JP2016046595A - 画像処理装置、画像処理方法ならびにプログラム - Google Patents
画像処理装置、画像処理方法ならびにプログラム Download PDFInfo
- Publication number
- JP2016046595A JP2016046595A JP2014167822A JP2014167822A JP2016046595A JP 2016046595 A JP2016046595 A JP 2016046595A JP 2014167822 A JP2014167822 A JP 2014167822A JP 2014167822 A JP2014167822 A JP 2014167822A JP 2016046595 A JP2016046595 A JP 2016046595A
- Authority
- JP
- Japan
- Prior art keywords
- image
- notification
- detected
- chart
- processing apparatus
- 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.)
- Pending
Links
Images
Abstract
【課題】 故障箇所の特定を現地にいないサービスマンで行う場合であっても精度良く故障箇所の特定ができる画像処理装置を提供することを目的とする。
【解決手段】 本画像処理装置は、画像を形成する画像形成手段を有する画像処理装置であり、前記画像形成手段で形成されたチャートを読み取った結果から特徴量を取得する取得手段と、前記取得手段により取得された特徴量に従い前記画像形成手段により形成された画像に不良が含まれるか否か判定する判定手段と、前記判定手段により判定された結果についての情報を通知する通知手段と、を有し、前記取得手段にて取得された特徴量に応じて、前記チャートを読み取った結果から生成された画像を、前記通知手段によって通知する情報に付加するか否か決定する決定手段と、を有することを特徴とする。
【選択図】 図6
【解決手段】 本画像処理装置は、画像を形成する画像形成手段を有する画像処理装置であり、前記画像形成手段で形成されたチャートを読み取った結果から特徴量を取得する取得手段と、前記取得手段により取得された特徴量に従い前記画像形成手段により形成された画像に不良が含まれるか否か判定する判定手段と、前記判定手段により判定された結果についての情報を通知する通知手段と、を有し、前記取得手段にて取得された特徴量に応じて、前記チャートを読み取った結果から生成された画像を、前記通知手段によって通知する情報に付加するか否か決定する決定手段と、を有することを特徴とする。
【選択図】 図6
Description
本発明はユーザから画質の不具合を指摘された際にプリンタに異常があるか否かを判定するための画像処理装置及び画像処理方法ならびに画像処理を実行するプログラムに関するものである。
近年電子写真装置の性能向上に伴い印刷機と同等の画質を実現した機械(プリンタなどの画像処理装置)が登場している。印刷機と同様に運用するためには高画質の維持が必須だが、長時間にわたりストレスのかかる使い方をするとプリンタが劣化し、本来出力されるべき通常の画像と異なる画像が出力される「画質問題(画像不良)」が発生する可能性がある。このような劣化等により発生する「画質問題」はセンサ等を用いた自動検知が難しく、ユーザからの指摘を受けてから対応するケースが非常に多い。だが、「画質問題」は言葉で表現することが難しく、例えば「スジがある」といってもスジの色や方向、大きさ等の詳細な情報がわからないとその原因を特定することができない。そのため、ユーザから「画質問題」の指摘を受けた際にサービスマンが現地に行って「画質問題」を含む出力画像を確認する必要があった。そして、画質問題の原因となる故障箇所を予測して関係するサービスパーツを特定し、一度サービスの拠点に戻り、サービスパーツを入手してから再びユーザ先へ行って対応を行っていた。このようなやり取りを行うとサービスマンの移動にコストがかかるだけでなく、対応が終了するまで機械が使えなくなるためダウンタイムが発生し、ユーザの生産性を大きく低下させるという問題があった。
そこで、特許文献1では、プリンタで画像を出力してそのスキャン画像を取得し、取得された画像から特徴量を算出し、算出された特徴量と推論エンジンを使って故障箇所を診断する「画像診断」技術が開示されている。開示されている技術では、診断結果をサービスマンやサービス拠点に通知することで、診断結果への対応すなわち故障対応を容易にしている。
また、特許文献1では特徴量と故障箇所の対応関係を保存した統計データを「診断モデル」とし、ベイズ推定等の既知の手法を用いることで特徴量から故障箇所を精度高く診断することが可能となる点について開示されている。過去に発生した事例を統計データに追加していくことで「診断モデル」が学習され、学習された診断モデルを用いることで、より精度の高い故障診断が可能となる。
しかしながら上記の診断システム内部に多くの統計データが集まらない、すなわち「診断モデル」が十分に学習されていないと、故障箇所の診断精度が向上しない。よって、故障診断結果の通知を受け取ったサービスマンが故障箇所のパーツを正しく特定できない可能性や、故障箇所のパーツを間違える可能性がある。
また、このような場合、画質問題が発生した装置から離れた場所にいる外部のサービスマン自身が故障箇所の診断を行い故障箇所へ対応することが考えられる。
しかしながら、この診断に用いる画像データなどの情報をそのまま外部へ送信するとデータ容量が大きくネットワーク負荷が大きくなり、またデータ受け取り先のストレージを逼迫させることも考えられる。
また、外部にて画像データなどの画像診断の入力情報だけを受け取っても、どのような画質問題が発生しているかサービスマンが正しく把握できず、故障箇所の診断(特定)を正しく行えない可能性もある。
そこで、本発明は故障箇所の診断(特定)を画像処理装置があるユーザ元にいないサービスマンで行う場合であっても、故障箇所の診断(特定)を精度良く実現可能な画像処理装置を提供することを目的とする。
上述した課題を解決するために本発明の画像処理装置は、画像を形成する画像形成手段を有する画像処理装置であり、前記画像形成手段で形成されたチャートを読み取った結果から特徴量を取得する取得手段と、前記取得手段により取得された特徴量に従い前記画像形成手段により形成された画像に不良が含まれるか否か判定する判定手段と、前記判定手段により判定された結果についての情報を通知する通知手段と、を有し、前記取得手段にて取得された特徴量に応じて、前記チャートを読み取った結果から生成された画像を、前記通知手段によって通知する情報に付加するか否か決定する決定手段と、を有することを特徴とする。
本発明により、故障箇所の診断(特定)を画像処理装置から離れた場所にいるサービスマンによって精度高く行うことが可能となる。また、故障箇所の特定をするために必要な情報をサービスマンに通知する際、通知に要するデータ容量を適切に低減することが可能となる。
以下、本発明を実施するための形態について図面を用いて説明する。
