JP2010034678A - Image processor, image forming apparatus and program - Google Patents

Image processor, image forming apparatus and program Download PDF

Info

Publication number
JP2010034678A
JP2010034678A JP2008192323A JP2008192323A JP2010034678A JP 2010034678 A JP2010034678 A JP 2010034678A JP 2008192323 A JP2008192323 A JP 2008192323A JP 2008192323 A JP2008192323 A JP 2008192323A JP 2010034678 A JP2010034678 A JP 2010034678A
Authority
JP
Japan
Prior art keywords
image
defect
unit
inspection image
threshold
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.)
Granted
Application number
JP2008192323A
Other languages
Japanese (ja)
Other versions
JP4872979B2 (en
Inventor
Koki Uetoko
弘毅 上床
Koji Adachi
康二 足立
Kiichi Yamada
紀一 山田
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.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
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 Fuji Xerox Co Ltd filed Critical Fuji Xerox Co Ltd
Priority to JP2008192323A priority Critical patent/JP4872979B2/en
Publication of JP2010034678A publication Critical patent/JP2010034678A/en
Application granted granted Critical
Publication of JP4872979B2 publication Critical patent/JP4872979B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Facsimiles In General (AREA)
  • Image Analysis (AREA)
  • Cleaning In Electrography (AREA)
  • Control Or Security For Electrophotography (AREA)
  • Image Processing (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To extract feature quantities corresponding to respective local defect and overall defect when the local defects and overall defects multiply occur in an inspection image. <P>SOLUTION: An image forming apparatus is configured to acquire an inspection image in which predetermined images are formed, and to analyze the frequency distribution of the tone values of an acquired inspection image, and to respectively set the thresholds of the tone values based on the analyzed frequency distribution, and to specify an image area of the inspection image based on the respectively set threshold, and to extract the feature quantities from the specified image area. <P>COPYRIGHT: (C)2010,JPO&INPIT

Description

本発明は、画像処理装置、画像形成装置及びプログラムに関する。   The present invention relates to an image processing apparatus, an image forming apparatus, and a program.

プリンタの画像形成に欠陥がある場合に、予め定められた検査画像（テストチャート）を出力し、出力された検査画像を読み取って画像処理することにより、発生している欠陥の種類を判定することがある。こうした方法には、例えば下記の特許文献１に記載されているように、読み取った検査画像の特徴量を抽出して、抽出した特徴量の分布に基づいて欠陥の種類を分類することで、該当する欠陥の種類を判定するものがある。
特開２００４−１１７１３０号公報 When there is a defect in the image formation of the printer, a predetermined inspection image (test chart) is output, and the type of defect that has occurred is determined by reading the output inspection image and performing image processing There is. In such a method, for example, as described in Patent Document 1 below, the feature amount of the read inspection image is extracted, and the type of the defect is classified based on the distribution of the extracted feature amount. Some of them determine the type of defect to be performed.
JP 2004-117130 A

ただし、画像形成装置では、用紙全体にトナーが載るかぶり状の欠陥や、全体的に濃度が薄くなったムラ状の欠陥等が発生することがあり、このような用紙全体に発生するような欠陥と線筋や汚れといった局所的に発生する欠陥とが複合的に発生した場合には、欠陥の各々に対応する特徴量を抽出する必要がある。   However, in the image forming apparatus, there may be a fog-like defect on which the toner is placed on the entire sheet, or a non-uniform defect whose density is entirely reduced. When a locally occurring defect such as a line or dirt occurs in combination, it is necessary to extract a feature amount corresponding to each defect.

本発明の目的は、画像形成において局所的な欠陥と全体的な欠陥が複合的に発生した場合に、欠陥の各々に対応する特徴量を抽出する画像処理装置、画像形成装置及びプログラムを提供することにある。   An object of the present invention is to provide an image processing apparatus, an image forming apparatus, and a program for extracting a feature amount corresponding to each defect when a local defect and an overall defect occur in combination in image formation. There is.

上記目的を達成するために、請求項１に記載の画像処理装置の発明は、予め定められた画像を形成した検査画像を取得する手段と、前記取得した検査画像について予め定められた閾値に基づき欠陥を検出する手段と、前記欠陥が検出された場合に階調値の頻度分布を解析する手段と、前記解析された頻度分布に基づいて階調値の閾値を設定する閾値設定手段と、前記設定された階調値の閾値に基づいて前記検査画像の画像領域を特定するとともに、当該特定した画像領域から特徴量を抽出する手段と、を含むことを特徴とする。   In order to achieve the above object, an invention of an image processing apparatus according to claim 1 is based on means for acquiring an inspection image in which a predetermined image is formed, and a threshold value predetermined for the acquired inspection image. Means for detecting a defect; means for analyzing a frequency distribution of gradation values when the defect is detected; threshold setting means for setting a threshold of gradation values based on the analyzed frequency distribution; Means for specifying an image area of the inspection image based on a set threshold value of the gradation value and extracting a feature amount from the specified image area.

また、請求項２に記載の発明は、請求項１に記載の画像処理装置において、前記閾値設定手段は、前記頻度分布の極大値の間に閾値を設定することを特徴とする。   According to a second aspect of the present invention, in the image processing apparatus according to the first aspect, the threshold value setting means sets a threshold value between the maximum values of the frequency distribution.

また、請求項３に記載の発明は、請求項１又は２に記載の画像処理装置において、予め定められた欠陥の種類毎に特徴量を関連づけて記憶する手段と、前記抽出された特徴量と、前記欠陥の種類毎に関連づけて記憶された特徴量とに基づいて、前記検査画像に含まれる欠陥の種類を判定する手段と、をさらに含むことを特徴とする。   According to a third aspect of the present invention, in the image processing apparatus according to the first or second aspect, a means for storing a feature amount in association with each predetermined defect type, the extracted feature amount, And a means for determining the type of defect included in the inspection image based on the feature quantity stored in association with each type of defect.

また、請求項４に記載の画像形成装置の発明は、請求項１乃至３のいずれかに記載の画像処理装置と、前記検査画像を形成する画像形成手段と、前記画像形成手段により形成された検査画像を読み取る画像読取手段と、を含むことを特徴とする。   An image forming apparatus according to a fourth aspect of the present invention is formed by the image processing apparatus according to any one of the first to third aspects, an image forming unit that forms the inspection image, and the image forming unit. And image reading means for reading the inspection image.

また、請求項５に記載のプログラムの発明は、予め定められた画像を形成した検査画像を取得する手段と、前記取得した検査画像について予め定められた閾値に基づき欠陥を検出する手段と、前記欠陥が検出された場合に階調値の頻度分布を解析する手段と、前記解析された頻度分布に基づいて、階調値の閾値を設定する閾値設定手段と、前記設定された階調値の閾値に基づいて前記検査画像の画像領域を特定するとともに、当該特定した画像領域から特徴量を抽出する手段としてコンピュータを機能させることを特徴とする。   The invention of the program according to claim 5 includes means for acquiring an inspection image in which a predetermined image is formed, means for detecting a defect based on a predetermined threshold for the acquired inspection image, and Means for analyzing the frequency distribution of gradation values when a defect is detected; threshold setting means for setting a threshold value of gradation values based on the analyzed frequency distribution; and An image area of the inspection image is specified based on a threshold value, and a computer is caused to function as means for extracting a feature amount from the specified image area.

請求項１に記載の発明によれば、検査画像において局所的な欠陥と全体的な欠陥が複合的に発生した場合に、欠陥の各々に対応した特徴量が抽出される。   According to the first aspect of the present invention, when a local defect and an overall defect occur in combination in an inspection image, a feature amount corresponding to each defect is extracted.

請求項２に記載の発明によれば、検査画像に発生した各欠陥に対応する画像領域が、階調値の頻度分布における極大値に基づいて特定される。   According to the second aspect of the present invention, the image area corresponding to each defect generated in the inspection image is specified based on the maximum value in the frequency distribution of the gradation values.

