JP7272857B2 - Inspection method, inspection device, program and printing device - Google Patents

Inspection method, inspection device, program and printing device Download PDF

Info

Publication number
JP7272857B2
JP7272857B2 JP2019089744A JP2019089744A JP7272857B2 JP 7272857 B2 JP7272857 B2 JP 7272857B2 JP 2019089744 A JP2019089744 A JP 2019089744A JP 2019089744 A JP2019089744 A JP 2019089744A JP 7272857 B2 JP7272857 B2 JP 7272857B2
Authority
JP
Japan
Prior art keywords
reference data
data
comparison
imaging
printing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019089744A
Other languages
Japanese (ja)
Other versions
JP2020186938A (en
Inventor
将輝 関
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujifilm Corp
Original Assignee
Fujifilm Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2019089744A priority Critical patent/JP7272857B2/en
Publication of JP2020186938A publication Critical patent/JP2020186938A/en
Application granted granted Critical
Publication of JP7272857B2 publication Critical patent/JP7272857B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Ink Jet (AREA)
  • Particle Formation And Scattering Control In Inkjet Printers (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)

Description

本発明は検査方法、検査装置、プログラム及び印刷装置に関する。 The present invention relates to an inspection method, an inspection apparatus, a program, and a printing apparatus.

スキャナ等の撮像装置を用いて検査対象を撮像して得られた検査データと、基準となるデータである基準データとを比較して、検査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。 2. Description of the Related Art A defect inspection apparatus is widely used for inspecting defects in an inspection target by comparing inspection data obtained by imaging the inspection target using an imaging device such as a scanner and reference data as reference data. there is

特許文献1は、物品上に印刷された文字の品質を検査する文字検査装置が記載されている。同文献に記載の装置は、検査対象文字の撮像に基づく検査文字画像信号と、基準文字画像信号とを比較し、検査文字画像信号が良品であるか否かを判定する。同装置では、基準文字の入れ替えが指定されている場合に、良品と判定された文字との入れ替えが実施される。 Patent Literature 1 describes a character inspection device that inspects the quality of characters printed on an article. The device described in the same document compares a test character image signal based on an image of a character to be inspected with a reference character image signal, and determines whether or not the test character image signal is non-defective. In this apparatus, when replacement of reference characters is specified, replacement with characters determined as non-defective is performed.

特許文献2は、検査対象を撮像した撮像データに基づいて、検査対象の欠陥を検査する外観検査装置が知られている。同文献に記載の装置は、検査対象を撮像し、撮像した撮像データから欠陥候補を検出し、欠陥候補の特徴量を算出する。また、同装置は、分類器を用いて欠陥候補の種別を分類し、検査対象の良否を判定する。同装置に搭載される分類器は、学習データを用いた機械学習を実施して生成される。 Japanese Patent Application Laid-Open No. 2002-200000 discloses a visual inspection apparatus that inspects an inspection target for defects based on imaging data obtained by imaging the inspection target. The device described in the document captures an image of an inspection target, detects defect candidates from the captured image data, and calculates feature amounts of the defect candidates. In addition, the apparatus classifies defect candidate types using a classifier, and judges whether the inspection target is good or bad. The classifier installed in the device is generated by performing machine learning using learning data.

特開平5-293951号公報JP-A-5-293951 特許6403261号公報Japanese Patent No. 6403261

従来技術に係る欠陥検査装置の応用として、印刷装置を用いて生成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印刷物欠陥検査装置がある。印刷物欠陥検査装置は、検査対象の印刷物と同じ印刷条件を適用して印刷された印刷物を撮像して得られた基準データを予め取得し、印刷された印刷物を撮像して得られた検査データと基準データとを比較して印刷物の良否を判定する。 As an application of the conventional defect inspection apparatus, there is a print defect inspection apparatus that inspects print defects such as streaks and ink defects on printed matter generated using a printing apparatus. The printed matter defect inspection apparatus acquires in advance reference data obtained by imaging the printed matter printed under the same printing conditions as those of the printed matter to be inspected, and acquires inspection data obtained by imaging the printed matter. The quality of the printed matter is determined by comparing it with the reference data.