本発明の実施の形態について説明する。本実施例では画像処理装置に対して画像診断を実行する時に画像処理装置から出力された画像から特徴量を抽出し、特徴量から得られた画質問題に関わる情報を画像処理装置の外部へ通知する手法について説明する。画質問題とは、画像処理装置における部品故障など何らかの原因で、スジ等の本来出力されるべき画像データに無いデータが画像処理装置から出力される出力物に付加されてしまう問題であり、画像不良のことである。また、この画質問題とは、本来出力されるべき画像データが白く抜けてしまう問題や、色が変わってしまう問題など、出力物にユーザが期待していない何らかの変化が発生してしまう問題である。
図1は本実施例におけるシステムの構成図である。シアン、マゼンタ、イエロー、ブラック(以下、C、M、Y、K)の各トナーを用いる画像処理装置(以下、MFP(Multi Function Printer))101はネットワーク123を介して他のネットワーク対応機器と接続されている。またPC124はネットワーク123を介してMFP101と接続されている。PC124内のプリンタドライバ125はMFP101へ印刷データを送信する。
MFP101について詳細に説明する。ネットワークI/F122は印刷データ等の受信を行う。コントローラ102はCPU103やレンダラ112、画像処理部114で構成される。CPU103のインタプリタ104は受信した印刷データのPDL(ページ記述言語)部分を解釈し、中間言語データ105を生成する。
そしてCMS106ではソースプロファイル107及びデスティネーションプロファイル108を用いて色変換を行い、中間言語データ(CMS後)111を生成する。ここでCMSとはColor Management Systemの略であり、後述するプロファイルの情報を用いて色変換を行う。また、ソースプロファイル107はRGBやCMYK等のデバイスに依存する色空間をCIE(国際照明委員会)が定めたL*a*b*(以下、Lab)やXYZ等のデバイス非依存の色空間に変換するためのプロファイルである。XYZはLabと同様にデバイス非依存の色空間であり、3種類の刺激値で色を表現する。また、デスティネーションプロファイル108はデバイス非依存色空間をデバイス(プリンタ115)に依存したCMYK色空間に変換するためのプロファイルである。
一方、CMS109ではデバイスリンクプロファイル110を用いて色変換を行い、中間言語データ(CMS後)111を生成する。ここでデバイスリンクプロファイル110はRGBやCMYK等のデバイス依存色空間をデバイス(プリンタ115)に依存したCMYK色空間に直接変換するためのプロファイルである。どちらのCMSが選ばれるかはプリンタドライバ125における設定に依存する。
本実施例ではプロファイル(107、108及び110)の種類によってCMS(106及び109)を分けているが、1つのCMSで複数種類のプロファイルを扱ってもよい。また、プロファイルの種類は本実施例で挙げた例に限らずプリンタ115のデバイス依存CMYK色空間を用いるのであればどのような種類のプロファイルでもよい。
レンダラ112は生成した中間言語データ(CMS後)111からラスター画像113を生成する。画像処理部114はラスター画像113やスキャナ119で読み込んだ画像に対して画像処理を行う。画像処理部114について詳細は後述する。
コントローラ102と接続されたプリンタ115はC、M、Y、K等の有色トナーを用いて紙上に出力データを形成するプリンタである。プリンタ115はCPU127によって制御され、紙の給紙を行う給紙部116と出力データを形成した紙を排紙する排紙部117を持つ。
表示装置118はユーザへの指示やMFP101の状態を表示するUI(ユーザーインターフェース)である。コピー、送信処理等の他、後述する画像診断処理で用いる。
スキャナ119はオートドキュメントフィーダーを含むスキャナである。スキャナ119は束状のあるいは一枚の原稿画像を図示しない光源で照射し、原稿反射像をレンズでCCD(Charge Coupled Device)センサ等の固体撮像素子上に結像する。そして、固体撮像素子からラスター状の画像読み取り信号を画像データとして得る。
入力装置120はユーザからの入力を受け付けるためのインタフェースである。一部の入力装置はタッチパネルとなっているため、表示装置118と一体化している。
記憶装置121はコントローラ102で処理されたデータやコントローラ102が受け取ったデータ等を保存する。
画像診断部126は画質問題が発生した時にチャートを出力して解析処理を実行することで画像診断処理を行う。処理の詳細については後述する。
次に画像処理部114の流れについて図2を用いて説明する。図2はラスター画像113やスキャナ119で読み込んだ画像に対して行う画像処理の流れを示している。図2の処理の流れは画像処理部114内にある不図示のASIC(Application Specific Integrated Circuit)が実行することにより実現される。
ステップS201にて受け取った画像データがスキャナ119で読み込んだスキャンデータかプリンタドライバ125から送られたラスター画像113かを判別する。
スキャンデータではない場合はレンダラ112によってビットマップ展開されたラスター画像113であるため、CMSによってプリンタデバイスに依存するCMYKに変換されたCMYK画像210として以降の処理を行う。
スキャンデータの場合はRGB画像202であるため、ステップS203にて色変換処理を行い、共通RGB画像204を生成する。ここで共通RGB画像204とはデバイスに依存しないRGB色空間で定義されており、演算によってLab等のデバイス非依存色空間に変換することが可能である。
一方、ステップS205にて文字判定処理を行い、文字判定データ206を生成する。ここでは画像のエッジ等を検出して文字判定データ206を生成する。
次にステップS207にて共通RGB画像204に対して文字判定データ206を用いてフィルタ処理を行う。ここでは文字判定データ206を用いて文字部とそれ以外で異なるフィルタ処理を行う。そしてステップS208にて下地飛ばし処理を行い、地色成分を除去する。
次にステップS209にて色変換処理を行い、CMYK画像210を生成する。そしてステップS211にて1D−LUTを用いてC、M、Y、Kの各単色の階調特性を補正する。1D−LUT とはC、M、Y、Kのそれぞれの色を補正する1次元のLUT(Look Up Table)のことである。
最後にステップS212にて画像処理部114はスクリーン処理や誤差拡散処理のような画像形成処理を行ってCMYK画像(2値)213を作成する。
次に本実施例の画像診断処理について図3を用いて説明する。画像診断処理は画質問題が発生した際にユーザ等が実行する処理であり、画像診断部126にて制御される。以下の処理の流れのうち、ステップS301〜ステップS309までの処理はコントローラ102内のCPU103が実行することにより実現され、取得されたデータは記憶装置121に保存される。また表示装置118によってユーザへの指示をUIに表示し、入力装置120からユーザの指示を受け付ける。
まず、ステップS301にて画像診断を実行するためのチャートをプリンタで出力し、出力チャート302を取得する。ここでチャートについて図4を用いて説明する。