請求項３に記載の発明によれば、抽出した特徴量に基づいて検査画像に発生した欠陥の種類が判定される。   According to the third aspect of the present invention, the type of defect generated in the inspection image is determined based on the extracted feature amount.

請求項４に記載の発明によれば、画像形成装置が形成した画像に発生した欠陥の各々についての特徴量が取得される。   According to the fourth aspect of the present invention, the feature amount is acquired for each defect generated in the image formed by the image forming apparatus.

請求項５に記載の発明によれば、コンピュータが、検査画像において局所的な欠陥と全体的な欠陥が複合的に発生した場合に、複数の欠陥の各々に対応した特徴情報を抽出するように機能する。   According to the invention described in claim 5, when the local defect and the overall defect occur in the inspection image in combination, the computer extracts feature information corresponding to each of the plurality of defects. Function.

以下、本発明を実施するための好適な実施の形態（以下、実施形態という）を、図面に従って説明する。   DESCRIPTION OF EXEMPLARY EMBODIMENTS Hereinafter, preferred embodiments (hereinafter referred to as embodiments) for carrying out the invention will be described with reference to the drawings.

図１には、本実施形態に係る故障診断機能を有する画像形成装置１０の機能ブロック図を示す。本実施形態に係る画像形成装置１０は、画像形成機能（印刷機能）とスキャン機能を有する多機能プリンタとして構成することとしてよい。   FIG. 1 is a functional block diagram of an image forming apparatus 10 having a failure diagnosis function according to the present embodiment. The image forming apparatus 10 according to the present embodiment may be configured as a multifunction printer having an image forming function (printing function) and a scanning function.

図１に示されるように、画像形成装置１０は、画像形成部１００、画像読取部１０２、センサ部１０４、診断情報入力部１０６、及び故障診断部１０８を含む。各部の機能は、コンピュータ読み取り可能な情報記憶媒体に格納されたプログラムが、図示しない媒体読取装置を用いてコンピュータたる画像形成装置１０に読み込まれ、画像形成装置１０の中央処理装置がプログラムに従って処理することで実現されるものとしてよい。なお、プログラムは情報記憶媒体によって画像形成装置１０に供給されることとしてもよいし、インターネット等のデータ通信ネットワークを介して供給されることとしてもよい。また、ＲＡＭやＲＯＭ等のメモリ素子、ハードディスクなどを含んで構成される記憶装置に、中央処理装置によって実行されるプログラムや、各種のデータを保持するものとしてよい。   As illustrated in FIG. 1, the image forming apparatus 10 includes an image forming unit 100, an image reading unit 102, a sensor unit 104, a diagnosis information input unit 106, and a failure diagnosis unit 108. As for the function of each part, a program stored in a computer-readable information storage medium is read into the image forming apparatus 10 which is a computer using a medium reading device (not shown), and the central processing unit of the image forming apparatus 10 processes according to the program. It may be realized by this. Note that the program may be supplied to the image forming apparatus 10 by an information storage medium, or may be supplied via a data communication network such as the Internet. Further, a program executed by the central processing unit and various data may be held in a storage device including a memory element such as a RAM and a ROM, a hard disk, and the like.

画像形成部１００は、画像データに基づいて印刷用紙に画像を形成して出力する機能である。画像形成部１００は、例えば画像データをラスターデータに変換し、当該変換したラスターデータに基づいて感光体にレーザ光により潜在画像を形成するとともに、感光体にトナーを付着させた後に印刷用紙に転写して画像を形成するレーザプリンタの方式により画像を形成することとしてよい。また、画像形成部１００はその他にも、電子写真式、感熱式、熱転写式、インクジェット式等の方式により画像を形成することとしてもよい。   The image forming unit 100 has a function of forming and outputting an image on printing paper based on image data. The image forming unit 100 converts, for example, image data into raster data, forms a latent image on the photosensitive member with laser light based on the converted raster data, and transfers the toner image to the printing paper after attaching the toner to the photosensitive member. Then, the image may be formed by a laser printer method for forming an image. In addition, the image forming unit 100 may form an image by an electrophotographic method, a thermal method, a thermal transfer method, an ink jet method, or the like.

画像読取部１０２は、読み取り対象とする原稿を光学的に読み取りスキャン画像を得る機能である。画像読取部１０２は、原稿を載置するプラテンガラス等の原稿載置台と、原稿載置台に載置された原稿を光学的に読み取る光学系と、光学系により読み取られた画像を画像データに変換する画像処理部とを含み構成される。   The image reading unit 102 has a function of optically reading a document to be read and obtaining a scanned image. The image reading unit 102 is an original placing table such as a platen glass on which an original is placed, an optical system that optically reads the original placed on the original placing table, and an image read by the optical system is converted into image data. And an image processing unit.

センサ部１０４は、複数のセンサを含み構成され、画像形成装置１０の部品の動作状態、内部環境の状態、消耗材の使用状態等を含む画像形成装置１０の状態情報を取得する。   The sensor unit 104 includes a plurality of sensors, and acquires state information of the image forming apparatus 10 including an operation state of components of the image forming apparatus 10, an internal environment state, a consumable use state, and the like.

診断情報入力部１０６は、操作パネルを含み、故障診断に用いる情報の入力を受け付ける機能である。診断情報入力部１０６は、例えば利用者からの操作入力や故障診断の開始等の情報入力を受け付けることとしてよい。   The diagnosis information input unit 106 includes an operation panel and has a function of receiving input of information used for failure diagnosis. The diagnosis information input unit 106 may accept information input such as operation input from a user and start of failure diagnosis, for example.

故障診断部１０８は、画像読取部１０２、センサ部１０４、診断情報入力部１０６から入力される情報に基づき、画像形成装置１０の故障診断を行う機能である。図２には、故障診断部１０８の詳細を表した機能ブロック図を示す。   The failure diagnosis unit 108 is a function that performs failure diagnosis of the image forming apparatus 10 based on information input from the image reading unit 102, the sensor unit 104, and the diagnosis information input unit 106. FIG. 2 is a functional block diagram showing details of the failure diagnosis unit 108.

図２に示されるように、故障診断部１０８は、部品状態情報取得部２００、内部環境情報取得部２０２、消耗材情報取得部２０４、履歴情報管理部２０６、画像欠陥検出部２０８、特徴量抽出部２１０、欠陥種類判定部２１２、追加操作情報取得部２１４、故障原因推定部２１６、及び診断結果通知部２１８を含む。   As shown in FIG. 2, the failure diagnosis unit 108 includes a component state information acquisition unit 200, an internal environment information acquisition unit 202, a consumable material information acquisition unit 204, a history information management unit 206, an image defect detection unit 208, and a feature amount extraction. Unit 210, defect type determination unit 212, additional operation information acquisition unit 214, failure cause estimation unit 216, and diagnosis result notification unit 218.

部品状態情報取得部２００は、センサ部１０４により取得された情報に基づいて、画像形成装置１０を構成する部品の状態を示す部品状態情報を取得する機能である。部品状態情報取得部２００は、部品状態情報としては、例えば用紙通過時間、駆動電流値、感光体への印可電圧値、振動、作動音や光量等の情報を取得する。   The component state information acquisition unit 200 is a function that acquires component state information indicating the state of the components constituting the image forming apparatus 10 based on the information acquired by the sensor unit 104. The component state information acquisition unit 200 acquires, for example, information such as paper passage time, drive current value, applied voltage value to the photosensitive member, vibration, operation sound, and light amount as the component state information.

内部環境情報取得部２０２は、センサ部１０４により取得された情報に基づいて、画像形成装置１０の内部環境の状態を示す内部環境情報を取得する機能である。内部環境情報取得部２０２は、内部環境情報としては、例えば装置内温度、装置内湿度、用紙温度、用紙湿度等の情報を取得する。   The internal environment information acquisition unit 202 is a function that acquires internal environment information indicating the state of the internal environment of the image forming apparatus 10 based on the information acquired by the sensor unit 104. The internal environment information acquisition unit 202 acquires, as internal environment information, information such as device internal temperature, device internal humidity, paper temperature, and paper humidity, for example.

