JP2022150349A - 印刷条件設定方法、印刷条件設定システム - Google Patents

Abstract

【課題】印刷装置に使用するインク及び媒体に適した印刷条件を設定する。【解決手段】印刷条件設定方法は、印刷装置における印刷条件を設定する印刷条件設定方法であって、インクの物性情報とインク種識別子とを用いてインク種判別器の機械学習を行うインク種学習工程と、媒体の特性情報と媒体種識別情報とを用いて媒体種判別器の機械学習を行う媒体種学習工程と、前記インク種判別器により判別されたインク種と、前記媒体種判別器により判別された媒体種と、に応じた前記印刷条件を設定する印刷条件設定工程と、を有する。【選択図】図２

Description

本発明は、印刷条件設定方法、及び印刷条件設定システムに関する。

従来、特許文献１には、充填されたインクに対して光を照射する工程と、前記光が前記インクを透過または反射する光量を測定する工程であって、１色のインクに対して波長の異なる複数の光量をそれぞれ測定する工程と、前記測定された複数の光量に基づいて前記充填されたインクが所定のインクか否かを判別する工程と、を含むことを特徴とするインク判別方法が記載されている。

特開２００５－２３１３５６号公報

しかしながら、特許文献１に記載のインク判別方法は、画質劣化防止や故障防止を目的とし、所定のインクか否かを判別するものであり、インクに応じて印刷条件を選定することはできなかった。また、インクと記録紙との組み合わせについては、考慮されていなかった。

印刷条件設定方法は、印刷装置における印刷条件を設定する印刷条件設定方法であって、インクの物性情報とインク種識別子とを用いてインク種判別器の機械学習を行うインク種学習工程と、媒体の特性情報と媒体種識別情報とを用いて媒体種判別器の機械学習を行う媒体種学習工程と、前記インク種判別器により判別されたインク種と、前記媒体種判別器により判別された媒体種と、に応じた前記印刷条件を設定する印刷条件設定工程と、を有する。

印刷条件設定システムは、印刷装置における印刷条件を設定する印刷条件設定システムであって、インクの物性情報とインク種識別子とを用いてインク種判別器の機械学習を行うインク種学習部と、媒体の特性情報と媒体種識別情報とを用いて媒体種判別器の機械学習を行う媒体種学習部と、前記インク種判別器により判別されたインク種と、前記媒体種判別器により判別された媒体種と、に応じた前記印刷条件を設定する印刷条件設定部と、を有する。

印刷装置の構成の一例を示す概略図。 印刷条件設定システムの構成を示すブロック図。 インク種学習工程の処理方法を示すフローチャート。 インク種学習工程において利用される訓練モデルの一例を示す模式図。 印刷条件（制御パラメーター）の一例を示す説明図。 印刷条件（メンテナンスモード）の一例を示す説明図。 印刷条件（ＩＣＣプロファイル）の一例を示す説明図。 インク種判別工程の処理方法を示すフローチャート。 第１機械学習モデルの構成を示す説明図。 第２機械学習モデルの構成を示す説明図。 媒体種学習工程の処理手順を示すフローチャート。 媒体識別子リストを示す説明図。 媒体・印刷設定テーブルを示す説明図。 クラスタリング処理された分光データを示す説明図。 グループ管理テーブルを示す説明図。 特徴スペクトルを示す説明図。 既知特徴スペクトル群の構成を示す説明図。 媒体種判別工程の処理手順を示すフローチャート。 媒体追加処理の処理手順を示すフローチャート図。 分光データ群の管理状態を示す説明図。 印刷媒体の追加に応じて更新された媒体識別子リストを示す説明図。 印刷媒体の追加に応じて更新されたグループ管理テーブルを示す説明図。 機械学習モデルの追加に応じて更新されたグループ管理テーブルを示す説明図。 機械学習モデルの更新処理の処理手順を示すフローチャート図。 印刷条件設定工程の処理方法を示すフローチャート。 印刷条件テーブルの一例を示す説明図。

本実施形態の印刷条件設定方法は、印刷装置２００１（図１）における印刷条件を設定する印刷条件設定方法であって、インクの物性情報とインク種識別子とを用いてインク種判別器の機械学習を行うインク種学習工程（ステップＳ１０［図示せず］）と、媒体の特性情報と媒体種識別情報とを用いて媒体種判別器の機械学習を行う媒体種学習工程（ステップＳ３０［図示せず］）と、インク種判別器により判別されたインク種と、媒体種判別器により判別された媒体種と、に応じた印刷条件を設定する印刷条件設定工程（ステップＳ５０［図示せず］）と、を有する。さらには、印刷条件設定方法には、インク種判別工程（ステップＳ２０［図示せず］）、媒体種判別工程（ステップＳ４０［図示せず］）が含まれる。
また、上記のインク種判別器の機械学習方法と媒体種判別器の機械学習方法とでは、異なる手法で実行される。詳細には、インク種学習工程（ステップＳ１０）では、一つの機械学習モデル（訓練モデル１０５）を備えるが、媒体種学習工程（ステップＳ３０）では、複数（本実形態では２つ）の機械学習モデル２０１，２０２を備える。機械学習の対象に適した学習方法の採用により、効率よく処理を実行することができる。
なお、インク種学習工程（ステップＳ１０）、インク種判別工程（ステップＳ２０）、媒体種学習工程（ステップＳ３０）及び媒体種判別工程（ステップＳ４０）の各処理、は必ずしも一律に並行して処理する構成でなくともよく、各工程の処理回数や処理タイミングについては、それぞれが適宜に処理可能である。

図１は、印刷装置２００１の構成例を示す概略図である。印刷装置２００１は、媒体としての印刷媒体ＰＭ（例えば、用紙）に印刷可能なインクジェットプリンターである。

印刷装置２００１は、キャリッジ２０２０を備える。キャリッジ２０２０は、装着部２０３０とヘッド２０４０とを備える。
装着部２０３０は、液体としてのインクを収容可能なカートリッジ２０１０を着脱可能に構成される。装着部２０３０に装着されるカートリッジ２０１０は、単数でも複数でもよい。

カートリッジ２０１０は、装着部２０３０に設けられた液体導入針（図示省略）に差し込まれた状態で、装着部２０３０に装着される。カートリッジ２０１０に収容されたインクは、液体導入針を介してヘッド２０４０に供給される。

ヘッド２０４０は、複数のノズル（図示省略）を備え、各ノズルからインクを液滴として吐出する。ヘッド２０４０は、インク吐出機構として、例えば、ピエゾ素子を備え、ピエゾ素子の駆動によって各ノズルからインクが吐出される。プラテン２０４５に支持された印刷媒体ＰＭに対してヘッド２０４０からインクが吐出されることにより、印刷媒体ＰＭに文字、図形および画像などが印刷される。

印刷装置２００１は、キャリッジ２０２０と印刷媒体ＰＭとを相対的に移動させる主走査送り機構および副走査送り機構を備える。主走査送り機構は、キャリッジモーター２０５２及び駆動ベルト２０５４を備える。駆動ベルト２０５４にキャリッジ２０２０が固定される。キャリッジモーター２０５２の動力により、キャリッジ２０２０は、架設されたガイドロッド２０５５に案内されて、Ｘ軸に沿った方向に往復移動する。副走査送り機構は、搬送モーター２０５６および搬送ローラー２０５８を備え、搬送モーター２０５６の動力を搬送ローラー２０５８に伝達することによって、＋Ｙ方向に印刷媒体ＰＭを搬送する。キャリッジ２０２０が往復移動する方向が主走査方向であり、印刷媒体ＰＭが搬送される方向が副走査方向である。
なお、印刷装置２００１は、プラテン２０４５を含め、プラテン２０４５の搬送経路の上流側および下流側の搬送経路には、搬送される印刷媒体ＰＭを加熱する加熱部が配置される構成であってもよい。

印刷装置２００１は、メンテナンス部２０６０を備える。メンテナンス部２０６０は、例えば、ヘッド２０４０に対して各種メンテナンスを行うものである。例えば、メンテナンス部２０６０は、キャッピング部２０６１を備える。キャッピング部２０６１は、凹部を有するキャップ２０６２を備える。キャッピング部２０６１は、図示しない駆動モーターを含む昇降機構が設けられ、キャップ２０６２をＺ軸に沿った方向に移動可能に構成される。メンテナンス部２０６０は、印刷装置２００１が稼動していない時に、ヘッド２０４０に対してキャップ２０６２を密着させてノズルが形成された領域をキャッピングすることにより、インクが乾燥してノズルが詰まるなどの不具合が生じないようにすることができる。

また、メンテナンス部２０６０は、ノズルに対してクリーニングを行う各種機能を有する。例えば、長時間ノズルからインクが吐出されなかったり、ノズルに紙粉などの異物が付着したりすると、ノズルが目詰まりすることがある。ノズルが目詰まりすると、ノズルからインクが吐出されるべき時にインクが吐出されず、インクドットが形成されるべき所にインクドットが形成されない現象、すなわち、ノズル抜けが発生する。ノズル抜けが発生すると画質が劣化してしまう。そこで、メンテナンス部２０６０は、キャップ２０６２の凹部に向けて強制的にノズルからインクを吐出させる。すなわち、フラッシングを行うことでノズルに対するクリーニングが行われる。これにより、ノズルの吐出状態を良好な状態に回復させることができる。
なお、メンテナンス部２０６０は、上記以外にもノズル面を払拭する払拭部２０６３やノズルの状態を検査するノズル検査部等を備える。

印刷装置２００１は、制御部２００２を備える。キャリッジモーター２０５２、搬送モーター２０５６、ヘッド２０４０及びメンテナンス部２０６０等は、制御部２００２からの制御信号に基づいて制御される。
また、印刷装置２００１は、例えば、ＬＡＮインターフェイスやＵＳＢインターフェイスなどの汎用インターフェイスを備え、各種外部機器と通信可能な構成である。

本実施形態の印刷条件設定方法では、機械学習を利用して印刷装置２００１で使用される使用インクと使用される印刷媒体ＰＭとに適した印刷条件を設定する。
以下、具体的に説明する。

まず、インク種学習工程（ステップＳ１０）について説明する。
インク種学習工程（ステップＳ１０）では、インクの物性情報であるインク特性データと、インク種識別子を含むインクの属性情報と、を対応付けた教師データ１０４を用いて機械学習させることにより学習済モデル（学習済みの学習インク）としてのインク種判別器１０２を生成する。

次に、インク種判別器１０２の生成処理について具体的に説明する。
インクとしては、印刷装置２００１で使用される使用インクである。なお、インクが使用される装置は印刷装置２００１に限定されず、例えば、描画装置、塗装装置、筆記装置などでもよい。

インク種識別子を含むインクの属性情報とは、インクの種類、つまり、インク名（メーカー名）やインク品番の情報の他、インクの色、インクのタイプ、インクに含まれる成分、インクの製造者、インクの製造地域、インクの製造時期の内の少なくとも１つの情報である。
インクのタイプとしては、例えば、水性、油性、紫外線硬化型、熱硬化型、染料系、顔料系などの情報が含まれる。
インク特性データは、インクに光を照射して観測される吸光度Ａ、透過率Ｔ％、反射率Ｒ％の内の少なくとも１つのデータである。