チャート401はKのハーフトーン(以下、HT)チャートであり、Kの中間調データで構成される。これらのチャートは全面に一様なデータを配置するため、出力結果にスジ等の本来出力される画像データに無いデータが付加されていないかを判定することが可能となる。また、定着不良など何らかの原因で本来出力されるべき画像データ(Kのハーフトーン)が白く抜けてしまっていないかどうかも判定することが可能である。
次にステップS303にて出力したチャート302をスキャナ119で読み込み、スキャン画像304を取得する。
次にステップS305にてスキャン画像304に対して解析処理を実行し、画像特徴量306を得る。ここで、解析処理について例を挙げて説明する。本実施例ではチャート401を読み込み、「スジ解析」および「汚れ解析」を実行する。
本実施例の「スジ解析」では、チャート401等の面内一様なチャートを読み込み、主走査、副走査等の特定の方向を見て条件に合う線を検出し、検出された線(スジ)の太さ/長さ等を画像特徴量306として取得される。また、本実施例の「汚れ解析」では、チャート401等の面内一様なチャートを読み込み、チャート内の画素を異常画素と正常画素に分け異常画素の位置や個数や大きさ、形状等を画像特徴量306として取得される。ここで、「スジ」と「汚れ」を区別するために、主走査または副走査方向に端部から逆端部まで長く伸びている異常画素群の形状が検出された場合は「汚れ」として検出しないという処理としてもよい。
本実施例ではチャート及び解析処理としてKのHTチャートを用いて「スジ解析」および「汚れ解析」を実行することについて説明したが、画質問題を診断するものであればどのようなものであってもよい。
次にステップS307にて閾値308と画像特徴量306を比較し、画質問題があるか否かを判定する。「スジ解析」の場合は画像特徴量306である検出された線(スジ)の太さや長さに対応した閾値が用意され、取得した画像特徴量306が閾値を超えた場合に画質問題があると判断する。
「汚れ解析」の場合は画像特徴量306である異常画素の位置や個数や大きさ、形状等に対応した閾値が用意され、取得した画像特徴量306が閾値を超えた場合に画質問題があると判断する。
次にステップS309にて画質問題の判定結果を外部へ通知する。外部とは本画像処理装置をメンテナンスするサービスマンや、そのサービス拠点、管理センター等のことである。通知内容の生成方法に関しての詳細は後述する。外部のサービスマンは、この通知を受け取ることで適切に画質問題を把握し、画質問題を解決するためのサービスパーツなどを特定することが可能となる。
次にステップS305にて得られた画像特徴量306に関して図5を用いて詳細に説明する。図5の表501は1列目に特徴量の種類を示しており、2列目以降の列にその特徴量の検出値を示している。ここでは2列目〜5列目までで検出値の例を4つ記載する。この検出値はステップS303にて読み込んだスキャン画像304に発生している画質問題の状態に応じて値が変化するものである。2列目の検出値(例1)は「スジ解析」によってスジの画質問題が検出された場合の例である。また3列目以降の検出値(例2)〜(例4)はそれぞれ「汚れ解析」によって汚れの画質問題が検出された場合のそれぞれ異なる例である。
次に、表501の各行について説明する。表501の各行は検出すべき特徴量の種類の一例を示す。例えば2行目〜5行目はスジ特徴量を示し、スキャン画像304をS305にて解析処理した場合に、「スジ解析」によってスジの画質問題が検出された場合に0ではない検出値が得られるものである。ここでは、検出したスジの数、またそれらスジの平均濃度と幅(複数スジの場合は平均幅)を特徴量としている。さらに複数(3つ以上)のスジが発生していた場合に、それらスジが周期的な位置関係で発生しているか否かを示す「スジ:周期性」という特徴量も定義している。また、6行目〜14行目は汚れ特徴量を示し、スキャン画像304をステップS305にて解析処理した場合に、「汚れ解析」によって汚れの画質問題が検出された場合に0ではない検出値が得られるものである。ここでは、検出した汚れの「数」、発生した汚れの中の「最大面積」、汚れ画素の「平均濃度」、そして発生した汚れの面積のバラつき方(同じような面積の汚れが発生しているか否か)を示す「面積バラつき」などを特徴量として定義している。また、汚れが画像全体に分布しているか密集して発生しているかを示す「密集度」や汚れが周期的に発生しているかを示す「周期性」を特徴量として定義している。さらに汚れの形状が円に近いか否かを示す「円形度」、そして発生した汚れ位置の重心位置を示す「重心位置X、Y」を特徴量として定義している。
その他、特徴量の種類として、色、ムラに関するものを含んでもよい。
色特徴量であれば、スキャン画像に対して「色解析」を行った結果、色の画質問題が検出された場合に取得される特徴量であり、この色特徴量として定義されるものとして「濃度値」や「期待濃度との色差」等があげられる。
また、ムラ特徴量であれば、スキャン画像に対し手「ムラ解析」を行った結果、ムラの画質問題が検出された場合に取得される特徴量であり、このムラ特徴量とし定義されるものとして「ムラの周期性」や「ムラの濃度ピッチ」等があげられる。
これら特徴量はステップS307の画質問題判定処理およびステップS309の画質問題判定結果の外部通知処理にて利用される。
次に画質問題判定結果の外部通知処理について図6のフローチャートを用いて説明する。本フローチャートは図3におけるステップS309を詳細に説明したものであって、画像診断部126にて制御される。以下の処理の流れのうち、ステップS601〜ステップS606までの処理はコントローラ102内のCPU103が実行することにより実現される。
まずステップS601では画質問題があったか否かを判定する。これは図3のステップS307の画質問題判定処理において画質問題が検出されたか否かを判定している。画質問題がなかったと判定された場合にはステップS605へ進む。画質問題があったと判定された場合はステップS602へ進む。
次にステップS602では画像通知判定処理を実行する。これは、画質問題判定結果の通知内容に画像データを含めるか否かの判定処理である。本判定処理には図5で説明したような画像特徴量306を用いる。判定処理の詳細は別図を用いて後述する。
次にステップS603ではステップS602の画像通知判定処理の結果から通知内容に画像データを含めることになったか否かを判定する。画像データを含めないと判定された場合にはステップS605へ進む。画像データを含めると判定された場合にはステップS604へ進む。
ステップS604では外部へ通知する際に用いられる画像データを生成する通知画像生成処理を実行する。本生成処理には図5で説明したような画像特徴量306を用いる。生成処理の詳細は別図を用いて後述する。
ステップS605では外部へ通知する文書を生成する通知文書生成処理を実行する。本生成処理には図5で説明したような画像特徴量306を用いる。例えばS601にて画質問題がないと判定された場合には「画質問題は検出されませんでした。」といった文書を生成する。またS601にて画質問題があると判定された場合には、検出された画像特徴量306を参照して画質問題を表現した文書を生成する。例えば、スジ幅の特徴量にて幅5mm、スジ平均濃度特徴量が100、スジ数の特徴量が3と検出された場合には「幅5mmで平均濃度100のスジが3本検出されました。」といったような文書を生成する。生成する文書は通知を受け取り先で画質問題を判断する材料として役立つものである。その他の文書生成例は後述する。
