CN111497443B - 印刷装置、机器学习装置、机器学习方法 - Google Patents

印刷装置、机器学习装置、机器学习方法 Download PDF

Info

Publication number
CN111497443B
CN111497443B CN202010075238.6A CN202010075238A CN111497443B CN 111497443 B CN111497443 B CN 111497443B CN 202010075238 A CN202010075238 A CN 202010075238A CN 111497443 B CN111497443 B CN 111497443B
Authority
CN
China
Prior art keywords
print medium
medium
printing
transmittance
reflectance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010075238.6A
Other languages
English (en)
Other versions
CN111497443A (zh
Inventor
鹿川祐一
多津田哲男
仓根治久
浮田衡
片山茂宪
塚田和成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seiko Epson Corp
Original Assignee
Seiko Epson Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Seiko Epson Corp filed Critical Seiko Epson Corp
Publication of CN111497443A publication Critical patent/CN111497443A/zh
Application granted granted Critical
Publication of CN111497443B publication Critical patent/CN111497443B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1278—Dedicated interfaces to print systems specifically adapted to adopt a particular infrastructure
    • G06F3/1285—Remote printer device, e.g. being remote from client or server
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
    • B41J2/00—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed
    • B41J2/005—Typewriters or selective printing mechanisms characterised by the printing or marking process for which they are designed characterised by bringing liquid or particles selectively into contact with a printing material
    • B41J2/01—Ink jet
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41J—TYPEWRITERS; SELECTIVE PRINTING MECHANISMS, i.e. MECHANISMS PRINTING OTHERWISE THAN FROM A FORME; CORRECTION OF TYPOGRAPHICAL ERRORS
    • B41J29/00—Details of, or accessories for, typewriters or selective printing mechanisms not otherwise provided for
    • B41J29/38—Drives, motors, controls or automatic cut-off devices for the entire printing mechanism
    • B41J29/393—Devices for controlling or analysing the entire machine ; Controlling or analysing mechanical parameters involving printing of test patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
    • G06F3/1203—Improving or facilitating administration, e.g. print management
    • G06F3/1204—Improving or facilitating administration, e.g. print management resulting in reduced user or operator actions, e.g. presetting, automatic actions, using hardware token storing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
    • G06F3/1203—Improving or facilitating administration, e.g. print management
    • G06F3/1205—Improving or facilitating administration, e.g. print management resulting in increased flexibility in print job configuration, e.g. job settings, print requirements, job tickets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1202—Dedicated interfaces to print systems specifically adapted to achieve a particular effect
    • G06F3/1203—Improving or facilitating administration, e.g. print management
    • G06F3/1208—Improving or facilitating administration, e.g. print management resulting in improved quality of the output result, e.g. print layout, colours, workflows, print preview
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/12—Digital output to print unit, e.g. line printer, chain printer
    • G06F3/1201—Dedicated interfaces to print systems
    • G06F3/1223—Dedicated interfaces to print systems specifically adapted to use a particular technique
    • G06F3/1237—Print job management
    • G06F3/1253—Configuration of print job parameters, e.g. using UI at the client
    • G06F3/1254—Automatic configuration, e.g. by driver
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K15/00—Arrangements for producing a permanent visual presentation of the output data, e.g. computer output printers
    • G06K15/02—Arrangements for producing a permanent visual presentation of the output data, e.g. computer output printers using printers
    • G06K15/021—Adaptations for printing on specific media
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

一种印刷装置、机器学习装置、机器学习方法，能够容易地判别印刷介质的种类。所述印刷装置构成为具备存储部以及印刷控制部，所述存储部存储已学习模型，所述已学习模型是使用将印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与印刷介质的种类建立了对应关系的教师数据而进行了机器学习的已学习模型，所述印刷控制部使用印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与所述已学习模型来判别印刷介质的种类。