インク種判別器１０２は、図２に示す印刷条件設定システム１において、教師データ１０４を用いて、訓練モデル１０５を訓練することにより生成される。インク種判別器１０２は、ある時点までに得られた教師データ１０４により、訓練モデル１０５を訓練して得られた学習済みのモデルを用いた判別プログラムである。
印刷条件設定システム１は、印刷装置２００１における印刷条件を設定する印刷条件設定システムであって、インクの物性情報とインク種識別子とを用いてインク種判別器の機械学習を行うインク種学習部と、媒体の特性情報と媒体種識別情報とを用いて媒体種判別器の機械学習を行う媒体種学習部と、インク種判別器により判別されたインク種と、媒体種判別器により判別された媒体種と、に応じた印刷条件を設定する印刷条件設定部と、を有する。
また、印刷条件設定システム１は、情報処理装置２０、分光分析装置３０などから構成される。

情報処理装置２０はコンピューターシステムであり、演算部１１０、入力部１４０、表示部１５０、記憶部１２０、通信部１３０などを備える。
演算部１１０には、上記のインク種学習部、媒体種学習部、及び印刷条件設定部が設けられる。また、演算部１１０は、印刷装置２００１を用いた印刷処理を実行する印刷処理部１１２を備える。
情報処理装置２０は、持ち運びが容易なノート型ＰＣを用いることが好ましい。また、印刷媒体ＰＭには、ロール状の芯材に印刷媒体が巻回されたロール媒体も含まれる。なお、本実施形態では、記録の一例として印刷を挙げているが、媒体の物理情報に応じて記録条件を変更する必要がある、定着を含む広義の記録システム、装置、方法に適用可能である。

演算部１１０は、ＣＰＵ，ＲＡＭ，ＲＯＭを備え、記憶部１２０に記憶されたプログラムに従い、機械学習に必要な演算を実行する。演算部１１０は、機械学習を行うために、ＧＰＵや機械学習用に設計された各種のプロセッサーを備える。
ＣＰＵは、Central Processing Unitを、ＲＡＭは、Random access memoryを、ＲＯＭは、Read-Only Memoryを、ＧＰＵは、Graphics Processing Unitを意味する。

入力部１４０は、ユーザーインターフェイスとしての情報入力手段である。具体的には、例えば、キーボードやマウスポインターなどである。
表示部１５０は、ユーザーインターフェイスとしての情報表示手段であり、演算部１１０の制御の基に、例えば、入力部１４０から入力される情報や、演算部１１０の演算結果などが表示される。

記憶部１２０は、ハードディスクドライブやメモリーカードなどの書き換え可能な記憶媒体であり、演算部１１０が動作する学習プログラムや、機械学習を行うための教師データ１０４、訓練モデル１０５、機械学習の結果生成された学習済モデルとしてのインク種判別器１０２、演算部１１０が動作する各種演算プログラムなどが記憶される。
通信部１３０は、例えば、ＬＡＮインターフェイスやＵＳＢインターフェイスなどの汎用インターフェイスを備え、外部の電子機器、例えば、分光分析装置３０や印刷装置２００１、また、ネットワークＮＷに接続され、これらの機器との情報の授受を行う。なお、ネットワークＮＷは、クラウド環境にも接続している。

上記では、印刷装置２００１と、情報処理装置２０と、分光分析装置３０とが、独立した構成として説明したが、この構成に限定するものではなく、これらの機能を備えた構成であれば良い。

本実施形態において、印刷条件設定システム１は、各種インクのインク特性データおよびそのインク特性データに対応するインクの種類の情報を教師データ１０４として、訓練モデル１０５を用いて機械学習を行なう。インクの種類の情報とは、インクの種類またはインクの種類を含むインクの属性情報である。
インク特性データとして、インクの分光分析による吸光度Ａ、透過率Ｔ％、反射率Ｒ％などのデータを用いるのは、インクの種類に応じてこれらの特性が異なることが利用できるためである。

インクの吸光度Ａ、透過率Ｔ％、反射率Ｒ％は、分光分析装置３０を用い、試料のインクに照射した光の強度に対して、インクが吸収した強度、インクを透過した強度、インクが反射した強度を評価することにより取得する。
入射光の強度をＩ０、透過光の強度をＩ１、反射光の強度をＩ２としたとき、それぞれ以下により求める。
吸光度Ａ＝log（Ｉ０／Ｉ１）
透過率Ｔ％＝Ｉ１／Ｉ０×１００
反射率Ｒ％＝Ｉ２／Ｉ０×１００
分光分析は、照射する光の波長を所定の波長範囲、例えば、紫外領域から赤外領域まで、１０ｎｍ毎に区切って、その波長範囲の吸光度Ａ、透過率Ｔ％、反射率Ｒ％のそれぞれのデータの集合として取得する。

図３は、インク種学習工程（ステップＳ１０）における詳細な処理方法を示すフローチャートである。具体的には、演算部１１０が機械学習を行なって、インク種判別器１０２を生成する処理を示すフローチャートである。なお、この処理を開始するまでに、複数種類のインクについて、そのインク特性データが、インクの種類またはインクの種類を含むインクの属性情報に対応付けた教師データ１０４として収集され、記憶部１２０に記憶されている。

まず、ステップＳ１０１として、記憶部１２０から、訓練モデル１０５および教師データ１０４を取得する。
次に、ステップＳ１０２、ステップＳ１０３により、訓練モデル１０５を用いた機械学習処理を、汎化が完了するまで行なう。訓練モデル１０５の汎化が完了したか否かのステップＳ１０３における判定は、その時点までの訓練モデル１０５にテストデータを入力して得られる出力の正答率の閾値判定により行う。
訓練モデル１０５に対して教師データ１０４を与えて機械学習をすることにより、汎化が完了すると、インク種判別器１０２が生成される。ステップＳ１０４では、学習済モデルとして、インク種判別器１０２を記憶部１２０に保存する。

機械学習用の訓練モデル１０５は種々の定義が可能である。図４は、本実施形態において利用される訓練モデル１０５の一例を模式的に示した図である。同図においては、ＣＮＮによる全ｎ層の各層をＬ１からＬｎで示しており、通常のニューラルネットワークのノードを白丸で示している。本実施形態においては、ＣＮＮを用いたが、カプセルネットワーク型やベクトルニューラルネットワーク型などの各種ニューラルネットワークなど、他のモデルを利用してもよい。ＣＮＮは、Convolutional Neural Networkを意味している。

第１層Ｌ１には、一定波長毎のインク特性データを入力する複数のノードが設けられている。本実施形態においては、例えば、分光反射率データが示す一定波長毎の反射率Ｒ％を入力層である第１層Ｌ１の各ノードへの入力データとし、最終出力層Ｌｎから反射率Ｒ％に対応する最終出力データを出力する。
反射率Ｒ％のデータに代えて、あるいは加えて、一定波長毎の透過率Ｔ％や吸光度Ａを用いてもよい。例えば、吸光度Ａ、透過率Ｔ％、反射率Ｒ％の３つのデータを用いる場合には、訓練モデル１０５を３つ設け、各訓練モデル１０５の最終層から吸光度Ａ、透過率Ｔ％、反射率Ｒ％に対応する結果を出力させ、それらの結果を統合して判定させる最終出力層Ｌｎを構築し、最終結果を出力させてもよい。
また、インクの属性情報の内、インクの種類に応じて決まるインク特性データの傾向に影響を与える可能性のある情報については、入力データとして、新たに設けるノードから入力するようにしてもよい。

第１層Ｌ１の各ノードの出力は次の第２層Ｌ２のノードに、所定の重み付けを施されて接続されている。これは第２層Ｌ２以降、第Ｌｎ－１層まで同様である。この各層間における各ノード間の重み付けを、教師データ１０４を用いて修正する作業を繰り返すことで、学習が進み、学習済モデルを用いたインク種判別器１０２が生成される。

また、記憶部１２０には、インク・印刷条件データ１０６が記憶される。
本実施形態のインク・印刷条件データ１０６は、印刷装置２００１に対して設定可能な印刷条件を含み、各学習済みの学習インク（インク種）と各学習済みインクに対応する印刷条件とが対応付けられたテーブルデータである。本実施形態の印刷条件には、印刷装置２００１に対する制御パラメーター、メンテナンスモード、ＩＣＣプロファイル、印刷モードの少なくとも一つが含まれる。

制御パラメーターは、図５に示すように、プラテン２０４５の温度、プラテン２０４５の搬送経路下流の搬送経路を加熱するアフターヒーター温度、プラテン２０４５の搬送経路上流の搬送経路を加熱するプレヒーター温度の他、圧着圧力（搬送ローラー２０５８のニップ圧）、ヘッド２０４０の走査速度、ヘッド２０４０の駆動電圧、熱量（ヘッド２０４０の加熱量）、吐出インク量のＬＵＴ、パス数、の少なくとも一つを含む。

メンテナンスモードは、図６に示すように、ヘッド２０４０のクリーニング頻度、ノズル向け検査頻度、ノズル面の自動清掃頻度、ノズル面の検査頻度、警告頻度、インク循環頻度の少なくとも一つを含む。

ＩＣＣプロファイルは、図７に示すように、入力プロファイル、出力プロファイル、デバイスリンクプロファイルの少なくとも一つを含む。ＩＣＣプロファイルは、カラーマネージメントにおいて、International Color Consortiumによって公表された標準に従い、色に関わる入出力機器や色空間を特徴付ける一連のデータである。入力プロファイルは、カメラやディスプレイなどの入力デバイスの変換データであり、出力プロファイルは、印刷装置２００１等の出力デバイスへの変換データであり、デバイスリンクプロファイルは、入力デバイスと出力デバイスとを関連付けた変換データである。
印刷モードは、印刷解像度、パス数、ハーフトーンの種別、インクドット配置、インクドットサイズの少なくとも一つを含む。

分光分析装置３０は、分光分析部、通信部などを備える。
分光分析装置３０は、光源、分光器、検出器などを備え、インクに光を照射して観測される吸光度Ａ、透過率Ｔ％、反射率Ｒ％の内の少なくとも１つのインク観測データを取得することができる。

次に、インク種判別工程（ステップＳ２０）について説明する。
図８は、インク種判別工程（ステップＳ２０）における詳細な処理方法を示すフローチャートである。
インク判別の処理を開始するにあたり、情報処理装置２０は、記憶部１２０に学習済モデルとしてのインク種判別器１０２を備えている。すなわち、本実施形態では、予め、インクに光を照射して観測される吸光度Ａ、透過率Ｔ％、反射率Ｒ％の内の少なくとも１つのインク特性データと、インクの種類またはインクの種類を含むインクの属性情報とを対応付けた教師データ１０４を用いて機械学習させることによりのインク種判別器１０２を生成しておく。

まず、ステップＳ２０１では、印刷装置２００１で使用する使用インクの試料を準備する。具体的には、使用インクの試料を、分析が可能な状態に分光分析装置３０にセットする。

次いで、ステップＳ２０２では、分光分析装置３０によりインク試料の分光分析を行い、インク観測データを取得する。分光分析は、照射する光の波長を所定の波長範囲、例えば、紫外領域から赤外領域まで、１０ｎｍ毎に区切って、その波長範囲の吸光度Ａ、透過率Ｔ％、反射率Ｒ％のそれぞれのデータの集合として取得する。
分光分析装置３０は、通信部を介して、取得したインク観測データを情報処理装置２０に送信する。

次いで、ステップＳ２０３では、インク観測データを受信した情報処理装置２０は、演算部１１０において、インク観測データをインク種判別器１０２に入力し、インク種判別器１０２の出力データに基づき、インクの種類を判別する。インクの種類の判別は、類似度を算出することにより、類似度に応じてインク種を判別してもよい。