ステップS606では、MFP101から外部へ画質問題判定結果の通知処理を実行する。外部とは本画像処理装置(MFP101)をメンテナンスするサービスマンや、そのサービス拠点、管理センター等のことである。通知内容としてはステップS605で生成した文書およびステップS604で生成した通知画像データである。ステップS603にて画像を通知しないと判断された場合には通知画像データは通知内容には含まれず、文書のみが通知内容に含まれる。通知方法としてはネットワークI/F122およびネットワーク123を介して図示しないサービス拠点や管理センターのパソコンやサーバ、あるいはサービスマンの持つモバイル端末等へデータ送信するものである。簡易にデータの送受信を実現する手段として電子メール形式としてもよい。その場合、通知画像データは添付ファイルとしてメール添付されるものである。また、それら以外に適切にデータの送受信が可能であれば公衆電話回線を用いる等、その他の通知手段としてもよい。以上で図6のフローチャートは終了となる。
また、本例ではステップS601において画質問題がないと判定された場合には文書のみの通知としているが、通知画像データを付けて通知してもよい。これは、MFP101のユーザが、出力画像に対して「画質問題がある」と認識しているにも関わらず解析により画質問題が検出されなかった場合に、外部のサービスマンが通知画像データを元に画質問題を判断可能とするためである。このようなケースは解析処理が不十分なアルゴリズムであり、画質問題を網羅的に検出できなった場合を想定している。
次に画像通知判定処理について図7のフローチャートを用いて説明する。本フローチャートは図6におけるステップS602を詳細に説明したものであって、画像診断部126にて制御される。以下の処理の流れのうち、ステップS701〜ステップS704までの処理はコントローラ102内のCPU103が実行することにより実現される。本画像通知判定処理では、検出した画像特徴量306の検出量に応じて外部への画質問題の通知内容に画像データを含むべきか否かを適切に選択する。
まずステップS701では図5で説明した画像特徴量306を用いて「スジ数」の特徴量が所定数以上検出されたか否かを判断する。所定以上検出されたと判断された場合にはステップS704へ進む。所定以上検出されなかったと判断された場合にはステップS702へ進む。
次にステップS702では汚れが検出されたか否かを判断する。これは画像特徴量306の「汚れ数」の特徴量が0か否かで判断する。汚れが検出されたと判断された場合にはステップS704へ進む。汚れが検出されなかったと判断された場合にはステップS703へ進む。
ステップS703では画像通知しないことを決定する。ステップS703にて画像通知しないことが決定される場合とは、言い換えると画像を通知しなくても画質問題の通知を受け取った先で故障箇所(パーツ)の特定が行える場合である。本実施例においては、汚れが検出されず所定本数未満のスジが検出された場合がこれに該当する。スジの画質問題は文書で特徴を表現するのが容易なため、画像通知不要としている。ただし、所定本数以上のスジが発生している場合は、スジ解析の誤りも考慮に入れて画像通知することとしている。
次にステップS704では画像通知することを決定する。ステップS704にて画像通知することが決定される場合とは、言い換えると画像を通知しなくては画質問題の通知を受け取った先で故障箇所(パーツ)の特定が十分に行えない場合である。本実施例においては、所定本数以上のスジが検出されたか、汚れが検出された場合がこれに該当する。汚れの画質問題は文書で特徴を表現するのが困難なため、画像通知が必要とされる。
なお、本実施例では説明を簡単にするためスジ数および汚れ検出の2つの特徴量の検出結果のみで画像通知判定を行っている。しかしながらこれに限らず、例えば汚れの形状(円形度)や周期性なども考慮に入れて画像通知判定を行ってもよい。これは画像診断対象のMFP101の画質問題の種類や検出すべき特徴量の種類に応じて、画質問題判定結果の通知方法を適切に選ぶものである。
以上の図7のフローチャートによって、外部への画質問題の通知内容に画像データを含むべきか否かを適切に選択することが可能となる。これにより、画像診断時に不用意に画像データを通知内容に含むことがなくなり、外部へ送信するデータ容量を適切に低減できる。
また、図7のステップS702では汚れが検出されたか否かを判定したが、汚れ以外にもムラなどの画像不良を示す特定の画質問題が発生した場合にも、ステップS704へ進んで画像通知する。
つまり、汚れやムラなどの特定の画質問題(画像不良)とは、数値を用いての表現や文書での客観的表現が困難であるような画質問題(画像不良)であり、この画質問題が画像に発生した場合には、通知される情報に画像を付加するように制御する。
次に通知画像生成処理について図8のフローチャートを用いて説明する。本フローチャートは図6におけるステップS604を詳細に説明したものであって、画像診断部126にて制御される。以下の処理の流れのうち、ステップS801〜ステップS805までの処理はコントローラ102内のCPU103が実行することにより実現される。本通知画像生成処理では、検出した画像特徴量306の検出量に応じて外部への画質問題の通知内容に含むべき画像データを解析処理に用いた画像データから適切に生成する。ここでの適切な画像データとは、故障箇所(パーツ)の特定に必要な画像情報を保持したまま、データ容量を低減した画像データを指す。
まずステップS801では、図5で説明した画像特徴量306を用いて「汚れ数」の特徴量が0か否かを用いて、汚れを検出したか否かを判断する。汚れを検出しなかった場合はステップS805へ進む。汚れを検出した場合にはステップS802へ進む。
次にステップS802では、画像特徴量306を用いて「汚れ密集度」の特徴量が所定の閾値Mより大きいか否かの判断をする。つまり検出した汚れが有る程度密集して発生しているか、または画像データ全体に広く分布しているかの判断をする。閾値Mより大きいと判断された場合にはステップS804へ進む。閾値M以下であると判断された場合にはステップS803へ進む。
ステップS803では、画像特徴量306を用いて「汚れ面積バラつき」の特徴量が所定の閾値Sより大きいか、または「汚れ周期性」の特徴量が所定の閾値Tより大きいか否かの判断をする。つまり、検出した汚れが周期的に発生しておらず、さらに検出した汚れが有る程度同じような面積で多数発生していると判断された場合にはステップS804へ進む。検出した汚れが周期的に発生しているか、または検出した汚れが異なる面積で多数発生していると判断された場合にはステップS805へ進む。
ステップS804では通知画像として解析処理に用いた画像データから拡大画像を生成する。ステップS804にて拡大画像を生成する場合とは、言い換えると画質問題の通知を受け取った先での故障箇所(パーツ)の特定において、拡大画像が特定のための情報として有益である場合ということである。本実施例においては、汚れが密集して発生している場合や汚れが密集していなくとも同じような面積の汚れが多数発生している場合がこれに該当する。これらの汚れの画質問題は、細かい汚れの形状が故障箇所(パーツ)の特定に重要である場合が多いので拡大画像としている。よって、画質問題が発生したと判断された領域に対応するデータを用いて、通知画像を形成する。なお、通知画像は、画質問題が拡大しなくても判別可能であれば、拡大せずに等倍のまま形成されてもよい。
