JP2024044254A - 検出装置、モデル生成装置、検出方法および検出プログラム - Google Patents

Abstract

【課題】実際の印刷物における階調くずれを精度よく検出することができる検出装置、モデル生成装置、検出方法および検出プログラムを提案すること。【解決手段】本開示に係る一形態の検出装置は、印刷物を撮像した画像データを取得する取得部と、予め定められた彩度別分類基準に基づき、前記画像データにおける検出対象領域が当該彩度別分類基準によって区分けされる群のいずれに属するか分類する分類部と、印刷物の階調くずれを識別する学習モデルであって、前記彩度別分類基準によって区分けされる群ごとに学習された学習モデルを用いて、前記分類された検出対象領域における階調くずれを検出する検出部と、を備える。【選択図】図１

Description

本開示は、印刷物の階調くずれを検出するための検出装置、モデル生成装置、検出方法および検出プログラムに関する。

印刷物では、色階調が段階的に変化する箇所で極端な色の差が発生してしまい縞模様のような表示となる、いわゆる階調くずれ（階調飛び、トーンジャンプ等とも称される）という現象が起こりうる。階調くずれは印刷物の品質の低下につながるため、印刷業者等は、納品前に印刷された用紙を熟練者が目視すること等で検出を試みている。

このような階調くずれを防止する技術として、隣接する色の色差から階調崩れを検出する技術が知られている（例えば、特許文献１）。また、色変換特性を用いて色変換された前後の画像を用いて作成された色変換モデルを用いて階調飛びの箇所を特定し、その結果得られた画像データから、さらに色変換モデルを再生成する技術が知られている（例えば、特許文献２）。

特開２０１２－１１４６５３号公報 特開２０２１－１４５２７１号公報

しかしながら、従来技術によっても、階調くずれを高い精度で検出することは困難である。例えば、インクジェットプリンタを用いて印刷を行う場合、印刷物は、印刷に用いられたインクの量や種類に影響を受ける。このため、印刷に用いられる画像データを用いて検出処理を行っても、実際の印刷物において階調くずれが発生しているか否かを正確に検出することは難しい。

また、階調くずれ有無の判断は属人的要素が大きく、判定する熟練者の判断によって結果が変わることもあるため、一定の品質を担保することが難しいという課題も存在する。

そこで、本開示では、実際の印刷物における階調くずれを精度よく検出することができる検出装置、モデル生成装置、検出方法および検出プログラムを提案する。

上記の課題を解決するために、本開示に係る一形態の検出装置は、印刷物を撮像した画像データを取得する取得部と、予め定められた彩度別分類基準に基づき、前記画像データにおける検出対象領域が当該彩度別分類基準によって区分けされる群のいずれに属するか分類する分類部と、印刷物の階調くずれを識別する学習モデルであって、前記彩度別分類基準によって区分けされる群ごとに学習された学習モデルを用いて、前記分類された検出対象領域における階調くずれを検出する検出部と、を備える。

実施形態の一態様によれば、実際の印刷物における階調くずれを精度よく検出することができる。

実施形態に係る検出システムの概要を示す図である。 実施形態に係る検出システムにおける処理の流れを示す概念図である。 実施形態に係る検出装置が実行する処理の流れを示す概念図である。 実施形態に係るトリミング処理の手順を示すフローチャートである。 実施形態に係る分類処理を説明するための図である。 実施形態に係る検出装置の構成例を示す図である。 実施形態に係る学習データ記憶部の一例を示す図である。 実施形態に係る検出結果の一例を示す図である。 検出装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本開示の実施形態について図面に基づいて詳細に説明する。なお、以下の実施形態において、同一の部位には同一の符号を付することにより重複する説明を省略する。

（１．実施形態）
（１－１．実施形態に係る検出処理の概要）
図１は、実施形態に係る検出システム１の概要を示す図である。実施形態に係る検出処理は、図１に示す検出システム１によって実行される。

図１に示すように、検出システム１は、撮像装置１０と、検出装置１００とを含む。撮像装置１０は、画像データが印刷された印刷物（例えば印刷済み用紙）を撮像するための装置である。例えば、撮像装置１０は、カメラ２０を固定可能な枠組みと、印刷物を固定するための留め具とを含む。カメラ２０は、印刷物を撮像した場合に、当該印刷物を撮像した画像データを取得し、取得した画像データを検出装置１００に送信する機能を有する。