Description

印刷装置、机器学习装置、机器学习方法
技术领域
本发明涉及印刷装置、机器学习装置、机器学习方法。
背景技术
以往，已知基于印刷介质的物理性质值来判别印刷介质的种类。例如在专利文献1中记载了基于从读取印刷介质的表面而得到的图像数据算出的每个空间频率的振幅谱来判别印刷介质的种类。更具体而言，记载了如下内容，在分割了空间频率区域的每个区域(DC区域、低频区域、高频区域)算出振幅谱成为一定以上的频率的总数，并通过比较各区域中的总数与阈值来判别印刷介质的种类。
专利文献1：日本特开2011-137938号公报
其中，在比较印刷介质的物理性质值与阈值来判别印刷介质的种类的结构中，若该阈值不恰当，则印刷介质的判别率下降。针对印刷介质的每个种类设定恰当的阈值等判别条件的作业并不容易。
发明内容
本发明的目的在于判别印刷介质的种类。
为达成上述目的的印刷装置具备：存储部，存储已学习模型，所述已学习模型是使用将印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与印刷介质的种类建立了对应关系的教师数据而进行了机器学习的已学习模型；以及印刷控制部，使用印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与所述已学习模型来判别印刷介质的种类。
本印刷装置能够基于印刷介质的反射率、透过率、图像数据中的至少一个来判别印刷介质的种类。另外，由于本印刷装置是使用机器学习模型来判别印刷介质的种类的结构，因此不需要由人去设定用于判别印刷介质的种类的判别条件，从而能够容易地得到介质的种类的判别条件。另外，在构成了基于印刷介质的反射率、透过率、图像数据等多个物理性质值来判别印刷介质的种类的机器学习模型的情况下，能够提高正确地判别印刷介质的种类的可能性。
为达成上述目的的印刷装置也可以是如下结构，印刷介质的反射率是从光源发出且在印刷介质的表面反射的光的分光反射率，印刷介质的透过率是从光源发出且透过了印刷介质的光的分光透过率。
根据该结构，能够基于印刷介质的分光反射率(与波长相应的反射率的特性)以及分光透过率(与波长相应的透过率的特性)中的至少任意一个来判别印刷介质的种类。
为达成上述目的的印刷装置也可以是如下结构，印刷介质的反射率是基于在从相对于印刷介质位于与拍摄部相同侧的光源照射印刷介质的状态下拍摄印刷介质的表面而得到的图像数据算出的，印刷介质的透过率是基于在从相对于印刷介质位于拍摄部的相反侧的光源照射印刷介质的状态下拍摄印刷介质的表面而得到的图像数据算出的。
根据该结构，能够基于反射率以及透过率中的至少任意一个来判别印刷介质的种类，反射率以及透过率是基于由拍摄部拍摄的图像数据而算出的。
为达成上述目的的印刷装置也可以是如下结构，在所述教师数据中，基于拍摄印刷介质的表面得到的图像数据而获取的印刷介质的表面的粗糙度、纸张纹理中的至少一个与印刷介质的种类建立了对应关系。
根据该结构，能够构成基于拍摄印刷介质而得到的印刷介质的表面的粗糙度以及纸张纹理中的至少任意一个用于判别印刷介质的种类的机器学习模型。
为达成上述目的的印刷装置也可以是如下结构，所述印刷控制部以与所判别的印刷介质的种类相应的印刷参数来执行印刷。
通过以与印刷介质的种类相应的印刷参数执行印刷，能够降低印刷品质下降的可能性。
为达成上述目的的机器学习装置具备：教师数据获取部，获取将印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与印刷介质的种类建立了对应关系的教师数据；以及学习部，基于所述教师数据，对输入印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个而输出印刷介质的种类的模型进行机器学习。
根据该结构，能够得到基于印刷介质的反射率、透过率、图像数据中的至少一个来判别印刷介质的种类的机器学习模型。
为达成上述目的的机器学习方法获取将印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与印刷介质的种类建立了对应关系的教师数据，基于所述教师数据，对输入印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个而输出印刷介质的种类的模型进行机器学习。
根据该方法，能够得到基于印刷介质的反射率、透过率、图像数据中的至少一个来判别印刷介质的种类的机器学习模型。
为达成上述目的的印刷控制程序使计算机作为存储部以及印刷控制部发挥作用，所述存储部存储使用将印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与印刷介质的种类建立了对应关系的教师数据进行了机器学习的已学习模型，所述印刷控制部使用印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与已学习模型来判别印刷介质的种类。
通过执行本程序，计算机能够基于印刷介质的反射率、透过率、图像数据中的至少一个来判别印刷介质的种类。
附图说明
图1是印刷装置和机器学习装置的框图。
图2是示出获取印刷介质的反射率、透过率，图像数据的结构的示意图。
图3是示出分光反射率特性的一例的图。
图4是机器学习处理的流程图。
图5是示出机器学习模型的输入和输出的图。
图6是印刷控制处理的流程图。
附图标记说明
10…打印机；20…处理器；21…印刷控制部；30…非易失性存储器； 30a…已学习模型；30b…印刷参数；40…滑架；41…印刷部；42…传感器；42a…框体；42a1…开口；42a2…开口；42b…区域传感器；42d…透镜； 42e…受光元件；42f…分光元件；43…LED；50…通信部；60…输送机构； 100…机器学习装置；120…控制部；121…教师数据获取部；122…学习部； 130…记录介质；130a…已学习模型；130b…教师数据；130d…训练模型； 150…通信部；P…印刷介质。
具体实施方式
在此，按照以下顺序对本发明的实施的方式进行说明。
(1)打印机的结构：
(2)机器学习装置的结构：
(3)印刷控制处理：
(4)其他实施方式：
(1)打印机的结构：
图1是示出作为本发明的实施方式所涉及的印刷装置来发挥作用的打印机10的结构的框图。打印机10具备具有CPU、RAM等的处理器20 以及非易失性存储器30，通过处理器20能够执行记录于非易失性存储器 30中的印刷控制程序等各种程序。
本实施方式所涉及的打印机10是喷墨方式的打印机。打印机10具备滑架40、LED43、通信部50以及输送机构60。通信部50包括用于与安装于打印机10的各种可移动存储器或以有线或无线的方式连接于打印机10的其他装置按照各种通信协议而进行通信的通信接口电路。处理器20 能够与经由通信部50而连接的后述的机器学习装置100通信。另外，处理器20能够从经由通信部50而连接的可移动存储器或其他装置获取印刷对象的数据。