次にステップS805では通知画像として解析処理に用いた画像データから低解像度画像を生成する。ステップS805にて低解像度画像を生成する場合とは、言い換えると画質問題の通知を受け取った先での故障箇所(パーツ)の特定において、低解像度画像であっても故障個所の特定のための情報として有益である場合ということである。本実施例においては、汚れが未検出の場合(つまり所定以上のスジを検出した場合)や汚れが密集しておらず、異なる面積の汚れが多数発生している場合がこれに該当する。これらの画質問題は、細かい汚れの形状よりも画像全体にどのように画質問題が発生しているかが故障箇所(パーツ)の特定に重要である場合が多いので低解像度画像としている。
なお、本実施例では説明を簡単にするためスジおよび汚れ関連の特徴量群の一部の検出結果のみで通知画像生成の判断を行っている。しかしながらこれに限らず、例えば汚れの形状(円形度)や周期性なども考慮に入れて通知画像生成の判断を行ってもよい。これは画像診断対象のMFPの画質問題の種類や検出すべき特徴量の種類に応じて適切に選ぶものである。
なお、生成する通知画像に関して、ファイルサイズが一定のサイズ以下になるようにさらなる工夫を加えても良い。例えば、低解像度化し過ぎると画質不良が判断しにくくなるので、画像データの階調数を落とす(二値化するなど)といった対応である。さらには拡大画像を生成した後にその拡大画像を有る程度低解像度化する、階調数を落とすなどといった対応である。これらはデータ受け取り先のストレージ容量やネットワーク負荷に応じて決まる目標ファイルサイズに通知画像データサイズが収まるようにするために適切に処理を選ぶ。
以上の図8のフローチャートによって、外部への画質問題の通知内容に含むべき画像データを適切に生成することが可能となる。これにより故障箇所(パーツ)の特定に必要な画像情報を保持したまま、解析処理に用いた画像データをそのまま通知内容に含むよりも外部へ送信するデータ容量を適切に低減できる。
ここで図9から図12を用いて画質問題が発生した場合の解析チャートのプリント結果および外部へ通知する通知内容の一例を示す。これはステップS301でチャート401をプリンタで出力した場合に得られる画質問題が発生した出力チャートと、ステップS606にてその出力チャートを用いて検出した画質問題から生成した通知内容のペアの一例である。
まず図9(a)に出力チャート901を一例として示す。これは、一例としてスジ902の画質問題が発生した場合を示している。この図9(a)に出力チャート901をステップS305の解析処理にかけることによって得られた特徴量を図5の表501の2列目に当たる検出値(例1)に示す。出力チャート901にはスジ902が1本発生しているため、スジの特徴量群が0ではない値を持つ。この特徴量の検出値(例1)を用いてステップS602の画像通知判定処理を実行すると、図7に示したフローに従って、画像通知しないことが決定される。このとき、ステップS606にて外部へ通知する通知内容を図9(b)に例示するような通知データ903として示す。通知データ903には画質問題を送信した機種を識別するための機種IDと画像診断を実行した日時が記録されている。また、本例では通知データ内に画像データは含まれていないため、ステップS605で生成された文書のみが含まれている。文書は特徴量の検出値(例1)を基として生成されている。スジ数の特徴量の検出値に応じて発生スジの本数が記載される。また、スジ平均濃度の検出値に応じて(その検出値が所定の閾値以上か否かに応じて)黒スジまたは白スジといった文言が記載される(本例では黒スジ)。また、スジ幅の検出値に応じて、それをミリメートル換算した値が文書内に記載される。そして、スジ周期性の検出値に応じて(その検出値が所定の閾値以上か否かに応じて)スジが周期的に発生しているか否かといった文言が記載される(本例では周期的に発生していない)。外部のサービスマンはこの通知データ903を受け取ることによって適切にスジの画質問題の発生状態を把握し、故障箇所(パーツ)を特定することが可能となる。
次に図10(a)に出力チャート1001を一例として示す。これは、一例として汚れ1002の画質問題が発生した場合を示している。この図10(a)に出力チャート1001をステップS305の解析処理にかけることによって得られた特徴量を図5の表501の3列目に当たる検出値(例2)に示す。出力チャート1001には汚れ1002が密集発生しているため、汚れの特徴量群が0ではない値を持つ。この特徴量の検出値(例2)を用いてステップS602の画像通知判定処理を実行すると、図7に示したフローに従って、画像通知することが決定される。このとき、ステップS606にて外部へ通知する通知内容を図10(b)に通知データ1003として示す。通知データ1003には画質問題を送信した機種を識別するための機種IDと画像診断を実行した日時が記録されている。また、本例では通知データ内に画像データが含まれており、ステップS604で生成された通知画像データ1004とステップS605で生成された文書が含まれている。
通知画像データ1004は、特徴量の検出値(例2)を基として出力チャート1001を加工することで生成される。この特徴量の検出値(例2)を用いてステップS604の通知画像生成処理を実行すると、図8に示したフローに従って、通知画像データとして拡大画像を生成することが決定される。図5の特徴量の検出値(例2)を参照すると汚れを検出しており、その汚れ密集度の特徴量は100という値を検出している。本実施例においてステップS802で設けられる閾値Mが50であるとする。するとステップS802の判断はyesとなり、ステップS804で拡大画像が生成される。拡大画像の拡大中心位置と拡大率(拡大範囲)は特徴量である汚れ重心位置と汚れ密集度の値から適切に選択されるものとする。
また通知文書は特徴量の検出値(例2)を基として生成されている。汚れ数の特徴量の検出値に応じて発生汚れ数が記載される。また、汚れ平均濃度の検出値に応じて汚れの平均濃度が記載される。また、汚れ最大面積の特徴量の検出値に応じて最も大きな汚れ面積が記載される。また、汚れ密集度の特徴量の検出値に応じて、汚れが密集して発生しているか広く分布して発生しているかが文書内に記載される(本例では密集して発生)。また、このとき密集して発生しているならば汚れ重心位置の特徴量の検出値を基として汚れの中心座標が記載される。そして、汚れ周期性の検出値に応じて(その検出値が所定の閾値以上か否かに応じて)汚れが周期的に発生しているか否かといった文言が記載される(本例では周期的に発生していない)。また、最後に添付されている通知画像データの説明(拡大画像か低解像度画像か等)が記載される。外部のサービスマンはこの通知データ1003を受け取ることによって適切に汚れの画質問題の発生状態を把握し、故障箇所(パーツ)を特定することが可能となる。