類似度は、学習済みの学習インク種間の色差（ΔＥ）を用いて、下記の式（１）の通りに算出される。
類似度＝１．０－ΔＥ／Ｒａｎｇｅ・・・（１）
但し、類似度が＜－１．０の場合、類似度＝－１．０とする。なお、Ｒａｎｇｅは適宜調整可能な値である。
ここで、類似度は、－１．０以上１．０以下の値で算出される。そして、類似度が１．０に近いほど、学習インクに対する使用インクの類似性が高いと判断される。一方、類似度が－１．０に近いほど、学習インクに対する使用インクの類似性が低いと判断される。
ここで、例えば、使用インクにおいて類似度が最も高い値を示すものをインク種として判断する。

次に、媒体種学習工程（ステップＳ３０）及び媒体種判別工程（ステップＳ４０）の各処理方法について説明する。

図２に示すように、分光分析装置３１は、印刷装置２００１で使用される媒体としての印刷媒体ＰＭについて、未印刷の状態で分光測定を行うことにより、媒体の特性情報としての分光反射率を取得することが可能である。本開示において、媒体の特性情報としての分光反射率を「分光データ」とも呼ぶ。分光分析装置３１は、例えば、波長可変干渉分光フィルターと、モノクロイメージセンサーとを備える。分光分析装置３１で得られた分光データは、後述する機械学習モデルへの入力データとして使用される。後述するように、情報処理装置２０は、機械学習モデルを用いて分光データのクラス分類処理を実行し、印刷媒体ＰＭが複数のクラスのいずれに該当するかを分類する。「印刷媒体ＰＭのクラス」とは、印刷媒体ＰＭの種類を意味する。

演算部１１０は、印刷媒体ＰＭの分光データのクラス分類処理を実行するクラス分類処理部１１４として、また、印刷媒体ＰＭに適した印刷設定を作成する印刷設定作成部１１６としても機能する。さらに、演算部１１０は、印刷媒体ＰＭの物理情報と種別情報とを用いて機械学習した判別器を得る学習部１１７として、判別器に係る情報を管理する判別器管理部１１８としても機能する。なお、判別器については後述する。

クラス分類処理部１１４、印刷設定作成部１１６、学習部１１７、判別器管理部１１８は、記憶部１２０に格納されたプログラムを演算部１１０が実行することによって実現される。好適例において、演算部１１０は、１つ又は複数備えて構成される。なお、これら各部をハードウェア回路で実現してもよい。本実施形態の演算部１１０は、このようなハードウェア回路をも含む用語である。
また、クラス分類処理を実行する演算部１１０は、クラウド環境を含むネットワークＮＷを介して情報処理装置２０に接続されたリモートコンピューターに含まれるプロセッサーであってもよい。

記憶部１２０には、複数の機械学習モデル２０１，２０２（媒体種判別器）と、複数の分光データ群ＳＤ１，ＳＤ２と、媒体識別子リストＩＤＬ（媒体種識別情報）と、複数のグループ管理テーブルＧＴ１，ＧＴ２と、複数の既知特徴スペクトル群ＫＳ１，ＫＳ２と、媒体・印刷設定テーブルＰＳＴと、が格納される。機械学習モデル２０１，２０２は、クラス分類処理部１１４による演算に使用される。機械学習モデル２０１，２０２の構成例や動作については後述する。分光データ群ＳＤ１，ＳＤ２は、機械学習モデル２０１，２０２の学習に使用されるラベル付きの分光データの集合である。媒体識別子リストＩＤＬは、各印刷媒体について、媒体識別子と分光データとが登録されたリストである。複数のグループ管理テーブルＧＴ１，ＧＴ２は、分光データ群ＳＤ１，ＳＤ２の管理状態を示すテーブルである。既知特徴スペクトル群ＫＳ１，ＫＳ２は、学習済みの機械学習モデル２０１，２０２に教師データを再度入力した際に得られる特徴スペクトルの集合である。特徴スペクトルについては後述する。媒体・印刷設定テーブルＰＳＴは、各印刷媒体に適した印刷設定（印刷条件）が登録されたテーブルである。

図９は、第１の機械学習モデル２０１の構成を示す説明図である。この機械学習モデル２０１は、入力データＩＭの側から順に、畳み込み層２１１と、プライマリーベクトルニューロン層２２１と、第１畳み込みベクトルニューロン層２３１と、第２畳み込みベクトルニューロン層２４１と、分類ベクトルニューロン層２５１とを備える。これらの５つの層２１１～２５１のうち、畳み込み層２１１が最も下位の層であり、分類ベクトルニューロン層２５１が最も上位の層である。以下の説明では、層２１１～２５１を、それぞれ「Conv層２１１」、「PrimeVN層２２１」、「ConvVN1層２３１」、「ConvVN2層２４１」、及び「ClassVN層２５１」とも呼ぶ。

本実施形態において、入力データＩＭは分光データなので、１次元配列のデータである。例えば、入力データＩＭは、３８０ｎｍ～７３０ｎｍの範囲の分光データから、１０ｎｍ毎に３６個の代表値を抽出したデータである。

図９の例では２つの畳み込みベクトルニューロン層２３１，２４１を用いているが、畳み込みベクトルニューロン層の数は任意であり、畳み込みベクトルニューロン層を省略してもよい。但し、１つ以上の畳み込みベクトルニューロン層を用いることが好ましい。

図９の機械学習モデル２０１は、更に、類似度を生成する類似度演算部２６１を有している。類似度演算部２６１は、ConvVN1層２３１と、ConvVN2層２４１と、ClassVN層２５１の出力から、後述する類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNをそれぞれ算出することが可能である。但し、類似度演算部２６１を省略してもよい。

各層２１１～２５１の構成は、以下のように記述できる。
＜第１の機械学習モデル２０１の構成の記述＞
・Conv層２１１：Conv[32,6,2]
・PrimeVN層２２１：PrimeVN[26,1,1]
・ConvVN1層２３１：ConvVN1[20,5,2]
・ConvVN2層２４１：ConvVN2[16,4,1]
・ClassVN層２５１：ClassVN[n1,3,1]
・ベクトル次元ＶＤ：VD=16
これらの各層２１１～２５１の記述において、括弧前の文字列はレイヤー名であり、括弧内の数字は、順に、チャンネル数、カーネルサイズ、及び、ストライドである。例えば、Conv層２１１のレイヤー名は「Conv」であり、チャンネル数は３２、カーネルサイズは１×６、ストライドは２である。図９では、各層の下にこれらの記述が示されている。各層の中に描かれているハッチングを付した矩形は、隣接する上位層の出力ベクトルを算出する際に使用されるカーネルを表している。本実施形態では、入力データＩＭが１次元配列のデータなので、カーネルも１次元の配列を有する。なお、各層２１１～２５１の記述で用いたパラメーターの値は例示であり、任意に変更可能である。

Conv層２１１は、スカラーニューロンで構成された層である。他の４つの層２２１～２５１は、ベクトルニューロンで構成された層である。ベクトルニューロンは、ベクトルを入出力とするニューロンである。上記の記述では、個々のベクトルニューロンの出力ベクトルの次元は１６で一定である。以下では、スカラーニューロン及びベクトルニューロンの上位概念として「ノード」という語句を使用する。

図９では、Conv層２１１について、ノード配列の平面座標を規定する第１軸ｘ及び第２軸ｙと、奥行きを表す第３軸ｚとが示されている。また、Conv層２１１のｘ，ｙ，ｚ方向のサイズが１，１６，３２であることが示されている。ｘ方向のサイズとｙ方向のサイズを「解像度」と呼ぶ。本実施形態では、ｘ方向の解像度は常に１である。ｚ方向のサイズは、チャンネル数である。これらの３つの軸ｘ，ｙ，ｚは、他の層においても各ノードの位置を示す座標軸として使用する。但し、図９では、Conv層２１１以外の層では、これらの軸ｘ，ｙ，ｚの図示が省略されている。

よく知られているように、畳み込み後のｙ方向の解像度Ｗ１は、次式で与えられる。
W1=Ceil{(W0-Wk+1)/S}
ここで、Ｗ０は畳み込み前の解像度、Ｗｋはカーネルサイズ、Ｓはストライド、Ceil｛Ｘ｝はＸを切り上げる演算を行う関数である。
図９に示した各層の解像度は、入力データＩＭのｙ方向の解像度を３６とした場合の例であり、実際の各層の解像度は入力データＩＭのサイズに応じて適宜変更される。

ClassVN層２５１は、ｎ１個のチャンネルを有している。類似度演算部２６１は1個のチャンネルを有している。図９の例では（ｎ１＋１）＝１１である。ClassVN層２５１のチャンネルからは、複数の既知のクラスに対する判定値Class1-1～Class1-10が出力され、類似度演算部２６１のチャンネルからは、未知のクラスであることを示す判定値Class1-UNが出力される。これらの判定値Class1-1～Class1-10，Class1-UNのうちで最も大きな値を有するクラスが、入力データＩＭが属するクラスに相当する。一般に、ｎ１は２以上の整数であり、第１の機械学習モデル２０１を用いて分類可能な既知のクラスの数である。任意の１個の機械学習モデルにおいて、分類可能な既知のクラスの数に対して、上限値ｎmaxと下限値ｎminが予め設定されることが好ましい。

なお、未知クラスであることを示す判定値Class1-UNは省略してもよい。この場合には、既知のクラスに対する判定値Class1-1～Class1-10のうちで最も大きな値が予め定められた閾値未満である場合に、入力データＩＭのクラスが未知であるものと判定される。

図１０は、第２の機械学習モデル２０２の構成を示す説明図である。この機械学習モデル２０２は、第１の機械学習モデル２０１と同様に、Conv層２１２と、PrimeVN層２２２と、ConvVN1層２３２と、ConvVN2層２４２と、ClassVN層２５２と、類似度演算部２６２とを有している。

各層２１２～２５２の構成は、以下のように記述できる。
＜第２の機械学習モデル２０２の構成の記述＞
・Conv層２１２：Conv[32,6,2]
・PrimeVN層２２２：PrimeVN[26,1,1]
・ConvVN1層２３２：ConvVN1[20,5,2]
・ConvVN2層２４２：ConvVN2[16,4,1]
・ClassVN層２５２：ClassVN[n2,3,1]
・ベクトル次元ＶＤ：VD=16

図９と図１０を比較すれば理解できるように、第２の機械学習モデル２０２の層２１２～２５２のうち、下位の４つの層２１２～２４２は第１の機械学習モデル２０１の層２１１～２４１と同じ構成を有する。一方、第２の機械学習モデル２０２の最上位層２５２は、第１の機械学習モデル２０１の最上位層２５１とチャンネル数のみが異なる。図１０の例では、ClassVN層２５２はｎ２個のチャンネルを有し、類似度演算部２６２は1個のチャンネルを有しており、（ｎ２＋１）＝７である。ClassVN層２５２のチャンネルからは、複数の既知のクラスに対する判定値Class2-1～Class2-6が出力され、類似度演算部２６２のチャンネルからは、未知のクラスであることを示す判定値Class2-UNが出力される。第２の機械学習モデル２０２においても、既知のクラスの数に、第１の機械学習モデル２０１と同じ上限値ｎmax及び下限値ｎminが設定されることが好ましい。