输送机构60是将印刷介质向既定的方向输送的装置。处理器20控制输送机构60，能够按照既定的顺序输送印刷介质。在滑架40搭载有印刷部41和传感器42。处理器20能够使滑架40沿特定的方向进行往返移动。在打印机10中构成为滑架40以从印刷介质维持了预定的距离的状态向特定的方向进行移动。
印刷部41具备喷出CMYK(C：青、M：品红、Y：黄、K：黑)4 种墨的印刷头以及安装于印刷头的CMYK各种颜色的墨的墨盒。当然，墨的颜色或颜色数量只是一例，也可以利用其他颜色的墨或其他颜色数量。印刷头具备喷出喷嘴。相同颜色的墨的喷出喷嘴在与滑架40的移动方向正交的方向上排列多个从而构成喷嘴列。各种颜色的喷嘴列在滑架40移动的方向上排列。处理器20能够控制来自各喷出喷嘴的墨喷出量和喷出时刻等。
由此，通过在使滑架40向特定的方向移动的过程中从喷出喷嘴喷出各种颜色的墨，从而能够在印刷介质上印刷图像。并且，通过反复进行基于输送机构60的印刷介质的输送、滑架40的移动以及来自印刷头的墨的喷出，能够在印刷介质中的可印刷范围的任意的位置印刷图像。在本实施方式中，将输送印刷介质的方向称为副扫描方向，将滑架40移动的方向称为主扫描方向。
传感器42是能够获取通过印刷部41进行印刷的印刷介质的反射率、透过率以及图像数据的传感器单元。在本实施方式中，滑架40具备传感器42，且所述传感器42是以相对于印刷部41的喷出头在主扫描方向上邻接的状态。由此，处理器20通过使滑架40移动，能够使传感器42向主扫描方向移动。通过这样的结构，在本实施方式中，传感器42进行移动，由此能够将主扫描方向的印刷介质上的任意的位置包含在视野中。在本实施方式中，将基于传感器42的测量结果用于判别印刷介质的种类。
图2是示意性地示出传感器42的结构的图。在图2中，示意性地示出传感器42和印刷介质P，将副扫描方向表示为y方向，将垂直于印刷面的方向表示为z方向。由此，主扫描方向是垂直于y方向以及z方向的附图的进深方向。在本实施方式中，也将主扫描方向称为x方向。
本实施方式所涉及的传感器42如图2所示具备框体42a，通过框体 42a在传感器42的内部形成有空间。在框体42a的内部具备区域传感器 42b(拍摄部)、LED42c、透镜42d、受光元件42e以及分光元件42f。区域传感器42b具备二维配置的传感器元件。各传感器元件是通过RGB(R：红、G：绿、B：蓝)各种颜色的滤色器来读取各种颜色的亮度并输出亮度的传感器。
LED42c是对印刷介质照射光的光源。从LED42c输出的光穿过形成于框体42a的开口42a1在印刷介质P上反射，反射光穿过开口42a1、透镜42d在区域传感器42b的传感器元件上成像。由此，区域传感器42b能够读取被LED42c照明的印刷介质P。在图2中用深灰色的点划线箭头示出从LED42c照射到印刷介质P上的读取范围的光的光路以及从印刷介质 P穿过透镜42d到达区域传感器42b的光的光路的一部分。处理器20基于由区域传感器42b的各传感器元件读取的RGB各种颜色的亮度能够读取印刷介质P的表面的图像。这样读取的印刷介质P的表面的图像示出印刷介质P的表面的细微的凹凸或模样或纤维排列等。
在本实施方式中，区域传感器42b以既定的分辨率读取既定尺寸的矩形的读取范围。处理器20对于RGB的各种颜色能够获取纵H像素×横W 像素的色调值作为图像数据。
另外，如图2的深灰色的双点划线的箭头所示，从LED42c照射的光穿过形成于框体42a的开口42a2在印刷介质P的表面反射，反射光穿过开口42a2、分光元件42f入射于受光元件42e。分光元件42f能够根据处理器20的控制信号来切换透过的光的波长。处理器20分别测量在分光元件42f中在使透过波长变化为多个种类(例如每10nm)的状态下而入射于受光元件42e的光的强 度。处理器20基于所测量的光的强 度与从 LED42c照射的光的强 度的比算出反射率。如上所述，处理器20能够获取印刷介质P的分光反射率数据(表示与光的波长相应的反射率的数据)。
图3是示出通过上述方式获取的分光反射率的一例的图表。反射率的特性根据印刷介质的种类不同而不同。对于未使用荧光增白剂的白纸，例如r1所示，具有在各波长域中反射率的变化为较小的倾向。另一方面，对于使用了荧光增白剂的白纸，例如r2所示，具有在短波长域中反射率上升的倾向。由此，印刷介质P的分光反射率包括印刷介质P的表面的颜色信息和有无荧光增白剂等的信息。
如图2所示，LED43是夹着印刷介质P从受光元件42e的相反侧对印刷介质P照射光的光源。在本实施方式中，LED43固定于打印机10的框体内。如图2的浅灰色的双点划线的箭头所示，从LED43照射的光透过印刷介质P，且穿过开口42a2、分光元件42f被受光元件42e接受。处理器20分别测量在分光元件42f中在使透过波长变化为多个种类(例如每 10nm)的状态下入射于受光元件42e的光的强度。处理器20基于所测量的光的强度与从LED43照射的光的强度的比算出透过率。如上所述，处理器20能够获取印刷介质P的分光透过率数据(表示与波长相应的透过率的数据)。印刷介质P的分光透过率包括与印刷介质P的厚度和克重等相关的信息。根据印刷介质的种类不同，透过率的特性也不同。
此外，在测量印刷介质P的分光反射率时，处理器20使LED42c点亮且使LED43熄灭。此外，在测量印刷介质P的分光透过率时，处理器 20使滑架40移动至从LED43照射的光穿过开口42a2而入射于分光元件 42f以及受光元件42e的位置，使LED42c熄灭且使LED43点亮，从而进行测量。此外，在通过区域传感器42b读取印刷介质P的表面时，处理器 20使LED42c点亮且使LED43熄灭。
在后述的机器学习装置100中生产用于判别印刷介质的种类的机器学习模型时，在打印机10中，对于判别对象的多个印刷介质的各印刷介质获取上述的图像数据、分光反射率数据、分光透过率数据。之后，将图像数据、分光反射率数据以及分光透过率数据统一称为介质数据。处理器20 将教师数据130b经由通信部50发送给后述的机器学习装置100，所述教师数据130b是将针对印刷介质的每个种类而获取的介质数据与印刷介质的种类建立对应关系的教师数据。另外，处理器20经由通信部50获取在机器学习装置100中使用了教师数据130b而生成了机器学习的结果的已学习模型30a，并存储于非易失性存储器30(存储部)中。
印刷控制部21是使处理器20实现在印刷介质上进行印刷的功能的程序。通过印刷控制部21的功能，处理器20在印刷介质上执行印刷前，控制传感器42等来获取该印刷介质的介质数据，并将介质数据输入于已学习模型130a从而得到输出结果。并且，处理器20基于输出结果来判别印刷介质的种类。
(2)机器学习装置的结构：
接下来，参照图1对机器学习装置100的结构进行说明。机器学习装置100是基于从打印机10收集的教师数据130b进行机器学习且将得到机器学习的结果的已学习模型130a输出给打印机10的计算机。此外，也可以是从多个打印机收集教师数据130b并将已学习模型130a分配给多个打印机的结构。机器学习装置100具备具有CPU、RAM、ROM的控制部120、记录介质130以及通信部150。当然，机器学习也可以利用GPU或被设计成机器学习用的各种处理器。
控制部120通过执行记录于记录介质130中的未图示机器学习程序来作为教师数据获取部121、学习部122发挥作用，从而能够执行与机器学习相关的功能。