次に図11(a)に出力チャート1101を一例として示す。これは、一例として汚れ1102の画質問題が発生した場合を示している。この図11(a)に出力チャート1101をステップS305の解析処理にかけることによって得られた特徴量を図5の表501の4列目に当たる検出値(例3)に示す。出力チャート1101には汚れ1102が広く分布して発生しているため、汚れの特徴量群が0ではない値を持つ。この特徴量の検出値(例3)を用いてステップS602の画像通知判定処理を実行すると、図7に示したフローに従って、画像通知することが決定される。このとき、ステップS606にて外部へ通知する通知内容を図11(b)に通知データ1103として示す。通知データ1103には画質問題を送信した機種を識別するための機種IDと画像診断を実行した日時が記録されている。また、本例では通知データ内に画像データが含まれており、ステップS604で生成された通知画像データ1104とステップS605で生成された文書が含まれている。
通知画像データ1104は、特徴量の検出値(例3)を基として出力チャート1101を加工することで生成される。この特徴量の検出値(例3)を用いてステップS604の通知画像生成処理を実行すると、図8に示したフローに従って、通知画像データとして低解像度画像を生成することが決定される。図5の特徴量の検出値(例3)を参照すると汚れを検出しており、その汚れ密集度の特徴量は20という値を検出している。本実施例においてステップS802で設けられる閾値Mが50であるとする。するとステップS802の判断はnoとなる。さらに汚れ面積バラつきの特徴量は10、汚れ周期性特徴量は80という値を検出している。本実施例においてステップS803で設けられる閾値SおよびTが50であるとする。するとステップS803の判断はyesとなり、ステップS805で低解像度画像が生成される。低解像度画像の低解像度率は目標ファイルサイズに収まるように適切に選択されるものとする。ただし、低解像度率に下限を設けておき、下限でもファイルサイズが収まらない場合は低解像度画像の階調数を落とすといった対応をしてもよい。
また通知文書は特徴量の検出値(例3)を基として生成されている。汚れ数の特徴量の検出値に応じて発生汚れ数が記載される。また、汚れ平均濃度の検出値に応じて汚れの平均濃度が記載される。また、汚れ最大面積の特徴量の検出値に応じて最も大きな汚れ面積が記載される。また、汚れ密集度の特徴量の検出値に応じて、汚れが密集して発生しているか広く分布して発生しているかが文書内に記載される(本例では広く分布して発生)。そして、汚れ周期性の検出値に応じて(その検出値が所定の閾値以上か否かに応じて)汚れが周期的に発生しているかまたはいないかといった文言が記載される(本例では主走査方向に周期的に発生)。このとき予め解析処理で求まっていた周期間隔を併記する。また、最後に添付されている通知画像データの説明(拡大画像か低解像度画像か等)が記載される。外部のサービスマンはこの通知データ1103を受け取ることによって適切に汚れの画質問題の発生状態を把握し、故障箇所(パーツ)を特定することが可能となる。
次に図12(a)に出力チャート1201を一例として示す。これは、一例として汚れ1202の画質問題が発生した場合を示している。この図12(a)に出力チャート1201をステップS305の解析処理にかけることによって得られた特徴量を図5の表501の5列目に当たる検出値(例4)に示す。出力チャート1201には汚れ1202が広く分布して大量に発生しているため、汚れの特徴量群が0ではない値を持つ。この特徴量の検出値(例4)を用いてステップS602の画像通知判定処理を実行すると、図7に示したフローに従って、画像通知することが決定される。このとき、ステップS606にて外部へ通知する通知内容を図12(b)に通知データ1203として示す。通知データ1203には画質問題を送信した機種を識別するための機種IDと画像診断を実行した日時が記録されている。また、本例では通知データ内に画像データが含まれており、ステップS604で生成された通知画像データ1204とステップS605で生成された文書が含まれている。通知画像データ1204は、特徴量の検出値(例4)を基として出力チャート1201を加工することで生成される。この特徴量の検出値(例4)を用いてステップS604の通知画像生成処理を実行すると、図8に示したフローに従って、通知画像データとして拡大画像を生成することが決定される。
図5の特徴量の検出値(例4)を参照すると汚れを検出しており、その汚れ密集度の特徴量は5という値を検出している。本実施例においてステップS802で設けられる閾値Mが50であるとする。するとステップS802の判断はnoとなる。さらに汚れ面積バラつきの特徴量は5、汚れ周期性特徴量は0という値を検出している。本実施例においてステップS803で設けられる閾値SおよびTが50であるとする。するとステップS803の判断はnoとなり、ステップS804で拡大画像が生成される。拡大画像の拡大中心位置と拡大率(拡大範囲)は特徴量である汚れ重心位置と汚れ最大面積の値から適切に選択されるものとする。
また通知文書は特徴量の検出値(例4)を基として生成されている。汚れ数の特徴量の検出値に応じて発生汚れ数に関する記載される。ここでは、汚れ数が所定以上であるため大量に発生と記載している。また、汚れ平均濃度の検出値に応じて汚れの平均濃度が記載される。また、汚れ最大面積の特徴量の検出値に応じて最も大きな汚れ面積が記載される。また、汚れ密集度の特徴量の検出値に応じて、汚れが密集して発生しているか広く分布して発生しているかが文書内に記載される(本例では広く分布して発生)。そして、汚れ周期性の検出値に応じて(その検出値が所定の閾値以上か否かに応じて)汚れが周期的に発生しているかまたはいないかといった文言が記載される(本例では周期的に発生していない)。また、最後に添付されている通知画像データの説明(拡大画像か低解像度画像か等)が記載される。外部のサービスマンはこの通知データ1203を受け取ることによって適切に汚れの画質問題の発生状態を把握し、故障箇所(パーツ)を特定することが可能となる。
以上の本実施例により、画質問題判定結果を含めた通知データを用いることで、画像処理装置の故障箇所の特定を画像処理装置と離れた位置にいる外部のサービスマンによって精度よく行うことが可能となる。また、画像処理装置と離れた位置にいる外部のサービスマンに故障箇所の特定をするために必要な情報を通知する際、通知に要するデータ容量の増加を抑制することが可能となる。
実施例1では、画像処理装置において画質問題判定を実施し、その画質問題判定結果から通知データを生成し、画像処理装置から離れた位置にいる外部のサービスマン等に通知データを送信する方法について述べた。実施例2では、画像処理装置において、さらに画質問題を解消するためにどのような対応を行ったらよいかを推定する対応内容推定処理を実行し、その実行結果を含んだ通知データを生成する。このような通知データを生成することで、画像処理装置から離れた位置にいる外部のサービスマンが、画像処理装置の故障箇所の特定や故障箇所への対応内容の決定を可能とするものに関して説明する。
本実施例では実施例1に対して、MFP101の画像診断処理フローが異なる。MFP101のハードウェア構成および、画像処理の流れは実施例1と同様である。以下、実施例1との差分について本実施例を詳細に説明する。
図13は本実施例の画像診断処理の流れを示す。画像診断処理は画質問題が発生した際にユーザ等が実行する処理であり、画像診断部126にて制御される。以下の処理の流れのうち、ステップS1301〜ステップS1311までの処理はコントローラ102内のCPU103が実行することにより実現され、取得されたデータは記憶装置121に保存される。また表示装置118によってユーザへの指示をUIに表示し、入力装置120からユーザの指示を受け付ける。
