JP6234181B2

JP6234181B2 - 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

Info

Publication number: JP6234181B2
Application number: JP2013240037A
Authority: JP
Inventors: 公紀松▲崎▼
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2013-11-20
Filing date: 2013-11-20
Publication date: 2017-11-22
Anticipated expiration: 2033-11-20
Also published as: US9148526B2; EP2876501B1; US20150138588A1; EP2876501A3; CN104660860A; JP2015100080A; EP2876501A2; CN104660860B

Description

本発明はプリンタが故障した際にその故障箇所を推定するための画像処理装置、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、長時間にわたって使用するとプリンタが劣化し、プリンタから出力される画像において画質面での異常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「異常画像」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、プリンタを補修するサービスマン等が対応するケースが非常に多い。だが、異常画像は言葉で表現することが難しく、例えば「ムラがある」といってもムラの発生する方向、頻度、周期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、ユーザから異常画像の指摘を受けた際にサービスマンが現地に行って画質の異常を確認する必要があった。そして、この現地に行ったサービスマンは、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ではプリンタから画像を出力し、そのスキャン画像を取得し、異常を検出することで「異常画像」の特定を容易にする技術が開示されている。

特開２０１２−２２２３２

しかしながら、先行技術では異常画像を特定する際に用いられるスキャンデバイスそのもののバラつきや劣化については言及されていない。電子写真装置に搭載されているスキャナは特定の規格を満たしているが、その規格は通常のコピーや送信処理を想定したものである。そのため、ユーザが気にならない範囲であればある程度のバラつきを許容しており、例えば色再現特性や解像力等でバラつきは発生していた。また、長時間使用することでスキャナの性能は劣化するが、それもコピーや送信処理に対して大きな問題にならない程度のものであることが多かった。

その一方で、「異常画像」を特定する技術では、画質の異常を確認する必要があるため、コピー等に比べてスキャナに対する要求精度は高くなる。そのため、電子写真装置に搭載されているスキャナを適用するとそのバラつきや劣化の影響でその結果に影響が出てしまい、画質の異常を性格に確認できないという課題があった。

また、スキャナ自体をキャリブレーションしようとしても、色、解像力等の各項目に対して異なる補正手段が必要になるため、ユーザに複数の補正処理を事前に実行してもらわなければならず作業効率が低下してしまう。また、スキャナをキャリブレーションするためには規格を満たす管理されたチャートが必要となり、コストがかかる。また、チャート自体も劣化するため精度を維持することが困難である。

また「異常画像」の特定だけではその原因をサービスマンが予想しなければならず、サービスマンの技量によって対応結果が変わる可能性がある。対応結果が間違ってしまった場合は、異常画像の発生原因を予想して対応するといった処理を繰り返さなければならない。そのため、結果的にダウンタイムが解消されずユーザの生産性が低下するという課題があった。

上記課題を解決すべく本発明の画像処理装置は、画像を形成する画像形成部を有する画像処理装置であり、第１のチャートを測定器により測定した結果を用いて取得した基準特徴量を保存する保存手段と、前記画像形成部により第２のチャートを形成し、前記測定器により前記第２のチャートを測定した結果を用いて第１の特徴量を取得する第１の取得手段と、前記保存手段に保存された基準特徴量と前記第１の取得手段で取得された第１の特徴量とから第２の特徴量を取得し、該第２の特徴量と前記画像処理装置で発生した不良についての情報とを対応付けたデータを用いて、前記画像処理装置で発生した不良個所を推定する推定手段と、前記第２の特徴量と前記画像処理装置で発生した不良についての情報とを対応付けたデータは、前記推定手段による推定がされた後に確認された不良箇所の情報に基づいて更新されることを特徴とする。

本発明により、スキャナ特性のバラつきの影響を受けずに異常画像から画像処理装置における故障箇所を推定することが可能となる。よって、異常画像への対応が容易になる。そのため、サービスマンのコストの削減や異常画像発生後のユーザの生産性低下を軽減することができる。