しかし、絵柄が変わるバリアブル印刷の場合の印刷物、及び印刷条件を変更した直後の一枚目の印刷物等は、上記した基準データとの比較検査が困難である。上記した基準データとの比較を実施する印刷物欠陥検査において、同じ印刷条件が適用された印刷物の撮像データ同士を比較する場合は、両者の基本的な画像特性が一致しているため、比較的容易に処理の実施が可能である。 However, it is difficult to compare and inspect the printed matter in the case of variable printing in which the pattern changes, the first printed matter immediately after the printing conditions are changed, and the like. In the print defect inspection that compares with the reference data described above, it is relatively easy to compare image data of prints to which the same printing conditions are applied, because the basic image characteristics of both are the same. It is possible to carry out processing at

一方、用紙の種類、網の種類及びカラープロファイルなどの、検査対象の印刷物の印刷条件が、基準データの元となる印刷の印刷条件と異なる場合、及び印刷装置へ入力されるデジタルデータを基準データとする場合等は、検査データの特性が基準データの特性と異なるために、両者の比較が難しい。 On the other hand, when the printing conditions of the printed material to be inspected, such as the type of paper, the type of mesh, and the color profile, are different from the printing conditions of the printing on which the reference data is based, and when the digital data input to the printing device is used as the reference data , it is difficult to compare the two because the characteristics of the inspection data differ from those of the reference data.

用紙の種類が異なる場合は画像全体の輝度値が異なる。グロス紙を用いた印刷画像から生成された基準データを適用して印刷物欠陥検査を行い、グロス紙を用いた印刷物と同じ絵柄を、上質紙を用いて印刷し、上質紙を用いた印刷物の印刷物欠陥検査を行う場合は、以下の問題が発生する。 If the type of paper is different, the luminance value of the entire image will be different. The printed matter is inspected for defects by applying the reference data generated from the printed image using gloss paper, and the same pattern as the printed matter using gloss paper is printed using high-quality paper, and the printed matter using high-quality paper. When performing defect inspection, the following problems occur.

グロス紙を用いた基準データと、上質紙を用いた印刷物の検査データとの間では差異が大きいため、両者の比較を実施する場合は一定範囲の両者の相違を許容するように検査性能を落とす必要がある。一方、検査性能を落とさずに印刷物欠陥検査を実施する場合は、上質紙を用いて基準データを生成する必要がある。 Since there is a large difference between the reference data using gloss paper and the inspection data of printed materials using high-quality paper, when comparing the two, the inspection performance is reduced to allow for a certain range of differences between the two. There is a need. On the other hand, when inspecting defects in printed matter without degrading inspection performance, it is necessary to generate reference data using high-quality paper.

印刷装置に入力されるデジタルデータを基準データとする場合は、印刷装置へ入力されるデジタルデータであるCMYKが適用される4チャンネルと、検査データであるRGBが適用される3チャンネルとの間においてデータのフォーマット等が異なる。そうすると、両者のフォーマット等を一致させるための前処理が必要となる。なお、CMYKはシアン、マゼンタ、イエロー及びブラックを表す。RGBは赤、緑及び青を表す。 When the digital data input to the printing device is used as the reference data, between the 4 channels to which CMYK, which is the digital data to be input to the printing device, are applied, and the 3 channels, to which the RGB which is inspection data is applied, The data format, etc. are different. In this case, preprocessing is required to match the formats and the like of both. CMYK represents cyan, magenta, yellow and black. RGB stands for red, green and blue.

従来技術では、両者の間において色特性を一致させるためのテーブルを作成し、テーブルを用いて両者の色特性を一致させる手法が適用される。一方、印刷装置の違い及び国ごとの印刷用紙の違いなど印刷条件の違いは多岐にわたる。印刷条件のそれぞれについてのテーブルの作成は、時間がかかり煩雑であるという問題が存在する。 In the prior art, a method is applied in which a table is created for matching the color characteristics of the two, and the table is used to match the color characteristics of the two. On the other hand, there are wide-ranging differences in printing conditions, such as differences in printing apparatuses and differences in printing paper from country to country. There is a problem that creating a table for each printing condition is time consuming and complicated.

特許文献1に記載の発明及び特許文献2に記載の発明は、既に一定の水準を有する検査装置を用いた検査結果を適用して検査性能を向上させている。また、特許文献1に記載の発明は、基準文字を良品と判定された文字に置き替えて、検査性能の向上を図っている。しかし、同文献に記載の発明は、基準データと検査データとを比較して検査すること自体が難しく、良品の判定が難しいという技術課題に着目しておらず、かかる課題を解決することは困難である。 The inventions described in Patent Literature 1 and Patent Literature 2 improve the inspection performance by applying inspection results obtained using an inspection apparatus that already has a certain standard. Further, the invention described in Patent Document 1 aims to improve the inspection performance by replacing the reference character with a character determined to be non-defective. However, the invention described in the document does not pay attention to the technical problem that it is difficult to perform inspection by comparing the reference data and the inspection data, and it is difficult to determine whether the product is non-defective. is.