第２の機械学習モデル２０２は、第１の機械学習モデル２０１と異なる少なくとも１つの既知のクラスを有するように構成される。また、第１の機械学習モデル２０１と第２の機械学習モデル２０２では、分類可能なクラスが異なるので、カーネルの要素の値も互いに異なる。本開示では、Ｎを２以上の整数としたとき、Ｎ個の機械学習モデルのうちの任意の１個の機械学習モデルは、他の機械学習モデルと異なる少なくとも１つの既知のクラスを有するように構成される。なお、本実施形態では、機械学習モデルの個数Ｎを２以上としているが、本開示は１個の機械学習モデルのみを用いる場合にも適用可能である。

図１１は、媒体種学習工程（ステップＳ３０）における機械学習モデルの準備工程の処理手順を示すフローチャートである。この準備工程は、例えば、印刷装置２００１のメーカーで実行される工程である。

ステップＳ３１０では、複数の初期印刷媒体の分光データを初期分光データとして生成する。本実施形態において、準備工程における機械学習モデルの学習に使用される初期印刷媒体は、すべて任意印刷媒体である。本開示において、「任意印刷媒体」とは、機械学習モデルによるクラス分類処理の対象となり得る印刷媒体であり、かつ、ユーザーの除外指示がなくてもクラス分類処理の対象から除外可能な印刷媒体である。一方、後述する媒体追加処理において追加される印刷媒体は、ユーザーの除外指示がなければクラス分類処理の対象から除外できない必須印刷媒体である。但し、初期印刷媒体の一部又は全部を必須印刷媒体としてもよい。

ステップＳ３１０では、複数の初期印刷媒体について、未印刷の状態で分光分析装置３１によって分光測定を実行することによって、初期分光データが生成される。この際、分光反射率のばらつきを考慮して、データ拡張を行うことが好ましい。一般に、分光反射率は、測色日や測定器によってばらつきが発生する。データ拡張は、このようなばらつきを模擬するために、測定された分光データにランダムなばらつきを付与することによって、複数の分光データを生成する処理である。なお、実際の印刷媒体の分光測定を行うことなく、仮想的に初期分光データを生成するようにしてもよい。この場合には、初期印刷媒体も仮想的なものとなる。

ステップＳ３２０では、複数の初期印刷媒体について、媒体識別子リストＩＤＬが作成される。図１２は、媒体識別子リストＩＤＬを示す説明図である。媒体識別子リストＩＤＬには、個々の印刷媒体に付与された媒体識別子と、媒体名と、データサブ番号と、分光データとが登録されている。この例では、１６個の印刷媒体に対して、「Ａ－１」～「Ａ－１６」の媒体識別子が付与されている。媒体名は、ユーザーが印刷条件を設定するためのウィンドウに表示される印刷媒体の名称である。データサブ番号は、同じ印刷媒体に関する複数の分光データを区別するための番号である。この例では、各印刷媒体について、それぞれ３個の分光データが登録されている。但し、各印刷媒体に対する分光データの数は、異なっていても良い。各印刷媒体については、１個以上の分光データが登録されていれば良いが、複数の分光データが登録されることが好ましい。

図１１のステップＳ３３０では、複数の初期印刷媒体について、それぞれ印刷設定が作成されて、媒体・印刷設定テーブルＰＳＴに登録される。図１３は、媒体・印刷設定テーブルＰＳＴを示す説明図である。媒体・印刷設定テーブルＰＳＴの個々のレコードには、各印刷媒体について、媒体識別子と、印刷設定（印刷条件）が登録される。この例では、印刷設定として、プリンタープロファイルＰＲ１～ＰＲ１６と、媒体送り速度ＦＳ１～ＦＳ１６と、乾燥時間ＤＴ１～ＤＴ１６とが登録されている。媒体送り速度ＦＳ１～ＦＳ１６、乾燥時間ＤＴ１～ＤＴ１６は、前述の印刷条件の一部である。プリンタープロファイルＰＲ１～ＰＲ１６は、印刷装置２００１の出力プロファイルであり、インク種毎、印刷媒体毎に作成される。具体的には、印刷装置２００１を用いて印刷媒体上に色補正無しでテストチャートを印刷し、そのテストチャートを分光分析装置３１で分光測定し、その分光測定結果を印刷設定作成部１１６が処理することによってプリンタープロファイルを作成することができる。媒体送り速度ＦＳ１～ＦＳ１６と、乾燥時間ＤＴ１～ＤＴ１６も、それぞれ実験的に決定できる。なお、「乾燥時間」とは、印刷装置２００１内にある図示しない乾燥機において印刷後の印刷媒体を乾燥する時間である。印刷後の印刷媒体に送風を当てることによって乾燥させるタイプのプリンターでは、「乾燥時間」は送風時間である。また、乾燥機がないプリンターでは、「乾燥時間」は自然乾燥する待機時間である。なお、印刷設定としては、これら以外の初期の項目を設定してもよい。例えば、制御パラメーター、メンテナンスモード、ＩＣＣプロファイル、印刷モードのいずれかを含むことが好ましい。

図１１のステップＳ３４０では、複数の初期印刷媒体についての複数の初期分光データをクラスタリング処理することによって、グループ分けを実行する。図１４は、クラスタリング処理によってグループ分けされた分光データを示す説明図である。この例では、複数の分光データが、第１の分光データ群ＳＤ１と第２の分光データ群ＳＤ２とにグループ分けされている。クラスタリング処理としては、例えば、ｋ平均法を使用することができる。分光データ群ＳＤ１，ＳＤ２は、それぞれの分光データ群ＳＤ１，ＳＤ２の中心を代表する代表点Ｇ１，Ｇ２を有する。これらの代表点Ｇ１，Ｇ２は、例えば重心である。分光データがｍ個の波長における反射率で構成されている場合には、１つの分光データをｍ次元空間の１点を表すデータとして捉えることによって、分光データ同士の距離や、複数の分光データの重心を計算することが可能である。図１４では図示の便宜上、２次元空間において複数の分光データの点を描いているが、実際には、分光データはｍ次元空間の点として表現できる。これらの代表点Ｇ１，Ｇ２は、後述するように、新たな印刷媒体をクラス分類処理の対象として追加する場合に、その追加印刷媒体の分光データが、複数の分光データ群ＳＤ１，ＳＤ２のいずれに最も近いかを判定する際に使用される。なお、代表点Ｇ１，Ｇ２としては、重心以外を使用してもよい。例えば、１グループに属する複数の分光データについて、各波長における反射率の最大値と最小値の平均値を求め、それらの平均値で構成される分光データを代表点として使用してもよい。

本実施形態では、複数の分光データが２つの分光データ群ＳＤ１，ＳＤ２にグループ分けされているが、分光データ群は１つのみでもよく、或いは３つ以上の分光データ群を作成してもよい。また、クラスタリング処理以外の方法で複数の分光データ群を作成しても良い。但し、クラスタリング処理によって複数の分光データをグループ分けすれば、互いに近似した分光データを同じグループにまとめることができる。このような複数の分光データ群のそれぞれを用いて複数の機械学習モデルの学習を行えば、クラスタリング処理しない場合に比べて、機械学習モデルによるクラス分類処理の精度を高めることができる。
なお、クラスタリング処理によってグループ分けされた後に、新たな印刷媒体の分光データを追加しても、クラスタリング処理によってグループ分けされた状態と等価な状態に維持することが可能である。

図１１のステップＳ３５０では、グループ管理テーブルＧＴ１，ＧＴ２が作成される。図１５は、グループ管理テーブルＧＴ１，ＧＴ２を示す説明図である。グループ管理テーブルＧＴ１，ＧＴ２の個々のレコードには、１つの分光データについて、グループ番号と、媒体識別子と、データサブ番号と、代表点からの距離と、モデル番号と、クラスラベルと、現存エリアと、代表点の座標と、が登録される。グループ番号は、複数のグループ管理テーブルＧＴ１，ＧＴ２を区別する番号である。媒体識別子とデータサブ番号は、図１２で説明した媒体識別子リストＩＤＬと同様に、個々の分光データを区別するために使用されている。モデル番号は、そのグループの分光データ群を用いて学習を行う機械学習モデルを識別する番号である。ここでは、図９及び図１０に示した２つの機械学習モデル２０１，２０２の符号「２０１」，「２０２」が、モデル番号として使用されている。「クラスラベル」は、機械学習モデルによるクラス分類処理の結果に対応する値であり、分光データが教師データとして使用される際のラベルとしても使用される。モデル番号とクラスラベルは、媒体識別子毎に設定されている。「現存エリア」は、分光データが、教師用エリアと待避用エリアのいずれに属しているかを示している。「教師用エリア」は、その分光データが機械学習モデルの学習に実際に使用されていることを意味している。「待避用エリア」は、その分光データが機械学習モデルの学習には使用されておらず、教師用エリアから待避した状態にあることを意味している。準備工程では、すべての分光データが機械学習モデルの学習に使用されるので、教師用エリアに属している。

図１１のステップＳ３６０では、ユーザーが、クラス分類処理に使用する機械学習モデルを作成し、そのパラメーターを設定する。本実施形態では、図９と図１０に示す２つの機械学習モデル２０１，２０２が作成されてそれらのパラメーターが設定される。但し、ステップＳ３６０では、１つの機械学習モデルのみを作成にしてもよく、或いは、３つ以上の機械学習モデルを作成してもよい。ステップＳ３７０では、クラス分類処理部１１４が、分光データ群ＳＤ１，ＳＤ２を用いて機械学習モデル２０１，２０２の学習を実行する。学習が修了すると、学習済みの機械学習モデル２０１，２０２が記憶部１２０に保存される。

ステップＳ３８０では、クラス分類処理部１１４が、学習済みの機械学習モデル２０１，２０２に分光データ群ＳＤ１，ＳＤ２を再度入力して、既知特徴スペクトル群ＫＳ１，ＫＳ２を生成する。既知特徴スペクトル群ＫＳ１，ＫＳ２は、以下で説明する特徴スペクトルの集合である。以下では、主として機械学習モデル２０１に対応付けられた既知特徴スペクトル群ＫＳ１を生成する方法を説明する。

図１６は、学習済みの機械学習モデル２０１に任意の入力データを入力することによって得られる特徴スペクトルＳｐを示す説明図である。ここでは、ConvVN1層２３１の出力から得られる特徴スペクトルＳｐについて説明する。図１６の横軸は、ConvVN1層２３１の１つの平面位置（ｘ，ｙ）におけるノードの出力ベクトルの要素番号ＮＤと、チャンネル番号ＮＣとの組み合わせで表されるスペクトル位置である。本実施形態では、ノードのベクトル次元が１６なので、出力ベクトルの要素番号ＮＤは０から１５までの１６個である。また、ConvVN1層２３１のチャンネル数は２０なので、チャンネル番号ＮＣは０から１９までの２０個である。

図１６の縦軸は、各スペクトル位置での特徴値ＣVを示す。この例では、特徴値ＣVは、出力ベクトルの各要素の値ＶNDである。なお、特徴値ＣVとしては、出力ベクトルの各要素の値ＶNDと、後述するアクティベーション値とを乗算した値を使用してもよく、或いは、アクティベーション値をそのまま使用してもよい。後者の場合には、特徴スペクトルＳｐに含まれる特徴値ＣVの数はチャンネル数に等しく、２０個である。なお、アクティベーション値は、そのノードの出力ベクトルのベクトル長さに相当する値である。