システムの構成図である。画像処理の流れを示した図である。実施例１における基準特徴量を保存する処理の流れを示した図である。実施例１における基準特徴量を用いて故障箇所を推定する処理の流れを示した図である。実施例１における特徴量を取得するためのチャートを示した図である。実施例１における故障箇所の推定用データベースの例を示した図である。実施例２における基準特徴量から故障箇所を推定する処理の流れを示した図である。実施例２における故障箇所の推定用データベースの例を示した図である。実施例３における基準特徴量を保存する処理の流れを示した図である。実施例３における基準特徴量から故障箇所を推定する処理の流れを示した図である。

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。

（実施例１）
本発明の実施の形態について説明する。本実施例ではスキャナの特性のバラつきの影響を除外して異常画像から特徴量を取得し、その故障箇所（故障原因）を推定する手法について説明する。

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ＭＦＰ（ＭｕｌｔｉＦｕｎｃｔｉｏｎＰｒｉｎｔｅｒ）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ＣｏｌｏｒＭａｎａｇｅｍｅｎｔＳｙｓｔｅｍ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ＣＰＵ１２８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、後述する基準特徴量の保存、故障箇所の推定処理で用いる。

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。後述する単色や混色のキャリブレーション実行時にて用いる。

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（ＣｈａｒｇｅＣｏｕｐｌｅｄＤｅｖｉｃｅ）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。

情報処理装置であるサーバー１２６はユーザが使用するＭＦＰ１０１やＰＣ１２４とは異なる外部拠点１３０に設置されている。この外部拠点１３０に、故障等が起きた際に対応するサービスマン等が待機している。サーバー１２６は外部ネットワーク１２９によってＭＦＰ１０１と接続可能であり、特徴量算出部１２７や、故障箇所推定部１３１を持つ。特徴量算出部１２７及び故障箇所推定部１３１が行う詳細な処理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（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）が実行することにより実現される。

ステップＳ２０１にて画像データを受信する。そしてステップＳ２０２にて受け取ったデータがスキャナ１１９から受信した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であり、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２１４となる。

スキャンデータの場合はＲＧＢ画像２０３であるため、ステップＳ２０４にて色変換処理を行い、共通ＲＧＢ画像２０５を生成する。ここで共通ＲＧＢ画像２０５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Ｓ２０６にて文字判定処理を行い、文字判定データ２０７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２０７を生成する。

次にステップＳ２０８にて共通ＲＧＢ画像２０５に対して文字判定データ２０７を用いてフィルタ処理を行う。ここでは文字判定データ２０７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Ｓ２０９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Ｓ２１０にて入力されたデータが外部に送信するためのデータか否かを判定する。送信データである場合は表示装置１１８及び入力装置１２０によってユーザが選択した解像度設定に従ってステップＳ２１１にて解像度変換を行う。そしてステップＳ２１２にて画像データを外部のＰＣ１２４やサーバー１２６に送信する。

ステップＳ２１０にて送信データではないと判断された場合はステップＳ２１３にて色変換処理を行い、ＣＭＹＫ画像２１４を生成する。そしてステップＳ２１５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（ＬｏｏｋＵｐＴａｂｌｅ）のことである。

最後にステップＳ２１６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）２１７を作成し、ステップＳ２１８にて画像データをプリンタ１１５へ送信する。

本実施例では、異常画像が発生した際にプリンタでチャートをプリントし、スキャナでスキャンして取得した特徴量を用いて故障箇所を推定する。この技術について、以下説明する。

ＭＦＰ１０１に搭載されたスキャナ１１９は、通常のコピーや送信処理を前提としたデバイスであり、ある程度、特性のバラつきを許容している。
ここで、特性とは例えば光学特性が影響する輝度値や、解像力（MTF）／色ズレ等の幾何特性のことであり、規格で定められた範囲内でバラつきが発生する。

このバラつきを許容している理由は、例えば２種類の機械でコピー結果に差があったとしても人間の視覚特性に感度が無ければ問題にならないからである。それに対してスキャンした異常画像から得られる「特徴量」を絶対値として取得して故障箇所を推定しようとすると、スキャナの特性のバラつきによって絶対値が変わり、推定結果が変わってしまう可能性がある。本実施例では上記のようなスキャナの特性のバラつきの影響を受けずに異常画像から故障箇所を推定する手法について説明する。