特許文献2に記載の発明は、欠陥候補の特徴量を分類する分類器であり、機械学習を適用して生成された分類器を備えている。一方、特許文献2に記載の発明における分類器は、基準データと検査データとを比較して検査すること自体が難しく、良品の判定が難しいという技術課題を解決することは困難である。 The invention described in Patent Document 2 is a classifier that classifies feature amounts of defect candidates, and includes a classifier generated by applying machine learning. On the other hand, it is difficult for the classifier in the invention described in Patent Document 2 to perform the inspection by comparing the reference data and the inspection data itself, and it is difficult to solve the technical problem that it is difficult to determine whether the product is non-defective.

本発明はこのような事情に鑑みてなされたもので、印刷物の条件に応じた基準データを適用した印刷物の良否判定を実施し得る、検査方法、検査装置、プログラム及び印刷装置を提供することを目的とする。 SUMMARY OF THE INVENTION The present invention has been made in view of such circumstances, and aims to provide an inspection method, an inspection apparatus, a program, and a printing apparatus capable of judging the quality of printed matter by applying reference data according to the conditions of the printed matter. aim.

上記目的を達成するために、次の発明態様を提供する。 In order to achieve the above object, the following aspects of the invention are provided.

第1態様に係る検査方法は、印刷物の印刷に適用される基準データを取得する基準データ取得工程と、印刷物の条件に応じて基準データを変換して比較用基準データを生成する比較用基準データ生成工程と、撮像装置を用いて印刷物を撮像した撮像データを用いて比較用撮像データを生成する比較用撮像データ生成工程と、比較用基準データと比較用撮像データとを比較して、印刷物の良否を判定する検査工程と、を含み、比較用基準データ生成工程は、深層学習を適用して生成された第一学習モデルを用いて、基準データを比較用基準データへ変換する検査方法である。 An inspection method according to a first aspect includes a reference data acquisition step of acquiring reference data applied to printing of a printed matter, and comparison reference data of generating comparison reference data by converting the reference data according to conditions of the printed matter. a generation step; a comparison image data generation step of generating comparison image data using image data obtained by imaging a printed matter using an imaging device; and an inspection step of judging quality, wherein the comparison reference data generation step is an inspection method of converting reference data into comparison reference data using a first learning model generated by applying deep learning. .

第1態様によれば、深層学習を適用して生成された第一学習モデルを用いて基準データを比較用基準データに変換し、検査対象を撮像した撮像データに基づく比較用撮像データと比較用基準データとを比較して検査対象の良否を判定する。これにより、検査対象の印刷物に応じた比較用基準データに基づく検査対象の良否判定を実施し得る。 According to the first aspect, the reference data is converted into the reference data for comparison using the first learning model generated by applying deep learning, and the imaging data for comparison and the imaging data for comparison based on the imaging data obtained by imaging the inspection object The quality of the object to be inspected is judged by comparing it with the reference data. This makes it possible to determine the quality of the inspection target based on the comparison reference data corresponding to the printed matter to be inspected.

基準データは、印刷の際に印刷装置へ入力される印刷入力データを適用し得る。印刷入力データは、規定の形式を適用した画像データを適用し得る。基準データは印刷物の撮像画像を適用し得る。 The reference data may apply print input data that is input to the printing device during printing. The print input data can apply image data to which a prescribed format has been applied. A captured image of a print can be applied to the reference data.

第2態様は、第1態様の検査方法において、比較用基準データ生成工程は、比較用基準データの比較用撮像データとの類似性が、基準データの比較用撮像データとの類似性よりも高められる深層学習を実施して生成された第一学習モデルが用いられる構成としてもよい。 A second aspect is the inspection method of the first aspect, wherein in the comparison reference data generating step, the similarity of the comparison reference data to the comparison imaging data is higher than the similarity of the reference data to the comparison imaging data. A first learning model generated by performing deep learning may be used.