控制部120通过教师数据获取部121的功能，能够执行获取教师数据 130b的功能。教师数据130b从打印机10被发送给机器学习装置100。在本实施方式中，机器学习装置100从打印机10获取的教师数据130b是指将印刷介质的介质数据与印刷介质的种类建立对应关系的数据。控制部 120若从打印机10接收到教师数据130b，则将其积存于记录介质130中。若积存了既定量的教师数据130b，则能够通过机器学习生成从印刷介质的介质数据判别印刷介质的种类的模型。
图4是示出机器学习处理的流程图。机器学习处理也可以在积存了既定量的教师数据130b之后的任意时刻执行。若机器学习处理开始，则控制部120通过学习部122的功能获取训练模型130d(步骤S100)。在此，模型是表示导出推定对象的数据与推定结果的数据的对应关系的公式的信息。在本实施方式中，以推定对象的数据为印刷介质的介质数据且印刷介质的种类为推定结果的数据的模型为例进行说明。
在将输入数据变换为输出数据的方面，模型可具有各种定义。图5是示意性地示出了在本实施方式中被利用的模型的一例的图。在本实施方式中，对于拍摄印刷介质的表面而得到的图像数据，使用CNN(Convolutional Neural Network，卷积神经网络)。在同图中，用长方体表示基于CNN的数据格式的变化，用白圆表示通常的神经网络的节点。
本实施方式的模型将拍摄印刷介质的表面而得到的图像数据设为向 CNN的输入层Li1输入的输入数据，并从层Ln1输出与图像数据相关的中间输出数据。输入于CNN的图像数据为纵为H像素且横为W像素，对于各像素规定有R：红、G：绿、B：青这3个通道的色调值。由此，在图5 中，用纵为H、横为W、进深为3的长方体示意性地示出输入层Li1的图像。在图5中示出如下例子，在图像输入于输入层之后，经过CNN，即经过基于预定的大小以及数量的滤色器的卷积运算、基于激活函数的运算以及池化层的运算，从而变换为H11×W11×D11个的输出值。在图5中示出此后经过多个层(省略图示)而变换为Hm1×Wm1×Dm1个的输出值的例子。在通过CNN得到Hm1×Wm1×Dm1个的输出值之后，通过全连接在层Ln1能够得到表示与图像数据相关的中间输出数据的输出值。
另外，在本实施方式的模型设有输入每一定波长的反射率的节点。在本实施方式中，将分光反射率数据所表示的每一定波长的分光反射率设为向输入层Li2的各节点输入的输入数据，并从层Ln2输出与分光反射率数据相关的中间输出数据。此外，反射率是0以上且1以下的值。另外，在本实施方式的模型设有输入每一定波长的透过率的节点。在本实施方式中，将分光透过率数据所表示的每一定波长的分光透过率设为向输入层Li3的各节点输入的输入数据，并从层Ln3输出与分光透过率数据相关的中间输出数据。透过率是0以上且1以下的值。输出层Lo的各节点将层Ln1、Ln2、 Ln3的各节点的输出值设为输入。输出层Lo的各节点与作为判别对象的印刷介质的种类(P1，P2，P3，…Pn)相对应。输出层Lo的各节点的输出值的和被归一化使其成为1。此外，层Ln1、Ln2、Ln3与输出层Lo之间可以是多个阶层。可推定为在输出层Lo中与输出值为最大的节点相对应的印刷介质的种类是获取了输入于输入层Li1～Li3的各数据的印刷介质的种类。
在图4所示的流程图中的步骤S100获取训练模型。在此，训练表示学习对象。即，在训练模型中，输入印刷介质的介质数据，输出印刷介质的种类，上述的介质数据与印刷介质的种类的对应关系在初期是不正确的。即，在训练模型中，虽然已决定节点所构成的层的数量和节点的数量，但规定输入输出的关系的参数(权值或偏置等)并不是最优化的。这些参数在机器学习的过程中被最优化(即被训练)。
训练模型可以被预先决定，也可以是通过操作机器学习装置100的操作人员操作机器学习装置100所具备的UI部(未图示)进行输入而获取的。无论是哪一方，如图5所示的例子，控制部120基于印刷介质的上述的介质数据获取输出该印刷介质的种类的神经网络的参数作为训练模型。
接下来，控制部120通过学习部122的功能获取教师数据(步骤S105)。在本实施方式中，如上所述，教师数据130b被预先从打印机10发送并记录于记录介质130中。因此，控制部120参照记录介质130来获取教师数据130b。接下来，控制部120通过学习部122的功能获取测试数据(步骤 S110)。在本实施方式中，从教师数据130b抽出其一部份并使其成为测试数据。测试数据并不用于训练。
接下来，控制部120通过学习部122的功能决定初始值(步骤S115)。即，控制部120对在步骤S100中获取的训练模型中的可变的参数赋予初始值。初始值可通过各种方法决定。例如，能够将随机值或0等设为初始值，也可以利用权值和偏置这种不同的构思来决定初始值。当然，也可以是在学习的过程中调整初始值以使参数被最优化。
接下来，控制部120通过学习部122的功能进行学习(步骤S120)。即，控制部120对在步骤S100中获取的训练模型输入在步骤S105中获取的教师数据130b中的介质数据，并计算输出层Lo的输出值。另外，控制部120通过表示被输出的印刷介质的种类与教师数据130b所表示的印刷介质的种类的误差的损失函数来确定误差。并且，控制部120反复进行既定次数的基于损失函数的参数的微分来更新参数的处理。例如，在存在印刷介质(P1)的介质数据与印刷介质(P1)建立了对应关系的教师数据的情况下，更新参数以使将印刷介质(P1)的介质数据输入于模型而得到的输出(P1，P2，P3，…Pn)接近(1，0，0，…0)。
当然，损失函数可采用各种函数，例如，可采用交叉熵误差等。如上所述的算出损失函数的处理针对包括在教师数据130b中的图像的全部或一部分实施，通过其平均或总和来表现一次学习中的损失函数。若得到了一次学习中的损失函数，则控制部120通过既定的最优化算法，例如，通过随机梯度下降法等更新参数。
如上所述，若进行了既定次数的参数的更新，则控制部120判定训练模型的一般化是否已完成(步骤S125)。即，控制部120将在步骤S110 中获取的测试数据所表示的图像数据输入于训练模型并获取表示设定的输出。并且，控制部120获取被输出的设定与对应于测试数据的设定一致的程度。在本实施方式中，控制部120在一致的该程度为阈值以上的情况下，判定为一般化已完成。
此外，除了一般化性能的评价以外，还可以进行超参数的妥当性的验证。即，作为权值和偏置以外的可变量的超参数，例如，在节点的数量等被调节的结构中，控制部120也可以基于验证数据验证超参数的妥当性。验证数据也可以通过与步骤S110相同的处理从教师数据抽出。当然，验证数据也与测试数据同样地不用于训练。
在步骤S125中，在未判定为训练模型的一般化已完成的情况下，控制部120反复进行步骤S120。即，进一步更新权值以及偏置。另一方面，在步骤S125中，判定为训练模型的一般化已完成的情况下，控制部120 记录已学习模型(步骤S130)。即，控制部120将训练模型作为已学习模型130a而记录于记录介质130中。并且，控制部120经由通信部150将已学习模型130a发送给打印机10。