本実施例は「基準特徴量を保存する処理」、「基準特徴量を用いて故障箇所を推定する処理」の２種類の処理に分かれる。前者は例えば工場出荷時やユーザ先への設置時等の異常画像が発生しない状況で実行する。後者はユーザ先で画質異常が発生した際に実行する。

図３は本実施例における基準特徴量を保存する処理の流れを示す。以下の処理の流れのうち、ステップＳ３０１〜ステップＳ３０５までの処理３１１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。ステップＳ３０７〜ステップＳ３０９までの処理３１１はサーバー１２６中の特徴量算出部１２７及び故障箇所推定部１３１により実行され、サーバー１２６の図示しない入力装置や表示装置によってサービスマンへの指示等を行う。

まず、ステップＳ３０１にてチャートデータ３０２からチャート情報を取得する。

チャートについて図５を用いて説明する。チャート５０１、チャート５０３、チャート５０５はチャートの例である。チャート５０１のデータ５０２は全面均一な中間調の信号値で構成されており、ムラ等の異常画像を検出するのに用いる。チャート５０３のデータ５０４は全面均一な最大濃度の信号値で構成されており、スジ等の異常画像を検出するのに用いる。チャート５０５のデータ５０６はカラーやグレー、モノクロ等の信号値の異なる複数の矩形データで構成されており、色再現性不良等の異常画像を検出するのに用いる。上記のチャートデータは異常画像を検出できるチャートデータであればどのようなものであってもよい。

このように、異常画像を検出すべく、複数種類のパターンを測定するため複数枚のチャートを測定してもよいし、代表的なチャートを１枚測定してもよい。

次にステップＳ３０３にてチャートデータに対して画像処理部１１４にて画像処理を実行してプリンタ１１５からチャート３０４を出力する。

このチャート３０４は、プリンタが故障していない正常と判断された状態で出力される。よって、チャート３０４の測定結果は、プリンタの異常による影響がない値を有しているといえる。また、このチャート３０４は、プリンタが故障されていないと判断された状況で出力されたものであればよく、予め用紙に印刷されたチャート３０４を保持しておき、使い回してもよい。

そしてステップＳ３０５にてスキャナ１１９を用いた測定結果であるスキャンデータを取得し、画像処理部１１４にて送信処理を実行し、サーバー１２６へスキャン画像データ３０６を送信する。

次にステップＳ３０７にてスキャン画像データに対して特徴量算出処理を行い、特徴量３０８を出力する。特徴量３０８について説明する。チャート５０１やチャート５０３の場合、フーリエ変換等を用いて周波数変換処理を行い、算出したパワースペクトルを周波数特徴量とする。周波数変換を行う際は特定の画素数の矩形範囲を複数箇所定義し、複数のパワースペクトルを算出してもよい。矩形範囲の位置は予め定義してもよいし、サーバー１２６内の図示しない表示装置や入力装置を用いてサービスマンに位置を指定させてもよい。

チャート５０５の場合、共通ＲＧＢデータをデバイス非依存色空間であるＬａｂに変換し、複数の矩形データのＬａｂ値を色特徴量とする。

本実施例では特徴量として周波数と色を例として挙げたが、特徴量はどのようなものであってもよい。例えば文字／線のチャートから得られるエッジや、画素値から得られるヒストグラム等を特徴量としてもよい。特徴量は、矩形範囲ごとに取得してもよいし、バンドごと、画像ごとに取得してもよい。最後にステップＳ３０９にて算出した特徴量を基準特徴量３１０としてサーバー１２６内の図示しない記憶装置に保存し、処理が終了する。

１枚のチャートを複数の領域に分割し、それぞれの領域から特徴量を得た場合、この基準特徴量３１０も複数得られる。

次に図３の処理で算出した基準特徴量を用いて故障箇所を推定する処理の流れを、図４を用いて説明する。故障箇所を推定する処理はユーザが使用するＭＦＰ１０１にて異常画像が発生した際に実行する。以下の処理の流れのうち、ステップＳ４０１〜ステップＳ４０５までの処理４１７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。ステップＳ４０７〜ステップＳ４１６までの処理４１８はサーバー１２６中の特徴量算出部１２７及び故障箇所推定部１３１により実行され、サーバー１２６の図示しない入力装置や表示装置によってサービスマンへの指示等を行う。