消耗材情報取得部２０４は、センサ部１０４により取得された情報に基づいて、画像形成装置１０の消耗材の状態を示す消耗材情報を取得する機能である。消耗材情報取得部２０４は、消耗材情報としては、例えば各種印刷用紙の残量や各色のトナー残量等の情報を取得する。   The consumable material information acquisition unit 204 has a function of acquiring consumable material information indicating the state of the consumable material of the image forming apparatus 10 based on the information acquired by the sensor unit 104. The consumable material information acquisition unit 204 acquires, as the consumable material information, for example, information such as the remaining amount of various printing sheets and the remaining amount of toner of each color.

履歴情報管理部２０６は、画像形成装置１０の使用履歴を管理する機能である。履歴情報管理部２０６は、例えば、印刷ジョブの処理履歴や部品毎の印刷枚数を示すカウンタ値、上記の部品状態情報取得部２００、内部環境情報取得部２０２、消耗材情報取得部２０４により取得された各種情報を履歴情報として管理することとしてよい。   The history information management unit 206 is a function for managing the usage history of the image forming apparatus 10. The history information management unit 206 is acquired by, for example, a print job processing history, a counter value indicating the number of printed sheets for each component, the component state information acquisition unit 200, the internal environment information acquisition unit 202, and the consumable material information acquisition unit 204. Various types of information may be managed as history information.

画像欠陥検出部２０８は、画像読取部１０２により読み込まれた検査画像から画像欠陥を検出する機能である。画像欠陥検出部２０８は、検査画像について予め定められた階調値の閾値に基づいて検査画像から画像欠陥を検出する。例えば、検査画像が白ベースのテストチャートであれば、背景色に対応した階調値を閾値として設定しておき、検査画像に当該閾値よりも小さい階調値の画素があれば検査画像中に画像の欠陥があるとして検出することとしてよい。   The image defect detection unit 208 has a function of detecting an image defect from the inspection image read by the image reading unit 102. The image defect detection unit 208 detects an image defect from the inspection image based on a predetermined threshold value for the inspection image. For example, if the inspection image is a white-based test chart, a gradation value corresponding to the background color is set as a threshold value, and if the inspection image has pixels with gradation values smaller than the threshold value, It may be detected that there is an image defect.

特徴量抽出部２１０は、頻度分布解析部２１０Ａ、閾値設定部２１０Ｂ、及び画像領域特定部２１０Ｃを含み、画像欠陥検出部２０８により画像欠陥があると検出された場合に、各欠陥に対応する画像領域から特徴量を抽出し、各欠陥についての特徴量とする。   The feature amount extraction unit 210 includes a frequency distribution analysis unit 210A, a threshold setting unit 210B, and an image region specification unit 210C. When the image defect detection unit 208 detects that there is an image defect, an image corresponding to each defect A feature amount is extracted from the region and used as a feature amount for each defect.

頻度分布解析部２１０Ａは、画像読取部１０２により読み込まれた検査画像についての階調値の頻度分布を解析する機能である。頻度分布解析部２１０Ａは、階調値毎に画素数を計数して階調値のヒストグラムを生成することとしてよく、階調値は各色について解析することとしてよい。   The frequency distribution analysis unit 210 </ b> A is a function that analyzes the frequency distribution of gradation values for the inspection image read by the image reading unit 102. The frequency distribution analysis unit 210A may count the number of pixels for each gradation value to generate a gradation value histogram, and the gradation value may be analyzed for each color.

閾値設定部２１０Ｂは、頻度分布解析部２１０Ａにより生成された階調値のヒストグラムのピークを検出するとともに、当該検出されたピークに基づいて階調値の閾値を設定する機能である。階調値の閾値は、ピークの間に設定することとしてよく、例えば閾値を２つのピークの階調値の中間値に設定することとしてよい。   The threshold setting unit 210B has a function of detecting a peak of a histogram of gradation values generated by the frequency distribution analysis unit 210A and setting a threshold of gradation values based on the detected peak. The threshold value of the gradation value may be set between the peaks. For example, the threshold value may be set to an intermediate value between the gradation values of the two peaks.

画像領域特定部２１０Ｃは、閾値設定部２１０Ｂにより設定された階調値の閾値に基づいて、上記の各ピークに対応する検査画像の画像領域を特定する機能である。   The image area specifying unit 210C has a function of specifying the image area of the inspection image corresponding to each of the above peaks based on the threshold value of the gradation value set by the threshold value setting unit 210B.

欠陥種類判定部２１２は、特徴量抽出部２１０により抽出された特徴量に基づいて、取得された検査画像に発生している欠陥の種類を判定する機能である。欠陥種類判定部２１２は、予め定められた欠陥の種類について、それら欠陥が発生した特徴的な画像に基づいて各欠陥の種類を表す画像特徴量のクラスタを予め生成しておくとともに、特徴量抽出部２１０により抽出された特徴量がいずれのクラスタに属するのかを、特徴量と各クラスタの代表特徴量との関係に基づいて分類することとしてよい。上記分類の一態様としては、特徴量（特徴ベクトル）と代表特徴量（代表特徴ベクトル）との距離が最も近い代表特徴量に対応するクラスタに分類する基準を用いることとしてよい。なお、欠陥の種類毎の特徴量群の分布情報を利用したマハラノビス距離を用いて欠陥の種類を判定するようにしてもよい。   The defect type determination unit 212 has a function of determining the type of defect occurring in the acquired inspection image based on the feature amount extracted by the feature amount extraction unit 210. The defect type determination unit 212 generates, in advance, a cluster of image feature amounts representing the types of defects based on the characteristic images in which the defects have occurred, and extracts feature amounts. The cluster to which the feature quantity extracted by the unit 210 belongs may be classified based on the relationship between the feature quantity and the representative feature quantity of each cluster. As one aspect of the above classification, a criterion for classifying into clusters corresponding to the representative feature amount having the closest distance between the feature amount (feature vector) and the representative feature amount (representative feature vector) may be used. Note that the defect type may be determined using the Mahalanobis distance using the distribution information of the feature amount group for each defect type.

なお、画像形成装置１０の故障箇所によっては検査画像に画像欠陥が再現されないこともある。例えば、故障箇所がプリントエンジンの部品の場合には、検査画像に欠陥が再現されるが、故障箇所が画像読取部１０２の部品の場合には検査画像には画像欠陥が再現されないことがある。この場合に、検査画像を画像読取部１０２にセットして検査画像を読み取れば、そのスキャン画像には欠陥が現れることとなる。追加操作情報取得部２１４は、このような画像欠陥の原因特定のために、画像形成装置１０の動作条件を変えて行われた追加操作の情報を取得する機能である。追加操作情報取得部２１４により取得された情報は、故障原因推定部２１６に入力される。   Note that an image defect may not be reproduced in the inspection image depending on the failure location of the image forming apparatus 10. For example, when the failure part is a part of the print engine, the defect is reproduced in the inspection image, but when the failure part is a part of the image reading unit 102, the image defect may not be reproduced in the inspection image. In this case, if the inspection image is set in the image reading unit 102 and the inspection image is read, a defect appears in the scanned image. The additional operation information acquisition unit 214 has a function of acquiring information on an additional operation performed by changing the operation condition of the image forming apparatus 10 in order to specify the cause of such an image defect. The information acquired by the additional operation information acquisition unit 214 is input to the failure cause estimation unit 216.