１つの入力データに対してConvVN1層２３１の出力から得られる特徴スペクトルＳｐの数は、ConvVN1層２３１の平面位置（ｘ，ｙ）の数に等しいので、１×６＝６個である。
同様に、１つの入力データに対して、ConvVN2層２４１の出力から３個の特徴スペクトルＳｐが得られ、ClassVN層２５１の出力から１個の特徴スペクトルＳｐが得られる。

類似度演算部２６１は、学習済みの機械学習モデル２０１に教師データが再度入力されたときに、図１６に示す特徴スペクトルＳｐを算出して、既知特徴スペクトル群ＫＳ１に登録する。

図１７は、既知特徴スペクトル群ＫＳ１の構成を示す説明図である。この例では、既知特徴スペクトル群ＫＳ１は、ConvVN1層２３１の出力から得られた既知特徴スペクトル群ＫＳ１_ConvVN1と、ConvVN2層２４１の出力から得られた既知特徴スペクトル群ＫＳ１_ConvVN2と、ClassVN層２５１の出力から得られた既知特徴スペクトル群ＫＳ１_ConvVNとを含んでいる。

既知特徴スペクトル群ＫＳ１_ConvVN1の個々のレコードは、レコード番号と、レイヤー名と、ラベルＬｂと、既知特徴スペクトルＫＳｐとを含んでいる。既知特徴スペクトルＫＳｐは、教師データの入力に応じて得られた図１６の特徴スペクトルＳｐと同じものである。図１７の例では、分光データ群ＳＤ１を学習済みの機械学習モデル２０１に入力することによって、ConvVN1層２３１の出力から、個々のラベルＬｂの値に関連付けられた既知特徴スペクトルＫＳｐが生成されて登録されている。例えば、ラベルＬｂ＝１に関連付けられてＮ１_1max個の既知特徴スペクトルＫＳｐが登録され、ラベルＬｂ＝２に関連づけられてＮ１_2max個の既知特徴スペクトルＫＳｐが登録され、ラベルＬｂ＝ｎ１に関連づけられてＮ１_n1max個の既知特徴スペクトルＫＳｐが登録されている。Ｎ１_1max，Ｎ１_2max，Ｎ１_n1maxは、それぞれ２以上の整数である。前述したように、個々のラベルＬｂは、互いに異なる既知のクラスに対応する。従って、既知特徴スペクトル群ＫＳ１_ConvVN1における個々の既知特徴スペクトルＫＳｐは、複数の既知のクラスのうちの１つのクラスに関連付けられて登録されていることが理解できる。他の既知特徴スペクトル群ＫＳ１_ConvVN2，ＫＳ１_ConvVNも同様である。

なお、ステップＳ３８０で使用される分光データ群は、ステップＳ３７０で使用された複数の分光データ群ＳＤ１，ＳＤ２と同じものである必要は無い。但し、ステップＳ３８０においても、ステップＳ３７０で使用された複数の分光データ群ＳＤ１，ＳＤ２の一部又は全部を利用すれば、新たな教師データを準備する必要が無いという利点がある。ステップＳ３８０は、省略してもよい。

図１８は、学習済みの機械学習モデルを用いた媒体種判別工程（ステップＳ４０）の処理手順を示すフローチャートである。ここでの処理は、例えば、印刷装置２００１を使用するユーザーによって実行される。

ステップＳ４１０では、処理対象としての印刷媒体である対象印刷媒体について、判別処理が、必要か否かが判断される。判別処理が不要な場合、すなわち、対象印刷媒体の種類が既知である場合には、処理は終了する。一方、対象印刷媒体の種類が不明であり、その判別処理が必要な場合には、ステップＳ４２０に進む。

ステップＳ４２０では、クラス分類処理部１１４が、分光分析装置３１に対象印刷媒体の分光測定を実行させることによって、対象分光データを取得する。この対象分光データは、機械学習モデルによるクラス分類処理の対象となる。

ステップＳ４３０では、クラス分類処理部１１４が、既存の学習済みの機械学習モデル２０１，２０２に対象分光データを入力して、対象分光データのクラス分類処理を実行する。この場合に、複数の機械学習モデル２０１，２０２を１個ずつ順次使用する第１の処理方法と、複数の機械学習モデル２０１，２０２を同時に使用する第２の処理方法とのいずれかを利用可能である。第１の処理方法では、まず、１個の機械学習モデル２０１を使用してクラス分類処理を実行し、その結果として対象分光データが未知のクラスに属するものと判定された場合に、他の機械学習モデル２０２を使用してクラス分類処理を実行する。第２の処理方法では、２つの機械学習モデル２０１，２０２を同時に用いて同じ対象分光データに対するクラス分類処理を並行して実行し、クラス分類処理部１１４がそれらの処理結果を統合する。本開示の発明者の実験によれば、第２の処理方法の方が第１の処理方法に比べて処理時間がより短くなるので、より好ましい。

ステップＳ４４０では、クラス分類処理部１１４が、ステップＳ４３０におけるクラス分類処理の結果から、対象分光データが未知のクラスに属するか、既知のクラスに属するかを判定する。対象分光データが未知のクラスに属する場合には、対象印刷媒体は、準備工程で使用した複数の初期印刷媒体、および、後述する媒体追加処理において追加される印刷媒体のいずれにも該当しない新たな印刷媒体なので、後述するステップＳ５００に進み、媒体追加処理が実行される。一方、対象分光データが既知のクラスに属する場合には、ステップＳ４５０に進む。

ステップＳ４５０では、複数の機械学習モデル２０１，２０２のうちで、対象分光データが既知のクラスに属するものと判定した１つの機械学習モデルを用いて、既知特徴スペクトル群との類似度が算出される。例えば、第１の機械学習モデル２０１の処理によって対象分光データが既知のクラスに属するものと判定された場合には、その類似度演算部２６１が、ConvVN1層２３１と、ConvVN2層２４１と、ClassVN層２５１の出力から、既知特徴スペクトル群ＫＳ１との類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNをそれぞれ算出する。一方、第２の機械学習モデル２０２の処理によって対象分光データが既知のクラスに属するものと判定された場合には、その類似度演算部２６２が、既知特徴スペクトル群ＫＳ２との類似度Ｓ２_ConvVN1，Ｓ２_ConvVN2，Ｓ２_ClassVNをそれぞれ算出する。
以下では、第１の機械学習モデル２０１のConvVN1層２３１の出力から類似度Ｓ１_ConvVN1を算出する方法を説明する。

類似度Ｓ１_ConvVN1は、例えば次式を用いて算出できる。
S1_ConvVN1(Class)=max[G{Sp(i,j),KSp(Class,k)}]
ここで、”Class”は複数のクラスに対する序数、Ｇ｛ａ，ｂ｝はａとｂの類似度を求める関数、Ｓｐ（ｉ，ｊ）は対象分光データに応じて得られるすべての平面位置（ｉ，ｊ）での特徴スペクトル、ＫＳｐ（Class,ｋ）は、ConvVN1層２３１と特定の”Class”とに関連付けられたすべての既知特徴スペクトル、ｍａｘ［Ｘ］はＸの最大値を取る論理演算を示す。すなわち、類似度Ｓ１_ConvVN1は、ConvVN1層２３１のすべての平面位置（ｉ，ｊ）における特徴スペクトルＳｐ（ｉ，ｊ）のそれぞれと、特定のクラスに対応するすべての既知特徴スペクトルＫＳｐ（ｋ）のそれぞれとの間で算出された類似度のうちの最大値である。このような類似度Ｓ１_ConvVN1は、複数のラベルＬｂに対応する複数のクラスのそれぞれに対して求められる。類似度Ｓ１_ConvVN1は、対象分光データが、各クラスの特徴に類似している程度を表している。

ConvVN2層２４１とClassVN層２５１の出力に関する類似度Ｓ１_ConvVN2，Ｓ１_ClassVNも、類似度Ｓ１_ConvVN1と同様に生成される。なお、これらの３つの類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNをすべて生成する必要はないが、これらのうちの１つ以上を生成することが好ましい。本開示において、類似度の生成に使用された層を、「特定層」とも呼ぶ。

ステップＳ４６０では、クラス分類処理部１１４が、ステップＳ４５０で得られた類似度をユーザーに提示し、ユーザーは、その類似度がクラス分類処理の結果と整合しているか否かを確認する。類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNは、対象分光データが、各クラスの特徴に類似している程度を表しているので、これらの類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNの少なくとも１つから、クラス分類処理の結果の良否を確認することができる。例えば、３つの類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNのうちの少なくとも１つが、クラス分類処理の結果と一致していない場合に、両者が整合しないものと判定できる。他の実施形態では、３つの類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNのすべてが、クラス分類処理の結果と一致していない場合に、両者が整合しないものと判定してもよい。一般には、複数の特定層の出力から生成された複数の類似度のうちの予め定められた数の類似度がクラス分類処理の結果と一致していない場合に、両者が整合しないものと判定してもよい。なお、ステップＳ４６０の判定は、クラス分類処理部１１４が行ってもよい。また、ステップＳ４５０とステップＳ４６０は省略してもよい。

類似度がクラス分類処理の結果と整合している場合には、ステップＳ４７０に進み、クラス分類処理部１１４が、クラス分類処理の結果に応じて対象印刷媒体の媒体識別子を判別する。この処理は、例えば、図１５に示したグループ管理テーブルＧＴ１，ＧＴ２を参照することによって行われる。

前述したステップＳ４６０において、類似度がクラス分類処理の結果と整合していないと判定された場合には、対象印刷媒体は、準備工程で使用した複数の初期印刷媒体、および、後述する媒体追加処理において追加される印刷媒体のいずれにも該当しない新たな印刷媒体なので、以下で説明するステップＳ５００に進む。ステップＳ５００では、新たな印刷媒体をクラス分類処理の対象とするために、媒体追加処理が実行される。媒体追加処理では機械学習モデルの更新や追加が行われるので、媒体追加処理は、機械学習モデルを準備する工程の一部であると考えることができる。

図１９は、媒体追加処理の処理手順を示すフローチャートであり、図２０は、媒体追加処理における分光データ群の管理状態を示す説明図である。以下の説明では、クラス分類処理の対象として追加される新たな印刷媒体を「追加印刷媒体」又は「追加媒体」と呼ぶ。

ステップＳ５１０では、クラス分類処理部１１４が、既存の機械学習モデル２０１，２０２の中から、追加印刷媒体の分光データに最も近い機械学習モデルを探索する。「追加印刷媒体の分光データに最も近い機械学習モデル」とは、各機械学習モデル２０１，２０２の学習に使用されている教師データ群の代表点Ｇ１，Ｇ２と、追加印刷媒体の分光データとの距離が、最も小さな機械学習モデルを意味する。代表点Ｇ１，Ｇ２のぞれぞれと追加印刷媒体の分光データとの距離は、例えばユークリッド距離として算出できる。なお、追加印刷媒体の分光データとの距離が最も小さな教師データ群を「近接教師データ群」とも呼ぶ。