第2態様によれば、比較用撮像データとの類似性が基準データよりも高い比較基準データを適用した印刷物の良否判定を実施し得る。 According to the second aspect, it is possible to determine the quality of a printed matter to which comparison reference data having a higher similarity to the comparison imaging data than the reference data is applied.

第3態様は、第1態様又は第2態様の検査方法において、第一学習モデルは、印刷物の条件が異なる複数の比較用撮像データを学習データとする深層学習を実施して生成される構成としてもよい。 A third aspect is the inspection method according to the first aspect or the second aspect, wherein the first learning model is configured to be generated by performing deep learning using a plurality of comparative imaging data with different conditions of printed matter as learning data. good too.

第3態様によれば、様々な印刷物の条件に応じた比較用基準データの生成が可能となる。 According to the third aspect, it is possible to generate comparison reference data according to various printed material conditions.

印刷物の条件は印刷媒体の種類、網の種類及びカラープロファイル等の印刷条件が含まれ得る。印刷物の条件は印刷素子の特性情報及び印刷素子の補正情報等の印刷情報が含まれ得る。 Print conditions may include printing conditions such as print media type, mesh type and color profile. The print conditions may include print information such as print element characteristic information and print element correction information.

第4態様は、第1態様から第3態様のいずれか一態様の検査方法において、第一学習モデルは、一つ以上の印刷条件を適用して印刷された印刷物を撮像した撮像データを学習データとする深層学習を実施して生成される構成としてもよい。 A fourth aspect is the inspection method according to any one of the first to third aspects, wherein the first learning model is obtained by imaging printed matter printed by applying one or more printing conditions. It may be configured to be generated by implementing deep learning.

第4態様によれば、印刷条件が反映された第一学習モデルを生成し得る。 According to the fourth aspect, it is possible to generate the first learning model reflecting the printing conditions.

一つ以上の印刷条件の例として、任意の印刷媒体を印刷条件とする例が挙げられる。任意の印刷媒体は、任意の網又は任意のカラープロファイルとし得る。 An example of one or more print conditions is an example of using any print medium as a print condition. Any print medium can be any net or any color profile.

第5態様は、第1態様から第4態様のいずれか一態様の検査方法において、第一学習モデルは、一層以上の畳み込み層を具備し、基準データと同じ形式の学習用基準データを入力とし、比較用撮像データと同じ形式の学習用撮像データを出力とする学習データを学習する深層学習を実施して生成される構成としてもよい。 A fifth aspect is the inspection method according to any one of the first to fourth aspects, wherein the first learning model comprises one or more convolution layers, and receives learning reference data in the same format as the reference data. , may be generated by performing deep learning for learning learning data outputting learning imaging data in the same format as the comparison imaging data.

第5態様によれば、基準データと同じ形式の学習用基準データ及び比較用撮像データと同じ形式の学習用撮像データを用いた深層学習を実施して第一学習モデルを生成し得る。 According to the fifth aspect, the first learning model can be generated by performing deep learning using the learning reference data in the same format as the reference data and the learning imaging data in the same format as the comparison imaging data.

第6態様は、第5態様の検査方法において、第一学習モデルは、印刷情報を学習データとする深層学習を実施して生成される構成としてもよい。 According to a sixth aspect, in the inspection method of the fifth aspect, the first learning model may be generated by performing deep learning using print information as learning data.

第6態様によれば、印刷情報を反映した第一学習モデルを生成し得る。 According to the sixth aspect, it is possible to generate the first learning model reflecting the print information.

第7態様は、第5態様又は第6態様の検査方法において、学習用撮像データは、印刷物を生成する印刷装置のばらつきを補正する第一補正処理が実施された印刷物を用いて生成される構成としてもよい。 A seventh aspect is the inspection method according to the fifth aspect or the sixth aspect, wherein the learning imaging data is generated using a printed matter on which a first correction process for correcting variations in the printing device that generates the printed matter has been performed. may be

第7態様によれば、印刷装置のばらつきが補正された学習用撮像データを生成し得る。印刷装置のばらつきは、印刷装置内のばらつき及び複数の印刷装置における印刷装置間のばらつきの少なくともいずれかを含み得る。 According to the seventh aspect, it is possible to generate learning imaging data in which variations in printing apparatuses are corrected. Printing device variability may include variability within a printing device and/or between printing devices in a plurality of printing devices.