根据以上的结构，在打印机10中，能够生产用于判别要实施印刷的印刷介质的种类的模型(已学习模型130a)。
(3)印刷控制处理：
接下来，对打印机10中实施的印刷控制处理进行说明。图6是通过印刷控制部21的功能由处理器20所执行的印刷控制处理的流程图。在本实施方式中，设想印刷介质为筒纸的形态。图6的印刷控制处理是在用户在打印机10中设置了筒纸的状态下(印刷介质到达传感器42的视野内的状态)且指示了印刷执行的情况下执行的。此外，从机器学习装置100以上述方式生产的已学习模型130a是以已存储于非易失性存储器30中为前提的。
若印刷控制处理开始，则处理器20获取图像数据、分光反射率数据以及分光透过率数据(步骤S205)。即，处理器20在LED42c点亮且LED43 熄灭的状态下通过区域传感器42b拍摄印刷介质P的表面，从而获取表面的图像数据。另外，处理器20在LED42c点亮且LED43熄灭的状态下，一边切换分光元件42f中的透过波长一边测量各波长中的光的强度，从而获取反射率。另外，处理器20在LED42c熄灭且LED43点亮的状态下，一边切换分光元件42f中的透过波长一边测量各波长中的光的强度，从而获取透过率。
接着，处理器20使用在步骤S205中获取的各数据以及已学习模型 130a判别印刷介质的种类(步骤S210)。即，处理器20将获取的各数据输入于已学习模型130a，从而得到输出值。处理器20基于已学习模型130a 的输出值判别印刷介质的种类。例如，在从模型的输出层Lo得到的输出值(P1，P2，P3，…Pn)为(0.9，0.01，0.01，…0.005)的情况下，处理器20判定为被设置的印刷介质的种类为P1。
接着，处理器20以与在步骤S210中判别的印刷介质的种类相应的印刷参数执行印刷(步骤S215)。印刷参数30b可被设想为例如墨喷出量、用于使墨干燥的加热器的温度、与输送机构60的各部品相关的输送参数 (例如，与介质张力相关的参数)等。
处理器20经由通信部50获取印刷对象的数据，并将该数据变换为适于打印机10中的印刷的形式的印刷数据，即，根据印刷介质的种类而被最优化的印刷数据。此时，变换为与印刷介质的种类相应的墨喷出量。另外，处理器20一边以与印刷介质的种类相应的输送参数输送印刷介质一边使印刷部41喷出墨滴，并且以与印刷介质的种类相应的加热器的温度使印刷介质上的墨干燥。由此，根据本实施方式，通过以与印刷介质的种类相应的印刷参数执行印刷，能够降低印刷品质下降的可能性。
(4)其他实施方式：
以上的实施方式只是用于实施本发明的一例，在使用已学习模型与印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个来判别印刷介质的种类的方面，可采用其他各种实施方式，所述已学习模型是使用将印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与印刷介质的种类建立了对应关系的教师数据而进行了机器学习的已学习模型。例如，在具有印刷功能和图像读取功能的复合机中，在实施复印(读取原稿，并将表示原稿的图像印刷在印刷介质上)时也可以适用本发明。
另外，例如，打印机10也可以教师数据获取部121和学习部122。即，印刷装置可兼备机器学习装置。另外，印刷介质可以是如筒纸、切纸等的形态。印刷介质可以是纸，也可以是纸以外的材料。
传感器42最好是能够在打印机10中在印刷介质P上喷出墨之前获取各数据。传感器42可以搭载于滑架40，也可以不搭载于滑架40。在印刷介质的输送路径中，也可以设置在比滑架40更靠上游侧的位置。透过率测量用的LED可以固定于印刷装置的框体，例如也可以设置成在主扫描方向上能够移动。
此外，印刷装置中的印刷方式不限定于喷墨方式。也可以是电子照片方式等其他方式。印刷参数可被设想为是与印刷方式相应的各种参数。
关于分光反射率和分光透过率，可对可见光的波长域进行测量，也可以对非可见光的波长域进行测量。
进一步，也可以是如下结构，印刷介质的反射率是基于在从相对于印刷介质与拍摄部位于相同侧的光源照射印刷介质的状态下拍摄印刷介质的表面而得到的图像数据算出的。即，也可以基于图像数据的各像素的色调值算出印刷介质的反射率。例如，也可以是，算出在区域传感器42b的拍摄范围的整体或其中特定的区域中分别得到的色调值的平均值，基于与对应于LED42c所照射的光的色调值的比来算出印刷介质的反射率。可针对RGB的各种颜色算出反射率，也可以针对特定的颜色算出反射率。
另外，也可以是如下结构，印刷介质的透过率是基于在从相对于印刷介质位于拍摄部的相反侧的光源照射印刷介质的状态下拍摄印刷介质的表面而得到的图像数据算出的。即，也可以基于图像数据的各像素的色调值算出印刷介质的透过率。例如，也可以在如下状态下使区域传感器42b 拍摄印刷介质P，即，使滑架40移动以使从LED43照射的光直接穿过透镜42d而入射于区域传感器42b的状态。并且，也可以是，算出在区域传感器42b的拍摄范围的整体或其中特定的区域中分别得到的色调值的平均值，基于与对应于LED43所照射的光的色调值的比来算出印刷介质的透过率。可针对RGB的各种颜色算出透过率，也可以针对特定的颜色算出透过率。
在教师数据中，也可以是基于拍摄印刷介质的表面得到的图像数据而获取的印刷介质的表面的粗糙度、纸张纹理中的至少一个与印刷介质的种类建立了对应关系的结构。在印刷介质的表面的图像数据包括有表示纸的纤维排列的细微的凹凸的像。通过使用了该图像数据的像素值的傅里叶变换，能够导出印刷介质表面的x方向的凹凸的频率成分以及印刷介质表面的y方向的凹凸的频率成分。进一步，能够导出x方向的频率成分以及y 方向的频率成分的各自成为既定值以上的区域(例如，低频区域、中频率区域、高频区域等)。x方向以及y方向的该区域是表示印刷介质的表面的粗糙度的数据。另外，从x方向的频率区域与y方向的频率区域的差异能够导出印刷介质的纸张纹理(纵纹或横纹)。这样导出的表示印刷介质的表面的粗糙度的数据和表示纸张纹理的数据可被包括在教师数据中。纸张纹理可被采用为向模型的输入侧的数据，也可以被采用为模型的输出侧的数据。对于后者的情况，也可以是，模型的输出节点针对印刷介质的每个种类以及纸张纹理设置成例如P1(纵纹)，P1(横纹)，P2(纵纹)，P2(横纹)…的方式。
进一步，如本发明，使用已学习模型与印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个来判别印刷介质的种类的方法也能够作为程序或方法(机器学习方法)而适用，所述已学习模型是使用将印刷介质的反射率、印刷介质的透过率、拍摄印刷介质的表面而得到的图像数据中的至少一个与印刷介质的种类建立了对应关系的教师数据而进行了机器学习的已学习模型。另外，如上所述的系统、程序、方法可作为单独的装置而实现，也可以利用多个装置所具备的部品而实现，包括各种方式。另外，能够适当地进行变更，使一部分为软件且一部分为硬件等。进一步，作为控制系统的程序的记录介质，本发明也成立。当然，其程序的记录介质可以是磁记录介质，也可以是半导体存储器，在今后开发的所有记录介质中，也可以以完全相同的方式进行考虑。