検出装置１００は、本開示に係る検出装置およびモデル生成装置の一例であり、例えば、ＰＣ（Personal Computer）やサーバ、タブレット端末等、任意の情報処理機器により実現される。検出装置１００は、印刷物を撮像した画像データをカメラ２０から取得し（ステップＳ１）、取得した画像データに基づいて、印刷物の階調くずれを検出する。

上述のように、印刷物の出来は、インクジェットプリンタ等の印刷に用いる機器や、印刷に用いられたインクの量や種類に影響を受ける。このため、印刷に用いられる画像データを用いて検出処理を行っても、実際の印刷物において階調くずれが発生しているか否かを正確に検出することは難しい。

そこで、検出装置１００は、実施形態に係る検出処理により、上記課題を解決する。すなわち、検出装置１００は、印刷に用いる元画像のデータを用いて検出を行うのではなく、実際に印刷が行われたのちの印刷物を撮像した画像データを用いて階調くずれを検出する。さらに後述するように、検出装置１００は、予め定められた彩度別分類基準に基づき区分けされた群ごとに学習された学習モデルを用いて、印刷物の階調くずれを検出する。これにより、検出装置１００は、実際の印刷物において階調くずれが発生しているか否かを精度よく検出できる。

上記処理について、図２以下を用いて説明する。図２は、実施形態に係る検出システム１における処理の流れを示す概念図である。

検出システム１における撮像環境において、カメラ２０は、印刷物を撮像する（ステップＳ２０）。カメラ２０は、撮像により得られた画像データを検出装置１００に送信する（ステップＳ２１）。

検出装置１００は、検出装置１００のユーザの操作等に従い、ＧＵＩ（Graphical User Interface）にて、検出対象となる画像データを選択する（ステップＳ２２）。検出装置１００は、画像データが選択されると、選択された画像データを検出処理に送る（ステップＳ２３）。

検出装置１００は、後述する複数の処理を経て、対象の画像データにおいてトーンジャンプが発生しているか否かを検出する（ステップＳ２４）。その後、検出装置１００は、トーンジャンプ検出に関する判定結果をＧＵＩに送り（ステップＳ２５）、その結果をＧＵＩで表示する（ステップＳ２６）。

続いて、図３を用いて、実施形態に係る検出処理を流れに沿って説明する。図３は、実施形態に係る検出装置１００が実行する処理の流れを示す概念図である。

まず、検出装置１００は、検出対象となる画像データ３０を取得すると、画像データ３０をトリミングモジュール３５に入力する。トリミングモジュール３５は、画像データのうち、検出の対象となる特定の範囲を切り出す（トリミングする）。また、トリミングモジュール３５は、トリミングされた範囲以外の領域について、画素を基準値（例えば白色など）に変換する。これにより、検出装置１００は、検出範囲と、その他の領域とを明確に区別することができるので、後段のトーンジャンプ判定の精度を高めることができる。

続いて、検出装置１００は、トリミングされた範囲の画像データを、彩度分類モジュール４０に入力する。彩度分類モジュール４０は、予め定められた彩度別分類基準に基づき、トリミングされた範囲の画像が彩度別分類基準によって区分けされる群のいずれに属するかを分類する。なお、実施形態では、彩度とは、ＨＳＶ色空間モデル（Hue-Saturation-Value model）における彩度（Saturation）を示すパラメータである。一般に、かかる彩度値は、数値で示される値と人間が感じる彩度との相関性が高いことで知られている。

例えば、彩度分類モジュール４０は、検出領域に含まれる画素の彩度値の平均値に基づいて、複数の群に画像データを分類する。一例として、彩度分類モジュール４０は、彩度値が０から１００までの数値で表される場合、彩度値の平均値が７５を超える画像を第１群に分類する。また、彩度分類モジュール４０は、彩度値の平均値が５０を超える画像を第２群に分類し、彩度値の平均値が２５を超える画像を第３群に分類し、彩度値の平均値が２５以下の画像を第４群に分類する。なお、かかる分類手法は例示であり、検出装置１００は、任意の基準に基づき検出対象の画像を分類してもよい。