故障原因推定部２１６は、推論部２１６Ａと故障候補抽出部２１６Ｂとを含み、各部から入力される情報に基づいて故障原因を推定する機能である。推論部２１６Ａは、例えば、故障を引き起こす各原因候補が、発生した故障の主原因である確率（故障原因確率）を各取得情報に基づいて算出する推論エンジンにより構成されることとしてよい。また、故障候補抽出部２１６Ｂは、推論部２１６Ａにより算出された故障原因確率に基づいて故障原因候補を抽出する。例えば、故障候補抽出部２１６Ｂは、算出された確率が予め設定された値以上の故障原因を抽出してもよいし、算出された確率の高い順に予め設定された順位までの故障原因を抽出することとしてもよい。   The failure cause estimation unit 216 includes a reasoning unit 216A and a failure candidate extraction unit 216B, and has a function of estimating a failure cause based on information input from each unit. For example, the inference unit 216A may be configured by an inference engine that calculates a probability (failure cause probability) that each cause candidate causing a failure is a main cause of the failure that has occurred based on each acquired information. Moreover, the failure candidate extraction unit 216B extracts failure cause candidates based on the failure cause probability calculated by the inference unit 216A. For example, the failure candidate extraction unit 216B may extract failure causes whose calculated probabilities are equal to or higher than a preset value, or extract failure causes up to a preset order in descending order of the calculated probabilities. It is good as well.

ここで、故障原因確率の算出を行う推論エンジンには、ベイジアンネットワーク（ＢａｙｅｓｉａｎＮｅｔｗｏｒｋ）を利用することとしてよい。このベイジアンネットワークとは、複数の事象間の因果関係を順次結線して、グラフ構造を持つネットワークとして表現したものであり、事象間の依存関係を有向グラフにより表したものである。事象毎にノードを作成し、ノードには発生確率を変数として持たせる。推論エンジンには、ベイジアンネットワーク以外にも、エキスパートシステムやニューラルネットワーク等の他の方法を用いてもよい。   Here, a Bayesian network may be used as an inference engine for calculating the failure cause probability. The Bayesian network is a network in which causal relationships between a plurality of events are sequentially connected and expressed as a network having a graph structure, and dependency relationships between events are expressed by a directed graph. A node is created for each event, and the occurrence probability is assigned to the node as a variable. In addition to the Bayesian network, other methods such as an expert system and a neural network may be used for the inference engine.

推論部２１６Ａは、推論エンジンにベイジアンネットワークを利用する場合には、上記取得された各種情報をベイジアンネットワークに入力して、各ノードの確率値を算出する。そして、故障候補抽出部２１６Ｂは、算出された確率値に基づいて主原因のノードを特定してそれを故障原因の候補として抽出する。このように故障原因推定部２１６により抽出された故障原因の候補に基づいて、故障判定結果（故障の有無、故障箇所、故障内容）、故障予測結果（故障可能性の有無、故障箇所、故障内容）、あるいは検査内容や取得した動作状態信号等を診断結果通知部２１８に出力する。   When using the Bayesian network for the inference engine, the inference unit 216A inputs the acquired various information to the Bayesian network and calculates the probability value of each node. The failure candidate extraction unit 216B then identifies the main cause node based on the calculated probability value and extracts it as a failure cause candidate. Thus, based on the failure cause candidates extracted by the failure cause estimation unit 216, failure determination results (failure presence / absence, failure location, failure content), failure prediction results (failure presence / absence, failure location, failure content) ), Or the contents of the examination, the acquired operation state signal, and the like are output to the diagnosis result notification unit 218.

診断結果通知部２１８は、故障原因推定部２１６から入力された診断結果を利用者等に通知する機能である。診断結果の通知は、画像形成装置１０のディスプレイに表示することで行ってもよいし、画像形成装置１０と接続する管理コンピュータに表示することで行ってもよい。また、診断結果通知部２１８は、診断結果を、例えばネットワークを介して接続された管理サーバに送信してもよいし、画像形成装置１０により出力して、管理者に通知することとしてもよい。   The diagnosis result notifying unit 218 is a function for notifying a user or the like of the diagnosis result input from the failure cause estimating unit 216. The notification of the diagnosis result may be performed by displaying on the display of the image forming apparatus 10 or by displaying it on a management computer connected to the image forming apparatus 10. The diagnosis result notification unit 218 may transmit the diagnosis result to, for example, a management server connected via a network, or may output the diagnosis result to the administrator by outputting it from the image forming apparatus 10.

本実施形態に係る画像形成装置１０により行われる故障診断処理のための欠陥の分離処理、及び分離した欠陥から特徴量を得る処理の具体例を、図３乃至図６を参照しながら説明する。   Specific examples of defect separation processing for failure diagnosis processing performed by the image forming apparatus 10 according to the present embodiment and processing for obtaining a feature value from the separated defects will be described with reference to FIGS. 3 to 6.

図３には、白ベースの検査画像（テストチャート）を画像形成装置１０により印刷した場合に得られる検査画像の一例を示す。この検査画像には、線筋ＡとトナーかぶりＢが発生していることとする。この線筋Ａは局所的な欠陥であるが、トナーかぶりＢは全体的な欠陥であり両者が複合的に発生しているため、固定値として設定された閾値では両者をそれぞれ分けて抽出することができない。そこで、各欠陥を分けて抽出するために行われる処理を以下に説明する。   FIG. 3 shows an example of an inspection image obtained when a white-based inspection image (test chart) is printed by the image forming apparatus 10. It is assumed that the line A and the toner fog B are generated in this inspection image. The line A is a local defect, but the toner fog B is an overall defect and both are generated in a complex manner. Therefore, both of them are extracted separately at a threshold set as a fixed value. I can't. Therefore, a process performed for extracting each defect separately will be described below.

まず、頻度分布解析部２１０Ａは、画像読取部１０２により読み取られた検査画像について階調値の頻度分布（ヒストグラム）を解析する。図４には、頻度分布解析部２１０Ａにより解析される階調値のヒストグラムを示す。   First, the frequency distribution analysis unit 210A analyzes the frequency value distribution (histogram) of gradation values for the inspection image read by the image reading unit 102. FIG. 4 shows a histogram of gradation values analyzed by the frequency distribution analysis unit 210A.

図４に示されるように、線筋Ａは濃度が濃く発生領域が小さいため、ヒストグラムの階調値が低いピークＰＡを中心とした分布となり、トナーかぶりＢは濃度が薄く発生領域が大きいため、ヒストグラムの階調値が高いピークＰＢを中心とする分布となる。Ｔｈ０は、白ベースの検査画像について予め設定された閾値であり、ベースの階調値とは異なる階調値が形成されている箇所を抽出するための閾値である。ここで、固定閾値との比較を行うと、欠陥ＡおよびＢの両方に対応する領域が検出されてしまう。 As shown in FIG. 4, since the line muscles A concentration dark generation region is small, becomes distribution gradation value of the histogram centered on the lower peak P A, because of the large toner fog B concentration is thin generating area The distribution is centered on the peak P B where the gradation value of the histogram is high. Th 0 is a threshold value set in advance for the white-based inspection image, and is a threshold value for extracting a portion where a gradation value different from the base gradation value is formed. Here, when the comparison with the fixed threshold is performed, a region corresponding to both the defects A and B is detected.

そこで閾値設定部２１０Ｂは、頻度分布解析部２１０Ａにより解析されたヒストグラムに含まれるそれぞれのピークを分離して抽出するための階調値の閾値を設定する。図４に示された例では、閾値設定部２１０Ｂは、ヒストグラムのピークＰＡの分布とピークＰＢの分布とをそれぞれ分離して抽出するために、ピークＰＡとピークＰＢの値との間に階調値の閾値Ｔｈ１を設定する。一例としては、Ｔｈ１をピークＰＡとピークＰＢとの中間値として算出することとしてよい。 Therefore, the threshold value setting unit 210B sets a threshold value of a gradation value for separating and extracting each peak included in the histogram analyzed by the frequency distribution analysis unit 210A. In the example shown in FIG. 4, the threshold setting unit 210B, in order to extract and separate the histogram of the peak P A distribution and the peak P B distribution and respectively, between the value of the peak P A and the peak P B A threshold value Th 1 of gradation values is set between them. As an example, Th 1 may be calculated as an intermediate value between the peak P A and the peak P B.

