JP7139882B2

JP7139882B2 - 診断システム、画像形成装置、診断方法およびプログラム

Info

Publication number: JP7139882B2
Application number: JP2018203006A
Authority: JP
Inventors: 浩司林
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 2018-10-29
Filing date: 2018-10-29
Publication date: 2022-09-21
Anticipated expiration: 2038-10-29
Also published as: JP2020071261A

Description

本発明は、画像形成装置の異常を診断するシステム、画像形成装置、診断方法およびその診断をコンピュータに実行させるためのプログラムに関する。

プリンタ等の画像形成装置では、経時劣化や環境変動等により、地肌汚れや画像の濃度が薄い等の意図しない画像（異常画像）が形成されることがある。このような異常画像が発生した場合、サービスマンにより、テストチャート（テストパターン）を選択して印刷し、異常画像の発生箇所を目視で確認し、原因を究明し、部品交換、調整、清掃を行う等の対応がとられる。

このような対応では、画像形成装置を使用することができない時間（ダウンタイム）が長く、作業項目が多いため、サービスマンにも負担がかかっている。

そこで、印刷したテストパターンをスキャナで読み取り、読み取った画像から異常箇所を判定し、異常原因の推定を行うシステムや装置が提案されている（例えば、特許文献１、２参照）。

しかしながら、従来のシステムや装置では、例えばクリーニング不良により発生する異常画像が切れ切れで、形状が不規則であるため、同一の原因であっても、異なる原因と推定し、形状が似ていれば、異なる原因でも、同一の原因と誤って推定してしまう場合がある。これでは、一定の形状をもたない異常画像に対して異常原因の予測精度が低いという問題があった。

本発明は、上記の問題に鑑みなされたものであり、一定の形状をもたない異常画像に対して異常原因の予測精度を向上させることができるシステムや方法等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、発明の一実施形態では、画像形成装置の異常を診断するシステムであって、
画像形成装置により形成された診断用画像を読み取る読取手段と、
読取手段により読み取られた診断用画像内の複数の領域の各々につき、該領域内の画像の複雑さを示す複雑度を取得する取得手段と、
取得手段により取得された複雑度に応じて、複数の領域内の画像を分類する分類手段と
を含む、診断システムが提供される。

本発明によれば、一定の形状をもたない異常画像に対して異常原因の予測精度を向上させることが可能となる。

本実施形態の画像形成装置の構成例を示した図。画像形成装置の主要な構成を示したブロック図。画像形成装置に実装される診断システムの機能構成の第１の例を示した図。診断用画像としてのテストパターンの第１の例を示した図。診断用画像としてのテストパターンの第２の例を示した図。画像形成装置の異常を診断する第１の処理の流れを示したフローチャート。テストパターンの読取値からトナー個数の測度へ変換する第１の方法を説明する図。テストパターンの読取値からトナー個数の測度へ変換する第２の方法を説明する図。トナー個数の測度を利用して、画像の複雑度を算出する方法を説明する図。画像を分割した領域としてセルについて説明する図。セルの相関次元について説明する図。様々な解像度のクリーニング不良の画像を例示した図。様々な解像度の白スジ画像を例示した図。主走査方向のセルの相関次元から異常画像を識別する方法について説明する図。診断に要する時間を予測する処理の流れを示したフローチャート。正常画像と異常画像の相関次元の差について説明する図。副走査方向のセルの相関次元から異常画像の領域を分類する方法について説明する図。正常画像と異常画像の相関次元の差から予測される異常原因の一例を示した図。トナーのクリーニング不良の画像の一例を示した図。クリーニング不良の複雑さについて説明する図。複雑さに応じた異常画像の種類の一例を示した図。画像形成装置に実装される診断システムの機能構成の第２の例を示した図。画像形成装置の異常を診断する第２の処理の流れを示したフローチャート。異常画像の検知領域を分類する処理の流れを示したフローチャート。同じ種類として分類される異常画像の一例を示した図。

図１は、本実施形態の画像形成装置の構成例を示した図である。画像形成装置は、画像を読み取り、画像形成を行うことができる装置であればいかなる装置であってもよい。画像形成装置としては、印刷機能、コピー機能、ファックス機能、スキャナ機能等の複数の機能を有する複合機、コピー機、ファックス装置等を一例として挙げることができる。以下、画像形成装置に複合機を用いるものとして説明する。

画像形成装置は、自動原稿送り装置（ADF）１０と、画像読取部１１と、画像形成部１２と、制御部と、給紙トレイ１３と、排紙トレイ１４、操作部１５とを含んで構成される。自動原稿送り装置１０は、原稿を読み取るために画像読取部１１へ自動搬送する。画像読取部１１は、光源および原稿に反射した光を電気信号に変換する撮像素子を有し、原稿画像を読み取り、画像データを出力する。

画像形成部１２は、感光体ドラム２０と、帯電装置２１と、レーザ光学系２２と、現像装置２３と、中間転写ベルト２４と、一次転写ローラ２５と、二次転写ローラ２６と、定着装置２７とを含んで構成される。図１では、感光体ドラム２０、帯電装置２１、現像装置２３は、１つずつしか示されていないが、カラー印刷可能なカラー画像形成装置の場合、カラー印刷で使用する色の数だけ、これらの部品を設けることができる。

感光体ドラム２０は、一定方向に回転し、帯電装置２１により帯電され、レーザ光学系２２から照射されるレーザ光により表面に静電潜像が形成される。現像装置２３は、現像ローラを有し、現像ローラによって感光体ドラム２０の表面に現像剤としてのトナーを付着させ、トナー像を形成させる。トナー像は、一次転写ローラ２５によって中間転写ベルト２４に転写され、二次転写ローラ２６によって給紙トレイ１３から搬送ローラ２８によって搬送された紙に転写される。紙は、給紙トレイ１３に限らず、両面トレイ１６や給紙バンク１７にも収納されており、設定されたトレイから給紙される。紙は、トナー像が転写された後、定着装置２７へ送られる。定着装置２７は、定着ローラおよび加圧ローラを有し、定着ローラによって熱を加え、加圧ローラによって加圧して、トナー像を紙に定着させる。定着装置２７は、トナー像が定着された紙を排紙トレイ１４に排紙する。

画像形成部１２は、各種センサを有し、センサとして、光学センサ３０ａ～３０ｃと、電位センサ３１と、定着サーモパイル３２と、温湿度センサ３３と、トルクセンサ３４とを有する。光学センサ３０ａ～３０ｃは、感光体ドラム２０上や中間転写ベルト２４上に付着したトナーの量を、トナーへの反射光量に基づいて検出する。電位センサ３１は、感光体ドラム２０の表面の電位を検出する。定着サーモパイル３２は、定着ローラの表面温度を検出する。温湿度センサ３３は、画像形成装置内部の温湿度を検出する。トルクセンサ３４は、現像ローラ、一次転写ローラ２５、二次転写ローラ２６、定着ローラ、搬送ローラ２８等の各ローラの回転トルクを計測する。