ステップＳ５２０では、クラス分類処理部１１４が、ステップＳ５１０で探索された機械学習モデルについて、必須印刷媒体に相当するクラス数が上限値に達しているか否かを判定する。前述したように、本実施形態において、準備工程で使用された初期印刷媒体はすべて任意印刷媒体であり、準備工程以降に追加される印刷媒体はすべて必須印刷媒体である。必須印刷媒体に相当するクラス数が上限値に達していない場合には、ステップＳ５３０に進み、追加印刷媒体の分光データを追加した教師データで、その機械学習モデルの学習を実行する。図２０の状態Ｓ１は、前述した準備工程において機械学習モデル２０２の学習に使用されていた分光データ群ＳＤ２の状態を示し、状態Ｓ２は、ステップＳ３３０において、追加印刷媒体の分光データが必須印刷媒体の分光データとして追加された状態を示している。図２０において、「任意媒体」は、準備工程で使用された任意印刷媒体の分光データを意味し、「必須媒体」は、図１９の媒体追加処理によって追加される必須印刷媒体の分光データを意味する。「教師用エリア」は、その分光データが機械学習モデルの学習に実際に使用される教師データであることを意味している。「待避用エリア」は、その分光データが機械学習モデルの学習には使用されておらず、教師用エリアから待避した状態にあることを意味している。また、教師用エリアに空きがある状態は、その機械学習モデル２０２のクラス数が上限値に達していないことを意味する。状態Ｓ１では、機械学習モデル２０２において、必須印刷媒体に相当するクラス数が上限値に達していないので、追加印刷媒体の分光データが教師用エリアに追加されて状態Ｓ２となり、その教師用エリアに属する分光データを教師データとして用いて機械学習モデル２０２の再学習が実行される。この再学習では、追加された分光データのみが教師データとして使用されるようにしても良い。

図２１は、図２０の状態Ｓ２における媒体識別子リストＩＤＬを示しており、図２２は、状態Ｓ２における第２の分光データ群ＳＤ２用のグループ管理テーブルＧＴ２を示している。媒体識別子リストＩＤＬには、追加された印刷媒体の媒体識別子として「Ｂ－１」が割り当てられており、その媒体名と分光データが登録されている。追加印刷媒体の分光データについても、測定された分光データにランダムなばらつきを付与するデータ拡張を行うことによって、複数の分光データが生成されることが好ましい。グループ管理テーブルＧＴ２にも、媒体識別子がＢ－１である追加された印刷媒体について、複数の分光データが登録されている。第２の分光データ群ＳＤ２のうちの教師データ群に関する代表点Ｇ２は、追加された分光データを含めて再計算される。

図２０の状態Ｓ２から更に印刷媒体が追加されてゆくと、状態Ｓ３，状態Ｓ４，状態Ｓ５へと推移する。状態Ｓ２～状態Ｓ４においても、状態Ｓ１と同様に、機械学習モデル２０２において、必須印刷媒体に相当するクラス数が上限値に達していないので、ステップＳ５３０が実行され、追加印刷媒体の分光データが教師用エリアに追加されて、機械学習モデル２０２の再学習が実行される。なお、状態Ｓ３では、機械学習モデル２０２において、必須印刷媒体に相当するクラス数と、任意印刷媒体に相当するクラス数との和が上限値に達しており、教師用エリアに空きが無い。そこで、状態Ｓ３から状態Ｓ４に推移する場合には、ステップＳ５３０において、必須印刷媒体である追加印刷媒体の分光データが教師用エリアに追加されると共に、教師用エリアから任意印刷媒体の分光データが削除される。削除された分光データは、待避用エリアに待避される。待避用エリアに分光データを待避する理由は、その分光データを再利用できるようにするためである。教師用エリアから待避用エリアに待避される任意印刷媒体の分光データは、教師データ群の代表点からの距離が最も大きなものを選択することが好ましい。こうすれば、教師データ同士の距離を小さくできるので、クラス分類処理の精度を高めることができる。

図２０の状態Ｓ５では、機械学習モデル２０２において、必須印刷媒体に相当するクラス数が上限値に達している。この場合には、ステップＳ５２０からステップＳ５４０に進む。ステップＳ５４０では、クラス分類処理部１１４が、ステップＳ５１０で探索された機械学習モデルと同一グループに属し、かつ、必須印刷媒体に相当するクラス数が上限値に達していない機械学習モデルを探索する。そのような機械学習モデルが存在する場合には、ステップＳ５５０からステップＳ５６０に進み、追加印刷媒体の分光データを追加した教師データで、その機械学習モデルの学習を実行する。この処理は、前述したステップＳ５３０の処理と同じである。

ステップＳ５４０における探索によって、機械学習モデルが発見されなかった場合には、ステップＳ５５０からステップＳ５７０に進み、新しい機械学習モデルを作成すると共に、追加印刷媒体の分光データを含む教師データで新しい機械学習モデルの学習を実行する。この処理は、図２０の状態Ｓ５から状態Ｓ６に変化する処理に相当する。状態Ｓ５では、機械学習モデル２０２において、必須印刷媒体に相当するクラス数が上限値に達しており、かつ、同一グループに属する他の機械学習モデルが存在しない。そこで、ステップＳ５７０の処理により、状態Ｓ６に示すように、新たな機械学習モデル２０３が作成され、新たな必須印刷媒体である追加印刷媒体の分光データを含む教師データで新しい機械学習モデルの学習が実行される。このとき、追加印刷媒体の分光データのみでは教師データとして不十分なので、待避用エリアに待避していた１つ以上の任意印刷媒体の分光データも教師データとして使用される。こうすれば、新たな機械学習モデル２０３によるクラス分類処理の精度を高めることができる。

なお、上述したステップＳ５４０～Ｓ５６０を省略して、ステップＳ５２０において必須印刷媒体のクラス数が上限値に等しい場合に、直ちにステップＳ５７０に進むようにしてもよい。

図２３は、状態Ｓ６における第２グループ用のグループ管理テーブルＧＴ２を示している。媒体識別子がＡ－１１～Ａ－１６である印刷媒体の分光データは、準備工程で使用されていた任意印刷媒体の分光データである。また、媒体識別子がＢ－１～Ｂ－１１である印刷媒体の分光データは、準備工程後に追加された必須印刷媒体の分光データである。このグループ管理テーブルＧＴ２では、同一のグループに属する２つの機械学習モデル２０２，２０３についての分光データの状態が登録されている。機械学習モデル２０２については、追加された１０個の必須印刷媒体に関する分光データが教師用エリアに収容され、６つの任意印刷媒体に関する分光データが待避用エリアに待避されている。機械学習モデル２０３については、１個の必須印刷媒体に関する分光データと６つの任意印刷媒体に関する分光データが教師用エリアに収容され、待避用エリアは空である。各機械学習モデル２０２，２０３の教師データ群の代表点Ｇ２ａ，Ｇ２ｂは、それぞれの教師用エリアに収容された分光データを用いて算出されている。

なお、図１９に示した媒体追加処理は、既存の機械学習モデルの数が１個の場合にも実行することができる。既存の機械学習モデルの数が１個の場合とは、例えば、図１０に示した第２の機械学習モデル２０２が準備されておらず、図１８の処理が、図９に示した第１の機械学習モデル２０１のみを用いて実行される場合である。この場合には、図１１のステップＳ３７０の処理は、第２の機械学習モデル２０２を新たな機械学習モデルとして追加する処理となる。このように、第１の機械学習モデル２０１のみを用いて行ったクラス分類処理において、その入力データが未知のクラスに属すると判定された場合に第２の機械学習モデル２０２を新たな機械学習モデルとして追加する処理は、２個の機械学習モデル２０１，２０２を準備する処理の一例として理解することも可能である。

ステップＳ５３０，Ｓ５６０，Ｓ５７０のいずれかで機械学習モデルの更新又は追加が行われると、ステップＳ５８０において、クラス分類処理部１１４が、更新又は追加された機械学習モデルに教師データを再度入力して既知特徴スペクトル群を生成する。この処理は、図１８のステップＳ４３０の処理と同じなので、説明を省略する。ステップＳ５９０では、印刷設定作成部１１６が、追加した対象印刷媒体の印刷設定を作成する。この処理は、図１１のステップＳ３３０の処理と同じなので、説明を省略する。

こうして図１９の処理が終了すると、図１８の処理も完了する。この後は、任意のタイミングで図１８の処理が再度実行される。

上述した図１９の処理において、ステップＳ５１０の処理は、Ｎ個の機械学習モデルの学習に使用されていたＮ個の教師データ群のうち、追加印刷媒体の分光データに最も近い代表点を有する近接教師データ群を選択するとともに、その近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する処理に相当する。このような処理を行えば、その近接教師データ群に追加印刷媒体の分光データを追加しても、追加後の教師データ群を、クラスタリング処理によってグループ分けされた状態と等価な状態に維持することができる。この結果、機械学習モデルによるクラス分類処理の精度を高めることができる。

図１９の処理によれば、新たな印刷媒体をクラス分類処理の対象に追加することが可能である。一方、ユーザーの指示に応じて、印刷媒体をクラス分類処理の対象から除外することも可能である。

図２４は、機械学習モデルの更新処理の処理手順を示すフローチャートである。
ステップＳ６１０では、既存の機械学習モデルの中に、クラス数が上限値未満の機械学習モデルが存在するか否かを判定する。Ｎを２以上の整数としたとき、Ｎ個の既存の機械学習モデルが存在する場合には、その中で、クラス数が上限値未満の機械学習モデルが存在するか否かが判定される。但し、既存の機械学習モデルの数Ｎは、１としてもよい。本実施形態では、図９と図１０に示す２つの既存の機械学習モデル２０１，２０２が存在しており、第１の機械学習モデル２０１はクラス数が上限値に等しく、第２の機械学習モデル２０２はクラス数が上限値未満である。既存の機械学習モデルの中にクラス数が上限値未満の機械学習モデルが存在しない場合には、後述するステップＳ６４０に進み、新たな機械学習モデルが追加される。一方、クラス数が上限値未満の機械学習モデルが存在する場合には、ステップＳ６２０に進み、その機械学習モデルが更新される。

ステップＳ６２０では、クラス分類処理部１１４が、クラス数が上限値未満の機械学習モデルについて、その最上位層のチャンネル数を１つ増加するようにその機械学習モデルを更新する。本実施形態では、第２の機械学習モデル２０２の最上位層のチャンネル数（ｎ２＋１）が、３から４に変更される。ステップＳ６３０では、クラス分類処理部１１４が、ステップＳ６２０で更新した機械学習モデルの学習を実行する。この学習の際には、それまでに使用されていた第２の機械学習モデル２０２用の教師データ群ＴＤ２とともに、図１８のステップＳ４２０で取得された対象分光データが新たな教師データとして使用される。なお、新たな教師データとしては、ステップＳ４２０で取得された対象分光データに加えて、同じ印刷媒体ＰＭの分光測定から得られた他の複数の分光スペクトルデータも使用することが好ましい。このため、分光分析装置３１は、１つの印刷媒体ＰＭの複数の位置において分光スペクトルデータをそれぞれ取得するように構成されていることが好ましい。こうして学習が終了すると、更新された機械学習モデル２０２が、対象分光データに対応する既知のクラスを有するものとなる。従って、更新された機械学習モデル２０２を用いて、この印刷媒体ＰＭの種類を認識することが可能となる。

ステップＳ６４０では、クラス分類処理部１１４が、対象分光データに対応するクラスを有する新たな機械学習モデルを追加し、そのパラメーターを設定する。この新たな機械学習モデルは、最上位層のチャンネル数を除いて、図９に示した第１の機械学習モデル２０１と同じ構成を有することが好ましい。この新たな機械学習モデルは、例えば、図１０に示す第２の機械学習モデル２０２と同様に、２つ以上の既知クラスを有するものとすることが好ましい。２つ以上の既知クラスのうちの１つは、対象分光データに対応するクラスである。また、２つ以上の既知クラスのうちの少なくとも１つは、既存の機械学習モデルの少なくとも１つの既知クラスと同じものとすることが好ましい。新たな機械学習モデルの１つのクラスを既存の機械学習モデルの既知クラスと同じにすることは、その既知クラスのために既存の機械学習モデルの学習で使用されていた教師データと同じ教師データを用いて、新たな機械学習モデルの学習を行うことによって実現される。新たな機械学習モデルに２つ以上の既知クラスを設ける理由は、既知クラスを１つだけとすると、その学習を十分な精度で行えない可能性があるからである。