まず、ステップＳ４０１にてチャートデータ４０２からチャート情報を取得する。チャートデータ４０２はチャートデータ３０２と同様のものを用いる。

次にステップＳ４０３にてチャートデータに対して画像処理部１１４にて画像処理を実行してプリンタ１１５からチャート４０４を出力する。そしてステップＳ４０５にてスキャナ１１９を用いたスキャンデータを取得し、画像処理部１１４にて送信処理を実行し、サーバー１２６へスキャン画像データ４０６を送信する。

次にステップＳ４０７にてスキャン画像データに対して特徴量算出処理を行い、特徴量４０８（第１の特徴量）を出力する。ここでの特徴量及び特徴量算出方法は図３の特徴量３０８を算出するＳ３０７で示した方法と同様である。この特徴量４０８も矩形範囲ごとに取得してもよいし、バンドごと、画像ごとに取得してもよい。複数の領域から特徴量を得た場合、この特徴量も複数得られることになる。

次にステップＳ４０９にて図３の処理の流れで算出した基準特徴量３１０を読み込む。そしてステップＳ４１０にて基準特徴量３１０と特徴量４０８から新しい特徴量４１１（第２の特徴量）を算出する。

新しい特徴量４１１を算出する理由について説明する。特徴量４０８はスキャナ１１９で取り込んだ画像データから算出するため、スキャナ１１９の特性のバラつきの影響を受ける。具体的には色再現性や解像力がバラつくため、Ｌａｂ値や周波数解析結果に影響が出る。そのため、同じチャートを読み込んでもＭＦＰ１０１のスキャナ１１９で読み込んだ際と、図示しない他のＭＦＰのスキャナで読み込んだ際では読みとった値に差が発生し、得られる特徴量に差が発生する事になる。本実施例は新しい特徴量４１１を算出することでこの問題を解決する。

新しい特徴量４１１の算出方法について説明する。特徴量の種類によって算出方法は異なるが、周波数特徴量と色特徴量を例に説明する。

周波数特徴量の新特徴量４１１は式（１）にて算出される。
ＦＳ＝｜ＰＳ−ＰＳ_ｂ｜・・・式（１）
（ＰＳ：取得したパワースペクトル、ＰＳ_ｂ：基準となるパワースペクトル）
ここでは特徴量４０８と基準特徴量３１０の差の絶対値ＦＳを新特徴量４１１としている。もちろん、例えば比を求めるなど、新特徴量４１１の算出方法はどのようなものであってもよい。

色特徴量の新特徴量４１１は以下の式（２）で算出される。

（Ｌ，ａ，ｂ：取得したＬａｂ値、Ｌ_ｂ，ａ_ｂ，ｂ_ｂ：基準となるＬａｂ値）
ここでは特徴量４０８と基準特徴量３１０の色差ΔＥを新特徴量４１１としている。もちろん、例えば他の色差算出式を用いるなど、新特徴量４１１の算出方法はどのようなものであってもよい。

この新しい特徴量は、１枚のチャートから得られる基準特徴量３１０と特徴量４０８が複数存在する場合、チャートの同じ領域から得られた基準特徴量３１０と特徴量３０８から新特徴量４１１を取得する。

スキャナの特性のバラつきを補正するためには、従来から「キャリブレーション」処理が存在するが、その補正精度には限界があるため補正しきれないバラつきは故障箇所の推定結果に影響を与えてしまう。また、スキャナをキャリブレーションするためには補正基準となるチャートが必要になる。このチャートは特定の規格を満たす管理されたものでなければならないため、コストがかかる。さらに、故障箇所を推定するためには色や周波数等の様々な特徴量が必要になるため、色や解像力等の各項目に対応した複数のキャリブレーション処理が必要になる。それに対して本実施例では予めスキャナで取り込んだ画像データから得られる特徴量を基準特徴量として保存することにより、スキャナの特性のバラつきの影響を「除外する」手法である。そのため従来技術に比べて、推定精度の向上、故障箇所の推定時に事前の補正処理が必要なくなる、特別なチャートを必要としないのでコストがかからない等の利点がある。