まず、ステップS1301〜ステップS1307の処理は、実施例1の図3の画像診断処理のステップS301〜ステップS307の処理と同様なので説明を省略する。
次にステップS1309では、対応内容推定処理を実行する。これは、推定用データベース1310と画像特徴量1306を用いてMFP101における故障箇所(交換すべきパーツ)の特定や適切な補正処理の実行指示などのMFP101にて発生した画像問題への対応内容を推定する処理である。推定用データベース1310とは、特徴量と故障箇所(故障箇所への対応内容)の対応関係を保存した統計データである。ここで、推定用データベース1310を用いて既知のベイズ推定の手法を用いれば、対応内容ごとに妥当性を確率で算出することができる。例えば推定用データベース1310内に「ドラム交換」、「定着器交換」といった対応内容が保存されている場合、それぞれに対して「改善する確率は約○%」といった形で対応内容の妥当性を表示できる。
次にステップS1311にて対応内容推定処理結果および画質問題の判定結果を外部へ通知する。外部とはMFP101をメンテナンスするサービスマンや、そのサービス拠点、管理センター等のことである。実施例1とは異なり、画質問題の判定結果だけでなく対応内容推定処理結果も外部への通知内容に含める。それら以外の通知内容の生成方法に関しての詳細は実施例1の同様である。
外部のサービスマンは、実施例1で示したように、画質問題の判定結果を受け取り、この判定結果を判断材料に自ら推定する故障箇所への対応内容に加えて、この通知を受け取ることで装置により推定された故障箇所への対応内容を取得することが可能になる。よって、装置による推定結果と自分の推定結果とを鑑みて、画質問題を解決するためのサービスパーツなどを特定することが可能となる。
次に図14にステップS1311にて外部へ通知する通知内容を通知データ1401として示す。通知データ1401には画質問題を送信した機種を識別するための機種IDと画像診断を実行した日時が記録されている。また、本例では通知データ1401内に画像データが含まれており、ステップS604で生成された通知画像データ1402とステップS605で生成された文書が含まれている。さらに通知データ1401内にはステップS1309にて実行した対応内容推定処理の結果である対応内容推定結果1403が併記されている。対応内容推定結果1403には画質問題を改善するための対応内容(故障パーツ名など)とその対応で画質問題が改善する確率が記載されている。この確率の信憑性は推定用データベース1310の確度に依存するものである。例えば、推定用データベース1310に、特徴量と故障箇所(対応内容)の対応関係を示した統計データが十分な量蓄積されていれば確率の信憑性は上がる。また、推定用データベース1310に、特徴量と故障箇所(対応内容)の対応関係を示した統計データが十分な量蓄積されていなければ確率の信憑性は下がる。外部のサービスマンはこの通知データ1103を受け取ることによって適切に汚れの画質問題の発生状態を把握し、さらに対応内容推定結果を加味しながら故障箇所(パーツ)を特定することが可能となる。
本実施例により、画質問題の発生状態の情報及び統計データを用いた画像診断の推定結果の双方を加味しながら画像処理装置から離れた位置にいるサービスマンは故障箇所の特定や対応内容の決定を精度良く行うことが可能となる。特に推定用データベース1310に、特徴量と故障箇所(対応内容)の対応関係を示した統計データが十分な量蓄積されていない場合に有効である。
(その他の実施例)
本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施例の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施例の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ(またはCPUやMPU等)がプログラムを読み出して実行する処理である。
Claims (10)
- 画像を形成する画像形成手段を有する画像処理装置であり、
前記画像形成手段で形成されたチャートを読み取った結果から特徴量を取得する取得手段と、
前記取得手段により取得された特徴量に従い前記画像形成手段により形成された画像に不良が含まれるか否か判定する判定手段と、
前記判定手段により判定された結果についての情報を通知する通知手段と、を有し、
前記取得手段にて取得された特徴量に応じて、
前記チャートを読み取った結果から生成された画像を、前記通知手段によって通知する情報に付加するか否か決定する決定手段と、
を有することを特徴とする画像処理装置。 - 前記決定手段は、前記画像形成手段により形成されたチャートに画像不良を示す特定の特徴が検出された際に取得される特徴量が含まれる場合は、
前記チャートを読み取った結果から生成された画像を、前記通知手段によって通知する情報に付加することを特徴とする請求項1に記載の画像処理装置。 - 前記特定の特徴とは、少なくとも前記画像形成手段により形成されたチャートから検出される汚れ、前記画像形成手段により形成されたチャートから検出されるムラ、のいずれかであることを特徴とする請求項2に記載の画像処理装置。
- 前記通知手段によって通知される情報に前記像形成手段で形成されたチャートを読み取った結果から生成された画像を付加する場合、
前記画像形成手段により形成されたチャートに画像不良を示す特定の特徴が検出された際に取得される特徴量に応じて前記画像の種類が決定されることを特徴とする請求項1記載の画像処理装置。 - 前記チャートに前記特定の特徴が検出され、該特徴が検出された際に取得された際に取得された特徴量の値が閾値より大きい場合、前記画像は前記チャートの一部の領域に対応するデータから生成された画像であることを特徴とする請求項4記載の画像処理装置。
- 前記チャートに前記特定の特徴が検出され、該特徴が検出された際に取得された際に取得された特徴量の値が閾値より小さい場合、前記画像は、前記チャートを読み取って得られたデータを低解像度化して生成された画像であることを特徴とする請求項4記載の画像処理装置。
- 前記通知手段により通知される情報に、前記画像形成手段で形成されたチャートを読み取った結果から生成された画像を付加する場合、
前記画像のファイルサイズが所定のサイズ以下になるようにすることを特徴とする請求項1記載の画像処理装置。 - 前記通知手段により通知される情報は、前記画像処理装置から送信されること特徴とする請求項1に記載の画像処理装置。
- 画像を形成する画像形成手段を有する画像処理装置の制御方法であり、
前記画像形成手段で形成されたチャートを読み取った結果から特徴量を取得する取得ステップと、
前記取得ステップにて取得された特徴量に従い前記画像形成手段により形成された画像に不良が含まれるか否か判定する判定ステップと、
前記判定ステップにて判定された結果についての情報を通知する通知ステップと、
を有し、
前記取得手段にて取得された特徴量に応じて、
前記チャートを読み取った結果から生成された画像を、前記通知ステップにて通知する情報に付加するか否か決定する決定ステップと、