画像領域特定部２１０Ｃは、上記設定された閾値に基づいて各欠陥に対応した画像領域を特定する。すなわち、画像領域特定部２１０Ｃは、Ｔｈ１よりも小さい階調値を有する画像領域を抽出することで、線筋Ａに対応する画像領域を特定し、Ｔｈ０とＴｈ１との間の階調値を有する画像領域を特定することでトナーかぶりＢに対応する画像領域を特定するものである。そして、特徴量抽出部２１０は、上記それぞれ特定された画像領域から画像特徴量を抽出する。こうして、各欠陥に対応した画像特徴量が抽出される。なお、上記トナーかぶりＢの特徴量を抽出する際において、除かれた線筋Ａの領域を隣接した画素の階調値を用いて補間処理を行い、トナーかぶりＢの画像領域の画像特徴量を抽出することとしてよい。 The image area specifying unit 210C specifies an image area corresponding to each defect based on the set threshold value. That is, the image area specifying unit 210C extracts an image area having a gradation value smaller than Th 1 to specify an image area corresponding to the line A, and a gradation between Th 0 and Th 1 By specifying an image area having a value, an image area corresponding to the toner fog B is specified. Then, the feature amount extraction unit 210 extracts an image feature amount from each of the specified image regions. In this way, the image feature amount corresponding to each defect is extracted. When the feature amount of the toner fog B is extracted, an interpolation process is performed on the removed line A area using the gradation value of the adjacent pixel, and the image feature amount of the image area of the toner fog B is calculated. It may be extracted.

図５には、ハーフトーンの検査画像（テストチャート）を画像形成装置１０により印刷した場合に得られる検査画像の一例を示す。図５に示される検査画像には、白抜けＣ、トナーかぶりＤ、線筋Ｅが発生していることとする。上述した白ベースの検査画像と同様に、この検査画像についても階調値の分布を解析し、その結果得られるヒストグラムを図６に示す。   FIG. 5 shows an example of an inspection image obtained when a halftone inspection image (test chart) is printed by the image forming apparatus 10. In the inspection image shown in FIG. 5, it is assumed that white spots C, toner fog D, and line stripes E are generated. Similar to the above-described white-based inspection image, the distribution of gradation values is analyzed for this inspection image, and the resulting histogram is shown in FIG.

図６に示されているように、図５に示した検査画像における白抜けＣは濃度が低く発生領域が小さいため、ヒストグラムの階調値が最も高い側のピークＰＣを中心とする分布となり、トナーかぶりＤは次に濃度が薄く発生領域は大きいため、ヒストグラムの階調値が高い方から２番目のピークＰＤを中心とする分布となり、線筋Ｅは濃度が濃く発生領域が小さいため、ヒストグラムの階調値が最も低い側のピークＰＥを中心とする分布となる。 As shown in FIG. 6, a white spot C in the test image shown in FIG. 5 because the concentration is smaller low generation area becomes a distribution around the peak P C of the gradation values is the highest side of the histogram since toner fog D then concentration is thin generating area is large, the better the gradation value of the histogram is high becomes distributed around the second peak P D, since the linear muscle E concentration dark generation region is small , the distribution of gray scale values of the histogram centered on the lowest side of the peak P E.

ここで、閾値設定部２１０Ｂは以下のようにして階調値の閾値を設定する。なお、ハーフトーンベースの検査画像の場合には、ハーフトーンのベースとなる階調値に基づいて２つの閾値Ｔｈ００及びＴｈ０１が予め設定されている。ハーフトーンの検査画像に欠陥がなければ、ヒストグラムの階調値分布は図６の点線の範囲内、すなわち閾値Ｔｈ００及びＴｈ０１の範囲内に存在することとなる。本実施形態では、欠陥Ｃ，Ｄ，Ｅをそれぞれ分離して抽出するために、固定閾値Ｔｈ００，Ｔｈ０１では分離されない分布の間に閾値を設定する。すなわち、閾値設定部２１０Ｂは、ピークＰＣとピークＰＤとの間に閾値Ｔｈ２を設定する。一例としては、Ｔｈ２をピークＰＣとピークＰＤの中間値として算出することとしてよい。 Here, the threshold value setting unit 210B sets the threshold value of the gradation value as follows. In the case of a halftone-based inspection image, two thresholds Th 00 and Th 01 are set in advance based on the gradation value that is the base of the halftone. If there is no defect in the halftone inspection image, the gradation value distribution of the histogram exists within the range of the dotted line in FIG. 6, that is, within the range of the thresholds Th 00 and Th 01 . In this embodiment, in order to separate and extract the defects C, D, and E, threshold values are set between distributions that are not separated by the fixed threshold values Th 00 and Th 01 . That is, the threshold setting unit 210B sets a threshold value Th 2 between the peak P C and the peak P D. As an example, good as possible to calculate the Th 2 as an intermediate value of the peak P C and the peak P D.

閾値設定部２１０Ｂによる閾値の設定処理を以下具体的に説明する。まず、閾値設定部２１０Ｂは、階調値の低い方の固定閾値以下の範囲に対してピーク位置を検出し、その結果検出されたピーク位置が一つであれば新たな閾値を設定しない。一方で、ピーク位置が複数設定されれば各ピーク位置の中間値に閾値を設定する。閾値設定部２１０Ｂは、階調値の高い方の固定閾値以上の範囲に対しても同様の処理により閾値を設定する。画像領域特定部２１０Ｃは、上記設定された閾値により各分布に対応する画像領域を特定するとともに、特徴量抽出部２１０は特定された各画像領域から画像特徴量を抽出する。   The threshold setting processing by the threshold setting unit 210B will be specifically described below. First, the threshold setting unit 210B detects a peak position with respect to a range that is equal to or lower than a fixed threshold having a lower gradation value, and does not set a new threshold if there is only one peak position detected as a result. On the other hand, if a plurality of peak positions are set, a threshold is set to the intermediate value of each peak position. The threshold setting unit 210B sets a threshold by the same process for a range of higher gradation values than the fixed threshold. The image region specifying unit 210C specifies an image region corresponding to each distribution based on the set threshold value, and the feature amount extracting unit 210 extracts an image feature amount from each specified image region.

次に、本実施形態に係る画像形成装置１０により行われる故障診断処理の一連の流れを図７及び図８を参照しながら説明する。図７には、故障診断処理の全体のフロー図を、そして図８には、欠陥特徴量抽出処理のフロー図を示した。   Next, a series of failure diagnosis processing performed by the image forming apparatus 10 according to the present embodiment will be described with reference to FIGS. FIG. 7 shows an overall flowchart of the failure diagnosis process, and FIG. 8 shows a flowchart of the defect feature amount extraction process.

図７に示されるように、画像形成装置１０は、利用者の操作入力に応じて故障診断処理を開始し、故障診断用の検査画像を印刷出力する（Ｓ３０１）。ここで出力する検査画像は、画像形成装置１０に予め記憶されていることとしてよく、発生している画像欠陥に応じて白紙ベースの検査画像とハーフトーンベースの検査画像とを切り替えて出力することとしてよい。例えば発生している画像欠陥が線筋や汚れ等の場合は、白紙ベースの検査画像を出力し、白抜けや濃度ムラなどの場合はハーフトーンベースの検査画像を出力することとしてよい。上記出力される検査画像の種類は利用者の操作入力により選択されることとしてよい。   As shown in FIG. 7, the image forming apparatus 10 starts a failure diagnosis process in response to a user's operation input, and prints out an inspection image for failure diagnosis (S301). The inspection image to be output here may be stored in advance in the image forming apparatus 10, and the white paper-based inspection image and the halftone-based inspection image are switched and output according to the generated image defect. As good as For example, when the generated image defect is a line stripe or a stain, a blank paper-based inspection image may be output, and when an image defect or density unevenness occurs, a halftone-based inspection image may be output. The type of inspection image to be output may be selected by a user operation input.

画像形成装置１０の画像形成部１００から検査画像が出力されると、その検査画像を画像読取部１０２により読み取る（Ｓ３０２）。   When an inspection image is output from the image forming unit 100 of the image forming apparatus 10, the inspection image is read by the image reading unit 102 (S302).