制御部は、コントローラ４０と、ROM(Read Only Memory)４１と、RAM(Random Access Memory)４２と、インタフェースI/O４３と、駆動制御部４４と、センサ制御部４５と、HDD(Hard Disk Drive)等の記憶装置４６と、記憶装置制御部４７と、通信制御部４８とを含んで構成される。

コントローラ４０は、画像形成装置全体を制御し、画像読取部１１から出力された画像データに対する画像処理等を実行する。ROM４１は、ブートプログラムやファームウェア等を格納し、RAM４２は、コントローラ４０に対して作業領域を提供する。インタフェースI/O４３は、コントローラ４０と、各制御部や操作部１５とを接続し、信号のやりとりを可能にする。

駆動制御部４４は、レーザ光学系２２、現像装置２３、中間転写ベルト２４等を駆動する駆動回路に対して制御信号を送り、それら駆動回路を制御する。センサ制御部４５は、各センサが検出し、出力した信号を処理する。具体的には、センサ制御部４５は、光学センサ３０ａ～３０ｃにより検出されたトナー量、すなわち診断用画像としてのテストパターンのトナー像におけるトナー付着量と地肌部におけるトナー付着量との比率を求め、その比率を基準値と比較して画像濃度の変動を検知し、各色のトナー濃度センサの制御値を補正する。

記憶装置４６は、画像データ、OS(Operating System)、画像読取部１１や画像形成部１２を動作させるためのアプリケーション・プログラム等を格納する。記憶装置制御部４７は、記憶装置４６に対するデータ等の読み出し、および書き込みを制御する。通信制御部４８は、インターネットやイントラネット（登録商標）等のネットワークと接続し、ネットワークを介した通信を制御する。

操作部１５は、ユーザが入力するための入力ボタン等の入力部、ユーザに対して処理の状況等を表示するディスプレイ等の表示部を備える。操作部１５は、例えばタッチパネルを搭載した操作パネルとすることができる。

画像形成装置の構成は、図１に示す通りであるが、その主要な構成を図２に各ブロックとして示し、各ブロックが行う処理について説明する。画像形成装置は、スキャナ５０と、画像メモリ５１と、IPU（画像処理ユニット）５２、プロッタ５３と、コントローラ５４とから構成される。

スキャナ５０は、原稿画像としてのテストチャート（テストパターン）を読み取る。IPU５２は、スキャナ５０が読み取ったテストパターンに対し、画像処理を行う。プロッタ５３は、IPU５２が画像処理した後の画像データを印刷し、印刷物を生成する。

コントローラ５４は、装置全体の制御を行い、各ブロック間の画像データのやりとりを行い、ネットワーク経由でサーバやPC等に接続し、画像データや各センサの検出値等を送受信する。画像メモリ５１は、図１に示すRAM４２や記憶装置４６等から構成され、各ブロックが処理するための画像データを一時的に保管し、後日使用するために恒久的に保管する。

画像形成装置は、感光体ドラム２０、帯電装置２１、現像装置２３、中間転写ベルト２４、定着装置２７等の部品の経時劣化や環境変動、使用する紙の種類や画像形成条件の不一致等により、形成される画像には、異常画像が形成される場合がある。環境変動は、画像形成装置内部の温度や湿度等の変動である。画像形成条件の不一致とは、トナー濃度、帯電電位、レーザ光量、定着温度等の設定値に、各センサの検出値が一致しないこと等を意味する。異常画像が形成された場合、いずれかの部品に何らかの異常があることを示すため、異常箇所を特定し、対処方法を決定する必要がある。

そこで、画像形成装置は、診断システムを実装し、診断システムにより画像形成装置の異常を診断する。図３は、診断システムの機能構成の一例を示した図である。画像形成装置は、図２に示したコントローラ５４がプログラムを実行することにより、画像形成装置を各機能手段として機能させる。診断システムは、機能手段として、読取手段６０と、取得手段６１と、分類手段６２とを少なくとも含む。

診断システムは、その他の手段として、印刷要求手段６３と、分割手段６４と、変換手段６５と、判定手段６６と、推定手段６７とを含むことができる。ここでは、これらの手段を含む診断システムを画像形成装置が備えるものとして説明するが、一部または全部の手段が１以上の他の機器に存在していてもよい。

印刷要求手段６３は、ユーザからの指示を受けて、画像形成装置に対してテストパターンを印刷するように要求する。ユーザは、画像形成装置が印刷したテストパターンの印刷物をADF１０に載置し、印刷物の読み取りの開始を指示する。読取手段６０は、ユーザからの指示を受けて、テストパターンを読み取り、画像データを生成し、出力する。

変換手段６５は、読取手段６０から出力された画像データからトナー個数の測度を求める。具体的には、変換手段６５は、画像データの読取値をトナー個数の測度に変換する。トナー個数の測度とは、数学で使用される用語で、１次元の長さ、２次元の面積、３次元の体積等の概念の拡張として、一般の集合の部分集合に対して定義される量である。ここでは、トナー個数の測度は、画像の色の成分を、光の三原色である赤(R)、青(B)、緑(G)とした場合の各成分に対して定義される量であって、厳密なトナー個数ではなく、トナー個数を識別する番号のような位置付けとして扱う。

分割手段６４は、画像データの画像を、所定のサイズの領域に分割する。基準となる領域のサイズは、検出対象とする異常画像の大きさや読み取り解像度等に応じて決定される。

取得手段６１は、分割された領域毎に、該領域内の画像の複雑さを示す複雑度を求める。判定手段６６は、得られた複雑度に基づき、異常箇所の有無を判定する。分類手段６２は、異常があると判定された領域を、得られた複雑度に応じて分類する。推定手段６７は、分類結果に基づき、異常原因を推定する。

図４および図５を参照して、印刷されるテストパターンについて説明する。図４に示すテストパターンは、例えばマゼンタトナーによる全面均一な濃度の中間調とされている。白スジを検出するためには、濃い色の方が良いが、濃い色だと、汚れを検出することが困難になるため、両者を検出することが可能な中間調としている。

濃度の濃淡を示す階調が２５５である場合、中間調は１００程度の値とされる。ここでは、マゼンタトナーによるテストパターンのみを示しているが、カラートナーの全色であるシアントナー、イエロートナー、黒トナーのテストパターンも、同様の中間調とされ、印刷される。

全面均一な濃度のパターンとしては、コピー用やプリンタ印刷用の階調処理（ディザ処理や誤差拡散処理）済みの均一な濃度のパターンであってもよい。また、主走査２画素×副走査２画素の４画素（ドット）が独立し、繰り返されるパターンであってもよい。

矩形のテストパターンには、四隅に十字形の印（トンボ）８０、向かって左右の側と下端に長さを示す印（目盛り）８１と、上端にADF１０等に載置する際の、印刷媒体としての紙の方向を示す矢印８２を含めることができる。トンボ８０は、テストパターンを印刷する印刷媒体としての紙の伸び量を検出しやすくするために設けられ、目盛り８１は、周期性のある異常に対し、サービスマンが目視で確認しやすくするために設けられる。トンボ８０や目盛り８１は、必要に応じて設けることができる。

図５に示すテストパターンは、例えばシアン、マゼンタ、イエロー、ブラックの中間調と地肌（白色部分）の格子柄（チェッカーフラグ状）とされている。これにより、１枚の印刷で、全色の異常画像の有無を判定することができる。シアン、マゼンタ、イエロー、ブラックの中間調と地肌をもつ画像であれば、上記の格子柄に限定されるものではない。

このパターンにおいても、上記のトンボ８０や目盛り８１を設けることができる。なお、このパターンでは、向かって左上の隅に、黒色の矩形８３がADF１０等に載置する際の紙の方向を示す印として設けられている。

図６を参照して、診断システムが実行する画像形成装置の異常を診断する処理について詳細に説明する。ユーザがテストパターンの印刷を指示したことを受けて、ステップ６００から処理を開始する。ステップ６０１では、印刷要求手段６３が印刷を指示し、画像形成装置が備える印刷手段としてのプロッタ５３がテストパターンを印刷する。テストパターンは、図４または図５に示したものである。

印刷が完了すると、ユーザは、テストパターンが印刷された印刷物をADF１０に載置し、テストパターンの読み取りを指示する。この指示を受けて、ステップ６０２で読取手段６０がテストパターンを読み取り、テストパターンの画像データを生成し、出力する。

ステップ６０３では、変換手段６５が画像データからトナー個数の測度を求める。画像データ（紙の印刷された部分）の読取値A[col]（col=R,G,B）は、原稿の明るい画素では大きく、原稿の暗い画素では小さい。階調が２５６段階である場合、読取値の最大は２５５であり、最小は０である。以下、画像の階調を２５６段階として説明する。

変換手段６５は、画像データの読取値をトナー個数の測度に変換するが、その変換にあたって、次の式１を使用する。式１中、M[col]はトナー個数の測度、A(sheet)[col]は紙の何も印刷していない部分（地肌）の読取値である。

上記式１から、紙の地肌より明るい画素については、トナー個数の測度M[col]は０で、紙の地肌より暗い画素については、地肌の読取値A(sheet)[col]よりもその読取値A[col]が小さくなるほど、トナー個数の測度M[col]が大きくなる。

これを図に示すと、図７に示すようなものとなる。図７は、col=R、G、Bのそれぞれにつき、地肌の読取値A(sheet)[col]を同一のE0h=２４０とした場合の例である。横軸は、画像データの読取値A[col]であり、縦軸は、トナー個数の測度M[col]である。地肌の読取値２４０のとき、測度は00h=０であり、読取値が２４０より小さくなるにつれて測度が大きくなっている。

地肌の読取値A(sheet)[col]は、テストパターンの印刷に使用した紙の種類により異なる。例えば、再生紙は、B成分が高めで、見た目に黄色っぽく見える。このような場合、イエロートナー個数の測度が、実際のトナー個数（あるいはトナー付着量）より多く見積もられることになる。これは、イエローを構成するR、Gの成分の読取値がB成分の読取値より低いことを示している。

そこで、高めとなるB成分の地肌の読取値A(sheet)[col](col=B)を２４０より小さい値に調整する。例えば、B成分の地肌の読取値A(sheet)[col](col=B)を２２４とすることができる。図８は、B成分の地肌の読取値A(sheet)[col](col=B)をC0h=２２４とし、R、G成分の地肌の読取値A(sheet)[col](col=R,G)については２４０とした場合の例である。

海外で使用される紙には、青みがかかって見える紙がある。この紙は、B成分の地肌の読取値A(sheet)[col](col=B)が大きい。このような紙に対しては、上記と同様の調整方法を使用することはできない。そこで、B成分の読取値A(sheet)[col](col=B)を、より２５５に近い値に調整する。このような調整を行うことで、適切にトナー個数の測度を求めることができる。B成分の読取値は、小さい値ほど青味が強くなり、大きい値ほど青味が弱くなるからである。

読取手段６０の特性によっては、読取手段６０が読み取る方向（主走査方向）の両端部（左右の端部）の照度が、その中央部に比べて低い場合がある。すなわち、左右の端部の画像が暗く、中央部の画像が明るい場合である。この場合は、地肌の読取値A(sheet)[col](col=R,G,B)を、主走査方向の位置に応じて調整することができる。具体的には、中央部で読取値A(sheet)[col](col=R,G,B)を大きく、両端部で読取値A(sheet)[col](col=R,G,B)を小さくなるように調整する。

また、テストパターンが印刷された紙は、湿度等により皺等が発生する場合がある。これでは、正確な地肌の読取値A(sheet)[col](col=R,G,B)を取得することが困難である。そこで、所定の閾値以下の測度が得られた領域は除外する等の処理を行うことができる。

再び図６を参照して、ステップ６０４では、分割手段６４が画像データの画像を所定サイズの領域に分割する。基準となる領域のサイズは、例えば一辺の長さを画素数の２のべき乗とした正方形とすることができる。具体的には、解像度を６００dpiとして読み取った場合、一辺を２５６（２^８）画素（約１０．８mm）とし、３００dpiで読み取った場合、１２８（２^７）画素（約１０．８mm）とし、２００dpiで読み取った場合、６４（２^６）画素（約８．１mm）もしくは１２８（２^７）画素（約１６．３mm）等とする。

一辺の画素数を多くとると、大きな異常を検出しやすい。これは、分割する領域のサイズが大きくなるからである。この例では、領域を正方形としたが、これに限られるものではなく、長方形等であってもよい。

ステップ６０５では、取得手段６１が分割された領域毎に画像の複雑度を求める。画像の複雑度は、例えばフラクタル次元により表すことができる。

フラクタル次元について簡単に説明する。例えば、正方形の一辺の長さを２倍すると、当該正方形を縦に２つ、横に２つ並べた計４つの正方形ができる。すなわち、一辺の長さをk倍してN個の図形ができるとき、次の式２が成立する。

上記式２が成立するときのrがフラクタル次元であり、k倍してできる図形が自己相似な図形（フラクタル図形）である。

ステップ６０６では、判定手段６６が、得られた複雑度に基づき、各領域につき異常箇所の有無を判定する。いずれの領域にも異常箇所がない場合、ステップ６０９へ進み、この処理を終了する。一方、いずれかの領域あるいは全部の領域に異常箇所が存在する場合、ステップ６０７へ進む。

ステップ６０７では、分類手段６２が、異常箇所が存在すると判定された領域を、取得された複雑度に応じて分類する。クリーニング不良等の異常画像は、複数の領域に連続していたり、飛び飛びの領域に発生していたりするため、それら複数の領域を、複雑度に応じて同一のグループに分類する。ステップ６０８では、推定手段６７が、分類結果から異常原因を推定し、ステップ６０９で処理を終了する。

図６のステップ６０５の複雑度を求める方法を、図９を参照して説明する。ここでは、複雑度を画像データから取得したフラクタル次元で表し、複雑度をフラクタル次元により定量化する方法について説明する。これまでに画像データの画像からフラクタル次元を求める方法はいくつか知られている。ここでは、トナーの異常画像の分類を目的とするため、上記のトナー個数の測度を利用し、画像からフラクタル次元を求めるためのボックスカウント法と呼ばれる方法について説明する。

図９（ａ）は、画像データの画像内の任意の領域Sを示し、図９（ｂ）～（ｄ）はそれぞれ、領域Sを、一辺の長さを２のべき乗である２５６画素、６４画素、１６画素とした正方形の領域に互いに重ならないように分割した例を示した図である。以下、各正方形の領域を、一辺の長さLのセルもしくは単にセルと呼ぶものとする。

図９（ａ）に示す領域Sには、全面がイエローのパターンの中央部に、クリーニング不良の黒スジ（異常画像）８４が存在し、左右の側にも、薄い黒スジ８４が存在している。領域Sの画像は、主走査方向２５６画素×副走査方向２５６画素のサイズの画像である。

図９（ｂ）は、一辺の長さLを２５６画素として正方形に分割したもので、領域Sを覆う一辺の長さLのセル総数は１個である。ここで、一辺の長さLのセルの各々を識別するために識別情報としてインデックスiを使用し、i番目のセルをs(L)[i]と表記する。

図９（ｂ）は、図９（ａ）に示す画像から上記の方法で求めたトナー個数の測度のG成分を示し、薄いグレーの画像部分は、クリーニング不良によるトナー個数が少なく、濃いグレーの画像部分は、クリーニング不良によるトナー個数が多いことを示している。このトナー個数の測度の値から、領域Sの画像の複雑度を表す特徴量として、フラクタル次元を求める。

図９（ｃ）は、図９（ｂ）に示す一辺の長さLを２５６画素とした正方形を、主走査方向および副走査方向にそれぞれ４分割し、一辺の長さLを６４画素の正方形に分割したものである。セルは、主走査方向および副走査方向のそれぞれに４つずつあり、セル総数は１６個である。

図９（ｄ）は、図９（ｂ）に示す一辺の長さLを２５６画素とした正方形を、主走査方向および副走査方向にそれぞれ１６分割し、一辺の長さLを１６画素の正方形に分割したものである。セルは、主走査方向および副走査方向のそれぞれに１６個ずつあり、セル総数は２５６個である。

このように分割した場合に、セルを識別するインデックスiの取り得る値を、図１０に示す。図１０中、項目Eがiの取り得る値で、図９（ｂ）のケースではセル総数が１個であるため、１のみを、図９（ｃ）のケースではセル総数が１６個であるため、１～１６の値を、図９（ｄ）のケースではセル総数が２５６個であるため、１～２５６の値を取り得る。また、項目Fは、セルに含まれる画素数で、図９（ｂ）のケースでは１つのセルの主走査方向および副走査方向に並ぶ画素数がそれぞれ２５６個であるため、２５６×２５６個（２^１６個）である。図９（ｃ）のケースでは６４×６４個（２^１２個）、図９（ｄ）のケースでは１６×１６個（２^８個）である。

項目Gは、セルに含まれる画素を示すインデックスjの取り得る値で、図９（ｂ）のケースでは１、２、３、・・・、２^１６までの２^１６個あり、同様に、図９（ｃ）のケースでは１、２、３、・・・、２^１２までの２^１２個あり、図９（ｄ）のケースでは１、２、３、・・・、２^８までの２^８個ある。

なお、項目Fの値は、領域Sの左右の側の周辺部と中央部とで異なることから、周辺部のセルに対しては、周辺部以外のセルの平均値を利用した補正等を行う。

ここで、一辺の長さLのi番目のセルのトナー個数の測度を、M(L)[i][col](col=R,G,B)とすると、M(L)[i][col](col=R,G,B)は、i番目のセルに含まれる画素のトナー個数の測度m(x,y)[col](col=R,G,B)の和として、次の式３により求められる。

上記式３中、(x,y)は画素の主走査方向および副走査方向の位置、すなわち座標を表し、この座標は、i番目のセルs(L)[i]に含まれることから、(x,y)∈s(L)[i]という関係を有する。

フラクタル次元の１つである相関次元D(2)(L)[col](col=R,G,B)は、セルの一辺の長さLと、上記式３により求められた一辺の長さLのi番目のセルのトナー個数の測度M(L)[i][col](col=R,G,B)とを用い、次の式４により求められる。

画像データにおいては、１画素の長さが一辺の長さLの最小値になり、画像から得られる相関次元が異なる場合があるため、Lを０にする極限を取る代わりに、一辺の長さLにおける相関次元D(2)(L)[col](col=R,G,B)を次の式５のように定義し、異常画像を分類するための特徴量として扱うことができる。

上記式５中、R(L)[col](col=R,G,B)は、一辺の長さLのi番目のセルのトナー個数の測度M(L)[i][col](col=R,G,B)を用い、次の式６により求められる。

上記式６は、画像の複雑度を表すフラクタル次元を計算する計算式の１つで、相関次元を求めるための式を、トナーを使用した電子写真の異常画像の複雑度を求めるために応用した式である。

上記式５のL、L+ΔLをそれぞれ、画素のサイズL₀の２のn乗、n+1乗とした場合、L、L+ΔLは、次の式７、８のように表すことができる。すると、上記式５の分母は、次の式９に示す形となる。

上記式５に上記式９を適用し、Lをnの関数としてL(n)を用いて整理すると、次の式１０のように表すことができる。

上記式１０では、ΔLを０にする極限に代えて、計算を簡単にするため、ΔL＝１と近似している。このような比較的簡単な計算式を用いることで、画像形成装置の計算負担を大幅に軽減し、画像の複雑度を特徴量として簡単に計算することができる。

領域Sの一辺は、２５６（２^８）画素であるため、上記式１０を使用し、n＝０、１、２、・・・、７の８通りの相関次元D(2)(L(n))[col]を取得することができる。

図１１は、nと相関次元D(2)(L(n))[col]との関係を示した図である。相関次元D(2)(L(n))[col]の値は、均一にトナーが付着した場合の理想値を２とし、理想的な線については１、理想的な点については０としている。図１１には、理想値を破線で、画像の正常な領域から取得した結果（正常画像の結果）を丸で、クリーニング不良を含む領域SのG成分の結果（クリーニング不良の結果）を四角で、他の異常画像の例として、白スジが存在する領域のG成分の結果（白スジの結果）を三角で示している。

白スジが存在する領域は、全面がイエローのパターンの中央部に５０～６０画素程度の幅の白スジが存在する領域S1で、主走査方向および副走査方向の画素数が２５６のサイズである。

クリーニング不良の結果は、nが７より小さい場合に、相関次元D(2)(L(n))[G]が理想値２からのずれが見られ、正常画像の結果に対しても、nによって相関次元D(2)(L(n))[G]の値が変動している。これは、クリーニング不良の画像がn、すなわち一辺の長さLによって相関次元D(2)(L(n))[G]の値が変化する複雑な画像であることを示している。図１１では、特にnが４～５、すなわち２^４～２^５画素の幅で、異常が顕著であることを示している。

一方、白スジの結果は、正常画像の結果に対してnが４～６で相関次元D(2)(L(n))[G]が小さくなっており、特にn＝６で小さいことから、２^６画素程度のスジ状（１次元）の異常が存在していることを示している。n＝２、３で正常画像の結果とほぼ同じ値を示すことから、点状の異常ではなく、線状の異常であることを示す。

この例で使用したクリーニング不良を含む領域の画像および白スジが存在する領域の画像は、ディザ処理を行って出力した画像ではないが、ディザ処理を行うと、n＝０、１の１画素、８画素に相当するサイズのセルから求められた相関次元D(2)(L)[col](col=R,G,B)の値が大きく変動する。このため、nが２以上の値を使用して異常画像を識別するための量として使用するのが適切である。

このようにして、セルの一辺の長さLの対数に対応する相関次元D(2)(L)[col](col=R,G,B)の値により、異常画像の複雑度や大きさを分類することができる。また、他の異常画像についても、同様に分類することができる。

ところで、フラクタル次元の数値は、どのような現象を表す数値を利用するか、どのような方法でフラクタル次元を求めるかによって変わってくる。上記の例では、均一なテストパターン画像は平面の次元と同じ２次元という数値となる。一方、クリーニング不良等のスジ状の異常画像のフラクタル次元は、１．９等のように線の次元である１次元に近づいていく。このため、２より小さい数値の領域が、複雑度が高い領域となるので、この領域を高解像度の画像として送信することで、異常箇所の詳細を受信側で見ることができる。したがって、診断システムは、複雑度に応じて画像の解像度を変更して送信する送信手段を備えることができる。

異常画像を含む領域のみ解像度を変更して送信することで、遠隔診断時の故障原因の診断精度を低下させることなく、送信データを削減したり、診断精度の向上のために診断送信データ量を必要以上に増加させないように送信画像データ量を最適化することができる。

再度図１１を参照して、異常画像データを送信する際の解像度を決定する方法について説明する。クリーニング不良の結果は、nが０、１、２、４において、正常画像との差が大きい。セルの一辺の長さLはそれぞれ、１画素、２画素、４画素、１６画素で、６００dpi、３００dpi、１５０dpi、３７．５dpi程度の送信画像で、異常の有無を画像情報として送信することができることを示唆する。図１２に、様々な解像度のクリーニング不良の画像を例示する。

しかしながら、３７．５dpiのような解像度の画像からは、図１２（ｅ）に示すように、幅が最も広い異常の場所がわかる程度の情報しか得られない。クリーニング不良の結果は、異常画像が複雑であることを示すので、図１２（ａ）～図１２（ｃ）に示すような、より高解像度である１５０～６００dpi程度の解像度で送信することが望ましい。

一方、白スジの結果は、nが４～６に対し、正常画像の結果との差がほぼ一定であることから、形状がシンプルな異常画像であることを示す。このため、送信時の解像度は、図１１に示す値を参考にし、セルの一辺の長さLが６４画素の約１０dpi程度の解像度でも、異常画像が情報として残ることを示唆している。

図１３に、様々な解像度の白スジ画像を例示する。実際に、図１３（ｅ）を参照しても、一辺の長さLが１６画素のセルでも、１／４の４画素程度の幅の白スジ８５が残っている。したがって、１０dpiの解像度の画像で送信しても、充分に白スジであること、その位置の情報を得ることができる。ただし、白スジの正確な幅の情報が必要な場合は、１０dpiより高い解像度で送信することが必要である。

上記の説明は、クリーニング不良を含む領域Sの画像と、白スジが存在する領域の画像S1とを別個に送る場合についてのものであるが、両方の領域を含む画像を送る場合、高い方の解像度で送ることが望ましい。

次に、図１４を参照して、異常画像の識別について説明する。図１４は、縦軸が図１１の縦軸と同じ相関次元D(2)(L(n))[G]であり、横軸がセルの一辺の長さLを２５６画素とした場合の主走査方向へ何番目のセルかを示している。図１４では、１１～２６番目のセルの結果を示している。なお、図１４に示すグラフ２～７は、図１１に示すn＝２～７に相当するグラフである。

矢印Aで示す白スジ（横軸１２）と、矢印Bで示すクリーニング不良（横軸２５）とが示すセルは、異常画像を含むセルの結果で、それ以外のセル（横軸１３～２４）は、正常画像のセルの結果である。図１４からも、異常画像を含むセルの結果は、グラフ４～６の値を正常画像の値と比較すると、異なった値を示している。このことから、グラフn＝４～６の値を正常画像の値と比較することで、異常画像を含むセルであるか、正常画像のセルであるかを識別することができる。

また、異常画像のセルでも、異常画像の種類によって、グラフn＝４～６の相関次元D(2)(L(n))[G]の値が異なるので、相関次元D(2)(L(n))[G]の値によっても、異常画像の識別が可能である。

なお、異常画像の幅が、上記のクリーニング不良や白スジの幅より広い場合、グラフn＝７においても、正常画像のセルの結果と、異常画像を含むセルの結果とに差が生じる。一方で、その幅が狭い場合、グラフn＝２～３においても、正常画像のセルの結果と、異常画像を含むセルの結果とに差が生じる。このことから、グラフn＝４～６だけではなく、グラフn＝２～７の結果を使用することが望ましい。

これまでG成分のみを使用して説明してきたが、この結果は、対象とするトナーの色味（YCMK）によって異なり、トナーの色により適切な色成分（RGB）が異なるので、RGBそれぞれについて、相関次元D(2)(L(n))[col](col=R,G,B)を取得する。

以上のようにして、複雑度を求めることができるが、診断を行う上で、どの程度の時間がかかるかが重要である。

そこで、図１５を参照して、診断に要する時間（診断予定時間）を予測する方法について説明する。この処理を実行するために、予測手段をさらに備えることができる。診断予定時間の予測は、ステップ１５００から開始し、ステップ１５０１では、図１４に示したように、グラフn＝２～７の相関次元D(2)(L(n))[col](col=R,G,B)の値を、正常画像のセルの相関次元D(2)(L(n))[col](col=R,G,B)の値と比較し、異常画像を含むセルを検出する。なお、正常画像のセルの相関次元D(2)(L(n))[col](col=R,G,B)は、実測値（テストパターンから取得した値）であっても、予め決められた値であってもよい。

ステップ１５０２では、検出したセルの１つを選択する。そして、ステップ１５０３で、グラフn＝２～７の相関次元D(2)(L(n))[col](col=R,G,B)の値が、正常画像のセルの相関次元D(2)(L(n))[col](col=R,G,B)の値との差ΔD(2)(L(n))[col](col=R,G,B)が大きいグラフn＝２～７のいずれかであるかにより、異常画像の大きさと、異常の程度の軽重を推定する。

グラフ２の相関次元D(2)(2)[col]では、異常画像は小さく、すなわち、正常画像のセルの相関次元D(2)(L(n))[col]の値と、異常画像を含むセルの相関次元D(2)(L(n))[col]の値との差が大きい場合には、異常の程度が重い、もしくは悪いと推定する。

ステップ１５０３では、異常画像を含むセルについて、n＝２～７に対する正常画像との相関次元の差ΔD(2)(L(n))[col](col=R,G,B)から、異常画像の複雑さF(2)[col](col=R,G,B)を算出する。

異常画像の複雑さF(2)[col](col=R,G,B)は、図１６に示すnと相関次元の差ΔD(2)(L(n))[G]との関係から求めることができる。クリーニング不良のグラフは、nに対する変動が、n＝０、１を除き、E（n＝２～６）の範囲で変動し、また、縦軸の値０を基準として、矢線Cに示すように大きい。

これに対し、白スジのグラフnに対する変動は、同様にn＝０、１を除き、D（n＝４～６）の範囲で変動し、これは、上記のクリーニング不良に比べて狭く、かつ相関次元の差ΔD(2)(L(n))[G]の変動も、上記のクリーニング不良に比べて小さい。

このように、相関次元の差ΔD(2)(L(n))[G]の変動幅が大きく、かつnの幅が広い画像が、より複雑な画像であると判断することができる。このことから、異常画像の複雑さF(2)[col](col=R,G,B)は、正常画像と異常画像との相関次元の差ΔD(2)(L(n))[col](col=R,G,B)を用いて、次の式１１のように表すことができる。

上記式１１中、｜ΔD(2)(L(n))[col]｜は、ΔD(2)(L(n))[col]の絶対値であり、w(L(n))は、セルの一辺の長さLに対応した重みである。なお、L(n)とnの関係は、上記式７で表される。

一辺の長さLが小さい場合、例えばn＝２～４で、ΔD(2)(L(n))[col]が小さい場合、傷等の点状の異常であり、セルの一辺の長さLに対して単調に増加する値とする。また、Lが小さい場合は、異常画像の画素数が少なく、診断のための解析に必要な時間が少なくて済むことから、経験的に求める。

再び図１５を参照して、ステップ１５０４では、１つのセルの診断時間T_dを予測する。診断時間T_dは、異常画像の複雑さF(2)[col](col=R,G,B)の値が大きいほど長くなると判断する。なお、異常画像の複雑さが大きい場合に、単一の異常が原因の場合と、複数の異常画像が原因の場合とがあり得るため、原因が１つである複雑さが低い異常画像に対して、原因の解析に時間が必要である。

ステップ１５０５では、ステップ１５０４で予測した診断時間T_dを加算し、ステップ１５０６で、全ての異常画像を含むセルについて診断時間T_dを加算したかどうかを確認する。まだ加算していないセルが残っている場合、ステップ１５０２へ戻り、診断時間T_dを予測し、加算する。一方、全ての異常画像を含むセルについて診断時間T_dを加算した場合、ステップ１５０７へ進み、全ての異常画像を含むセルについて加算した診断時間を診断予定時間として決定し、ステップ１５０８で処理を終了する。

診断予定時間は、短縮することが可能であり、診断予定時間を短縮するために、複数の領域にわたる異常である等の程度が重い異常画像等の優先して対応すべき異常画像について診断時間を求めることができる。

図１７を参照して、図６のステップ６０７の異常画像の検知領域の分類について説明する。図１７は、nと相関次元D(2)(L(n))[col]との関係を示した図で、図１４のクリーニング不良の位置を通る副走査方向の結果を示したものである。図１７の副走査方向のセル１６の位置で、図１４に示した主走査方向のセル２５の位置と交差する。

図１７中、グラフn（n＝４～７）が、図１４に示した矢線Aと矢線Bとの間の正常画像の相関次元D(2)(L(n))[G]の値（ほぼ２．００００００）に比べて低い値が連続しており、副走査方向にクリーニング不良が連続していることを示している。このような形状を示すことから、主走査方向の位置が２５で、副走査方向の位置が１３、１４、１５、１６のセルは、同一のグループとして分類される。

図６のステップ６０８の異常原因の推定について、図１７を参照して詳細に説明する。図１８は、正常画像と異常画像との相関次元の差ΔD(2)(L(n))[col](col=R,G,B)から予測される異常原因の一例を示した図である。図１８では、異常画像の形状として、小さな傷から不定形までのいくつかを例示し、それぞれの形状の場合の、正常画像と異常画像との相関次元の差ΔD(2)(L(n))[col](col=R,G,B)が、nに対してどのように変化するかを、その度合いに応じて３段階の小、中、大で示している。また、図１８では、各異常画像の形状に予測される異常原因が対応付けられている。

このことから、異常画像を含む領域を、例えば形状により分類した後、分類結果に応じて、図１８を参照し、異常原因を推定することができる。

異常画像の幅等は、異常原因の進行が進むと、広がる（nの値が大きくなる）、または悪化する（ΔD(2)(L(n))[col]の値が大きくなる）ため、図１８に示したnに対するΔD(2)(L(n))[col]と予測される異常原因との関係は、適宜見直すことが望ましい。また、２以上の異常原因が１つのセル内に発生している場合もあるので、各々の異常原因がどのようにΔD(2)(L(n))[col]に奇与しているかを考慮する必要がある。

これまで、フラクタル次元として相関次元を取得し、画像データのRGB成分のそれぞれに対し、異常画像の複雑さ（複雑度）を定量化し、RGB成分の複雑さが近い異常箇所に対しては、同一の異常の種類、または同一の発生原因の異常と判断するものとして説明してきた。フラクタル次元には、情報次元やボックスカウント次元（容量次元）もあるが、実用上、相関次元とボックスカウント次元の２つが、実装が容易で広く使用されることから、以下、ボックスカウント次元を取得し、異常画像の複雑さを定量化する方法について説明する。

図１９は、トナーのクリーニング不良の画像の一例を示した図である。図１９（ａ）は、クリーニング不良の画像で、中央部に比較的濃く黒スジ８４が発生し、左右の側に薄く黒スジ８４が発生している。

この方法では、図１９（ｂ）の破線で示すように、中央部の黒スジ８４が存在する部分を細分化するため、所定のサイズの正方形９０で区切る。区切った正方形９０には、図１９（ｃ）の斜線で示すように黒スジ８４を構成する最小の黒色の点（黒ドット）を含む正方形９１と、斜線のない、黒ドットを含まない正方形９２とが存在するが、黒ドットを含む正方形９１の数を数える。

また、この方法では、図１９（ｄ）に示すように、正方形９０のサイズを変更し、上記と同様にして、黒ドットを含む正方形９１の数を数える。

図１９（ｃ）の正方形のサイズと図１９（ｄ）のように変更した正方形のサイズの比と、正方形の個数の対数値との関係は、図２０に示すようなものとなる。この例でも、G成分についての結果のみを示す。均一な画像では、傾きが－２で一定の値となるが、不均一な画像（複雑な画像）では、均一な画像より上側へずれが生じ、そのずれが大きくなる。このグラフの傾きがボックスカウント次元である。

この方法は、輝度（読取値）毎にカウントした数値を加算したもので、より輝度の変化を考慮した評価方法である。この評価方法についての詳細は、中元淳、他著「MTFフラクタル次元による印刷濃度むらの定量評価法」、電子情報通信学会論文誌 D-II、２０００年４月、vol.J83-D-II pp.1082-1089を参照されたい。

このようにして複雑さを評価することができるが、評価した複雑さに応じて異常画像の種類を分類するために、図２１に示す表を用いることができる。図２１は、異常画像の種類と複雑さとを対応付けた表である。これも、複雑さの度合いに応じて３段階の小、中、大で表している。

図２２は、診断システムの機能構成の別の例を示した図である。画像形成装置は、図２に示したコントローラ５４がプログラムを実行することにより、画像形成装置を各機能手段として機能させる。画像形成装置に実装される診断システムは、機能手段として、読取手段６０と、取得手段６１と、分類手段６２とを少なくとも含む。

診断システムは、その他の手段として、印刷要求手段６３と、検出手段６８と、判定手段６６と、推定手段６７と、予測手段６９と、通知手段７０と、送信手段７１とを含むことができる。ここでは、これらの手段を含む診断システムを画像形成装置が備えるものとして説明するが、一部または全部の手段が１以上の他の機器に存在していてもよい。なお、読取手段６０、取得手段６１、分類手段６２、印刷要求手段６３、判定手段６６については、既に説明したので、機能に異なる部分がある場合のみ説明する。

検出手段６８は、読取手段６０から出力された画像データの画像に、異常画像が存在するか否かを検出し、存在する場合、異常画像が存在する領域を検出する。異常画像は、例えば原稿データ等と読み取った画像データとを比較し、異なる部分が存在するか否か、または均一の画像の場合の画像データの平均からのズレが許容値より大きい領域があるか否か等により検出することができる。

取得手段６１は、検出された領域の各々につき、画像の複雑度を求め、取得する。予測手段６９は、検出された領域の各々につき、複雑度を求め、分類し、異常原因を推定するという診断に必要とされる時間を診断予定時間として予測する。通知手段７０は、ユーザに対して、予測手段６９により予測された診断予定時間を通知する。診断予定時間は、操作パネルに表示する等して通知することができる。

分類手段６２は、検出された異常画像の領域を、取得された複雑度に応じて分類する。送信手段７１は、異常画像の領域を、必要に応じて解像度を変えて送信する。送信先は、画像形成装置から離れた場所にいるサービスマンが使用するPC、タブレット端末、スマートフォン等の通信機器である。

次に、図２３を参照して、ボックスカウント次元を使用して異常を診断する処理について説明する。先に説明した相関次元を使用する方法と同様、ユーザがテストパターンの印刷を指示したことを受けて、ステップ２３００から処理を開始する。ステップ２３０１では、印刷要求手段６３が印刷を指示し、テストパターンを印刷する。テストパターンは、図４または図５に示したものである。

印刷が完了すると、ユーザは、テストパターンが印刷された印刷物をADF１０に載置し、テストパターンの読み取りを指示する。この指示を受けて、ステップ２３０２で読取手段６０がテストパターンを読み取り、テストパターンの画像データを生成し、出力する。

ステップ２３０３では、検出手段６８が、出力された画像データの画像に対して、異常画像の有無と異常画像の領域を検出する。ステップ２３０４では、判定手段６６が、検出結果に基づき、異常画像の有無を判定する。異常画像がない場合、ステップ２３０９へ進み、この処理を終了する。一方、異常画像がある場合、ステップ２３０５へ進む。

ステップ２３０５では、予測手段６９が、診断に要する時間を診断予定時間として予測する。このとき、取得手段６１が、検出された異常画像の領域毎に複雑度を求める。診断予定時間T_dsは、分類にかかる時間T_cl、分類された異常の数p、診断時間T_dを考慮して推定される。T_dsは、一領域当たりの複雑度を計算する時間T_co、異常画像の領域の数qとすると、次の式１２で表される。式１２中、「～」は近似を示す。

ステップ２３０６で、通知手段７０が、診断予定時間を通知する。通知後、ステップ２３０７で、分類手段６２が、異常画像の領域を、取得された複雑度に応じて分類する。そして、ステップ２３０８では、推定手段６７が、分類結果から異常原因を推定し、ステップ２３０９で処理を終了する。異常原因を推定した後、送信手段７１が、サービスマンが使用する通信機器に対して異常画像を送信することができる。

ステップ２３０７の異常画像の領域を分類する処理の詳細を、図２４を参照して説明する。ステップ２４００から分類を開始し、ステップ２４０１では、検出された異常画像の領域の広さが一定以上か否かを判断する。一定以上か否かは、画素数が一定以上の数であるか否かを判断する。一定以上であれば、領域が広いと判断し、一定未満であれば、領域が小さいと判断する。一定以上の場合、ステップ２４０２へ進み、一定未満の場合、ステップ２４１１へ進む。

ステップ２４０２では、異常画像の領域の各々につき、複雑度を算出する。ステップ２４０３では、複雑度が一定範囲内（近い）の異常画像の領域を、同一原因の異常としてグループ化する。そして、ステップ２４０４で、複雑度に対応する異常原因を関連付ける。例えば、図２１に示す表を参照して、異常原因を関連付けることができる。

図２１に示す表では、複雑度が同じ「中」には、線状のスジ、点状のポチの２つがあり、「大」には、クリーニング不良、トナー落ちの２つがある。そこで、いずれであるかを判別するために、ステップ２４０５では、主走査方向の座標が重なるか否かを判断する。重なる場合、ステップ２４０６へ進み、異常画像の領域の大きさを、画素数により大きいか小さいかを判断する。画素数が一定以上の場合、大きいと判断し、一定未満の場合、小さいと判断する。大きい場合、ステップ２４０７へ進み、小さい場合、ステップ２４０８へ進む。一方、ステップ２４０５で座標が重ならない場合、ステップ２４０９へ進む。

ステップ２４０７では、主走査方向の座標が重なり、その画素数が多いことから、主走査方向へ異常画像が伸びており、異常原因を縦スジとして関連付ける。ステップ２４０８では、主走査方向の座標は重なるが、その画素数が少ないことから、異常画像がポチであり、主走査方向へ異常画像が飛び飛びになっているものと考えられる。その飛び飛びの異常画像が周期性を有するかどうかを確認するため、周期の有無を検出する。ステップ２４０９では、主走査方向の座標が重ならないことから、同一原因の異常ではないので、異なる異常と分類する。

ステップ２４１０では、主走査方向の座標が重なる領域をグループ化する。そして、ステップ２４１１で、領域のサイズがほぼ同じであるか否かを判断する。すなわち、１つの領域のサイズを基準として、他の領域のサイズが一定の範囲内に収まるか否かを判断する。異なる場合は、ステップ２４０９へ進み、異なる異常と分類する。一方、ほぼ同じの場合は、ステップ２４１２へ進み、領域間の関連性の度合いを表す相関係数を算出する。

ステップ２４１３では、相関係数が１に近いか否かを判断する。すなわち、相関係数１を基準として一定の範囲内か否か、例えば０．９以上か否かを判断する。相関係数が１に近い、例えば０．９以上の場合、ステップ２４１４へ進み、相関係数が１から遠い、例えば０．９未満の場合、ステップ２４０９へ進む。相関係数が１から遠い場合、同一グループ内の領域でも、関連性が低いことから、同一原因の異常ではなく、異なる異常と分類する。

ステップ２４１４では、異常画像の領域は小さいが、サイズがほぼ同じで、領域間の関連性が高いことから、点状の画像が離間して存在していると推定される。このため、点状の画像の周期を算出する。

異常画像の周期は、回転体の故障等によるものと考えられ、回転体には、感光体ドラム、現像ローラ、転写ローラ、定着ローラ、加圧ローラ等が存在する。それぞれは径が異なることから、異常画像を形成する周期が回転体によって異なる。このため、上記の周期を算出することで、どの回転体、すなわち部品が該当するかを判別することができる。

ステップ２４１５では、算出された周期に基づき、該当する周期の部品を関連付ける。そして、ステップ２４１６でこの処理を終了する。

具体的な例をもって説明すると、図２５（ａ）に示すクリーニング不良の画像の場合、ステップ２４０１で、図２５（ｂ）に示すように、領域１～６のいずれも広いと判断し、ステップ２４０２で複雑度を算出し、近い複雑度を有することから、ステップ２４０３で同一原因の異常としてグループ化される。

以上のようにして、画像データの複雑度により異常画像を分類することで、トナーのクリーニング不良等のどのように異常画像の形状が紙上の位置によって変わっても、適切に異常画像を分類し、精度良く異常の発生原因を推定することができる。また、複数枚のテストパターンの印刷で異常画像の形状が、印刷物毎に変化しても、適切に異常画像を分類し、精度良く発生原因を推定することができる。

これまで本発明を、診断システム、画像形成装置、診断方法およびプログラムとして上述した実施の形態をもって説明してきた。しかしながら、本発明は上述した実施の形態に限定されるものではなく、他の実施の形態、追加、変更、削除など、当業者が想到することができる範囲内で変更することができるものである。また、いずれの態様においても本発明の作用・効果を奏する限り、本発明の範囲に含まれるものである。

したがって、上記のプログラムが記録された記録媒体、上記のプログラムが格納され、ダウンロード要求を受けて提供するプログラム提供装置等を提供することもできるものである。

また、診断処理は、画像形成装置内のみで完結するものでなくてもよく、例えば外部機器としてのサーバ装置等との連携により実施することもできる。この場合、画像形成装置で採取されたデータをサーバ装置に送り、サーバ装置から画像形成装置に診断結果を返すことができる。このため、診断処理を行う診断システムとして構成し、診断システムを画像形成装置内に、もしくはサーバ装置内に、またはその両方に実装することができる。外部機器は、サーバ装置に限定されるものではなく、他の画像形成装置等であってもよく、１以上のネットワークに接続されたものであってもよい。

１０…ADF
１１…画像読取部
１２…画像形成部
１３…給紙トレイ
１４…排紙トレイ
１５…操作部
１６…両面トレイ
１７…給紙バンク
２０…感光体ドラム
２１…帯電装置
２２…レーザ光学系
２３…現像装置
２４…中間転写ベルト
２５…一次転写ローラ
２６…二次転写ローラ
２７…定着装置
３０ａ～３０ｃ…光学センサ
３１…電位センサ
３２…定着サーモパイル
３３…温湿度センサ
３４…トルクセンサ
４０…コントローラ
４１…ROM
４２…RAM
４３…インタフェースI/O
４４…駆動制御部
４５…センサ制御部
４６…記憶装置
４７…記憶装置制御部
４８…通信制御部
５０…スキャナ
５１…画像メモリ
５２…IPU
５３…プロッタ
５４…コントローラ
６０…読取手段
６１…取得手段
６２…分類手段
６３…印刷要求手段
６４…分割手段
６５…変換手段
６６…判定手段
６７…推定手段
６８…検出手段
６９…予測手段
７０…通知手段
８０…トンボ
８１…目盛り
８２…矢印
８３…矩形
８４…黒スジ
８５…白スジ
９０～９２…正方形

特許第４７１０４９５号公報特許第４８４４６０６号公報

Claims

画像形成装置の異常を診断するシステムであって、
前記画像形成装置により形成された診断用画像を読み取る読取手段と、
前記読取手段により読み取られた前記診断用画像内の複数の領域の各々につき、該領域内の画像から得られるフラクタル次元により定量化された値を該領域内の画像の複雑さを示す複雑度として取得する取得手段と、
前記取得手段により取得された前記複雑度に応じて、前記複数の領域内の画像を分類する分類手段と
を含む、診断システム。
前記読取手段により読み取られた前記診断用画像から異常画像を含む複数の領域を検出する検出手段を含み、
前記取得手段は、前記検出手段により検出された各領域につき、前記複雑度を取得する、請求項１に記載の診断システム。
前記読取手段により読み取られた前記診断用画像を複数の領域に分割する分割手段を含み、
前記取得手段は、前記分割手段により分割された各領域につき、前記複雑度を取得する、請求項１に記載の診断システム。
前記読取手段の読取値に対して所定の変換処理を実行する変換手段を含み、
前記取得手段は、前記変換手段により変換された前記各領域の読取値を用いて、前記複雑度を算出する、請求項３に記載の診断システム。
前記取得手段により取得された各領域の複雑度と、正常画像の各領域の複雑度との差に基づき、前記取得手段により取得された各領域が異常画像を含むか否かを判定する判定手段を含み、
前記分類手段は、前記判定手段により前記異常画像を含むと判定された領域につき、該領域内の画像を分類する、請求項３または４に記載の診断システム。
前記分類手段の分類結果に基づき、異常の原因を推定する推定手段を含む、請求項１～５のいずれか１項に記載の診断システム。
前記取得手段により取得された前記複雑度に応じて、前記複数の領域内の画像の分類を含む異常の診断にかかる時間を予測する予測手段と、
前記予測手段により予測された前記時間を通知する通知手段と
を含む、請求項１～６のいずれか１項に記載の診断システム。
前記取得手段により取得された前記複雑度に応じて、前記各領域の画像を送信する際の該画像の解像度を変更して送信先へ送信する送信手段を含む、請求項１～７のいずれか１項に記載の診断システム。
請求項１～８のいずれか１項に記載の診断システムを実装し、画像形成を行う画像形成装置。
画像形成装置の異常を診断する方法であって、
前記画像形成装置により形成された診断用画像を読み取るステップと、
読み取られた前記診断用画像内の複数の領域の各々につき、該領域内の画像から得られるフラクタル次元により定量化された値を該領域内の画像の複雑さを示す複雑度として取得するステップと、
取得された前記複雑度に応じて、前記複数の領域内の画像を分類するステップと
を含む、診断方法。
請求項１０に記載の診断方法に含まれる各ステップをコンピュータに実行させるためのプログラム。