次にステップＳ４１２にて推定用データベース４１３を取得し、ステップＳ４１４にて故障箇所の推定を行って推定結果４１５を算出する。算出した推定結果４１５はサーバー１２６の図示しない表示装置によって表示される。

推定用データベース４１３を使って特徴量から故障箇所を推定する手法について図６を使って説明する。

データベース６０１は異常画像が発生した際に得られた画像特徴量とその原因となった故障箇所を対応付けたものである。画像特徴量（Ｄ）は新特徴量４１１に対して閾値を設けて、特徴量Ａ〜Ｃの３種類に分類したものである。分類の種類はいくつでもよい。故障箇所（Ｈ）は画像特徴量（Ｄ）が得られた際に、実施にサービスマンが対応した故障箇所を示す。ここでは故障個所の例が全て部品であるが、実際は故障が無いケースやＭＦＰ１０１の調整機能で対応できるケースも存在する。そのため、「故障箇所なし」や「キャリブレーション処理の未実行」等の物理的な原因でないものも本実施例では「故障箇所」の１つとして定義する。

また、本実施例では周波数特徴量と色特徴量を算出しているため、複数のデータベース６０１が存在する。もちろん、複数の特徴量から画像特徴量（Ｄ）を算出してデータベースを作成してもよい。また、データベース６０１はサービスマンが対応した実績だけでなく、予め設計時に予測されたデータや過去の製品のデータを用いて作成してもよい。

データベース６０１を用いて故障箇所を推定する手法について説明する。例としてベイズの展開公式を使った手法について説明する。ベイズの展開公式は式（３）で表わされる。

（Ｐ（Ｈ｜Ｄ）：事後確率、Ｐ（Ｈ）：事前確率、Ｐ（Ｄ｜Ｈ）：尤度）
データベース６０１を例に説明する。

Ｐ（Ｈ）は故障箇所が発生する確率を示し、事前確率と呼ばれる。図６では定着機は１０回の故障中で５回発生しているため、Ｐ（Ｈ）＝５／１０＝０．５となる。

Ｐ（Ｄ｜Ｈ）は故障箇所（Ｈ）の中で画像特徴量（Ｄ）が発生する確率を示し、尤度と呼ばれる。図６では５回定着機が故障している中で画像特徴量Ａは２回発生しているため、Ｐ（Ｄ｜Ｈ）＝２／５＝０．６となる。

Ｐ（Ｈ｜Ｄ）は画像特徴量（Ｄ）が発生した際にその原因が故障箇所（Ｈ）である確率を示し、事後確率と呼ばれる。つまり、事後確率を算出することで、故障箇所を確率で表わすことが可能となり、最も確率の高いものが故障箇所の推定結果となる。もちろん、最も確率の高いものだけでなく上位のものを全てサービスマンに提示してもよい。

推定された故障箇所に従ってサービスマンが対応を行った後、ステップＳ４１６にて実際に対応した故障箇所を実績として推定用データベース４１３にフィードバックする。このように実績をフィードバックすることで推定用データベース４１３が更新され、次回推定する際の精度が向上する。

本実施例においてベイズの展開公式を用いて故障箇所を推定する例を示したが、推定可能な手法であればどのような手法を用いてもよい。

また、本実施例において特徴量算出をサーバー１２６で行ったが、ＭＦＰ１０１で特徴量を算出し、算出した特徴量を送ってもよい。同様にＭＦＰ１０１で故障箇所の推定を行ってもよい。さらに、図示しない他のサーバーを用いて特徴量の算出や故障箇所の推定を行ってもよい。

また、本実施例においてスキャナ１１９を用いてスキャン画像を取得したが、他の測定デバイスを用いて取得した値及び取得した値から算出される値を特徴量としてもよい。

本実施例により、スキャナの特性のバラつきの影響を受けずに異常画像から故障箇所を推定することが可能となり、従来に比べてサービスマンの異常画像への対応が容易になる。そのため、サービスマンのコストの削減や異常画像発生後のユーザの生産性低下を軽減することができる。