次に、画像形成装置１０は、読み取った検査画像について予め定められた閾値に基づいて画像の欠陥を検出する（Ｓ３０３）。なお、画像形成装置１０は、検査画像が白紙ベースの場合には、階調値が閾値よりも低い場合を欠陥として抽出し、検査画像がハーフトーンベースの場合には、予め定められた２つの閾値のうち、値が高い方の閾値より階調値が高い画素がある場合、または値が低い方の閾値より階調値が低い画素がある場合に画像の欠陥を検出するものとしてよい。   Next, the image forming apparatus 10 detects an image defect based on a predetermined threshold for the read inspection image (S303). Note that when the inspection image is a blank paper base, the image forming apparatus 10 extracts a case where the gradation value is lower than the threshold value as a defect. When the inspection image is a halftone base, the image forming apparatus 10 uses two predetermined values. An image defect may be detected when there is a pixel whose tone value is higher than the threshold value having a higher value among the threshold values, or when there is a pixel whose tone value is lower than the threshold value having a lower value.

画像形成装置１０は、上記処理により画像の欠陥が検出されなかった場合は（Ｓ３０４：Ｎ）、以前に発生した欠陥は偶発的なものであったか、あるいは当該欠陥は既に解決された可能性がある旨を操作パネルに表示して処理を終了する。一方で、欠陥が検出された場合は（Ｓ３０４：Ｙ）、画像形成装置１０は、検出された各欠陥についての特徴量を抽出する（Ｓ３０５）。この抽出処理の詳細については、図８に示すフロー図を参照しながら説明する。   If no image defect is detected by the above processing (S304: N), the image forming apparatus 10 may have caused the previous defect to be accidental or may have already been resolved. A message to that effect is displayed on the operation panel and the process is terminated. On the other hand, when a defect is detected (S304: Y), the image forming apparatus 10 extracts a feature amount for each detected defect (S305). Details of this extraction processing will be described with reference to the flowchart shown in FIG.

図８は欠陥特徴量抽出処理のフローを示す図である。画像形成装置１０は、読み取った検査画像について階調値のヒストグラムを解析し（Ｓ４０１）、解析して得たヒストグラムのピーク位置を検出する（Ｓ４０２）。ピーク位置の検出は、例えば次のようにして行うこととしてよい。まず、画像形成装置１０は、ヒストグラムの移動平均を求めてノイズ成分を除去し、ノイズ成分を除去したヒストグラムに対して一次微分処理を施す。そして、画像形成装置１０は、極大値、すなわち微分値が０でかつ、その前後の値が正から負に変わる箇所の階調値をピーク位置として検出する。   FIG. 8 is a diagram showing a flow of defect feature amount extraction processing. The image forming apparatus 10 analyzes the histogram of gradation values for the read inspection image (S401), and detects the peak position of the histogram obtained by the analysis (S402). For example, the peak position may be detected as follows. First, the image forming apparatus 10 obtains a moving average of a histogram, removes a noise component, and performs a primary differentiation process on the histogram from which the noise component is removed. Then, the image forming apparatus 10 detects, as a peak position, a maximum value, that is, a gradation value at a point where the differential value is 0 and the values before and after the value change from positive to negative.

次に、画像形成装置１０は、上記検出したピークの数を計数する。この際、画像形成装置１０は、読み取った検査画像が白紙ベースの場合は、固定閾値以下の範囲におけるピーク数を計数し、検査画像がハーフトーンベースの場合は、階調値の低い方の固定閾値以下の範囲でのピーク数と、階調値の高い方の固定閾値以上の範囲でのピーク数をそれぞれ計数する。ここで、各範囲において計数されたピーク数がいずれも一つの場合は（Ｓ４０３：Ｎ）、Ｓ３０３で検出した画像領域の特徴量を抽出する（Ｓ４０４）。一方で、いずれかの範囲において計数されたピーク数が２つ以上ある場合は（Ｓ４０３：Ｙ）、その範囲内での各ピーク間の中間階調値を算出しその中間階調値を閾値に設定する（Ｓ４０５）。   Next, the image forming apparatus 10 counts the number of detected peaks. At this time, the image forming apparatus 10 counts the number of peaks in a range equal to or less than a fixed threshold when the read inspection image is a blank paper base, and fixes the lower gradation value when the inspection image is a halftone base. The number of peaks in the range below the threshold and the number of peaks in the range above the fixed threshold with the higher gradation value are counted. If the number of peaks counted in each range is one (S403: N), the feature amount of the image area detected in S303 is extracted (S404). On the other hand, if there are two or more peaks counted in any range (S403: Y), an intermediate gradation value between each peak in the range is calculated and the intermediate gradation value is used as a threshold value. Setting is made (S405).

次に、画像形成装置１０は、設定した新たな閾値に基づいて欠陥に対応する画像領域を抽出し（Ｓ４０６）、こうして抽出した画像領域から特徴量を抽出する（Ｓ４０７）。画像形成装置１０は、Ｓ３０３で固定閾値により抽出した画像領域についての特徴量を、固定閾値により抽出された画像領域からＳ４０６において抽出された画像領域を除外し、除外した箇所の画像領域を隣接する画素の階調値に基づいて補間して、当該画像領域の特徴量を抽出する（Ｓ４０８）。なお、Ｓ４０５において算出した中間階調値が複数ある場合は、固定閾値との差が一番大きい中間階調値に基づいて抽出された画像領域の特徴量をまず抽出し、以下順にＳ４０７からＳ４０８で説明した手順と同様にして各欠陥に対応した画像領域の特徴量を抽出することとする。以上の処理を終えるとＳ３０５に戻る。   Next, the image forming apparatus 10 extracts an image area corresponding to the defect based on the set new threshold value (S406), and extracts a feature amount from the image area thus extracted (S407). The image forming apparatus 10 excludes the image area extracted in S406 from the image area extracted by the fixed threshold from the image area extracted by the fixed threshold in S303, and adjoins the excluded image area. The feature amount of the image area is extracted by performing interpolation based on the gradation value of the pixel (S408). If there are a plurality of intermediate gradation values calculated in S405, the feature amount of the image area extracted based on the intermediate gradation value having the largest difference from the fixed threshold value is extracted first, and the steps S407 to S408 are performed in the following order. In the same manner as described above, the feature amount of the image area corresponding to each defect is extracted. When the above processing is completed, the process returns to S305.

次に、画像形成装置１０は、検出した欠陥に対応した画像領域毎に抽出した特徴量を用いて欠陥の種類を判定する（Ｓ３０６）。本実施形態では、欠陥種類を判定する手法として、欠陥種類を分類するための複数の分類パラメータからなる分類空間を作成し、検査画像から欠陥分類に用いる特徴量を分類パラメータとして抽出して、分類空間においてどの欠陥種類の特徴領域に近いかを判定することで被検査画像の欠陥種類を分類する方法を用いることとしてよい。   Next, the image forming apparatus 10 determines the type of defect using the feature amount extracted for each image area corresponding to the detected defect (S306). In the present embodiment, as a method for determining the defect type, a classification space including a plurality of classification parameters for classifying the defect type is created, and a feature amount used for defect classification is extracted from the inspection image as a classification parameter. A method of classifying the defect type of the inspected image by determining which defect type is close to the feature region in the space may be used.

次に、画像形成装置１０は、当該装置を構成する各部品の状態情報や、部品ごとの印刷枚数を示すカウンタ値などの履歴情報、装置内部の温度、湿度などの環境情報といった、故障診断に必要な種々のデータを取得する。また、画像形成装置１０は、抽出された各欠陥の特徴量、及び判定された欠陥の種類および上記取得した各種データに基づいて故障原因を推論する（Ｓ３０７）。故障原因の推論は、上記各種データを推論エンジンたるベイジアンネットワークに入力して各故障原因の発生確率を算出することにより行うこととしてよい。   Next, the image forming apparatus 10 performs fault diagnosis such as status information of each component constituting the apparatus, history information such as a counter value indicating the number of printed sheets for each component, and environmental information such as temperature and humidity inside the apparatus. Get the various data you need. Further, the image forming apparatus 10 infers the cause of the failure based on the extracted feature amount of each defect, the determined defect type, and the acquired various data (S307). Failure reason inference may be performed by inputting the above various data into a Bayesian network as an inference engine and calculating the occurrence probability of each failure cause.