を有することを特徴とする画像処理装置の制御方法。 - コンピュータに請求項9に記載の方法を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014167822A JP2016046595A (ja) | 2014-08-20 | 2014-08-20 | 画像処理装置、画像処理方法ならびにプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014167822A JP2016046595A (ja) | 2014-08-20 | 2014-08-20 | 画像処理装置、画像処理方法ならびにプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2016046595A true JP2016046595A (ja) | 2016-04-04 |
Family
ID=55636792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014167822A Pending JP2016046595A (ja) | 2014-08-20 | 2014-08-20 | 画像処理装置、画像処理方法ならびにプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2016046595A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019184855A (ja) * | 2018-04-11 | 2019-10-24 | コニカミノルタ株式会社 | 画像形成装置及びヤレ検出方法 |
JP2020069739A (ja) * | 2018-10-31 | 2020-05-07 | 株式会社リコー | 画像形成装置、画像形成方法、及び、画像形成プログラム |
JP2020071261A (ja) * | 2018-10-29 | 2020-05-07 | 株式会社リコー | 診断システム、画像形成装置、診断方法およびプログラム |
JP2021051133A (ja) * | 2019-09-24 | 2021-04-01 | コニカミノルタ株式会社 | 故障箇所特定システム、故障箇所特定方法、故障箇所特定プログラム、故障箇所特定装置、および画像形成装置 |
-
2014
- 2014-08-20 JP JP2014167822A patent/JP2016046595A/ja active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019184855A (ja) * | 2018-04-11 | 2019-10-24 | コニカミノルタ株式会社 | 画像形成装置及びヤレ検出方法 |
JP2020071261A (ja) * | 2018-10-29 | 2020-05-07 | 株式会社リコー | 診断システム、画像形成装置、診断方法およびプログラム |
JP7139882B2 (ja) | 2018-10-29 | 2022-09-21 | 株式会社リコー | 診断システム、画像形成装置、診断方法およびプログラム |
JP2020069739A (ja) * | 2018-10-31 | 2020-05-07 | 株式会社リコー | 画像形成装置、画像形成方法、及び、画像形成プログラム |
JP7135736B2 (ja) | 2018-10-31 | 2022-09-13 | 株式会社リコー | 画像形成装置、画像形成方法、及び、画像形成プログラム |
JP2021051133A (ja) * | 2019-09-24 | 2021-04-01 | コニカミノルタ株式会社 | 故障箇所特定システム、故障箇所特定方法、故障箇所特定プログラム、故障箇所特定装置、および画像形成装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10187532B2 (en) | Image processing apparatus, image processing method, and storage medium | |
US9282199B2 (en) | Image forming apparatus, image diagnostic method, and image diagnostic system | |
JP6234185B2 (ja) | 装置、装置を制御する方法ならびにプログラム | |
JP6381281B2 (ja) | 画像処理装置、画像処理方法ならびにプログラム | |
JP6234181B2 (ja) | 画像処理装置、情報処理装置、画像処理装置の制御方法、情報処理装置の制御方法、及びプログラム | |
US9342898B2 (en) | Image inspection system, image inspection method, and recording medium storing image inspection program | |
JP2017083544A (ja) | 画像処理装置、画像処理方法及びプログラム | |
US10686945B2 (en) | Diagnosis system, diagnosis method and storage medium | |
JP6632250B2 (ja) | 画像処理装置、画像処理方法ならびにプログラム | |
US9129208B2 (en) | Method and system for determining an object type from raster data in an image forming apparatus | |
JP2016046595A (ja) | 画像処理装置、画像処理方法ならびにプログラム | |
JP4872979B2 (ja) | 画像処理装置、画像形成装置及びプログラム | |
JP2015141093A (ja) | 画像検査装置、画像形成システム及び画像検査プログラム | |
JP6635335B2 (ja) | 画像検査装置及び画像形成システム | |
JP2015084207A (ja) | 選択装置、画像形成システム及び選択方法 | |
JP2015167302A (ja) | システムおよびその制御方法、画像形成装置およびその制御方法、並びにプログラム | |
KR20100012817A (ko) | 화상형성장치, 호스트장치 및 화상형성장치의 진단방법 | |
JP2016019244A (ja) | 画像処理装置、画像処理方法ならびにプログラム | |
JP2012078795A (ja) | 画像形成装置 | |
JP2016025646A (ja) | 画像処理装置、画像処理方法ならびにプログラム | |
JP2016072693A (ja) | 診断支援装置、画像形成装置、及び、それらの制御方法 | |
JP2018146359A (ja) | 画像形成装置、その制御方法、及びプログラム | |
JP2017191294A (ja) | 画像処理装置、制御方法、及びプログラム | |
EP3928502A1 (en) | Remove vertical streak in scanned images based on server | |
JP2020019206A (ja) | 情報処理装置、情報処理システムおよび故障診断方法 |