Claims (6)

1.一种印刷装置，其特征在于，具备：
传感器，在筐体内部具有第一光源、拍摄部、分光元件、以及受光元件，其中，所述第一光源对印刷介质照射光，所述拍摄部用于拍摄所述印刷介质的表面，所述分光元件能够切换透过的光的波长，所述受光元件分别测量在所述分光元件处于使透过波长按照预定的波长变化的状态下所入射的光的强度；
第二光源，在所述筐体的外部，夹着所述印刷介质从受光元件的相反侧对所述印刷介质照射光，
存储部，存储已学习模型，所述已学习模型是使用将印刷介质的反射率和印刷介质的透过率中的至少一个、以及拍摄印刷介质的表面而得到的图像数据与印刷介质的种类建立了对应关系的教师数据而进行了机器学习的已学习模型；以及
印刷控制部，使用印刷介质的反射率和印刷介质的透过率中的至少一个、以及拍摄印刷介质的表面而得到的图像数据与所述已学习模型来判别印刷介质的种类，
所述印刷介质的反射率是从所述第一光源发出且在印刷介质的表面反射的光的分光反射率，
所述印刷介质的透过率是从所述第二光源发出且透过了印刷介质的光的分光透过率，
所述已学习模型设有输入每一预定的波长的所述印刷介质的反射率的节点、并且设有输入每一预定的波长的所述印刷介质的透过率的节点。
2.根据权利要求1所述的印刷装置，其特征在于，
印刷介质的反射率是基于在从相对于印刷介质位于与拍摄部相同侧的第一光源照射印刷介质的状态下拍摄印刷介质的表面而得到的图像数据算出的，
印刷介质的透过率是基于在从相对于印刷介质位于拍摄部的相反侧的第二光源照射印刷介质的状态下拍摄印刷介质的表面而得到的图像数据算出的。
3.根据权利要求1所述的印刷装置，其特征在于，
在所述教师数据中，基于拍摄印刷介质的表面得到的图像数据而获取的印刷介质的表面的粗糙度、纸张纹理中的至少一个与印刷介质的种类建立了对应关系。
4.根据权利要求1所述的印刷装置，其特征在于，
所述印刷控制部以与所判别的印刷介质的种类相应的印刷参数来执行印刷。
5.一种机器学习装置，其特征在于，具备：
传感器，在筐体内部具有第一光源、拍摄部、分光元件、以及受光元件，其中，所述第一光源对印刷介质照射光，所述拍摄部用于拍摄所述印刷介质的表面，所述分光元件能够切换透过的光的波长，所述受光元件分别测量在所述分光元件处于使透过波长按照预定的波长变化的状态下所入射的光的强度；
第二光源，在所述筐体的外部，夹着所述印刷介质从受光元件的相反侧对所述印刷介质照射光，
教师数据获取部，获取将印刷介质的反射率和印刷介质的透过率中的至少一个、以及拍摄印刷介质的表面而得到的图像数据与印刷介质的种类建立了对应关系的教师数据；以及
学习部，基于所述教师数据，对输入印刷介质的反射率和印刷介质的透过率中的至少一个、以及拍摄印刷介质的表面而得到的图像数据而输出印刷介质的种类的模型进行机器学习，
所述印刷介质的反射率是从所述第一光源发出且在印刷介质的表面反射的光的分光反射率，
所述印刷介质的透过率是从所述第二光源发出且透过了印刷介质的光的分光透过率，
进行机器学习后的已学习模型设有输入每一预定的波长的所述印刷介质的反射率的节点、并且设有输入每一预定的波长的所述印刷介质的透过率的节点。
6.一种机器学习方法，其特征在于，
拍摄印刷介质的表面，
分别测量在分光元件处于使透过波长按照预定的波长变化的状态下所入射的光的强度，
获取将印刷介质的反射率和印刷介质的透过率中的至少一个、以及拍摄印刷介质的表面而得到的图像数据与印刷介质的种类建立了对应关系的教师数据，
基于所述教师数据，对输入印刷介质的反射率和印刷介质的透过率中的至少一个、以及拍摄印刷介质的表面而得到的图像数据而输出印刷介质的种类的模型进行机器学习，
所述印刷介质的反射率是从第一光源发出且在印刷介质的表面反射的光的分光反射率，
所述印刷介质的透过率是从第二光源发出且透过了印刷介质的光的分光透过率，
进行机器学习后的已学习模型设有输入每一预定的波长的所述印刷介质的反射率的节点、并且设有输入每一预定的波长的所述印刷介质的透过率的节点。
CN202010075238.6A 2019-01-31 2020-01-22 印刷装置、机器学习装置、机器学习方法 Active CN111497443B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-015331 2019-01-31
JP2019015331A JP2020121503A (ja) 2019-01-31 2019-01-31 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