画像形成装置１０は、上記算出された発生確率に基づいて、故障原因となる確率の高い故障原因候補を抽出する（Ｓ３０８）。なお、抽出する故障原因の候補数は予め定めておいてもよいし、利用者により任意の数を入力して指定できるようにしてもよい。画像形成装置１０は、抽出された故障原因を操作パネルに表示して利用者に通知する（Ｓ３０９）。   The image forming apparatus 10 extracts a failure cause candidate having a high probability of causing a failure based on the calculated occurrence probability (S308). Note that the number of failure cause candidates to be extracted may be determined in advance, or may be specified by inputting an arbitrary number by the user. The image forming apparatus 10 displays the extracted failure cause on the operation panel and notifies the user (S309).

そして、この段階で追加操作情報がなければ（Ｓ３１０：Ｎ）、すなわち故障原因候補を絞り込むことができていれば、診断処理を一旦終了し、この段階で追加操作情報があれば（Ｓ３１０：Ｙ）、画像形成装置１０は、追加操作情報に従って動作条件を変更して検査画像を再出力する。   If there is no additional operation information at this stage (S310: N), that is, if failure cause candidates can be narrowed down, the diagnosis process is temporarily terminated, and if there is additional operation information at this stage (S310: Y). ), The image forming apparatus 10 changes the operation condition according to the additional operation information and re-outputs the inspection image.

再出力された検査画像に基づいて、利用者が追試結果の情報を画像形成装置１０に入力する（Ｓ３１１）。この時の追加操作は、欠陥の発生状態の変化の有無を調べるものであり、例えば画像の拡大・縮小や、イメージパスの各箇所で保持している検査画像の出力等としてよい。従って追試結果は利用者によって操作パネルに容易に入力されるものとなっている。そして、画像形成装置１０は、追加された情報と、既に入力された情報とに基づいて故障原因確率を再計算し、その計算結果から故障候補を絞り込む。ここで故障候補が絞り込めた場合や、追加する情報がない場合は（Ｓ３１０：Ｎ）、診断処理を一旦終了する。そして、次の診断対象となる画像領域がある場合は（Ｓ３１２：Ｙ）、Ｓ３０６に戻って欠陥に対応する画像領域に対する故障診断処理を行い、次の診断対象となる画像領域がない場合は（Ｓ３１２：Ｎ）、処理を終了する。   Based on the re-examined inspection image, the user inputs the information of the follow-up test result to the image forming apparatus 10 (S311). The additional operation at this time is for examining whether or not the defect occurrence state has changed, and may be, for example, enlargement / reduction of an image, output of an inspection image held in each part of an image path, or the like. Accordingly, the follow-up test result is easily input to the operation panel by the user. Then, the image forming apparatus 10 recalculates the failure cause probability based on the added information and the already input information, and narrows down failure candidates from the calculation result. If failure candidates are narrowed down or there is no information to be added (S310: N), the diagnosis process is temporarily terminated. If there is an image area to be the next diagnosis target (S312: Y), the process returns to S306 to perform failure diagnosis processing for the image area corresponding to the defect, and if there is no image area to be the next diagnosis target ( S312: N), the process is terminated.

本実施形態に係る画像形成装置１０では、上記の処理により各画像欠陥を分離して特徴量を抽出し、画像の欠陥種類を判定している。また、判定した欠陥種類に基づいて、故障原因を特定している。   In the image forming apparatus 10 according to the present embodiment, each image defect is separated by the above processing to extract a feature amount, and the type of image defect is determined. Further, the cause of the failure is specified based on the determined defect type.

なお、本発明は上記の実施形態に限定されるものではない。例えば、本実施形態では画像形成機能と故障診断機能とを同じ筐体に備えることとしたが、各機能を別々の装置に持たせることとしても構わない。また、本実施形態では、検査画像の１つの色についての処理を説明したが、検査画像がカラー画像である場合には各色について同様の処理を行うことでカラー画像の画像診断にも本発明が適用できることはもちろんである。   In addition, this invention is not limited to said embodiment. For example, in the present embodiment, the image forming function and the failure diagnosis function are provided in the same housing, but each function may be provided in different devices. In the present embodiment, the processing for one color of the inspection image has been described. However, when the inspection image is a color image, the present invention is also applied to image diagnosis of a color image by performing the same processing for each color. Of course, it can be applied.

画像形成装置の機能ブロック図である。2 is a functional block diagram of the image forming apparatus. FIG. 故障診断部の機能ブロック図である。It is a functional block diagram of a failure diagnosis unit. 白ベースの検査画像の一例を示す図である。It is a figure which shows an example of a white base test | inspection image. 白ベースの検査画像のヒストグラムである。It is a histogram of a white-based inspection image. ハーフトーンの検査画像の一例を示す図である。It is a figure which shows an example of the test | inspection image of a halftone. ハーフトーンの検査画像のヒストグラムである。It is a histogram of a halftone inspection image. 故障診断処理の全体のフロー図である。It is a flowchart of the whole failure diagnosis process. 欠陥特徴量抽出処理のフロー図である。It is a flowchart of a defect feature amount extraction process.

符号の説明Explanation of symbols

１０ 画像形成装置、１００ 画像形成部、１０２ 画像読取部、１０４ センサ部、１０６ 診断情報入力部、１０８ 故障診断部、２００ 部品状態情報取得部、２０２ 内部環境情報取得部、２０４ 消耗材情報取得部、２０６ 履歴情報管理部、２０８ 画像欠陥検出部、２１０ 特徴量抽出部、２１０Ａ 頻度分布解析部、２１０Ｂ 閾値設定部、２１０Ｃ 画像領域特定部、２１２ 欠陥種類判定部、２１４ 追加操作情報取得部、２１６ 故障原因推定部、２１６Ａ 推論部、２１６Ｂ 故障候補抽出部、２１８ 診断結果通知部。   DESCRIPTION OF SYMBOLS 10 Image forming apparatus, 100 Image forming part, 102 Image reading part, 104 Sensor part, 106 Diagnosis information input part, 108 Fault diagnosis part, 200 Component state information acquisition part, 202 Internal environment information acquisition part, 204 Consumable material information acquisition part 206 History information management unit 208 Image defect detection unit 210 Feature quantity extraction unit 210A Frequency distribution analysis unit 210B Threshold setting unit 210C Image region identification unit 212 Defect type determination unit 214 Additional operation information acquisition unit 216 Failure cause estimation unit, 216A inference unit, 216B failure candidate extraction unit, 218 diagnosis result notification unit.