分類された画像は、それぞれの彩度分類基準に基づき分類された学習データにより学習された学習モデルである、トーンジャンプ判定モデルに入力される。例えば、第１群に分類された画像（図３の例では、第１条件を満たした画像）は、最も彩度の高い学習データに基づき学習された、トーンジャンプ判定第１モジュール４１に入力される。あるいは、第２群に分類された画像（図３の例では、第２条件を満たした画像）は、第２群に分類されるべき彩度を有する学習データに基づき学習された、トーンジャンプ判定第２モジュール４２に入力される。あるいは、第３群に分類された画像（図３の例では、第３条件を満たした画像）は、第３群に分類されるべき彩度を有する学習データに基づき学習された、トーンジャンプ判定第３モジュール４３に入力される。なお、図示は省略するが、第４群や第５群など、より多くの分類がある場合、検出装置１００は、それぞれの分類に対応したトーンジャンプ判定モジュールに画像を入力する。

トーンジャンプ判定モジュールは、検出対象の画像の特定の範囲において、トーンジャンプが発生しているか否かを判定する。すなわち、トーンジャンプ判定モジュールは、画像においてトーンジャンプが発生している確度を求める画像識別モデルである。トーンジャンプ判定モジュールは、例えば、トーンジャンプが発生しているとラベル付けされた画像と、トーンジャンプが発生していないとラベル付けされた画像とを学習データとする、教師有り学習により生成される。

その後、検出装置１００は、トーンジャンプ判定モジュールから返された判定結果に基づき、その結果をＧＵＩに出力する。

続いて、図４を用いて、実施形態に係るトリミング処理の詳細を説明する。図４は、実施形態に係るトリミング処理の手順を示すフローチャートである。図４で示す例では、検出装置１００は、トリミング処理によって、元の画像データ５０から、トーンジャンプ判定の対象となる範囲（この例では円形状）と、範囲外を基準値に変換した画像データ５１を得る。

まず、検出装置１００は、対象となる画像データを取得し、そのデータを読み込む（ステップＳ３０）。続けて、検出装置１００は、画像データの画素数を取得したり、画素をグレースケールに変換したり、ノイズ除去をしたりする等の前処理を行う（ステップＳ３１）。続けて、検出装置１００は、検出対象とする印字部（実施形態の例では円形）を粗くトリムするため、ハフ変換（Hough Transformation）を行う（ステップＳ３２）。

検出装置１００は、ハフ変換に基づき１つの円（すなわち検出対象）を検出したか否かを判定する（ステップＳ３３）。１つの円が検出できない場合（ステップＳ３３；Ｎｏ）、検出装置１００は、ハフ変換のパラメータを調整する等の処理を行う。

一方、１つの円が検出できた場合（ステップＳ３３；Ｙｅｓ）、検出装置１００は、検出対象をより正確に抽出するための前処理を行う（ステップＳ３４）。例えば、検出装置１００は、検出対象とする形状（検出円）をマスク処理により抽出するためのマスクを作成したり、マスクと合成された元画像の画素のグレースケール化等を行う。そして、検出装置１００は、輝度値に基づき、検出対象とする円の輪郭を検出する（ステップＳ３５）。

検出装置１００は、輪郭検出に基づき１つの円（すなわち検出対象）を検出したか否かを判定する（ステップＳ３６）。１つの円が検出できない場合（ステップＳ３６；Ｎｏ）、検出装置１００は、データの前処理におけるパラメータを調整する等の処理を行う。

一方、１つの円が検出できた場合（ステップＳ３６；Ｙｅｓ）、検出装置１００は、検出された円を検出対象として、楕円フィッティングを行う（ステップＳ３７）。その後、検出装置１００は、楕円サイズのマスクを作成し（ステップＳ３８）、元画像とマスクを合成する（ステップＳ３９）。さらに、検出装置１００は、中心を基準として正方形トリミングを行い（ステップＳ４０）、最終的な画像データ５１を出力する（ステップＳ４１）。

なお、上述したトリミング処理は一例であり、検出装置１００は、任意の手法を採用して、検出対象となる範囲をトリミングしてもよい。上記のようなトリミング処理により、検出装置１００は、検出範囲とその他の領域とを明確に区別した画像データ５１を後段に送ることができるので、後段の処理の精度を向上させることができる。

続いて、図５を用いて、彩度分類処理について説明する。図５は、実施形態に係る分類処理を説明するための図である。

上述のように、検出装置１００は、彩度分類ごとに学習モデルを生成しておき、検出対象の彩度に応じて、いずれかの学習モデルに検出対象の画像を入力することで、トーンジャンプの有無を判定する。