Publications (2)

Publication Number Publication Date
CN111497443A CN111497443A (zh) 2020-08-07
CN111497443B true CN111497443B (zh) 2022-04-22

Family

ID=71836381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010075238.6A Active CN111497443B (zh) 2019-01-31 2020-01-22 印刷装置、机器学习装置、机器学习方法

Country Status (3)

Country Link
US (1) US11210046B2 (zh)
JP (2) JP2020121503A (zh)
CN (1) CN111497443B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020121503A (ja) * 2019-01-31 2020-08-13 セイコーエプソン株式会社 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
US11560279B2 (en) * 2019-07-02 2023-01-24 Kyocera Document Solutions Inc. Systems and methods for classifying sheets of a printing device
JP7215471B2 (ja) * 2020-12-04 2023-01-31 コニカミノルタ株式会社 パラメータ決定装置、画像形成装置、後処理装置、給紙装置、および決定モデルの作成方法
CN113838144B (zh) * 2021-09-14 2023-05-19 杭州印鸽科技有限公司 一种基于机器视觉和深度学习的uv打印机上物件定位方法
US11704518B1 (en) * 2022-05-17 2023-07-18 Amazon Technologies, Inc. Per-image print setting optimization
JP2024021618A (ja) * 2022-08-04 2024-02-16 セイコーエプソン株式会社 印刷システム