Claims (5)

予め定められた画像を形成した検査画像を取得する手段と、
前記取得した検査画像について予め定められた閾値に基づき欠陥を検出する手段と、
前記欠陥が検出された場合に階調値の頻度分布を解析する手段と、
前記解析された頻度分布に基づいて階調値の閾値を設定する閾値設定手段と、
前記設定された階調値の閾値に基づいて前記検査画像の画像領域を特定するとともに、当該特定した画像領域から特徴量を抽出する手段と、
を含むことを特徴とする画像処理装置。 Means for obtaining an inspection image formed with a predetermined image;
Means for detecting a defect based on a predetermined threshold for the acquired inspection image;
Means for analyzing a frequency distribution of gradation values when the defect is detected;
Threshold setting means for setting a threshold of gradation values based on the analyzed frequency distribution;
Means for specifying an image area of the inspection image based on the set threshold value of the gradation value, and extracting a feature amount from the specified image area;
An image processing apparatus comprising: 前記閾値設定手段は、前記頻度分布の極大値の間に階調値の閾値を設定する
ことを特徴とする請求項１に記載の画像処理装置。 The image processing apparatus according to claim 1, wherein the threshold value setting unit sets a threshold value of a gradation value between the maximum values of the frequency distribution. 予め定められた欠陥の種類毎に特徴量を関連づけて記憶する手段と、
前記抽出された特徴量と、前記欠陥の種類毎に関連づけて記憶された特徴量とに基づいて、前記検査画像に含まれる欠陥の種類を判定する手段と、
をさらに含むことを特徴とする請求項１又は２に記載の画像処理装置。 Means for associating and storing feature quantities for each predetermined defect type;
Means for determining the type of defect included in the inspection image based on the extracted feature amount and the feature amount stored in association with each type of defect;
The image processing apparatus according to claim 1, further comprising: 請求項１乃至３のいずれかに記載の画像処理装置と、
前記検査画像を形成する画像形成手段と、
前記画像形成手段により形成された検査画像を読み取る画像読取手段と、を含む
ことを特徴とする画像形成装置。 An image processing apparatus according to any one of claims 1 to 3,
Image forming means for forming the inspection image;
And an image reading unit that reads an inspection image formed by the image forming unit. 予め定められた画像を形成した検査画像を取得する手段と、
前記取得した検査画像について予め定められた閾値に基づき欠陥を検出する手段と、
前記欠陥が検出された場合に階調値の頻度分布を解析する手段と、
前記解析された頻度分布に基づいて、階調値の閾値を設定する閾値設定手段と、
前記設定された階調値の閾値に基づいて前記検査画像の画像領域を特定するとともに、当該特定した画像領域から特徴量を抽出する手段としてコンピュータを機能させることを特徴とするプログラム。 Means for obtaining an inspection image formed with a predetermined image;
Means for detecting a defect based on a predetermined threshold for the acquired inspection image;
Means for analyzing a frequency distribution of gradation values when the defect is detected;
A threshold value setting means for setting a threshold value of a gradation value based on the analyzed frequency distribution;
A program for specifying an image region of the inspection image based on the set gradation value threshold and causing a computer to function as means for extracting a feature amount from the specified image region.
JP2008192323A 2008-07-25 2008-07-25 Image processing apparatus, image forming apparatus, and program Expired - Fee Related JP4872979B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2008192323A JP4872979B2 (en) 2008-07-25 2008-07-25 Image processing apparatus, image forming apparatus, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2008192323A JP4872979B2 (en) 2008-07-25 2008-07-25 Image processing apparatus, image forming apparatus, and program

Publications (2)

Publication Number Publication Date
JP2010034678A true JP2010034678A (en) 2010-02-12
JP4872979B2 JP4872979B2 (en) 2012-02-08

Family

ID=41738699

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2008192323A Expired - Fee Related JP4872979B2 (en) 2008-07-25 2008-07-25 Image processing apparatus, image forming apparatus, and program

Country Status (1)

Country Link
JP (1) JP4872979B2 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015103909A (en) * 2013-11-22 2015-06-04 キヤノン株式会社 Device, method and program for controlling device
JP2015215338A (en) * 2014-04-22 2015-12-03 株式会社リコー Recording medium smoothness detection apparatus and image forming apparatus
JP2018072715A (en) * 2016-11-02 2018-05-10 株式会社リコー Image formation device, malfunction detection method, and malfunction detection program
JP2018081244A (en) * 2016-11-18 2018-05-24 コニカミノルタ株式会社 Image forming apparatus, image processing apparatus, and method for measuring patches
US10142515B2 (en) 2016-02-18 2018-11-27 Canon Kabushiki Kaisha Image forming apparatus and abnormality determination method
JP2021094853A (en) * 2019-12-12 2021-06-24 株式会社リコー Enhanced print defect detection

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220001125A (en) 2020-06-29 2022-01-05 삼성전자주식회사 Method and apparatus for detecting defects on substrate

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04106460A (en) * 1990-08-28 1992-04-08 Toshiba Corp Detecting method of defect
JPH05114970A (en) * 1991-10-23 1993-05-07 Canon Inc Copying device
JPH096957A (en) * 1995-06-23 1997-01-10 Toshiba Corp Binarization method for density image and image binarization device
JP2004085503A (en) * 2002-08-29 2004-03-18 Dainippon Screen Mfg Co Ltd Classifying apparatus, yield control system, classifying method, substrate manufacturing method, and program

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04106460A (en) * 1990-08-28 1992-04-08 Toshiba Corp Detecting method of defect
JPH05114970A (en) * 1991-10-23 1993-05-07 Canon Inc Copying device
JPH096957A (en) * 1995-06-23 1997-01-10 Toshiba Corp Binarization method for density image and image binarization device
JP2004085503A (en) * 2002-08-29 2004-03-18 Dainippon Screen Mfg Co Ltd Classifying apparatus, yield control system, classifying method, substrate manufacturing method, and program

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015103909A (en) * 2013-11-22 2015-06-04 キヤノン株式会社 Device, method and program for controlling device
US10397412B2 (en) 2013-11-22 2019-08-27 Canon Kabushiki Kaisha Image processing apparatus, image processing method for estimating cause of abnormality having occurrenced in image processing apparatus
JP2015215338A (en) * 2014-04-22 2015-12-03 株式会社リコー Recording medium smoothness detection apparatus and image forming apparatus
US10142515B2 (en) 2016-02-18 2018-11-27 Canon Kabushiki Kaisha Image forming apparatus and abnormality determination method
JP2018072715A (en) * 2016-11-02 2018-05-10 株式会社リコー Image formation device, malfunction detection method, and malfunction detection program
JP2018081244A (en) * 2016-11-18 2018-05-24 コニカミノルタ株式会社 Image forming apparatus, image processing apparatus, and method for measuring patches
JP2021094853A (en) * 2019-12-12 2021-06-24 株式会社リコー Enhanced print defect detection

Also Published As

Publication number Publication date
JP4872979B2 (en) 2012-02-08

Similar Documents

Publication Publication Date Title
US7903844B2 (en) Failure analysis system, failure analysis method, and program product for failure analysis
JP4710495B2 (en) Failure diagnosis system, image forming apparatus, and failure diagnosis method
JP5413012B2 (en) Image defect diagnosis system, image forming apparatus, and program
US8223385B2 (en) Printer job visualization
US7676703B2 (en) Failure diagnosis system, image forming apparatus, computer readable medium and data signal
JP4872979B2 (en) Image processing apparatus, image forming apparatus, and program
US8462388B2 (en) Identifying a color separation wherein a banding defect originates
US20100124362A1 (en) Detecting image quality defects by measuring images printed on image bearing surfaces of printing devices
US8355641B2 (en) Paper wrinkle sign monitoring device, paper wrinkle sign monitoring method, and computer readable medium
US8233669B2 (en) System and method to detect changes in image quality
US20210389712A1 (en) Image forming system, image inspection device, abnormality detection level setting method, and program
JP4622252B2 (en) Inspection device, inspection program, inspection method, control device, control program, and control method
JP5050589B2 (en) Recording medium, image forming apparatus, image defect position determining apparatus, image forming program, and image defect position determining program
JP2011137895A (en) White-spot detector, image forming apparatus, and white-spot detection program
JP2008157676A (en) Color determination device, color determination program, and failure diagnostic device
JP4844606B2 (en) Image classification apparatus and program
JP2009290612A (en) Image processing device, image processing method and image forming apparatus
JP2017223892A (en) Image processing device, image forming apparatus and program
JP2008224745A (en) Image processing device, image processing program, malfunction diagnosing device, and malfunction diagnosis program
JP2016019244A (en) Image processing system, image processing method and program
JP2007243347A (en) Failure diagnosis system, image forming device, and failure diagnosis method
JP5975295B2 (en) Inspection apparatus and program
EP3928502A1 (en) Remove vertical streak in scanned images based on server
JP2006292693A (en) Image evaluating device and image forming device
JP2018078426A (en) Image forming apparatus and method

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20110214

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110329

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110523

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20111025

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20111107

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20141202

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

Ref document number: 4872979

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

LAPS Cancellation because of no payment of annual fees