彩度の分類は、一例として、検出対象となる範囲に含まれる画素の彩度値の平均値に基づき実行される。図５には、検出対象としてトリミングされた画像データのうち、最も彩度値の高い画像データ５５、次に彩度値の高い画像データ５６、次に彩度値の高い画像データ５７、最も彩度値の低い画像データ５８を示す。これら画像データは、それぞれ、彩度分類モジュールにおいて分類され、それぞれが異なる学習モデル（トーンジャンプ判定モジュール）に入力される。

なお、彩度は、図５に示すＨＳＶ色空間モデル６０において、色空間の外周に近付くほど高い値をとるパラメータである。なお、実施形態では、ＨＳＶ色空間モデル６０の彩度を分類の基準値として採用しているが、検出装置１００は、その他のパラメータを基準値として採用することも可能である。

（１－２．実施形態に係る検出装置の構成）
次に、実施形態に係る検出処理を実行する検出装置１００の構成について説明する。図６は、実施形態に係る検出装置１００の構成例を示す図である。

図６に示すように、検出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、検出装置１００は、検出装置１００を管理する管理者等から各種操作を受け付ける入力部（例えば、タッチパネルやキーボードやマウス等）や、画像データや判定結果を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

通信部１１０は、例えば、ＮＩＣ（Network Interface Card）やネットワークインタフェースコントローラ等によって実現される。通信部１１０は、ネットワークＮ（例えばインターネット）と有線または無線で接続され、ネットワークＮを介して、カメラ２０等の外部機器との間で情報の送受信を行う。例えば、通信部１１０は、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ、ＳＩＭ（Subscriber Identity Module）、ＬＰＷＡ（Low Power Wide Area）等の任意の通信規格もしくは通信技術を用いて、情報の送受信を行ってもよい。

記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、学習データ記憶部１２１と、画像データ記憶部１２２とを有する。

図７に、学習データ記憶部１２１が記憶する情報の一例を示す。図７は、実施形態に係る学習データ記憶部１２１の一例を示す図である。図７に示した例では、学習データ記憶部１２１は、「学習データＩＤ」、「画像データ」、「彩度」、「トーンジャンプ判定」といった各項目を有する。なお、図７に示す例では、格納される情報を「Ａ０１」のように概念的に示す場合があるが、実際には、後述する各情報が記憶部１２０に記憶されるものとする。

「学習データＩＤ」は、学習データを識別する識別情報を示す。「画像データ」は、画素値等、画像を構成する各種情報を示す。「彩度」は、画像データにおける彩度を示す値（例えば、画像全体の彩度の平均値）を示す。「トーンジャンプ判定」は、正解データとしてラベル付けされたトーンジャンプ判定の結果を示す。トーンジャンプ判定は、例えば、予め画像を閲覧した人間によって人為的に付けられた正解データ（教師データ）である。

図６に戻り、説明を続ける。制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）等によって、検出装置１００内部に記憶されたプログラムがＲＡＭ等を作業領域として実行されることにより実現される。また、制御部１３０は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図６に示すように、制御部１３０は、取得部１３１と、生成部１３２と、分類部１３３と、検出部１３４と、表示制御部１３５とを含む。

取得部１３１は、各種情報を取得する。例えば、取得部１３１は、モデル生成段階においては、トーンジャンプ判定モジュールに対応する学習モデルを生成するための学習データを取得する。例えば、取得部１３１は、階調くずれが発生しているか否かを予めラベル付けされた画像データを取得する。また、取得部１３１は、トーンジャンプ判定段階においては、カメラ２０から、印刷物を撮像した画像データを取得する。取得部１３１は、取得したデータを記憶部１２０に記憶する。

生成部１３２は、予め定められた彩度別分類基準に基づき画像データを複数の群に分類し、分類された画像データを学習データとして、印刷物の階調くずれを検出する学習モデルを複数の群ごとに生成する。

例えば、生成部１３２は、ＨＳＶ色空間モデルの彩度を用いて、画像データに含まれる画素の彩度値の平均値を算出し、平均値に基づいて画像データを複数の群に分類する。そして、生成部１３２は、既知の学習ライブラリを用いて、例えば教師有りデータを用いた２クラス分類を実行するための学習モデルを生成する。具体的には、生成部１３２は、モデルに入力された画像データにおいてトーンジャンプが発生しているか否かの２値を判定するモデルを生成する。なお、画像データに基づいてトーンジャンプ判定を行うことが可能なモデルであれば、学習モデルの学習手法は、既知のいずれの技術が用いられてもよい。

分類部１３３は、トーンジャンプ判定段階において、予め定められた彩度別分類基準に基づき、画像データにおける検出対象領域が彩度別分類基準によって区分けされる群のいずれに属するか分類する。分類部１３３は、例えば図５に示したように、画像データの画素値の彩度値に基づいて、画像データを複数の群に分類する。

なお、分類部１３３は、予め定められた形状に基づく輪郭検出によって検出対象領域を特定するとともに、検出対象領域に含まれない画像データの画素値を所定の基準値（例えば、明度を最大値とした白色）に変換してもよい。かかる処理は、図４に示したトリミング処理に対応する。さらに、分類部１３３は、検出対象領域に含まれない画像データの画素値を所定の基準値に変換したのちに、画像データに含まれる画素における彩度の平均値に基づいて、検出対象領域が彩度別分類基準によって区分けされる群のいずれに属するか分類する。分類部１３３は、処理対象となる特定範囲の彩度に基づいて分類を行うことで、後段の判定処理の精度をより向上させることができる。

検出部１３４は、印刷物の階調くずれを識別する学習モデルであって、彩度別分類基準によって区分けされる群ごとに学習された学習モデルを用いて、分類された検出対象領域における階調くずれを検出する。すなわち、検出部１３４は、単一の学習モデルを用いるのではなく、彩度ごとに分類された学習データを用いて生成された複数の学習モデルを用いて、検出処理を行う。これにより、検出部１３４は、トーンジャンプの判定精度を向上させる。

かかる彩度ごとに分類したのちの判定処理に関して、実験結果を例示して説明する。図８は、実施形態に係る検出結果の一例を示す図である。

図８に示すデータテーブル１４０は、実施形態に係る検出処理における、トーンジャンプ判定モジュールに入力されるまでの間の工程と、トーンジャンプ検出結果との関係性を示すものである。すなわち、データテーブル１４０は、トリミング工程および彩度分類工程を経て実行されるトーンジャンプ検出において、これらの工程の有無により検出結果にどのような影響がでるかを検証した結果である。

なお、図８に示した検証において、使用した印刷物（画像データ）は、色相が網羅されており、彩度値がグラデーションとなっているものを使用している。学習データにおいては、グラデーションイメージに一定の黒色（Ｋ）を追加するなど、画像データを増加させる処理を行っている。検出装置１００は、これら画像データのうち、各彩度分類群につき、トーンジャンプ有無それぞれ５００００枚を用いて、各彩度分類における学習モデルを生成した。また、検証の際には、検出装置１００は、学習には使用していない画像データを、各彩度分類群につき、トーンジャンプ有無それぞれ２５０枚利用した。なお、図８に示した検証では、彩度分類の群を５つとした。

学習モデルにおける２クラス分類の検証精度は、混同行列を用いて評価を実施した。すなわち、検証では、真陽性（ＴＰ）、真陰性（ＴＮ）、偽陰性（ＦＮ）、偽陽性（ＦＰ）のそれぞれの結果に基づき、正解率を（ＴＰ＋ＴＮ）／（ＴＰ＋ＴＮ＋ＦＮ＋ＦＰ）で求めた。

図８に示した例において、第１の態様は、トリミング工程と彩度分類工程とのいずれをも実施しトーンジャンプ検出を行ったものであり、その正解率は９９．６％である。第２の態様は、トリミング工程と彩度分類工程とのいずれをも実施せずにトーンジャンプ検出を行ったものであり、その正解率は４３．４％である。第３の態様は、トリミング工程のみを実施し、彩度分類工程を実施せずにトーンジャンプ検出を行ったものであり、その正解率は５７．０％である。第４の態様は、トリミング工程を実施せずに彩度分類工程のみを実施してトーンジャンプ検出を行ったものであり、その正解率は９１．８％である。以上のように、検証対象となるデータを彩度分類し、分類した群に対応した学習モデルを利用することにより、検出装置１００は、非常に高い正解率でトーンジャンプを検出することができる。

図６に戻り、説明を続ける。表示制御部１３５は、検出装置１００におけるＧＵＩを制御する。すなわち、表示制御部１３５は、カメラ２０から取得した画像データを表示し、ユーザの選択等に基づき、検出対象とする画像データを選択することができるＧＵＩを提供する。また、表示制御部１３５は、トーンジャンプの判定結果が出力された際には、かかる判定結果をＧＵＩに表示する。

（１－３．実施形態の変形例）
上記実施形態では、トリミング工程において円形状で検出範囲を特定する例を示した。しかし、検出範囲の形状は任意であり、円や楕円に限るものではない。

また、図８で示した検証結果は学習データの枚数等を限定して実施した検証の一例に過ぎず、学習データの量や品質等に応じて、検出装置１００は、より精度の高い学習モデルを生成することが可能である。

また、上記実施形態では、検出システム１が検出装置１００やカメラ２０を備える例を示したが、これら装置構成は任意に変更可能である。例えば、検出装置１００は、カメラ２０を自装置内に備えた情報処理装置（スマートフォン等）の態様で実現されてもよい。

また、検出装置１００は、ＰＣやサーバ等の態様でなく、クラウドサーバ等、ネットワーク上に設置されるアプリケーションのような態様で実現されてもよい。

（２．その他の実施形態）
上述した実施形態に係る処理は、上記実施形態以外にも種々の異なる形態にて実施されてよい。

例えば、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態および変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、本明細書に記載された効果はあくまで例示であって限定されるものでは無く、他の効果があってもよい。

（３．本開示に係る検出装置の効果）
上述してきたように、本開示に係る検出装置（実施形態では検出装置１００）は、取得部（実施形態では取得部１３１）と、分類部（実施形態では分類部１３３）と、検出部（実施形態では検出部１３４）とを含む。取得部は、印刷物を撮像した画像データを取得する。分類部は、予め定められた彩度別分類基準に基づき、画像データにおける検出対象領域が当該彩度別分類基準によって区分けされる群のいずれに属するか分類する。検出部は、印刷物の階調くずれを識別する学習モデルであって、彩度別分類基準によって区分けされる群ごとに学習された学習モデルを用いて、分類された検出対象領域における階調くずれを検出する。

このように、本開示に係る検出装置は、印刷前の画像データではなく、実際に印刷がなされた印刷物を撮像した画像データに対して階調くずれを検出する。また、検出装置は、印刷物を彩度別分類基準によって区分けして処理を行うことにより、検出精度を向上させる。これにより、検出装置は、実際の印刷物における階調くずれを精度よく検出することができる。

また、分類部は、予め定められた形状に基づく輪郭検出によって検出対象領域を特定するとともに、検出対象領域に含まれない画像データの画素値を所定の基準値に変換する。

このように、検出装置は、予めトリミング処理を行うことにより、検出範囲を特定したうえで階調くずれの検出を行う。これにより、検出装置は、検出精度を向上させることができる。

また、分類部は、検出対象領域に含まれない画像データの画素値を所定の基準値に変換したのちに、画像データに含まれる画素における彩度の平均値に基づいて、当該検出対象領域が彩度別分類基準によって区分けされる群のいずれに属するか分類する。

このように、検出装置は、トリミングした周囲の画素値を白色等の基準値に変換した上で、検出範囲を彩度分類する。これにより、検出装置は、検出精度をより向上させることができる。

また、本開示に係るモデル生成装置（実施形態では検出装置１００）は、取得部と、生成部（実施形態では生成部１３２）とを備える。取得部は、階調くずれが発生しているか否かを予めラベル付けされた画像データを取得する。生成部は、予め定められた彩度別分類基準に基づき画像データを複数の群に分類し、分類された当該画像データを学習データとして、印刷物の階調くずれを検出する学習モデルを当該複数の群ごとに生成する。

このように、モデル生成装置は、彩度別分類基準に基づき画像データを複数の群に分類した学習データを用いて、階調くずれを検出する学習モデルを群ごとに生成する。これにより、モデル生成装置は、検出対象に対応した複数の学習モデルを生成することにより、後段の検出処理において、階調くずれの検出精度を向上させることができる。

（４．ハードウェア構成）
上述してきた実施形態に係る検出装置１００等の情報機器は、例えば図９に示すような構成のコンピュータ１０００によって実現される。以下、実施形態に係る検出装置１００を例に挙げて説明する。図９は、検出装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス１５００、および入出力インターフェイス１６００を有する。コンピュータ１０００の各部は、バス１０５０によって接続される。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。例えば、ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムをＲＡＭ１２００に展開し、各種プログラムに対応した処理を実行する。

ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるＢＩＯＳ（Basic Input Output System）等のブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータ等を非一時的に記録する、コンピュータが読み取り可能な記録媒体である。具体的には、ＨＤＤ１４００は、プログラムデータ１４５０の一例である本開示に係る検出処理を実行するプログラムを記録する記録媒体である。

通信インターフェイス１５００は、コンピュータ１０００が外部ネットワーク１５５０（例えばインターネット）と接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、通信インターフェイス１５００を介して、他の機器からデータを受信したり、ＣＰＵ１１００が生成したデータを他の機器へ送信したりする。

入出力インターフェイス１６００は、入出力デバイス１６５０とコンピュータ１０００とを接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、キーボードやマウス等の入力デバイスからデータを受信する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやスピーカーやプリンタ等の出力デバイスにデータを送信する。また、入出力インターフェイス１６００は、所定の記録媒体（メディア）に記録されたプログラム等を読み取るメディアインターフェイスとして機能してもよい。メディアとは、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る検出装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされた検出プログラムを実行することにより、制御部１３０等の機能を実現する。また、ＨＤＤ１４００には、本開示に係る検出処理を実行するプログラムや、記憶部１２０内のデータが格納される。なお、ＣＰＵ１１００は、プログラムデータ１４５０をＨＤＤ１４００から読み取って実行するが、他の例として、外部ネットワーク１５５０を介して、他の装置からこれらのプログラムを取得してもよい。

以上、本願の実施形態を図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

１０ 撮像装置
２０ カメラ
１００ 検出装置
１１０ 通信部
１２０ 記憶部
１２１ 学習データ記憶部
１２２ 画像データ記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 分類部
１３４ 検出部
１３５ 表示制御部

Claims (6)

1. 印刷物を撮像した画像データを取得する取得部と、
   予め定められた彩度別分類基準に基づき、前記画像データにおける検出対象領域が当該彩度別分類基準によって区分けされる群のいずれに属するか分類する分類部と、
   印刷物の階調くずれを識別する学習モデルであって、前記彩度別分類基準によって区分けされる群ごとに学習された学習モデルを用いて、前記分類された検出対象領域における階調くずれを検出する検出部と、
   を備えることを特徴とする検出装置。
2. 前記分類部は、
   予め定められた形状に基づく輪郭検出によって前記検出対象領域を特定するとともに、前記検出対象領域に含まれない前記画像データの画素値を所定の基準値に変換する、
   ことを特徴とする請求項１に記載の検出装置。
3. 前記分類部は、
   前記検出対象領域に含まれない前記画像データの画素値を所定の基準値に変換したのちに、前記画像データに含まれる画素における彩度の平均値に基づいて、当該検出対象領域が前記彩度別分類基準によって区分けされる群のいずれに属するか分類する、
   ことを特徴とする請求項２に記載の検出装置。
4. 階調くずれが発生しているか否かを予めラベル付けされた画像データを取得する取得部と、
   予め定められた彩度別分類基準に基づき前記画像データを複数の群に分類し、分類された当該画像データを学習データとして、印刷物の階調くずれを検出する学習モデルを当該複数の群ごとに生成する生成部と、
   を備えることを特徴とするモデル生成装置。
5. コンピュータが、
   印刷物を撮像した画像データを取得し、
   予め定められた彩度別分類基準に基づき、前記画像データにおける検出対象領域が当該彩度別分類基準によって区分けされる群のいずれに属するか分類し、
   印刷物の階調くずれを識別する学習モデルであって、前記彩度別分類基準によって区分けされる群ごとに学習された学習モデルを用いて、前記分類された検出対象領域における階調くずれを検出する、
   ことを含むことを特徴とする検出方法。
6. コンピュータを、
   印刷物を撮像した画像データを取得する取得部と、
   予め定められた彩度別分類基準に基づき、前記画像データにおける検出対象領域が当該彩度別分類基準によって区分けされる群のいずれに属するか分類する分類部と、
   印刷物の階調くずれを識別する学習モデルであって、前記彩度別分類基準によって区分けされる群ごとに学習された学習モデルを用いて、前記分類された検出対象領域における階調くずれを検出する検出部と、
   を備える検出装置として機能させることを特徴とする検出プログラム。

Images