤ４２ｃが照射する光に対応する階調値との比に基づいて、印刷媒体の反射率を算出してもよい。ＲＧＢの各色について反射率が算出されてもよいし、特定の色について算出されてもよい。

また、印刷媒体の透過率は、印刷媒体に対して撮像部の反対側に位置する光源から印刷媒体を照射した状態で印刷媒体の表面を撮像して得られた画像データに基づいて算出される構成であってもよい。すなわち、画像データの各画素の階調値に基づいて印刷媒体の透過率を算出してもよい。例えば、ＬＥＤ４３から照射された光が直接、レンズ４２ｄを通ってエリアセンサー４２ｂに入射するようにキャリッジ４０を移動させた状態でエリアセンサー４２ｂに印刷媒体Ｐを撮像させてもよい。そして、エリアセンサー４２ｂの撮像範囲の全体、または、そのうちの特定の領域においてそれぞれ得られた階調値の平均値を算出し、ＬＥＤ４３が照射する光に対応する階調値との比に基づいて印刷媒体の透過率を算出してもよい。ＲＧＢの各色について透過率が算出されてもよいし、特定の色について算出されてもよい。

教師データにおいては、印刷媒体の表面を撮像した画像データに基づいて取得された、印刷媒体の表面の粗さ、紙目のうちの少なくとも１つと、印刷媒体の種類とが対応付けられている構成であってもよい。印刷媒体の表面の画像データには紙の繊維配列を示す微細な凹凸の像が含まれる。当該画像データの画素値を用いたフーリエ変換によって、印刷媒体表面のｘ方向における凹凸の周波数成分と印刷媒体表面のｙ方向における凹凸の周波数成分とを導出することができる。さらに、ｘ方向の周波数成分およびｙ方向の周波数成分のそれぞれが既定値以上になる領域（例えば、低周波領域、中周波数領域、高周波領域等）を導出することができる。ｘ方向およびｙ方向における当該領域は、印刷媒体の表面の粗さを示すデータである。また、ｘ方向における周波数領域と、ｙ方向における周波数領域との相違から、印刷媒体の紙目（縦目または横目）を導出することができる。このようにして導出した、印刷媒体の表面の粗さを示すデータや紙目を示すデータが教師データに含まれていてもよい。紙目は、モデルへの入力側のデータとして採用されてもよいし、モデルの出力側のデータとして採用されてもよい。後者の場合、モデルの出力ノードは、例えば、Ｐ１（縦目）、Ｐ１（横目）、Ｐ２（縦目）、Ｐ２（横目）…のように、印刷媒体の種類および紙目毎に設けられても良い。

さらに、本発明のように、印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを用いて機械学習した学習済モデルと、上述のうちの少なくとも１つとを用いて、印刷媒体の種類を判別する手法は、プログラムや方法（機械学習方法）としても適用可能である。また、以上のようなシステム、プログラム、方法は、単独の装置として実現される場合もあれば、複数の装置が備える部品を利用して実現される場合もあり、各種の態様を含むものである。また、一部がソフトウェアであり一部がハードウェアであったりするなど、適宜、変更可能である。さらに、システムを制御するプログラムの記録媒体としても発明は成立する。むろん、そのプログラムの記録媒体は、磁気記録媒体であってもよいし半導体メモリーであってもよいし、今後開発されるいかなる記録媒体においても全く同様に考えることができる。

１０…プリンター、２０…プロセッサー、２１…印刷制御部、３０…不揮発性メモリー、３０ａ…学習済モデル、３０ｂ…印刷パラメーター、４０…キャリッジ、４１…印刷部、４２…センサー、４２ａ…筐体、４２ａ１…開口、４２ａ２…開口、４２ｂ…エリアセンサー、４２ｄ…レンズ、４２ｅ…受光素子、４２ｆ…分光素子、４３…ＬＥＤ、５０…通信部、６０…搬送機構、１００…機械学習装置、１２０…制御部、１２１…教師データ取得部、１２２…学習部、１３０…記録媒体、１３０ａ…学習済モデル、１３０ａ…モデル、１３０ｂ…教師データ、１３０ｄ…訓練モデル、１５０…通信部、Ｐ…印刷媒体

Claims (8)

1. 印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを用いて機械学習した学習済モデルを記憶する記憶部と、
   印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと前記学習済モデルとを用いて、印刷媒体の種類を判別する印刷制御部と、
   を備える印刷装置。
2. 印刷媒体の反射率は、光源から発せられ印刷媒体の表面で反射した光の分光反射率であり、
   印刷媒体の透過率は、光源から発せられ印刷媒体を透過した光の分光透過率である、
   請求項１に記載の印刷装置。
3. 印刷媒体の反射率は、印刷媒体に対して撮像部と同じ側に位置する光源から印刷媒体を照射した状態で印刷媒体の表面を撮像して得られた画像データに基づいて算出され、
   印刷媒体の透過率は、印刷媒体に対して撮像部の反対側に位置する光源から印刷媒体を照射した状態で印刷媒体の表面を撮像して得られた画像データに基づいて算出される、
   請求項１または請求項２に記載の印刷装置。
4. 前記教師データにおいては、印刷媒体の表面を撮像した画像データに基づいて取得された、印刷媒体の表面の粗さ、紙目のうちの少なくとも１つと、印刷媒体の種類とが対応付けられている、
   請求項１〜請求項３のいずれかに記載の印刷装置。
5. 前記印刷制御部は、判別された印刷媒体の種類に応じた印刷パラメーターで印刷を実行する、
   請求項１〜請求項４のいずれかに記載の印刷装置。
6. 印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを取得する教師データ取得部と、
   印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像した得られた画像データ、のうちの少なくとも１つを入力し、印刷媒体の種類を出力するモデルを、前記教師データに基づいて機械学習する学習部と、
   を備える機械学習装置。
7. 印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを取得し、
   印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像した得られた画像データ、のうちの少なくとも１つを入力し、印刷媒体の種類を出力するモデルを、前記教師データに基づいて機械学習する、
   機械学習方法。
8. コンピューターを、
   印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと、印刷媒体の種類とを対応付けた教師データを用いて機械学習した学習済モデルを記憶する記憶部、
   印刷媒体の反射率、印刷媒体の透過率、印刷媒体の表面を撮像して得られた画像データ、のうちの少なくとも１つと前記学習済モデルとを用いて、印刷媒体の種類を判別する印刷制御部、
   として機能させる印刷制御プログラム。