（実施例２）
次にスキャナ自体の劣化を考慮してプリンタの故障箇所の推定を行う実施例について説明する。

前述した実施例１では予め基準特徴量を保存しておくことでスキャナの特性のバラつきの影響を受けずに故障箇所の推定を行う処理の流れを説明した。

しかし、プリンタに比べると少ないが、スキャナも経年劣化や使用回数の増加によって特性が変化してしまう可能性があり、劣化の影響を受けると、事前に取得しておいた特徴量が変化して故障箇所の推定結果が変わってしまう。

本実施例では上記状況を踏まえ、故障箇所の推定時にスキャナの劣化による影響を考慮する例について説明する。

本実施例における処理の流れについて説明する。基準特徴量を保存する処理の流れは実施例１と同様であるため、説明を省略する。

本実施例におけるスキャナの劣化度を考慮して故障箇所を推定する処理の流れを、図７を用いて説明する。以下の処理の流れのうち、ステップＳ７０１〜ステップＳ７０８までの処理７２２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。ステップＳ７１０〜ステップＳ７２１までの処理７２３はサーバー１２６中の特徴量算出部１２７及び故障箇所推定部１３１により実行され、サーバー１２６の図示しない入力装置や表示装置によってサービスマンへの指示等を行う。

まず、ステップＳ７０１にてスキャナ情報７０２を読み込み、スキャナ劣化度７０３を算出する。ここで、スキャナ情報とはスキャナの劣化に影響する情報のことであり、設置後の年数や設置されている環境情報、スキャナ回数等が該当する。これらの情報から閾値処理を行い、スキャナ劣化度を大／中／小の３段階で判定する。ここでスキャナ情報は劣化に影響する情報であればどのようなものであってもよいし、スキャナ劣化度も大／中／小以外のどのような情報でもよい。

ステップＳ７０４〜ステップＳ７１３までの新特徴量７１４を算出する処理の流れは図４のステップＳ４０１〜Ｓ４１０の新特徴量４１１を算出する処理の流れと同様であるため、説明を省略する。

次にステップＳ７１５にて推定用データベース７１６から推定用のデータを読み出す。ここでの推定用データベース７１６は図４の処理のものとは異なり、スキャナ劣化度の情報を含んだものになる。例を図８に示す。データベース８０１はスキャナ劣化度の情報を含む推定用データベースの例である。画像特徴量（Ｄ）と故障箇所（Ｈ）に加えて劣化度の情報が加わっている。データベース８０１は過去に故障を推定するシステムを用いて得られた画像特徴量（Ｄ）とサービスマンが実際に対応した故障箇所（Ｈ）に、故障箇所推定時のスキャナの劣化度を加えて作られたものである。

次にステップＳ７１７にて推定用データベース７１６とスキャナ劣化度７０３を用いて新しい推定用データベース７１８を作成する。データベース８０１を例にして説明する。例えばスキャナの劣化度が小の場合、データベース８０１の劣化度が小の項目のみを取り出して新しい推定用データベース７１８とする。

次にステップＳ７１９にて新しい推定用データベース７１８と新しい特徴量７１４を使って故障箇所の推定を行い、推定結果７２０として出力する。故障箇所の推定方法については図４の処理と同様であるため説明を省略する。

最後にステップＳ７２１にてサービスマンが実際に対応した実績を推定用データベース７１６にフィードバックする。その際にスキャナ劣化度７０３も情報として追加する。

本実施例ではスキャナの劣化度の情報を用いて新しい推定用データベースを作成する処理の流れを説明したが、推定用データベースを作成せずにスキャナの劣化度に応じて警告を表示してもよい。例えば劣化度が大きい場合、判定精度に影響が出る可能性があることをユーザ／サービスマンに伝える手法でもよい。また、劣化度に応じて新しい推定用データベースを作らずに劣化度に応じた係数をかけて新しい画像特徴量を算出する処理や、劣化度も特徴量に加えて故障箇所を推定してもよい。

さらに本実施例により、スキャナの劣化による影響も受けずに異常画像から故障箇所を推定することが可能となり、故障箇所の推定精度が向上する。

（実施例３）
次に用紙情報を考慮してプリンタの故障箇所の推定を行う実施例について説明する。

前述した実施例では予め基準特徴量を保存しておくことでスキャナの特性のバラつきの影響を受けずに故障箇所の推定を行う処理の流れを説明した。また、スキャナの特性の変化の影響を考慮して故障箇所の推定を行う処理の流れを説明した。

しかし、基準特徴量の保存時と故障箇所の推定時で異なる用紙を使用すると最終的に得られる特徴量に影響が出るため、故障箇所の推定結果が変わる懸念がある。例えば普通紙とコート紙では色の再現範囲が異なるため、普通紙を用いて出力を行った場合のデータを基準にしてコート紙を用いて出力を行った場合の故障箇所を推定するとプリンタに問題が無いのに異常画像と判定される可能性がある。

本実施例では上記状況を踏まえ、基準特徴量の登録及び故障箇所の推定時に用紙による影響を考慮する例について説明する。

図９は本実施例における基準特徴量を保存する処理の流れを示す。以下の処理の流れのうち、ステップＳ９０１〜ステップＳ９０５までの処理９１４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。ステップＳ９０７〜ステップＳ９１２までの処理９１５はサーバー１２６中の特徴量算出部１２７及び故障箇所推定部１３１により実行され、サーバー１２６の図示しない入力装置や表示装置によってサービスマンへの指示等を行う。

ステップＳ９０１〜ステップＳ９０９にて基準特徴量９１０を取得する流れは、図３のステップＳ３０１〜ステップＳ３０９にて基準特徴量３１０を取得する流れと同様であるため説明を省略する。

ステップＳ９１１にてチャート９０４を取得した際の用紙情報を取得する。用紙情報とは用紙の坪量や紙の色、普通紙／コート紙等の用紙種別の情報のことである。用紙情報はＭＦＰ１０１の図示しないカセットに設定されているため、どのカセットに入っている用紙でチャート９０４を出力したのかを調べることで用紙情報を得ることが可能となる。そしてステップＳ９１２にて取得した用紙情報９１３を基準特徴量９１０と対応付けて保存する。

次に図９の処理で算出した基準特徴量と用紙情報を用いて故障箇所を推定する処理の流れを、図１０を用いて説明する。故障箇所の推定はユーザが使用するＭＦＰ１０１にて異常画像が発生した際に実行する処理である。以下の処理の流れのうち、ステップＳ１００１〜ステップＳ１００８までの処理１０２０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。ステップＳ１０１０〜ステップＳ１０１９までの処理１０２１はサーバー１２６中の特徴量算出部１２７及び故障箇所推定部１３１により実行され、サーバー１２６の図示しない入力装置や表示装置によってサービスマンへの指示等を行う。

まず、ステップＳ１００１にて図９の処理の流れで保存した用紙情報９１３を取得する。次にステップＳ１００２にてＭＦＰ１０１の図示しないカセットに設定された用紙情報を確認する。カセットに用紙情報９１３に対応した用紙情報が設定されていない場合は、ステップＳ１００３にて基準登録時と同じ用紙をカセットに入れるようにユーザに指示する。基準登録時と同じ用紙がカセットに設定されている場合は、ステップＳ１００４以降の処理を実行する。

ステップＳ１００４〜ステップＳ１０１９にて故障箇所を推定する処理の流れは、図４のステップＳ４０１〜ステップＳ４１６の処理の流れと同様であるため説明を省略する。

さらに本実施例により、基準登録時と故障推定時の用紙の違いによる推定精度の低下を防ぐことが可能となる。

（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。

Claims

画像を形成する画像形成部を有する画像処理装置であり、
第１のチャートを測定器により測定した結果を用いて取得した基準特徴量を保存する保存手段と、
前記画像形成部により第２のチャートを形成し、
前記測定器により前記第２のチャートを測定した結果を用いて第１の特徴量を取得する第１の取得手段と、
前記保存手段に保存された基準特徴量と前記第１の取得手段で取得された第１の特徴量とから第２の特徴量を取得し、該第２の特徴量と前記画像処理装置で発生した不良についての情報とを対応付けたデータを用いて、前記画像処理装置で発生した不良個所を推定する推定手段と、
前記第２の特徴量と前記画像処理装置で発生した不良についての情報とを対応付けたデータは、前記推定手段による推定がされた後に確認された不良箇所の情報に基づいて更新されることを特徴とする画像処理装置。
前記第２のチャートは、ユーザからの指示を受けた場合に前記画像形成部により形成されることを特徴とする請求項１の画像処理装置。
前記第２のチャートは第１の特徴量を得るための１または複数種類のパターンで構成されることを特徴とする請求項１記載の画像処理装置。
前記基準特徴量は、前記測定器の特性を示す値であることを特徴とする請求項１に記載の画像処理装置。
前記第２の特徴量は、前記第１の特徴量と前記基準特徴量との差であることを特徴とする請求項１に記載の画像処理装置。
前記第１のチャートと前記第２のチャートは同じチャートデータを用いて出力されることを特徴とする請求項１に記載の画像処理装置。
前記測定器の劣化度を取得する第２の取得手段を有し、
前記推定手段は、
前記データと前記第２の取得手段により取得された前記測定器の劣化度とを用いて、前記画像処理装置の不良個所を推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。
前記第２の取得手段で取得した劣化度を用いて、前記第２の特徴量と前記画像処理装置で発生した不良についての情報とを対応付けたデータを更新することを特徴とする請求項７記載の画像処理装置。
前記第２のチャートを形成する場合に、前記第１のチャートの形成に用いた用紙の種類と同じ種類の用紙を用いるよう促すことを特徴とする請求項１に記載の画像処理装置。
前記保存手段は、前記第１のチャートの形成に用いた用紙の種類について保存することを特徴とする請求項１記載の画像処理装置。
画像を形成する画像形成部を有する画像処理装置と接続可能な情報処理装置であり、第１のチャートを測定器により測定した結果である基準特徴量を取得する第１の取得手段と、
前記第１の取得手段により基準特徴量が取得された後、前記画像形成部により形成された第２のチャートを前記測定器により測定した結果を前記画像処理装置から受信し、該受信した測定結果から第１の特徴量を取得する第２の取得手段と、
前記第１の取得手段により取得された基準特徴量と前記第２の取得手段で取得された第１の特徴量とから第２の特徴量を取得し、該第２の特徴量と画像処理装置で発生した不良についての情報とを対応付けたデータを用いて、前記画像処理装置の不良個所を推定する推定手段と、
を有することを特徴とする情報処理装置。
画像を形成する画像形成部を有する画像処理装置の制御方法であり、
第１のチャートを測定器により測定した結果を用いて取得した基準特徴量を保存する保存ステップと、
前記画像形成部により第２のチャートを形成し、
前記測定器により前記第２のチャートを測定した結果を用いて第１の特徴量を取得する第１の取得ステップと、
前記保存された基準特徴量と前記取得された第１の特徴量から第２の特徴量を取得し、
該第２の特徴量と前記画像処理装置で発生した不良についての情報とを対応付けたデータを用いて、前記画像処理装置で発生した不良個所を推定する推定ステップと、
前記第２の特徴量と前記画像処理装置で発生した不良についての情報とを対応付けたデータは、前記推定ステップにて推定がされた後に確認された不良箇所の情報に基づいて更新されることを特徴とする制御方法。
画像を形成する画像形成部を有する画像処理装置と接続可能な情報処理装置の制御方法であり、
第１のチャートを測定器により測定した結果である基準特徴量を取得する第１の取得ステップと、
前記基準特徴量が取得された後、前記画像形成部により形成された第２のチャートを前記測定器により測定した結果である第１の特徴量を取得する第２の取得ステップと、
前記取得された基準特徴量と前記取得された第１の特徴量とから第２の特徴量を取得し、該第２の特徴量と画像処理装置で発生した不良についての情報とを対応付けたデータを用いて、前記画像処理装置で発生した不良個所を推定する推定ステップと、
を有することを特徴とする制御方法。
コンピュータに請求項１２又は１３に記載の制御方法を実行させるためのプログラム。