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3287177B2 (ja) * 1995-05-17 2002-05-27 東洋インキ製造株式会社 カラーイメージング方法および装置
US6561643B1 (en) * 1997-06-30 2003-05-13 Hewlett-Packard Co. Advanced media determination system for inkjet printing
US6425650B1 (en) * 1997-06-30 2002-07-30 Hewlett-Packard Company Educatable media determination system for inkjet printing
JPH11188863A (ja) * 1997-12-26 1999-07-13 Canon Inc 印字装置
JP2001063870A (ja) * 1999-08-25 2001-03-13 Oki Data Corp プリンタ装置
US6725207B2 (en) * 2001-04-23 2004-04-20 Hewlett-Packard Development Company, L.P. Media selection using a neural network
EP1355261B1 (en) * 2002-04-16 2013-02-27 Canon Kabushiki Kaisha Print media quality assurance
JP4110033B2 (ja) * 2002-04-25 2008-07-02 キヤノン株式会社 画像形成装置
US7339702B2 (en) * 2002-04-25 2008-03-04 Canon Kabushiki Kaisha Picture reading device for discriminating the type of recording medium and apparatus thereof
JP2004093967A (ja) * 2002-08-30 2004-03-25 Canon Inc 画像形成装置及びその方法
JP2006110952A (ja) * 2004-10-18 2006-04-27 Canon Inc 画像形成装置及びその制御方法
JP4781191B2 (ja) * 2005-07-29 2011-09-28 キヤノン株式会社 画像形成装置および画像形成方法
US7558492B2 (en) 2005-07-29 2009-07-07 Canon Kabushiki Kaisha Image forming apparatus and image forming method
CN100507512C (zh) * 2005-10-27 2009-07-01 光宝科技股份有限公司 喷墨打印机与判断装置及方法
CN100526857C (zh) * 2005-11-02 2009-08-12 光宝科技股份有限公司 喷墨打印机与判断装置、方法
JP5388838B2 (ja) 2009-12-28 2014-01-15 キヤノン株式会社 記録材判別装置及び画像形成装置
JP5999304B2 (ja) * 2012-02-17 2016-09-28 株式会社リコー 光学センサ及び画像形成装置
JP6287189B2 (ja) * 2013-01-07 2018-03-07 セイコーエプソン株式会社 記録媒体判別装置および記録媒体判別方法
JP5559392B2 (ja) * 2013-05-16 2014-07-23 キヤノン株式会社 記録材検出装置及びそれを備える画像形成装置
US9367005B2 (en) * 2014-06-04 2016-06-14 Lexmark International, Inc. Imaging device and method for determining operating parameters
JP6398436B2 (ja) * 2014-08-01 2018-10-03 株式会社リコー 媒体判別装置、画像形成装置、媒体判別方法、およびプログラム
JP2017173496A (ja) * 2016-03-23 2017-09-28 キヤノン株式会社 画像形成装置、画像形成装置の制御方法、及びプログラム
JP2018206321A (ja) * 2017-06-09 2018-12-27 コニカミノルタ株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
CN107944504B (zh) * 2017-12-14 2024-04-16 北京木业邦科技有限公司 木板识别及木板识别的机器学习方法、装置及电子设备
JP2019153259A (ja) * 2018-02-28 2019-09-12 毅 葉山 機械学習装置、予測システム、及び、プログラム
JP2020121503A (ja) * 2019-01-31 2020-08-13 セイコーエプソン株式会社 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

Also Published As

Publication number Publication date
CN111497443A (zh) 2020-08-07
JP2022058434A (ja) 2022-04-12
JP2020121503A (ja) 2020-08-13
US11210046B2 (en) 2021-12-28
US20200249892A1 (en) 2020-08-06

Similar Documents

Publication Publication Date Title
CN111497443B (zh) 印刷装置、机器学习装置、机器学习方法
KR101705538B1 (ko) 문서들의 선험적 지식 없이 프린트된 문서들의 이미지 데이터를 사용하여 잉크젯 프린터에서 희미한 및 미싱 잉크젯들을 검출하기 위한 시스템 및 방법
JP6398436B2 (ja) 媒体判別装置、画像形成装置、媒体判別方法、およびプログラム
US20150158309A1 (en) Image forming apparatus, calibration method, and drying determination method
US7980650B2 (en) System and method for calibrating a printing system to compensate for sensor artifact using non-complementary illuminations of test patterns on an image substrate
CN108394180B (zh) 印刷装置
JP2015221509A (ja) 印刷装置、及び印刷方法
US10486422B2 (en) Printer and control method
US10894428B2 (en) Image processing device, cockling detection method, machine learning system
US8882218B2 (en) Printhead color density correction in printing systems
JP6746350B2 (ja) 信号処理装置、信号処理方法、画像検査装置及び信号抽出処理装置
US20110141178A1 (en) Printing apparatus and method for printing
JP2018530461A (ja) バンディングを低減させるイメージング装置および方法
US20090079782A1 (en) Image recording apparatus and method, and method of determining density correction coefficients
US10759184B2 (en) Density correction profile generation method and image forming device
JP2015003480A (ja) 記録装置及び記録装置の制御方法
JP2016032932A (ja) 記録装置および記録方法
JP2021154683A (ja) インクセットの属性の特定方法、インクセットの属性の特定装置、および、コンピュータプログラム
JP6816498B2 (ja) 位置検出装置、電子機器、及び位置検出方法
JP7419774B2 (ja) 印刷装置の生産方法および印刷装置
JP7468005B2 (ja) 画像形成装置、画像形成方法およびプログラム
US20160366305A1 (en) Colorimetric device, image forming device, image forming system, and image forming management device
JP6996225B2 (ja) 撮像装置、画像形成装置、実距離算出方法、およびプログラム
JP4352734B2 (ja) 画像処理装置
JP2018083334A (ja) 画像形成装置、距離算出方法、およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant