JP7256139B2 - 印刷物の欠陥検査装置、欠陥検査方法及びプログラム、並びに印刷システム - Google Patents

Description

本発明は印刷物の欠陥検査装置、欠陥検査方法及びプログラム、並びに印刷システムに係り、特に機械学習モデルを用いて画像から欠陥情報を取得する技術に関する。

スキャナを用いて対象を撮像した撮像データと、基準となる基準データとを比較することで、対象の欠陥を検査する欠陥検査装置が広く用いられている。この手法による検査方法の応用として、印刷装置によって印刷された印刷物のスジ、及びインクの欠け等の印刷欠陥を検査するための印刷物の欠陥検査装置が知られている。

従来の印刷物の欠陥検査では、同じ印刷条件による基準データをあらかじめ取得し、基準データと印刷中の撮像データとを比較することで検査を行う手法が広く行われている。しかしながら、このような印刷物の欠陥検査は、バリアブル印刷等の毎回絵柄が変わる印刷、及び印刷条件を変更した後の最初の印刷物等には適用できないという問題がある。

また、この印刷物の欠陥検査は、同じ印刷条件の撮像データ同士を比較する場合においては、基本的なデータ特性が一致しているために比較が可能であるが、使用する用紙、網種、及びカラープロファイル等の印刷条件が異なる場合の撮像データを基準データとする場合、又は印刷元画像を基とする印刷データを基準データとする場合においては、データの特性が異なるため比較することが難しい。

印刷条件が異なる場合は、例えば用紙が異なるとデータ全体の輝度値が異なる。一例として、グロス紙を用いて基準データを取得し、上質紙にて再度同じ絵柄を印刷し検査する場合は、取得していたグロス紙の基準データと上質紙の撮像データとの間では差異が大きく、そのまま比較をする場合は検査性能を落とす必要がある。また、検査性能を落とさずに検査を実施するためには、再度上質紙を用いて基準データを取得し直す必要がある。

また、印刷元画像を基とする印刷データを基準データとする場合では、ＣＭＹＫ（シアン、マゼンタ、イエロー、ブラック）の４チャンネルの色空間とＲＧＢ（赤、緑、青）の３チャンネルの色空間とでは、データフォーマットが異なる等の差異が発生する。このため、特性を一致させるための前処理が必要となる。ＣＭＹＫとＲＧＢとの間の差異に関して、従来の技術では印刷データと撮像データ間でのカラープロファイルを一致させるためのテーブルを作成することで、色特性を一致させる手法が用いられているが、カラープロファイルは印刷条件の違いにより異なり、印刷装置及び用紙の違い等、条件が多岐にわたり存在しているため、それぞれに対応するテーブルをそれぞれ作成することは時間がかかり、煩雑であるという問題が存在する。

このような問題に対し、機械学習手法を用いて印刷物の欠陥検査を行うことが考えられる。例えば、パラメータ及び特徴量の抽出の自動化のために近年広く利用されている深層学習を用いることが考えられる。深層学習は機械学習手法の１つであり、画像認識分野で従来の機械学習手法より非常に高性能であることが知られている。

特許文献１には、製品の欠陥部を抽出対象部とする製品検査用の画像処理アルゴリズムにおいて、機械学習を用いた画像処理パラメータの最適化を実施することにより、フィルタ設計及びパラメータチューニングを自動的に行う技術が記載されている。

特開２００７－２００２４６号公報

深層学習を含めた機械学習手法では、一般的に正解値と学習モデルが推定した推定値との誤差を算出し、算出された誤差を最小とするように内部のパラメータを最適化する。よって、入力されるデータの総量に対し、検出したい対象物のデータ割合が極端に少ない場合、検出対象を検出できなかった場合の誤差が小さくなるため、適切に学習が進まないという問題がある。

特に、印刷物の検査装置では、対象の欠陥は大サイズの印刷物に発生する傷、インクの抜け、及びインク垂れ等、いずれも印刷物に対し非常に小さいサイズであるため、印刷物全体の撮像画像をそのまま入力とした場合には適切に検知できないという問題が発生する。

そこで、欠陥の全体が含まれるように学習対象のデータを適切なサイズに切り取り、欠陥サイズの割合が大きい状態での学習を行うことが望ましい。しかしながら、印刷物の欠陥サイズは不定であり、同じ原因により発生する欠陥であっても非常に小さいサイズの場合もあれば、非常に大きいサイズの欠陥であることがある。したがって、学習時に切り取った画像サイズよりも大きな欠陥が発生した場合において、正しく欠陥と識別できない問題が発生する。

本発明はこのような事情に鑑みてなされたもので、機械学習モデルを用いてサイズが不定な欠陥を精度よく判断する印刷物の欠陥検査装置、欠陥検査方法及びプログラム、並びに印刷システムを提供することを目的とする。

上記目的を達成するために印刷物の欠陥検査装置の一の態様は、プロセッサに実行させるための命令を記憶するメモリと、メモリに記憶された命令を実行するプロセッサと、を備え、プロセッサは、印刷物が撮像された撮像画像を基とする撮像データを取得し、印刷物の検査の基準となる基準データを取得し、撮像データと基準データとを入力として、欠陥情報を検出可能な機械学習モデルを少なくとも１つ用いて印刷物の第１の欠陥情報を出力し、撮像データと基準データとのサイズを第１の割合で変換し、Ｍ及びＮを１以上の整数とすると、Ｍ回サイズが変換された撮像データと基準データとを入力として、機械学習モデルを少なくとも１つ用いて印刷物の第（Ｍ＋１）の欠陥情報を出力する処理を、Ｍが１からＮになるまで実施し、第１の欠陥情報から第（Ｎ＋１）の欠陥情報のうちの少なくとも１つに基づいて印刷物の欠陥を判断する印刷物の欠陥検査装置である。

本態様によれば、機械学習モデルを用いてサイズが不定な欠陥を精度よく判断することができる。

機械学習モデルは、第１のサイズの撮像データの欠陥情報を検出可能であり、プロセッサは、撮像データを機械学習モデルに応じた第１のサイズの複数の領域に分割し、基準データを第１のサイズに対応する第２のサイズの複数の領域に分割することが好ましい。これにより、機械学習モデルが欠陥情報を検出可能なデータサイズに応じて欠陥情報を出力することができる。プロセッサは、第１のサイズの情報と第２のサイズの情報とをメモリから取得してもよい。第１のサイズと第２のサイズとの比率は、撮像データのサイズと基準データとサイズとの比率に等しい。

プロセッサは、機械学習モデルにおいて検出可能な最小欠陥サイズ以上である第１の重複量だけ一部の領域を重複させて撮像データを複数の領域に分割し、第１の重複量に対応する第２の重複量だけ一部の領域を重複させて基準データを複数の領域に分割することが好ましい。これにより、機械学習モデルにおいて検出可能な最小欠陥サイズの欠陥であっても、複数の領域のうちいずれかの領域において欠陥情報を出力することができる。プロセッサは、最小欠陥サイズ又は第１の重複量と第２の重複量との情報をメモリから取得してもよい。第１の重複量と第２の重複量との比率は、撮像データのサイズと基準データとサイズとの比率に等しい。

検出可能な最小欠陥サイズは、分割された領域において、第１の割合よりも小さな割合のサイズであることが好ましい。これにより、撮像データと基準データとのサイズを第１の割合で変換した場合であっても、機械学習モデルにおいて欠陥情報を検出することができる。

プロセッサは、撮像データと基準データとのサイズを１／４以下に縮小することが好ましい。これにより、印刷物の欠陥を適切に判断することができる。

機械学習モデルは、教師有り機械学習モデルであることが好ましい。これにより、印刷物の欠陥を適切に判断することができる。

機械学習モデルは深層学習モデルであることが好ましい。これにより、印刷物の欠陥を適切に判断することができる。

機械学習モデルは、第１のサイズの基準データと第１のサイズの撮像データとを学習データとして用いて学習されていることが好ましい。プロセッサは、第１のサイズの基準データと第１のサイズの撮像データとを学習データとして用いて機械学習モデルを学習させることが好ましい。第１のサイズを小さいサイズとすることで、効率よく学習させることができる。

基準データは印刷物の印刷元画像を基とする印刷データであることが好ましい。これにより、印刷物の欠陥を適切に判断することができる。

上記目的を達成するために印刷システムの一の態様は、印刷データに基づいて印字素子により印刷物を印刷する印刷装置と、印刷された印刷物を撮像して撮像画像を取得する撮像装置と、上記の印刷物の欠陥検査装置と、を備えた印刷システムである。

本態様によれば、印刷装置によって印刷された印刷物の欠陥を適切に判断することができる。

上記目的を達成するために印刷物の欠陥検査方法の一の態様は、印刷物が撮像された撮像画像を基とする撮像データを取得する撮像データ取得工程と、印刷物の検査の基準となる基準データを取得する基準データ取得工程と、撮像データと基準データとを入力として、欠陥情報を検出可能な機械学習モデルを少なくとも１つ用いて印刷物の第１の欠陥情報を出力する変換前検査工程と、撮像データと基準データとのサイズを第１の割合で変換する変換工程と、Ｍ及びＮを１以上の整数とすると、Ｍ回サイズが変換された撮像データと基準データとを入力として、機械学習モデルを少なくとも１つ用いて印刷物の第（Ｍ＋１）の欠陥情報を出力する処理を、Ｍが１からＮになるまで実施する変換後検査工程と、第１の欠陥情報から第（Ｎ＋１）の欠陥情報のうちの少なくとも１つに基づいて印刷物の欠陥を判断する判断工程と、を備える印刷物の欠陥検査方法である。

本態様によれば、機械学習モデルを用いてサイズが不定な欠陥を精度よく判断することができる。

上記の印刷物の欠陥検査方法をコンピュータに実行させるためのプログラムも本態様に含まれる。プログラムを記録したコンピュータ読み取り可能な非一時的記録媒体も本態様に含まれる。

本発明によれば、機械学習モデルを用いてサイズが不定な欠陥を精度よく判断することができる。

図１は、欠陥検査装置の構成を示すブロック図である。 図２は、深層学習モデルの主要な機能を示す機能ブロック図である。 図３は、欠陥検査装置による印刷物の欠陥検査方法の処理を示すフローチャートである。 図４は、撮像データの分割処理を説明するための図である。 図５は、検出可能な最小欠陥サイズを説明するための図である。 図６は、欠陥検査装置を適用したインクジェット印刷装置の全体構成図である。 図７は、インクジェット印刷装置の内部構成を示すブロック図である。

以下、添付図面に従って本発明の好ましい実施形態について詳説する。

＜欠陥検査装置＞
本実施形態に係る欠陥検査装置１０は、検査対象の印刷物の欠陥を判断する装置である。欠陥検査装置１０は、例えばパーソナルコンピュータ又はマイクロコンピュータ等の汎用のコンピュータである。図１は、欠陥検査装置１０の構成を示すブロック図である。欠陥検査装置１０は、プロセッサ１２と、メモリ１４と、を備える。メモリ１４は、プロセッサ１２に実行させるための命令を記憶する。欠陥検査装置１０は、プロセッサ１２が、メモリ１４から読み出した命令を含むプログラムを実行することにより、各機能が実現される。

プロセッサ１２は、撮像データ取得部１６と、基準データ取得部１８と、撮像データ変換処理部２０と、基準データ変換処理部２２と、撮像データ分割処理部２４と、基準データ分割処理部２６と、検査処理部２８と、判断部３２と、出力部３４と、を含む。

撮像データ取得部１６は、印刷装置（例えば図６に示すインクジェット印刷装置１００）において印刷された印刷物が撮像された撮像画像を基とする撮像データを取得する。撮像データは、例えば撮像画像のビットマップデータである。基準データ取得部１８は、印刷物の検査の基準となる基準データを取得する。ここでは、基準データ取得部１８は、印刷物の印刷元画像を基とする印刷データを取得する。印刷データは、例えば印刷元画像のＲＩＰ（Raster Image Processor）データである。撮像データと印刷データとのサイズは、同じサイズである。サイズとは、画素数と同義である。

撮像データ変換処理部２０は、撮像データ取得部１６が取得した撮像データのサイズを一定の割合である第１の割合で変換し、サイズ変換後の撮像データを生成する。また、撮像データ変換処理部２０は、サイズ変換後の撮像データのサイズをさらに第１の割合で変換する。撮像データ変換処理部２０は、Ｍ及びＮを１以上の整数とすると、このサイズ変換をＭが１からＮになるまで実施することで、それぞれサイズの異なるＮ個の撮像データを生成する。定数Ｎは不図示の記憶部に予め記憶された定数である。定数Ｎは、不図示のユーザインターフェースによってユーザが入力してもよい。定数Ｎは、撮像データと基準データとの変換後サイズが、後述する第１のサイズより小さくなる変換回数よりも小さい値である。

ここでは、第１の割合は４分の１（１／４）である。即ち、撮像データ変換処理部２０は、縦及び横の画素数をそれぞれ１／２に減少させ、撮像データのサイズを１／４に縮小する。したがって、サイズ変換をＭ回実施した際の撮像データのサイズは、撮像データ取得部１６が取得した撮像データのサイズの（１／４）^Ｍとなる。

基準データ変換処理部２２は、基準データ取得部１８が取得した基準データのサイズを第１の割合で変換し、サイズ変換後の基準データを生成する。また、基準データ変換処理部２２は、サイズ変換後の基準データのサイズをさらに第１の割合で変換する。基準データ変換処理部２２は、このサイズ変換をＭが１からＮになるまで実施することで、それぞれサイズの異なるＮ個の基準データを生成する。

ここでは、第１の割合は４分の１（１／４）であり、基準データ変換処理部２２は、基準データのサイズを１／４に縮小する。したがって、サイズ変換をＭ回実施した際の基準データのサイズは、基準データ取得部１８が取得した基準データのサイズの（１／４）^Ｍとなる。

このように、撮像データ変換処理部２０と基準データ変換処理部２２とは、撮像データと基準データとをそれぞれ同倍率で縮小する。

撮像データ分割処理部２４には、撮像データ取得部１６が取得した撮像データと、撮像データ変換処理部２０によるサイズ変換後のＮ個の撮像データとが入力される。撮像データ分割処理部２４は、入力された各撮像データを一定のサイズである第１のサイズの複数の領域の分割データに分割する分割処理を行う。ここでは、撮像データ分割処理部２４は、入力された撮像データを一定の重複量である第１の重複量だけ一部の領域を重複させて第１のサイズの複数の領域の分割データに分割する。

基準データ分割処理部２６には、基準データ取得部１８が取得した基準データと、基準データ変換処理部２２によるサイズ変換後のＮ個の基準データとが入力される。基準データ分割処理部２６は、入力された各基準データを第１のサイズに対応する第２のサイズの複数の領域の分割データに分割する分割処理を行う。ここでは、基準データ分割処理部２６は、入力された撮像データを第１の重複量に対応する第２の重複量だけ一部の領域を重複させて第２のサイズの複数の領域の分割データに分割する。なお、第１のサイズと第２のサイズとの比率、及び第１の重複量と第２の重複量との比率は、撮像データのサイズと基準データとサイズとの比率に等しい。

なお、撮像データ分割処理部２４と基準データ分割処理部２６とは、第１のサイズの情報と第２のサイズの情報とをメモリ１４から取得する。また、撮像データ分割処理部２４と基準データ分割処理部２６とは、第１の重複量と第２の重複量との情報をメモリ１４から取得する。

検査処理部２８は、深層学習モデル３０を備える。検査処理部２８は、撮像データと印刷データとを入力として、深層学習モデル３０を用いて印刷物の欠陥情報を出力とする検査処理を行う。

検査処理部２８は、撮像データ取得部１６が取得し、かつ撮像データ分割処理部２４によって分割された撮像データの分割データと、基準データ取得部１８が取得し、かつ基準データ分割処理部２６によって分割された印刷データの分割データと、のそれぞれ対応する領域の分割データを入力として、入力された分割データ毎の第１の欠陥情報を出力する。

また、検査処理部２８は、撮像データ変換処理部２０によってＭ回サイズが変換され、かつ撮像データ分割処理部２４によって分割された撮像データの分割データと、基準データ変換処理部２２によってＭ回サイズが変換され、かつ基準データ分割処理部２６によって分割された印刷データの分割データと、のそれぞれ対応する領域の分割データを入力として、入力された分割データ毎の第（Ｍ＋１）の欠陥情報を出力する。検査処理部２８は、この処理をＭが１からＮになるまで実施する。その結果、検査処理部２８は、第１の欠陥情報から第（Ｎ＋１）の欠陥情報をそれぞれ分割された領域の数だけ出力する。

深層学習モデル３０は、撮像データと基準データとを入力として印刷物の欠陥情報を検出する教師有り機械学習モデルである。深層学習モデル３０は、第１のサイズの撮像データの欠陥情報を検出可能である。深層学習モデル３０は、例えば畳み込みニューラルネットワーク（CNN：Convolution Neural Network）である。深層学習モデル３０は、複数のレイヤー構造を有し、複数の重みパラメータを保持している。深層学習モデル３０は、重みパラメータが初期値から最適値に更新されることで、未学習モデルから学習済みモデルに変化しうる。

深層学習モデル３０は、ユーザが付した欠陥情報を教師データとして用い、学習データである第１のサイズの基準データと第１のサイズの撮像データとが教師有り学習によって学習される。欠陥情報は、欠陥の有無、欠陥の位置、及び欠陥の認識強度値の少なくとも１つを含む。ニューラルネットワークの学習方法は、公知の技術を用いればよい。なお、深層学習モデル３０は、教師無し学習によって学習されてもよい。

図２は、深層学習モデル３０の主要な機能を示す機能ブロック図である。図２に示すように、深層学習モデル３０は、入力層３０Ａと、中間層３０Ｂと、出力層３０Ｃと、を備える。入力層３０Ａと、中間層３０Ｂと、出力層３０Ｃとは、それぞれ複数の「ノード」が「エッジ」で結ばれる構造となっている。

入力層３０Ａには、第１のサイズに分割された撮像データと第１のサイズに分割された基準データとが入力される。

中間層３０Ｂは、入力層から入力された画像から特徴を抽出する層である。中間層３０Ｂは、畳み込み層とプーリング層とを１セットとする複数セットと、全結合層とを有する。畳み込み層は、前の層で近くにあるノードに対してフィルタを使用した畳み込み演算を行い、特徴マップを取得する。プーリング層は、畳み込み層から出力された特徴マップを縮小して新たな特徴マップとする。全結合層は、直前の層（ここではプーリング層）のノードの全てを結合する。畳み込み層は、画像からのエッジ抽出等の特徴抽出の役割を担い、プーリング層は抽出された特徴が、平行移動等による影響を受けないようにロバスト性を与える役割を担う。なお、中間層３０Ｂには、畳み込み層とプーリング層とを１セットとする場合に限らず、畳み込み層が連続する場合、及び正規化層も含まれる。

出力層３０Ｃは、中間層３０Ｂにより抽出された特徴に基づいて印刷物の欠陥情報の認識結果を出力する層である。

深層学習モデル３０は、例えば印刷物の欠陥の有無を分類する場合、欠陥情報は「欠陥有」と「欠陥無」とに対応する２つのスコアとして出力する。２つのスコアの合計は１００％である。

ここでは、検査処理部２８は、機械学習モデルとして単一の深層学習モデル３０を備えているが、複数の機械学習モデルを備えてもよい。検査処理部２８は、機械学習モデルを少なくとも１つ用いて印刷物の欠陥情報を出力すればよい。深層学習モデル３０は、ＣＮＮに代えて他のニューラルネットワークが用いられてもよいし、その他の機械学習モデルが用いられてもよい。

図１の説明に戻り、判断部３２は、検査処理部２８から出力された第１の欠陥情報から第（Ｎ＋１）の欠陥情報のうちの少なくとも１つに基づいて印刷物の欠陥を判断する。判断部３２は、第１の欠陥情報から第（Ｎ＋１）の欠陥情報の第Ｍの欠陥情報について、Ｍの値が大きい欠陥情報ほど重要度の重みを付けて印刷物の欠陥を判断してもよい。

出力部３４は、判断部３２の判断結果に基づく印刷物の良否を出力する。出力部３４は、印刷物の良否を、不図示の表示装置に出力してもよいし、不図示の通信インターフェースを介して他の装置に出力してもよい。

＜欠陥検査方法＞
図３は、欠陥検査装置１０による印刷物の欠陥検査方法の処理を示すフローチャートである。ここでは、印刷元画像に基づいて印刷装置によって印刷された印刷物に発生するインクの抜け及びインク垂れ等の欠陥を検査する例を説明する。印刷物の欠陥検査方法は、基準データ取得工程（ステップＳ１）と、撮像データ取得工程（ステップＳ２）と、変換前検査工程（ステップＳ４）と、変換工程（ステップＳ７）と、変換後検査工程と（ステップＳ９）と、判断工程（ステップＳ１１）と、を含む。

ステップＳ１では、撮像データ取得部１６は、印刷装置が印刷した印刷物を撮像装置が撮像した撮像画像を撮像データとして取得する。撮像データ取得部１６は、取得した撮像画像に所定の処理を施して撮像データを生成してもよい。

ステップＳ２では、基準データ取得部１８は、印刷物の印刷元画像を基とする印刷データを基準データとして取得する。基準データ取得部１８は、印刷元画像を取得し、取得した印刷元画像に所定の処理を施して印刷データを生成し、生成した印刷データを基準データとしてもよい。ステップＳ１で取得した撮像データとステップＳ２で取得した基準データとは、同じサイズである。

ステップＳ３では、撮像データ分割処理部２４と基準データ分割処理部２６とは、ステップＳ１で取得した撮像データとステップＳ２で取得した基準データとの対応位置関係を求める。そして、撮像データ分割処理部２４は、撮像データを第１の重複量だけ一部の領域を重複させて第１のサイズの複数の領域の分割データに分割する。同様に、基準データ分割処理部２６は、基準データを第２の重複量だけ一部の領域を重複させて第２のサイズの複数の領域の分割データに分割する。ここでは、撮像データと基準データとは同じサイズであるため、第１のサイズと第２のサイズとは同じサイズであり、第１の重複量と第２の重複量とは同じ重複量である。

ステップＳ４では、検査処理部２８は、ステップＳ３において複数の領域の分割データに分割された撮像データと基準データとのそれぞれ対応する領域の分割データを入力として、分割データ毎の第１の欠陥情報を出力する。検査処理部２８は、撮像データと基準データとの全ての領域の分割データを入力として、複数の分割データ毎の第１の欠陥情報を出力する。

ステップＳ５では、検査処理部２８は、変数Ｍを０に初期化する。また、ステップＳ６では、検査処理部２８は変数Ｍに１を加算する。検査処理部２８がステップＳ６の処理を初めて行った場合は、Ｍ＝１となる。

ステップＳ７では、撮像データ変換処理部２０は、撮像データのサイズを第１の割合で変換し、サイズ変換後の撮像データを生成する。Ｍ＝１の場合は、撮像データ変換処理部２０は、ステップＳ２で取得した撮像データのサイズを変換する。ここでは、撮像データ変換処理部２０は、撮像データのサイズを１／４に縮小する。

同様に、ステップＳ７では、基準データ変換処理部２２は、基準データのサイズを第１の割合で変換し、サイズ変換後の基準データを生成する。Ｍ＝１の場合は、基準データ変換処理部２２は、ステップＳ１で取得した基準データのサイズを変換する。ここでは、基準データ変換処理部２２は、撮像データ変換処理部２０と同様に基準データのサイズを１／４に縮小する。

ステップＳ８では、撮像データ分割処理部２４は、ステップＳ７でサイズ変換したサイズ変換後の撮像データを第１の重複量だけ一部の領域を重複させて第１のサイズの複数の領域の分割データに分割する。同様に、基準データ分割処理部２６は、ステップＳ７でサイズ変換したサイズ変換後の基準データを第２の重複量だけ一部の領域を重複させて第２のサイズの複数の領域の分割データに分割する。

ステップＳ９では、検査処理部２８は、ステップＳ８において複数の領域の分割データに分割された撮像データと基準データとのそれぞれ対応する領域の分割データを入力として、分割データ毎の第（Ｍ＋１）の欠陥情報を出力する。検査処理部２８は、サイズ変換後の撮像データとサイズ変換後と基準データとの全ての領域の分割データを入力として、複数の分割データ毎の第（Ｍ＋１）の欠陥情報を出力する。Ｍ＝１の場合は、第２の欠陥情報である。

ステップＳ１０では、検査処理部２８は、変数Ｍが定数Ｎと等しいか否かを判定する。変数Ｍが定数Ｎと等しくない場合は、検査処理部２８は、ステップＳ６の処理を行う。ステップＳ６では、検査処理部２８は、変数Ｍに１を加算する。例えば、検査処理部２８が行うステップＳ６の処理が２回目の場合は、Ｍ＝２となる。

続くステップＳ７では、撮像データ変換処理部２０は、撮像データのサイズを第１の割合で変換する。即ち、撮像データ変換処理部２０は、撮像データのサイズを再度１／４に縮小する。撮像データ変換処理部２０は、Ｍ＝１の際にも撮像データのサイズを１／４に縮小している。このため、サイズ変換後の撮像データは、ステップＳ２で取得した撮像データのサイズを基準とすると、（１／４）^２＝１／１６のサイズに縮小される。

同様に、ステップＳ７では、基準データ変換処理部２２は、基準データのサイズを第１の割合で変換する。即ち、基準データ変換処理部２２は、基準データのサイズを再度１／４に縮小する。撮像データと同様に、サイズ変換後の基準データは、ステップＳ１で取得した基準データのサイズを基準とすると、（１／４）^２＝１／１６のサイズに縮小される。

続いて、ステップＳ８では、撮像データ分割処理部２４は、ステップＳ７でサイズ変換したサイズ変換後の撮像データを第１の重複量だけ一部の領域を重複させて第１のサイズの複数の領域の分割データに分割する。

同様に、ステップＳ８では、基準データ分割処理部２６は、ステップＳ７でサイズ変換したサイズ変換後の基準データをそれぞれ第２の重複量だけ一部の領域を重複させて第２のサイズの複数の領域の分割データに分割する。

そして、ステップＳ９では、検査処理部２８は、ステップＳ８において複数の領域の分割データに分割された撮像データと基準データとのそれぞれ対応する領域の分割データを入力として、分割データ毎の第（Ｍ＋１）の欠陥情報を出力する。検査処理部２８は、全ての領域の分割データを入力として、複数の分割データ毎の第（Ｍ＋１）の欠陥情報を出力する。Ｍ＝２の場合は、第３の欠陥情報である。

ステップＳ１０において、変数Ｍが定数Ｎと等しい場合、即ちステップＳ６～Ｓ９の処理をＭが１からＮになるまでのＮ回実施した場合は、判断部３２はステップＳ１１の処理を行う。

このように、欠陥検査装置１０は、ステップＳ６～Ｓ９の処理をＮ回実施する。これにより、検査処理部２８は、第２の欠陥情報から第（Ｎ＋１）の欠陥情報を出力する。即ち、欠陥検査装置１０は、撮像データのサイズが最初に取得したデータのサイズの（１／４）^Ｎとなるまで検査を行う。最も縮小された撮像データのサイズは、第１のサイズよりも大きい。

ステップＳ１１では、判断部３２は、第１の欠陥情報から第（Ｎ＋１）の欠陥情報のうちの少なくとも１つに基づいて印刷物の欠陥を判断する。

ステップＳ１２では、出力部３４は、ステップＳ１１で判断された結果を出力する。出力部３４は、判断結果を不図示の表示装置に表示してもよい。また、出力部３４は、判断結果に基づく印刷物の良否を出力してもよい。