新たな機械学習モデルに採用する既存の機械学習モデルのクラスとしては、例えば、以下のクラスの中から選択することが好ましい。
（ａ）既存の機械学習モデルにおける複数の既知クラスの中で、対象分光データと最も類似度が高い光学スペクトルデータに対応するクラス。
（ｂ）既存の機械学習モデルにおける複数の既知クラスの中で、対象分光データと最も類似度が低い光学スペクトルデータに対応するクラス。
（ｃ）既存の機械学習モデルにおける複数の既知クラスの中で、図１８のステップＳ４４０において対象分光データが属するものと誤判別されたクラス。
このうち、上記（ａ）又は（ｃ）のクラスを採用すれば、新たな機械学習モデルにおける誤判別を少なくすることができる。また、上記（ｂ）のクラスを採用すれば、新たな機械学習モデルの学習時間を短くすることが可能となる。

ステップＳ６５０では、クラス分類処理部１１４が、追加した機械学習モデルの学習を実行する。この学習では、図１８のステップＳ４２０で取得された対象分光データが新たな教師データとして使用される。また、新たな教師データとしては、ステップＳ４２０で取得された対象分光データに加えて、同じ印刷媒体ＰＭの分光測定から得られた他の複数の分光スペクトルデータも使用することが好ましい。また、新たな機械学習モデルの１つ以上のクラスを既存の機械学習モデルの既知クラスと同じにする場合には、その既知クラスのために既存の機械学習モデルの学習で使用されていた教師データも使用される。

なお、第２の機械学習モデル２０２の既知のクラスの数が上限値に達すると、図２４のステップＳ６４０，Ｓ６５０によって、３番目の機械学習モデルが追加される。４番目以降の機械学習モデルも同様である。このように、本実施形態では、Ｎを２以上の整数としたとき、（Ｎ－１）個の機械学習モデルは上限値に等しい数のクラスを有し、他の１個の機械学習モデルは上限値以下の数のクラスを有するものとなる。また、Ｎ個の機械学習モデルを用いて対象分光データに対するクラス分類処理を実行したときに対象分光データが未知のクラスに属するものと判定されたときには、以下のいずれかの処理が実行される。
（１）他の１個の機械学習モデルが上限値未満の数のクラスを有する場合には、ステップＳ６２０，Ｓ６３０の処理により、他の１個の機械学習モデルについて、対象分光データを含む教師データを用いた学習を行うことによって対象分光データに対する新たなクラスを追加する。
（２）他の１個の機械学習モデルが上限値に等しい数のクラスを有する場合には、ステップＳ６４０，Ｓ６５０の処理により、対象分光データに対応するクラスを有する新たな機械学習モデルを追加する。
これらの処理によれば、Ｎ個の機械学習モデルで対象分光データのクラス分類がうまくできなかった場合にも、その対象分光データに対応するクラスへのクラス分類を行うことが可能となる。

なお、図２４に示した機械学習モデルの更新処理は、既存の機械学習モデルの数が１個の場合にも実行することができる。既存の機械学習モデルの数が１個の場合とは、例えば、図１０に示した第２の機械学習モデル２０２が準備されておらず、図１８の処理が、図９に示した第１の機械学習モデル２０１のみを用いて実行される場合である。この場合には、図２４のステップＳ６４０，Ｓ６５０は、第２の機械学習モデル２０２を新たな機械学習モデルとして追加する処理となる。このように、第１の機械学習モデル２０１のみを用いて行ったクラス分類処理において、その入力データが未知のクラスに属すると判定された場合に第２の機械学習モデル２０２を新たな機械学習モデルとして追加する処理は、２個の機械学習モデル２０１，２０２を準備する処理の一例として理解することも可能である。

ステップＳ６６０では、クラス分類処理部１１４が、更新または追加した機械学習モデルに教師データを再度入力して既知特徴スペクトル群を生成する。

以上のように、本実施形態では、Ｎを２以上の整数としたとき、Ｎ個の機械学習モデルを用いてクラス分類処理を実行するので、１個の機械学習モデルで多数のクラスへの分類処理を行う場合に比べて、処理を高速に実行できる。また、既存の機械学習モデルでは被分類データのクラス分類がうまくできない場合に、既存の機械学習モデルにクラスを追加するか、又は、新たな機械学習モデルを追加することによって、その被分類データに対応するクラスへのクラス分類を行うことが可能となる。

なお、上記では、ベクトルニューロンを用いるベクトルニューラルネットワーク型の機械学習モデルを用いていたが、この代わりに、通常の畳み込みニューラルネットワークのようにスカラーニューロンを用いる機械学習モデルを使用してもよい。但し、ベクトルニューラルネットワーク型の機械学習モデルは、スカラーニューロンを用いる機械学習モデルに比べてクラス分類処理の精度がより高い点で好ましい。

図９に示した第１の機械学習モデル２０１における各層の出力の演算方法は、以下の通りである。第２の機械学習モデル２０２も同様である。

PrimeVN層２２１の各ノードは、Conv層２１１の１×１×３２個のノードのスカラー出力を３２次元のベクトルとみなして、このベクトルに変換行列を乗ずることによってそのノードのベクトル出力を得る。この変換行列は、１×１のカーネルの要素であり、機械学習モデル２０１の学習によって更新される。なお、Conv層２１１とPrimeVN層２２１の処理を統合して、１つのプライマリーベクトルニューロン層として構成することも可能である。

PrimeVN層２２１を「下位層Ｌ」と呼び、その上位側に隣接するConvVN1層２３１を「上位層Ｌ＋１」と呼ぶとき、上位層Ｌ＋１の各ノードの出力は、以下の式を用いて決定される。

ここで、
ＭLiは、下位層Ｌにおけるｉ番目のノードの出力ベクトル、
ＭL+1jは、上位層Ｌ＋１におけるｊ番目のノードの出力ベクトル、
ｖijは、出力ベクトルＭL+1jの予測ベクトル、
ＷLijは、下位層Ｌの出力ベクトルＭLiから予測ベクトルｖijを算出するための予測行列、
ｕjは、予測ベクトルｖijの和、すなわち線形結合、である和ベクトル、
ａjは、和ベクトルｕjのノルム|ｕj|を正規化することによって得られる正規化係数であるアクティベーション値、
Ｆ（Ｘ）は、Ｘを正規化する正規化関数である。

正規化関数Ｆ（Ｘ）としては、例えば以下の（４ａ）式または（４ｂ）式を使用できる。

ここで、
ｋは、上位層Ｌ＋１のすべてのノードに対する序数、
βは、任意の正の係数である調整パラメーターであり、例えばβ＝１である。

上記（４ａ）式では、上位層Ｌ＋１のすべてのノードに関して和ベクトルｕjのノルム|ｕj|をソフトマックス関数で正規化することによってアクティベーション値ａjが得られる。一方、（４ｂ）式では、和ベクトルｕjのノルム|ｕj|を、上位層Ｌ＋１のすべてのノードに関するノルム|ｕj|の和で除算することによってアクティベーション値ａjが得られる。なお、正規化関数Ｆ（Ｘ）としては、（４ａ）式や（４ｂ）式以外の他の関数を用いてもよい。

上記（３）式の序数ｉは、上位層Ｌ＋１におけるｊ番目のノードの出力ベクトルＭL+1jを決めるために使用される下位層Ｌのノードに便宜上割り振られるものであり、１～ｎの値をとる。また、整数ｎは、上位層Ｌ＋１におけるｊ番目のノードの出力ベクトルＭL+1jを決めるために使用される下位層Ｌのノードの数である。従って、整数ｎは次式で与えられる。
n=Nk×Nc （６）
ここで、Ｎｋはカーネルの要素数であり、Ｎｃは下位層であるPrimeVN層２２１のチャンネル数である。図９の例ではＮｋ＝３、Ｎｃ＝２６なので、ｎ＝７８である。

ConvVN1層２３１の出力ベクトルを求めるために使用される１つのカーネルは、カーネルサイズ１×３を表面サイズとし、下位層のチャンネル数２６を深さとする１×３×２６＝７８個の要素を有しており、これらの要素のそれぞれは予測行列ＷLijである。また、ConvVN1層２３１の２０個のチャンネルの出力ベクトルを生成するためには、このカーネルが２０組必要である。従って、ConvVN1層２３１の出力ベクトルを求めるために使用されるカーネルの予測行列ＷLijの数は、７８×２０＝１５６０個である。これらの予測行列ＷLijは、機械学習モデル２０１の学習により更新される。

上述した（２）～（５）式から分かるように、上位層Ｌ＋１の個々のノードの出力ベクトルＭL+1jは、以下の演算によって求められる。
（ａ）下位層Ｌの各ノードの出力ベクトルＭLiに予測行列ＷLijを乗じて予測ベクトルｖijを求め、
（ｂ）下位層Ｌの各ノードから得られた予測ベクトルｖijの和、すなわち線形結合、である和ベクトルｕjを求め、
（ｃ）和ベクトルｕjのノルム|ｕj|を正規化することによって正規化係数であるアクティベーション値ａjを求め、
（ｄ）和ベクトルｕjをノルム|ｕj|で除算し、更に、アクティベーション値ａjを乗じる。

なお、アクティベーション値ａjは、上位層Ｌ＋１のすべてのノードに関してノルム|ｕj|を正規化することによって得られる正規化係数である。従って、アクティベーション値ａjは、上位層Ｌ＋１内の全ノードの中における各ノードの相対的な出力強度を示す指標と考えることができる。（４）式，（４ａ）式、（４ｂ）式、及び（５）式で使用されるノルムは、典型的な例ではベクトル長さを表すＬ２ノルムである。このとき、アクティベーション値ａjは、出力ベクトルＭL+1jのベクトル長さに相当する。アクティベーション値ａjは、上述した（４）式と（５）式で使用されるだけなので、ノードから出力される必要は無い。但し、アクティベーション値ａjを外部に出力するように上位層Ｌ＋１を構成することも可能である。

ベクトルニューラルネットワークの構成は、カプセルネットワークの構成とほぼ同じであり、ベクトルニューラルネットワークのベクトルニューロンがカプセルネットワークのカプセルに相当する。但し、ベクトルニューラルネットワークで使用される上述の（２）～（５）式による演算は、カプセルネットワークで使用される演算と異なる。両者の最も大きな違いは、カプセルネットワークでは、上記（３）式の右辺の予測ベクトルｖijにそれぞれ重みが乗じられており、その重みが、動的ルーティングを複数回繰り返すことによって探索される点である。一方、本実施形態のベクトルニューラルネットワークでは、上述した（２）～（５）式を順番に１回計算することによって出力ベクトルＭL+1jが得られるので、動的ルーティングを繰り返す必要が無く、演算がより高速であるという利点がある。また、本実施形態のベクトルニューラルネットワークは、カプセルネットワークよりも演算に必要とするメモリー量がカプセルネットワークより少なく、本開示の発明者の実験によれば、約１／２～１／３のメモリー量で済むという利点もある。