以上で、印刷物の欠陥検査方法の処理が終了する。なお、印刷物の検査を続ける場合はステップＳ１に戻って同様の処理を行えばよい。その際に、印刷物の印刷元画像が前回の検査と同じ場合は、ステップＳ２の基準データの取得と、ステップＳ３の基準データの分割と、ステップＳ７の基準データのサイズ変換と、ステップＳ８の基準データの分割とを省略し、前回のデータを使用してもよい。

印刷物の欠陥検査方法によれば、深層学習モデル３０等の機械学習モデルが学習を行う際のデータのサイズである第１のサイズの領域に収まらない非常に大きな欠陥が発生した場合であっても、撮像データをＮ回縮小することで第１のサイズの領域に収めることができ、縮小後の撮像データからその欠陥を検出することができる。このように、小さいサイズで学習した学習モデルを非常に大きな画像に適用させることができる。

したがって、機械学習モデルが学習を行う際のデータの第１のサイズを小さくした場合であっても、機械学習モデルを用いてサイズが不定な欠陥を精度よく判断することができ、検査性能を落とすことなく検査が可能となる。このため、機械学習モデルの学習に使用するデータの第１のサイズを小さくすることができ、学習効率の向上と検査性能を両立することができる。

本実施形態では、撮像データ分割処理部２４と基準データ分割処理部２６とは、それぞれ撮像データと基準データとを、深層学習モデル３０の学習データのサイズである第１のサイズの複数の領域の分割データに分割したが、深層学習モデル３０が欠陥情報を検出可能なサイズの領域の分割データに分割すればよく、第１のサイズとは多少異なっていてもよい。例えば、深層学習モデル３０が第１のサイズとは異なる第３のサイズの撮像データから欠陥情報を検出可能であれば、撮像データ分割処理部２４と基準データ分割処理部２６とは、それぞれ撮像データと基準データとを第３のサイズの複数の領域の分割データに分割してもよい。

本実施形態は、インクの抜け、インク垂れ、及びブロッキング等の、ほぼ円形に近しい形状の欠陥であり、かつ程度が定まらない欠陥の欠陥情報を検出する場合に特に有効である。

＜分割処理に関して＞
図４は、撮像データの分割処理を説明するための図である。図４に示すＦ４Ａ及びＦ４Ｂは、印刷物が撮像された撮像画像を基とする撮像データＩ_１の一部の一例を示している。Ｆ４Ａ及びＦ４Ｂに示すように、撮像データＩ_１には、印刷物の欠陥に相当する欠陥Ｄ_１が存在する。ここでは、欠陥Ｄ_１は、検査処理部２８において検出可能な最小欠陥サイズの欠陥であるとする。

Ｆ４Ａでは、領域を重複させずに撮像データＩ_１を領域Ｒ_１の分割データと領域Ｒ_２の分割データとに分割する場合を示している。欠陥Ｄ_１は領域Ｒ_１と領域Ｒ_２とに分割される位置に存在している。欠陥Ｄ_１は検出可能な最小欠陥サイズの欠陥であるため、領域Ｒ_１と領域Ｒ_２とに分割される結果、領域Ｒ_１に含まれる欠陥Ｄ_１も領域Ｒ_２に含まれる欠陥Ｄ_１も、検出可能な最小欠陥サイズ未満の欠陥となる。したがって、欠陥Ｄ_１は、領域Ｒ_１の分割データの検査処理においても、領域Ｒ_２の分割データの検査処理においても、検査処理部２８によって検出することはできない。

一方、Ｆ４Ｂには、第１の重複量だけ領域を重複させて撮像データＩ_１を領域Ｒ_１の分割データと領域Ｒ_２の分割データとに分割する場合を示している。第１の重複量は、検出可能な最小欠陥サイズ以上であり、検出可能な最小欠陥サイズであってもよい。この場合、欠陥Ｄ_１はいずれかの領域（Ｆ４Ｂでは領域Ｒ_２）に必ず含まれる。したがって、欠陥Ｄ_１は、欠陥Ｄ_１が含まれた領域の分割データにおける検査処理において検出される。

このように、撮像データ分割処理部２４において分割処理を行うにあたり、撮像データの分割データに分割される領域の境界部は、検査処理部２８において検出可能な最小欠陥サイズ以上である第１の重複量だけ一部の領域が重複されることが望ましい。このように撮像データが分割データに分割されることにより、検出可能な最小サイズの欠陥が撮像データの分割領域の境界に発生した場合でも、検査処理部２８において問題なく検出することが可能となる。

なお、検査処理部２８は、撮像データ分割処理部２４によって分割された撮像データの分割データと、基準データ分割処理部２６によって分割された印刷データの分割データと、のそれぞれ対応する領域の分割データを入力とする。このため、基準データ分割処理部２６における分割処理においても同様に、第１の重複量だけ一部の領域を重複させて分割データに分割させる。

＜検出可能な最小欠陥サイズに関して＞
図５は、検査処理部２８において検出可能な最小欠陥サイズを説明するための図である。図５に示すＦ５Ａは、印刷物が撮像された撮像画像を基とする撮像データＩ_２の一部の一例を示している。Ｆ５Ａに示すように、撮像データＩ_２には、印刷物の欠陥に相当する欠陥Ｄ_２が存在する。また、撮像データＩ_２は、撮像データ分割処理部２４において、それぞれ領域を第１の重複量だけ重複させて第１のサイズである領域Ｒ_１１と領域Ｒ_１２と領域Ｒ_１３と領域Ｒ_１４とに分割されている。欠陥Ｄ_２は、領域Ｒ_１１と領域Ｒ_１２と領域Ｒ_１３と領域Ｒ_１４とに分割される位置に存在している。領域Ｒ_１１と領域Ｒ_１２と領域Ｒ_１３と領域Ｒ_１４とは、それぞれ第１のサイズである。

ここでは、検査処理部２８において検出可能な最小欠陥サイズは、第１のサイズの１／４であるとする。欠陥Ｄ_２は、検出可能な最小欠陥サイズより大きい欠陥であるが、欠陥Ｄ_２が領域Ｒ_１１と領域Ｒ_１２と領域Ｒ_１３と領域Ｒ_１４とに分割される結果、領域Ｒ_１１に含まれる欠陥Ｄ_２も、領域Ｒ_１２に含まれる欠陥Ｄ_２も、領域Ｒ_１３に含まれる欠陥Ｄ_２も領域Ｒ_１４に含まれる欠陥Ｄ_２も、検出可能な最小欠陥サイズ未満の欠陥となる。したがって、欠陥Ｄ_２は、領域Ｒ_１１の分割データの検査処理においても、領域Ｒ_１２の分割データの検査処理においても、領域Ｒ_１３の分割データの検査処理においても、領域Ｒ_１４の分割データの検査処理においても、深層学習モデル３０によって検出することはできない。

図５に示すＦ５Ｂは、撮像データＩ_２のサイズが撮像データ変換処理部２０において１／４に縮小された撮像データＩ_３の一部を示している。Ｆ５Ｂに示すように、撮像データＩ_３には、サイズが１／４に縮小された欠陥Ｄ_２が存在する。また、撮像データＩ_３は、撮像データ分割処理部２４において、それぞれ領域を第１の重複量だけ重複させて第１のサイズである領域Ｒ_２１と領域Ｒ_２２とに分割されている。ここでは、欠陥Ｄ_２は領域Ｒ_２１に含まれている。

しかしながら、撮像データＩ_３の欠陥Ｄ_２は、第１のサイズの１／４よりも小さいサイズに縮小されているため、検査処理部２８による領域Ｒ_２１の分割データの検査処理において検出することができない。

これを防止するために、第１のサイズの１／４よりも小さいサイズを検出可能とする必要がある。即ち、深層学習モデル３０における検出可能な最小欠陥サイズを、第１のサイズの第１の割合よりも小さいサイズとすることで、未検出となることを防止することが可能となる。

このように、検査処理部２８において検出可能な欠陥の最小サイズは、撮像データ分割処理部２４において分割される領域のサイズである第１のサイズの、撮像データ変換処理部２０におけるサイズ変換の第１の割合よりも小さいことが望ましい。例えば、撮像データ変換処理部２０において撮像データのサイズを１／４に縮小する場合、第１のサイズの分割された領域の１／４より小さいサイズの欠陥を検出可能とすることで、撮像データ変換処理部２０と基準データ変換処理部２２とにより欠陥が縮小され、未検出となることを防止することが可能となる。

＜印刷装置＞
欠陥検査装置１０を適用した印刷装置について説明する。

〔インクジェット印刷装置の構成〕
図６は、欠陥検査装置１０を適用したインクジェット印刷装置１００（印刷システムの一例）の全体構成図である。図６において、Ｘ方向、Ｙ方向、及びＺ方向は互いに直交する方向であり、Ｘ方向及びＹ方向は水平方向であり、Ｚ方向は鉛直方向である。インクジェット印刷装置１００は、基材である枚葉の用紙Ｐにシアン（Ｃ）、マゼンタ（Ｍ）、イエロー（Ｙ）、ブラック（Ｋ）の４色のインクを吐出してカラー画像を印刷する印刷機である。

用紙Ｐには汎用の印刷用紙が使用される。汎用の印刷用紙とは、いわゆるインクジェット専用紙ではなく、一般のオフセット印刷等に用いられる塗工紙等のセルロースを主体とした用紙をいう。また、インクには水性インクが使用される。水性インクとは、水と水に可溶な溶媒に染料、顔料等の色材とを溶解又は分散させたインクをいう。

図６に示すように、インクジェット印刷装置１００は、搬送部１１０と、印刷部１２０と、撮像部１３０と、乾燥部１４０と、選別部１５０と、排紙部１６０と、を備えて構成される。

〔搬送部〕
搬送部１１０は、不図示の給紙部から給紙された用紙Ｐを搬送方向（Ｙ方向）に搬送する。搬送部１１０は、上流側プーリ１１２と、下流側プーリ１１４と、搬送ベルト１１６と、を備えている。

上流側プーリ１１２は、水平方向に延びる不図示の回転軸を有し、回転軸が回転自在に軸支されている。下流側プーリ１１４は、上流側プーリ１１２の回転軸と平行な不図示の回転軸を有し、回転軸が回転自在に軸支されている。

搬送ベルト１１６は、ステンレス製の無端状のベルトである。搬送ベルト１１６は、上流側プーリ１１２と下流側プーリ１１４とに架け渡されている。ステンレス製の搬送ベルト１１６を使用することで、用紙Ｐの平坦性を良好に保つことができる。

下流側プーリ１１４は、駆動手段として不図示のモータを有している。モータが駆動すると、下流側プーリ１１４が図６において左回りに回転する。上流側プーリ１１２は、下流側プーリ１１４の回転に従動して図６において左回りに回転する。上流側プーリ１１２と下流側プーリ１１４との回転により、搬送ベルト１１６は上流側プーリ１１２と下流側プーリ１１４との間を走行経路に沿って走行する。

搬送ベルト１１６の搬送面には、不図示の給紙部から供給された用紙Ｐが載置される。搬送部１１０は、搬送ベルト１１６に載置された用紙Ｐを上流側プーリ１１２から下流側プーリ１１４に向かう搬送経路に沿って搬送し、排紙部１６０に受け渡す。この搬送経路の、印刷部１２０と、撮像部１３０と、乾燥部１４０と、選別部１５０と、に対向する位置において、用紙Ｐは印刷面を水平に保持されて搬送される。

搬送ベルト１１６に不図示の複数の吸着孔を設け、不図示のポンプにより搬送ベルト１１６の吸着孔を吸引することで、搬送ベルト１１６の搬送面に載置された用紙Ｐを搬送面に吸着保持してもよい。

〔印刷部〕
印刷部１２０は、印刷元画像に基づいて用紙Ｐに画像を形成（印刷）する。印刷部１２０は、インクジェットヘッド１２２Ｃ、１２２Ｍ、１２２Ｙ、１２２Ｋを備えている。インクジェットヘッド１２２Ｃは、シアンのインク滴をインクジェット方式で吐出する。同様に、インクジェットヘッド１２２Ｍ、１２２Ｙ、１２２Ｋは、それぞれマゼンタ、イエロー、ブラックのインク滴をインクジェット方式で吐出する。

インクジェットヘッド１２２Ｃ、１２２Ｍ、１２２Ｙ、１２２Ｋは、搬送ベルト１１６による用紙Ｐの搬送経路に沿って一定の間隔をもって配置される。インクジェットヘッド１２２Ｃ、１２２Ｍ、１２２Ｙ、１２２Ｋは、それぞれラインヘッドで構成され、最大の用紙幅に対応する長さで形成される。インクジェットヘッド１２２Ｃ、１２２Ｍ、１２２Ｙ、１２２Ｋは、ノズル面（ノズルが配列される面）が搬送ベルト１１６に対向するように配置される。

インクジェットヘッド１２２Ｃ、１２２Ｍ、１２２Ｙ、１２２Ｋは、ノズル面に形成されたノズル（印字素子の一例）から、搬送ベルト１１６によって搬送される用紙Ｐに向けてインク滴を吐出することにより、用紙Ｐの印刷面に所定の網種で画像を形成する。

このように、印刷部１２０は、搬送ベルト１１６によってＹ方向に搬送される用紙Ｐに対して１回の走査によって、いわゆるシングルパス方式によって印刷物を生成する。

〔撮像部〕
撮像部１３０は、用紙Ｐの印刷面の画像を取得する。撮像部１３０は、用紙Ｐの搬送方向に対して印刷部１２０の下流側に配置される。撮像部１３０は、スキャナ１３２（撮像装置の一例）を備えている。

スキャナ１３２は、インクジェットヘッド１２２Ｃ、１２２Ｍ、１２２Ｙ、１２２Ｋを用いて用紙Ｐに形成された画像を光学的に読み取り、その読取画像（撮像画像の一例）を示す画像データを生成する装置である。スキャナ１３２は、用紙Ｐ上に印刷された画像を撮像して電気信号に変換する撮像デバイスを含む。撮像デバイスとしてカラーＣＣＤ（charge coupled device）リニアイメージセンサを用いることができる。なお、カラーＣＣＤリニアイメージセンサに代えて、カラーＣＭＯＳ（complementary metal oxide semiconductor）リニアイメージセンサを用いることもできる。

スキャナ１３２は、撮像デバイスの他、読み取り対象を照明する照明光学系と撮像デバイスから得られる信号を処理してデジタル画像データを生成する信号処理回路とを含んでもよい。

〔乾燥部〕
乾燥部１４０は、用紙Ｐのインクを乾燥させる。乾燥部１４０は、用紙Ｐの搬送方向に対して撮像部１３０の下流側に配置される。

乾燥部１４０は、ヒータ１４２を備えている。ヒータ１４２としては、例えば、ハロゲンヒータと赤外線ヒータとのうち少なくとも一方が使用される。ヒータ１４２は、用紙Ｐの印刷面を加熱して、用紙Ｐのインクを乾燥させる。乾燥部１４０は、ファン又はブロア等の送風手段を含んでいてもよい。

〔選別部〕
選別部１５０は、搬送ベルト１１６によって搬送される用紙Ｐに関する良否判定に応じて、印刷物を選別する。選別部１５０は、用紙Ｐの搬送方向に対して乾燥部１４０の下流側に配置される。選別部１５０は、スタンパ１５２を備えている。

スタンパ１５２は、搬送ベルト１１６によって搬送される用紙Ｐに関する良否判定に応じて、不良品印刷物と判定された用紙Ｐの先端エッジにインクを付着させるスタンプ処理を行う。

〔排紙部〕
排紙部１６０は、画像が形成され、乾燥された用紙Ｐ（印刷物）を回収する。排紙部１６０は、用紙Ｐの搬送方向に対して選別部１５０の下流側であって、搬送部１１０の搬送経路の終点に配置される。排紙部１６０は、排紙台１６２を備えている。

排紙台１６２は、搬送ベルト１１６によって搬送された用紙Ｐを積み重ねて回収する。排紙台１６２には、不図示の前用紙当てと、後用紙当てと、横用紙当てと、が備えられており、用紙Ｐを整然と積み重ねる。

また、排紙台１６２は、不図示の昇降装置によって昇降可能に設けられる。昇降装置は、排紙台１６２に積み重ねられる用紙Ｐの増減に連動して駆動が制御される。これにより、排紙台１６２に積み重ねられた用紙Ｐのうち最上位に位置する用紙Ｐが常に一定の高さとなる。

〔インクジェット印刷装置の制御系〕
図７は、インクジェット印刷装置１００の内部構成を示すブロック図である。インクジェット印刷装置１００は、ユーザインターフェース１７０と、記憶部１７２と、統括制御部１７４と、搬送制御部１７６と、印刷制御部１７８と、撮像制御部１８０と、乾燥制御部１８２と、選別制御部１８４と、排紙制御部１８６と、を備えている。

ユーザインターフェース１７０は、使用者がインクジェット印刷装置１００を操作するための不図示の入力部と不図示の表示部とを備えている。入力部は、例えば使用者からの入力を受け付ける操作パネルである。表示部は、例えば画像データと各種の情報とを表示するディスプレイである。使用者は、ユーザインターフェース１７０を操作することで、インクジェット印刷装置１００に所望の画像を印刷させることができる。

記憶部１７２は、インクジェット印刷装置１００を制御するためのプログラムと、プログラムの実行に必要な情報と、を記憶する。記憶部１７２は、不図示のハードディスク、又は各種半導体メモリ等の非一時的記録媒体により構成される。記憶部１７２は、撮像データ、印刷データを記憶してもよい。この場合、欠陥検査装置１０の基準データ取得部１８は、記憶部１７２に記憶された印刷データを基準データとして取得する。

統括制御部１７４は、記憶部１７２に記憶されたプログラムに従って各種の処理を行い、インクジェット印刷装置１００の全体の動作を統括制御する。欠陥検査装置１０についても、統括制御部１７４により統括制御される。

搬送制御部１７６は、搬送部１１０の不図示のモータを制御することで、搬送部１１０によって用紙Ｐを搬送方向に搬送させる。これにより、不図示の給紙部から供給された用紙Ｐは、印刷部１２０と、撮像部１３０と、乾燥部１４０と、選別部１５０と、に対向する位置を通過し、最後に排紙部１６０に排紙される。

印刷制御部１７８は、印刷元画像に基づいて、インクジェットヘッド１２２Ｃ、１２２Ｍ、１２２Ｙ、１２２Ｋによるインクの吐出を制御する。印刷制御部１７８は、インクジェットヘッド１２２Ｃ、１２２Ｍ、１２２Ｙ、１２２Ｋによって、それぞれのノズル面と対向する位置を用紙Ｐが通過するタイミングにおいて、シアン、マゼンタ、イエロー、ブラックのインク滴を用紙Ｐに向けて吐出させる。これにより、用紙Ｐの印刷面にカラー画像が形成され、用紙Ｐは「印刷物」となる。

なお、印刷制御部１７８は、吐出不良のノズル（異常が発生した印字素子の一例）の箇所の情報を統括制御部１７４に出力してもよい。欠陥検査装置１０は、印刷制御部１７８から吐出不良のノズルの箇所の情報を取得する。

また、印刷制御部１７８は、印刷元画像を補正して吐出不良のノズルによる印刷を補償する補償機能を有してもよい。一例として、吐出不良のノズルに対し、隣り合う複数のノズルのインク滴の体積を増大させることによって補償する補償機能がある。印刷制御部１７８は、印刷物の補償機能により補償された箇所の情報を統括制御部１７４に出力する。欠陥検査装置１０は、印刷制御部１７８から印刷物の補償機能により補償された箇所の情報を取得する。

撮像制御部１８０は、スキャナ１３２による撮像を制御することで、撮像部１３０によって用紙Ｐ（印刷物）の画像を読み取らせる。撮像制御部１８０は、スキャナ１３２によって、スキャナ１３２と対向する位置を用紙Ｐが通過するタイミングにおいて、用紙Ｐに形成された画像を読み取らせる。

欠陥検査装置１０の撮像データ取得部１６は、スキャナ１３２が読み取った画像を撮像データとして取得する。

乾燥制御部１８２は、ヒータ１４２による加熱を制御することで、乾燥部１４０によって用紙Ｐを乾燥させる。ヒータ１４２は、ヒータ１４２と対向する位置を用紙Ｐが通過する際に用紙Ｐを加熱させる。

選別制御部１８４は、スタンパ１５２によるスタンプ処理を制御することで、選別部１５０によって用紙Ｐを選別させる。選別制御部１８４は、欠陥検査装置１０の出力部３４から出力された選別結果に応じて印刷物を良品印刷物と不良品印刷物とに分類する。選別制御部１８４は、スタンパ１５２と対向する位置を通過する用紙Ｐが不良品印刷物と判定された用紙Ｐである場合は、スタンパ１５２によってスタンプ処理を行う。

排紙制御部１８６は、排紙台１６２による用紙Ｐの積載を制御する。用紙Ｐは、排紙台１６２に排紙され、積み重ねられる。不良品印刷物の用紙Ｐには先端エッジにインクが付着している。このため、使用者は、排紙台１６２に積載された用紙Ｐの中から不良品印刷物を特定することができる。

＜その他＞
本実施形態では、印刷装置に欠陥検査装置を適用し、印刷物を検査する例について説明したが、欠陥検査装置は、フイルムの表面検査等、計測対象に関する条件が類似した装置全般に導入することが可能である。

上記の欠陥検査方法は、各工程をコンピュータに実現させるためのプログラムとして構成し、このプログラムを記憶したＣＤ－ＲＯＭ（Compact Disk-Read Only Memory）等の非一時的な記録媒体を構成することも可能である。

プロセッサ１２には、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit）、画像処理に特化したプロセッサであるＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種又は異種の２つ以上のプロセッサ（例えば、複数のＦＰＧＡ、或いはＣＰＵとＦＰＧＡの組み合わせ、又はＣＰＵとＧＰＵの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第１に、サーバ及びクライアント等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組合せで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、各種のプロセッサを１つ以上用いて構成される。

さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（circuitry）である。

本発明の技術的範囲は、上記の実施形態に記載の範囲には限定されない。各実施形態における構成等は、本発明の趣旨を逸脱しない範囲で、各実施形態間で適宜組み合わせることができる。

１０…欠陥検査装置
１２…プロセッサ
１４…メモリ
１６…撮像データ取得部
１８…基準データ取得部
２０…撮像データ変換処理部
２２…基準データ変換処理部
２４…撮像データ分割処理部
２６…基準データ分割処理部
２８…検査処理部
３０…深層学習モデル
３０Ａ…入力層
３０Ｂ…中間層
３０Ｃ…出力層
３２…判断部
３４…出力部
１００…インクジェット印刷装置
１１０…搬送部
１１２…上流側プーリ
１１４…下流側プーリ
１１６…搬送ベルト
１２０…印刷部
１２２Ｃ…インクジェットヘッド
１２２Ｋ…インクジェットヘッド
１２２Ｍ…インクジェットヘッド
１２２Ｙ…インクジェットヘッド
１３０…撮像部
１３２…スキャナ
１４０…乾燥部
１４２…ヒータ
１５０…選別部
１５２…スタンパ
１６０…排紙部
１６２…排紙台
１７０…ユーザインターフェース
１７２…記憶部
１７４…統括制御部
１７６…搬送制御部
１７８…印刷制御部
１８０…撮像制御部
１８２…乾燥制御部
１８４…選別制御部
１８６…排紙制御部
Ｓ１～Ｓ１２…欠陥検査方法の処理のステップ

Claims (10)

1. プロセッサに実行させるための命令を記憶するメモリと、
   メモリに記憶された命令を実行するプロセッサと、
   を備え、
   前記プロセッサは、
   印刷物が撮像された撮像画像を基とする撮像データを取得し、
   前記印刷物の検査の基準となる基準データを取得し、
   前記撮像データと前記基準データとを入力として、欠陥情報を検出可能な機械学習モデルを少なくとも１つ用いて前記印刷物の第１の欠陥情報を出力し、
   前記撮像データと前記基準データとのサイズを第１の割合で変換し、
   Ｍ及びＮを１以上の整数とすると、Ｍ回サイズが変換された前記撮像データと前記基準データとを入力として、前記機械学習モデルを少なくとも１つ用いて前記印刷物の第（Ｍ＋１）の欠陥情報を出力する処理を、Ｍが１からＮになるまで実施し、
   前記第１の欠陥情報から第（Ｎ＋１）の欠陥情報のうちの少なくとも１つに基づいて前記印刷物の欠陥を判断し、
   前記機械学習モデルは、第１のサイズの撮像データの欠陥情報を検出可能であり、
   前記プロセッサは、
   前記撮像データを前記第１のサイズの複数の領域に分割し、
   前記基準データを前記第１のサイズに対応する第２のサイズの複数の領域に分割する印刷物の欠陥検査装置。
2. 前記プロセッサは、
   前記機械学習モデルにおいて検出可能な最小欠陥サイズ以上である第１の重複量だけ一部の領域を重複させて前記撮像データを複数の領域に分割し、
   前記第１の重複量に対応する第２の重複量だけ一部の領域を重複させて前記基準データを複数の領域に分割する請求項１に記載の印刷物の欠陥検査装置。
3. 前記検出可能な最小欠陥サイズは、前記分割された領域において、前記第１の割合よりも小さな割合のサイズである請求項２に記載の印刷物の欠陥検査装置。
4. 前記プロセッサは、前記撮像データと前記基準データとのサイズを１／４以下に縮小する請求項１から３のいずれか１項に記載の印刷物の欠陥検査装置。
5. 前記機械学習モデルは、教師有り機械学習モデルである請求項１から４のいずれか１項に記載の印刷物の欠陥検査装置。
6. 前記機械学習モデルは、深層学習モデルである請求項５に記載の印刷物の欠陥検査装置。
7. 前記基準データは前記印刷物の印刷元画像を基とする印刷データである請求項１から６のいずれか１項に記載の印刷物の欠陥検査装置。
8. 前記印刷データに基づいて印字素子により印刷物を印刷する印刷装置と、
   前記印刷された印刷物を撮像して前記撮像画像を取得する撮像装置と、
   請求項７に記載の印刷物の欠陥検査装置と、
   を備えた印刷システム。
9. 印刷物が撮像された撮像画像を基とする撮像データを取得する撮像データ取得工程と、
   前記印刷物の検査の基準となる基準データを取得する基準データ取得工程と、
   前記撮像データと前記基準データとを入力として、欠陥情報を検出可能な機械学習モデルを少なくとも１つ用いて前記印刷物の第１の欠陥情報を出力する変換前検査工程と、
   前記撮像データと前記基準データとのサイズを第１の割合で変換する変換工程と、
   Ｍ及びＮを１以上の整数とすると、Ｍ回サイズが変換された前記撮像データと前記基準データとを入力として、前記機械学習モデルを少なくとも１つ用いて前記印刷物の第（Ｍ＋１）の欠陥情報を出力する処理を、Ｍが１からＮになるまで実施する変換後検査工程と、
   前記第１の欠陥情報から第（Ｎ＋１）の欠陥情報のうちの少なくとも１つに基づいて前記印刷物の欠陥を判断する判断工程と、
   を備え、
   前記機械学習モデルは、第１のサイズの撮像データの欠陥情報を検出可能であり、
   さらに、前記撮像データを前記第１のサイズの複数の領域に分割する工程と、
   前記基準データを前記第１のサイズに対応する第２のサイズの複数の領域に分割する工程と、
   を備える印刷物の欠陥検査方法。
10. 請求項９に記載の印刷物の欠陥検査方法をコンピュータに実行させるプログラム。

Images