ベクトルを入出力とするノードを使用するという点では、ベクトルニューラルネットワークはカプセルネットワークと同じである。従って、ベクトルニューロンを使用する利点もカプセルネットワークと共通している。また、複数の層２１１～２５１は、上位に行くほどより大きな領域の特徴を表現し、下位に行くほどより小さな領域の特徴を表現する、という点は、通常の畳み込みニューラルネットワークと同じである。ここで、「特徴」とは、ニューラルネットワークへの入力データに含まれている特徴的な部分を意味する。ベクトルニューラルネットワークやカプセルネットワークでは、或るノードの出力ベクトルが、そのノードが表現する特徴の空間的な情報を表す空間情報を含む点で、通常の畳み込みニューラルネットワークよりも優れている。すなわち、或るノードの出力ベクトルのベクトル長さは、そのノードが表現する特徴の存在確率を表し、ベクトル方向がその特徴の方向やスケール等の空間情報を表している。従って、同じ層に属する２つのノードの出力ベクトルのベクトル方向は、それぞれの特徴の位置関係を表す。あるいは、当該２つのノードの出力ベクトルのベクトル方向は、特徴のバリエーションを表わすとも言える。例えば、「目」の特徴に対応するノードなら、出力ベクトルの方向は、目の細さ、吊り上がり方、などのバリエーションを表し得る。通常の畳み込みニューラルネットワークでは、プーリング処理によって特徴の空間情報が消失してしまうと言われている。この結果、ベクトルニューラルネットワークやカプセルネットワークは、通常の畳み込みニューラルネットワークに比べて入力データを識別する性能に優れているという利点がある。

ベクトルニューラルネットワークの利点は、以下のように考えることも可能である。すなわち、ベクトルニューラルネットワークでは、ノードの出力ベクトルが、入力データの特徴を連続空間内の座標として表現すること、に利点がある。従って、ベクトル方向が近ければ特徴が似ている、というように出力ベクトルを評価できる。また、入力データに含まれている特徴が教師データではカバーできていなくても、補間してその特徴を判別できる、などの利点もある。一方、通常の畳み込みニューラルネットワークは、プーリング処理によって無秩序な圧縮がかかるため、入力データの特徴を連続空間内の座標として表現できない、という欠点がある。

ConvVN2層２４１とClassVN層２５１の各ノードの出力も、上述した（２）～（５）式を用いて同様に決定されるので、詳細な説明は省略する。最上位層であるClassVN層２５１の解像度は１×１であり、チャンネル数は（ｎ１＋１）である。

ClassVN層２５１の出力は、既知のクラスに対する複数の判定値Class1-1～Class1-2と、未知のクラスであることを示す判定値Class1-UNとに変換される。これらの判定値は、通常はソフトマックス関数によって正規化された値である。具体的には、例えば、ClassVN層２５１の各ノードの出力ベクトルから、その出力ベクトルのベクトル長さを算出し、更に、各ノードのベクトル長さをソフトマックス関数で正規化する、という演算を実行することによって、個々のクラスに対する判定値を得ることができる。上述したように、上記（４）式で得られるアクティベーション値ａjは、出力ベクトルＭL+1jのベクトル長さに相当する値であり、正規化されている。従って、ClassVN層２５１の各ノードのそれぞれにおけるアクティベーション値ａjを出力して、そのまま各クラスに対する判定値として使用してもよい。

上述の実施形態では、機械学習モデル２０１，２０２として、上記（２）式～（５）式の演算によって出力ベクトルを求めるベクトルニューラルネットワークを用いていたが、この代わりに、米国特許第５２１０７９８号公報や国際公開２０１９／０８３５５３号公報に開示されているカプセルネットワークを用いてもよい。また、スカラーニューロンのみを用いるニューラルネットワークを用いてもよい。

なお、既知特徴スペクトル群ＫＳ１，ＫＳ２の生成方法や、ConvVN1層等の中間層の出力データの生成方法は上記実施形態に限定されるものではなく、例えば、Ｋｍｅａｎｓ法を用いてこれらのデータを生成してもよい。また、ＰＣＡやＩＣＡ、Ｆｉｓｈｅｒなどの変換を用いてこれらのデータを生成してもよい。また、既知特徴スペクトル群ＫＳＧと中間層の出力データの変換方法は異なっていてもよい。

次に、印刷条件設定工程（ステップＳ５０）の処理方法について説明する。
印刷条件設定工程（ステップＳ５０）では、判別されたインク種と、判別された媒体種とに応じた印刷条件を設定する。図２５は、印刷条件設定工程（ステップＳ５０）における詳細な処理方法を示すフローチャートである。
印刷条件は、記憶部１２０に格納された印刷条件設定テーブルＰＰＴ（図２６）から導出される。印刷条件設定テーブルＰＰＴは、演算部１１０がインク・印刷条件データ１０６（制御パラメーター、メンテナンスモード、ＩＣＣプロファイル、印刷モードうちの少なくとも一つ））と媒体・印刷設定テーブルＰＳＴ（図１３）とを統合し、インク種と媒体種とに対応する印刷条件を算出したテーブルデータである。
インク種と媒体種とで、印刷条件が異なる項目がある場合には、インク種が保持する印刷条件と、媒体種が保持する印刷条件の、どちらを優先させるか設定しておいても良い。例えば、インク種Ａと媒体種Ａ－１の組み合わせの場合、印刷条件設定テーブルＰＰＴを参照し、Ｐｔ１１が導出されるが、出力プロファイルはインク種Ａに対応するＰＯ１０、デバイスリンクプロファイルはインク種Ａに対応するＰＤ１０、ヒーター温度はインク種Ａに対応する条件が設定される。また、インク種Ｂと媒体種Ａ－１の組み合わせの場合、印刷条件設定テーブルＰＰＴを参照し、Ｐｔ２１が導出されるが、出力プロファイルは媒体種Ａ－１に対応するＰＲ１、デバイスリンクプロファイルは媒体種Ａ－１に対応するＤＬ１、ヒーター温度は媒体種Ａ－１に対応する条件が設定される。さらに、インク種Ｃと媒体種Ａ－１の組み合わせの場合、印刷条件設定テーブルＰＰＴを参照し、Ｐｔ３１が導出されるが、出力プロファイルはインク種Ｃに対応するＰ０３０、デバイスリンクプロファイルは媒体種Ａ－１に対応するＤＬ１、ヒーター温度はインク種Ｃに対応する条件が設定される。またさらに、インク種Ｄと媒体種Ａ－１の組み合わせの場合、印刷条件設定テーブルＰＰＴを参照し、Ｐｔ４１が導出されるが、出力プロファイルは媒体種Ａ－１に対応するＰＲ１、デバイスリンクプロファイルはインク種Ｄに対応するＰＤ４０、ヒーター温度はインク種Ｄに対応する条件が設定される。出力プロファイル、デバイスリンクプロファイル、および、ヒーター温度を例に挙げて説明したが、他の項目についても同様であり、インク種が保持する印刷条件と、媒体種が保持する印刷条件と、を組み合わせて設定できる。
なお、インク種または媒体種に、それぞれ紐付けられている条件を設定するのではなく、特定のインク種と特定の媒体種の組み合わせにより使用される条件を設定しても良い。
また、インク種と媒体種とで、印刷条件が異なる項目があることを報知し、オペレーター等に、条件の選択や設定をさせても良い。

ステップＳ７１０では、演算部１１０は、ローカルに印刷条件があるか否かを判断する。具体的には、ユーザーが用いている情報処理装置２０（例えば、パーソナルコンピューター）に、判別されたインク種及び媒体種に対応する印刷条件設定テーブルＰＰＴが格納されているか否かを判断する。

ローカルに印刷条件があると判断した場合（ＹＥＳ）は、ステップＳ７２０に移行し、ローカルに印刷条件がないと判断した場合（ＮＯ）は、ステップＳ７３０に移行する。

ステップＳ７２０では、演算部１１０は、印刷条件設定テーブルＰＰＴに基づいて、印刷条件を設定する。また、演算部１１０は、設定された印刷条件を表示部１５０に表示させる。

一方、ステップＳ７３０では、通信部１３０を介してクラウド上で印刷条件を検索する。そして、ステップＳ７２０に移行し、演算部１１０は、検索された印刷条件を設定する。
その後、印刷処理部１１２は、設定された印刷条件に従って印刷を実行させる。

以上、本実施形態によれば、インク種と媒体種とを判別するとともに、インク種と媒体種との組み合わせによる、適切な印刷条件（例えば、制御パラメーター、メンテナンスモード、ＩＣＣプロファイル、印刷モード）を設定することができる。

１…印刷条件設定システム、２０…情報処理装置、３０，３１…分光分析装置、１０２…インク種判別器、１０４…教師データ、１０５…訓練モデル、１０６…インク・印刷条件データ、１１０…演算部、１１２…印刷処理部、１１４…クラス分類処理部、１１６…印刷設定作成部、１１７…学習部、１１８…判別器管理部、１２０…記憶部、１３０…通信部、１４０…入力部、１５０…表示部、２０１…機械学習モデル、２０２…機械学習モデル、２０３…機械学習モデル、２６１…類似度演算部、２６２…類似度演算部、２００１…印刷装置、２００２…制御部、２０１０…カートリッジ、２０２０…キャリッジ、２０３０…装着部、２０４０…ヘッド、２０４５…プラテン、２０５２…キャリッジモーター、２０５４…駆動ベルト、２０５５…ガイドロッド、２０５６…搬送モーター、２０５８…搬送ローラー、２０６０…メンテナンス部、２０６１…キャッピング部、２０６２…キャップ、２０６３…払拭部。

Claims (7)

1. 印刷装置における印刷条件を設定する印刷条件設定方法であって、
   インクの物性情報とインク種識別子とを用いてインク種判別器の機械学習を行うインク種学習工程と、
   媒体の特性情報と媒体種識別情報とを用いて媒体種判別器の機械学習を行う媒体種学習工程と、
   前記インク種判別器により判別されたインク種と、前記媒体種判別器により判別された媒体種と、に応じた前記印刷条件を設定する印刷条件設定工程と、を有する印刷条件設定方法。
2. 請求項１に記載の印刷条件設定方法であって、
   前記印刷条件は、前記印刷装置の制御パラメーターである、印刷条件設定方法。
3. 請求項１に記載の印刷条件設定方法であって、
   前記印刷条件は、前記印刷装置のメンテナンスモードである、印刷条件設定方法。
4. 請求項１に記載の印刷条件設定方法であって、
   前記印刷条件は、前記印刷装置のＩＣＣプロファイルである、印刷条件設定方法。
5. 請求項１に記載の印刷条件設定方法であって、
   前記印刷条件は、前記印刷装置の記録方法である、印刷条件設定方法。
6. 請求項１から請求項５のいずれか一項に記載の印刷条件設定方法であって、
   前記インク種学習工程における前記インク種判別器の機械学習方法と、前記媒体種学習工程における前記媒体種判別器の機械学習方法と、は異なる、印刷条件設定方法。
7. 印刷装置における印刷条件を設定する印刷条件設定システムであって、
   インクの物性情報とインク種識別子とを用いてインク種判別器の機械学習を行うインク種学習部と、
   媒体の特性情報と媒体種識別情報とを用いて媒体種判別器の機械学習を行う媒体種学習部と、
   前記インク種判別器により判別されたインク種と、前記媒体種判別器により判別された媒体種と、に応じた前記印刷条件を設定する印刷条件設定部と、を有する印刷条件設定システム。

Images