第8態様は、第7態様の検査方法において、第一補正処理は、吐出特性の補正を、印刷装置のばらつきの補正として実施する構成としてもよい。 According to an eighth aspect, in the inspection method of the seventh aspect, the first correction process may be configured such that the correction of the ejection characteristics is performed as the correction of the variation of the printing device.

第8態様によれば、吐出特性が補正された学習用撮像データを生成し得る。 According to the eighth aspect, it is possible to generate learning imaging data in which ejection characteristics are corrected.

第9態様は、第7態様又は第8態様の検査方法において、第一補正処理は、印刷装置における印刷媒体の搬送速度変動を、印刷装置のばらつきとして補正する構成としてもよい。 A ninth aspect may be configured such that, in the inspection method of the seventh aspect or the eighth aspect, the first correction process corrects variations in the transport speed of the printing medium in the printing device as variations in the printing device.

第9態様によれば、印刷媒体の搬送速度変動の補正が反映された学習用撮像データを生成し得る。 According to the ninth aspect, it is possible to generate the learning imaging data that reflects the correction of the conveyance speed variation of the print medium.

第10態様は、第5態様から第9態様のいずれか一態様の検査方法において、学習用撮像データは、印刷物を撮像する撮像装置のばらつきを補正する第二補正処理が実施された印刷物の撮像データを用いて生成される構成としてもよい。 A tenth aspect is the inspection method according to any one of the fifth aspect to the ninth aspect, wherein the learning imaging data is an image of the printed matter on which a second correction process for correcting variations in an imaging device that images the printed matter has been performed. The configuration may be generated using data.

第10態様によれば、撮像装置のばらつきが補正された学習用撮像データを生成し得る。 According to the tenth aspect, it is possible to generate learning imaging data in which variations in imaging devices are corrected.

第11態様は、第10態様の検査方法において、第二補正処理は、撮像装置のMTF及びCTFの少なくともいずれかを、撮像装置のばらつきとして補正する構成としてもよい。 An eleventh aspect may be configured such that, in the inspection method of the tenth aspect, the second correction process corrects at least one of the MTF and CTF of the imaging device as variation of the imaging device.

第11態様によれば、撮像装置のMTF及びCTFの少なくともいずれかが補正された学習用撮像データを生成し得る。 According to the eleventh aspect, learning imaging data in which at least one of the MTF and CTF of the imaging device is corrected can be generated.

第12態様は、第10態様又は第11態様の検査方法において、第二補正処理は、撮像装置の撮像データにおけるシェーディング特性を、撮像装置のばらつきとして補正する構成としてもよい。 A twelfth aspect may be configured such that, in the inspection method of the tenth aspect or the eleventh aspect, the second correction process corrects the shading characteristics in the imaging data of the imaging device as variations of the imaging device.

第12態様によれば、撮像装置の撮像データにおけるシェーディング特性が補正された学習用撮像データを生成し得る。 According to the twelfth aspect, it is possible to generate learning imaging data in which the shading characteristics of the imaging data of the imaging device are corrected.

第13態様は、第1態様から第12態様のいずれか一態様の検査方法において、比較用基準データ生成工程は、印刷物の生成の際に適用された印刷条件に基づいて、比較用基準データを生成する構成としてもよい。 A thirteenth aspect is the inspection method according to any one of the first to twelfth aspects, wherein the comparison reference data generating step generates the comparison reference data based on the printing conditions applied when the printed matter was generated. It is good also as a structure which generates.

第13態様によれば、印刷物の印刷に適用された印刷条件が反映された比較用基準データを生成し得る。 According to the thirteenth aspect, it is possible to generate comparison reference data that reflects the printing conditions applied to the printing of the printed matter.

第14態様は、第13態様の検査方法において、比較用撮像データ生成工程は、印刷条件が異なる際に、第一印刷条件が適用される比較用基準データと、第二印刷条件が適用される印刷物の撮像データを学習データとする学習を実施して生成される第二学習モデルを用いて、第二印刷条件が適用される印刷物の撮像データを第一印刷条件が適用される印刷物の撮像データへ変換する撮像データ変換工程を含む構成としてもよい。 A fourteenth aspect is the inspection method according to the thirteenth aspect, wherein the step of generating comparison imaged data applies the first printing condition to the comparison reference data and the second printing condition when the printing conditions are different. Image data of printed matter to which the second printing condition is applied is converted to image data of printed matter to which the first printing condition is applied, using a second learning model generated by performing learning using the imaged data of the printed matter as learning data. It may be configured to include an imaging data conversion step of converting to .

第14態様によれば、第一印刷条件が適用される学習用基準データと第二印刷条件が適用される学習用撮像データとを学習データとする学習を実施して生成された第二学習モデルを用いて、第二印刷条件が適用される撮像データから比較用撮像データを生成し得る。 According to the fourteenth aspect, the second learning model generated by performing learning using the learning reference data to which the first printing condition is applied and the learning imaging data to which the second printing condition is applied as learning data can be used to generate comparison imaging data from imaging data to which the second printing condition is applied.

第15態様は、第13態様又は第14態様の検査方法において、比較用基準データ生成工程は、印刷媒体の条件、網の条件及びカラープロファイルの条件の少なくともいずれかを印刷条件に適用して、比較用基準データを生成する構成としてもよい。 A fifteenth aspect is the inspection method of the thirteenth aspect or the fourteenth aspect, wherein the comparison reference data generating step applies at least one of the printing medium conditions, the mesh conditions, and the color profile conditions to the printing conditions, It may be configured to generate comparison reference data.

第15態様によれば、印刷媒体の条件、網の条件及びカラープロファイルの条件の少なくともいずれかを反映した比較用基準データを生成し得る。 According to the fifteenth aspect, it is possible to generate comparison reference data that reflects at least one of the print medium conditions, the mesh conditions, and the color profile conditions.

第16態様は、第1態様から第15態様のいずれか一態様の検査方法において、比較用基準データ生成工程は、第一学習モデルを用いる第一工程と学習モデルを非適用の第二工程とを含む構成としてもよい。 A sixteenth aspect is the inspection method according to any one of the first to fifteenth aspects, wherein the comparison reference data generating step includes a first step using the first learning model and a second step not applying the learning model. It is good also as a structure containing.

第16態様によれば、深層学習の内容をシンプル化し得る。また、必要な学習データ量を削減し得る。 According to the sixteenth aspect, the content of deep learning can be simplified. Also, the required amount of learning data can be reduced.

第17態様は、第1態様から第16態様のいずれか一態様の検査方法において、比較用基準データ生成工程は、比較用基準データのカラーチャンネルを比較用撮像データのカラーチャンネルに応じて変換する構成としてもよい。 A seventeenth aspect is the inspection method according to any one of the first aspect to the sixteenth aspect, wherein the comparison reference data generating step converts the color channel of the comparison reference data according to the color channel of the comparison imaging data. may be configured.

第17態様によれば、比較用撮像データのカラーチャンネルに応じて変換された比較用基準データを生成し得る。 According to the seventeenth aspect, it is possible to generate the comparison reference data converted according to the color channel of the comparison imaging data.

比較用基準データは、カラーチャンネルを比較用撮像データと一致させてもよい。 The reference data for comparison may match the color channel with the imaging data for comparison.

第18態様は、第1態様から第17態様のいずれか一態様の検査方法において、比較用基準データ生成工程は、比較用基準データの解像度を比較用撮像データの解像度に応じて変換する構成としてもよい。 An eighteenth aspect is the inspection method according to any one of the first aspect to the seventeenth aspect, wherein the comparison reference data generation step converts the resolution of the comparison reference data according to the resolution of the comparison imaging data. good too.

第18態様によれば、比較用撮像データの解像度に応じて変換された比較用基準データを生成し得る。 According to the eighteenth aspect, it is possible to generate the comparison reference data converted according to the resolution of the comparison imaging data.

比較用基準データは、解像度を比較用撮像データと一致させてもよい。 The reference data for comparison may have the same resolution as the imaging data for comparison.

第19態様に係る検査装置は、印刷物の印刷に適用される基準データを取得する基準データ取得部と、印刷物の条件に応じて基準データを変換して比較用基準データを生成する比較用基準データ生成部と、撮像装置を用いて印刷物を撮像した撮像データを用いて比較用撮像データを生成する比較用撮像データ生成部と、比較用基準データと比較用撮像データとを比較して、印刷物の良否を判定する検査部と、を含み、比較用基準データ生成部は、深層学習を適用して生成された第一学習モデルを用いて、基準データを比較用基準データへ変換する検査装置である。 An inspection apparatus according to a nineteenth aspect includes a reference data acquisition unit that acquires reference data applied to printing of a printed matter, and comparison reference data that converts the reference data according to conditions of the printed matter to generate comparison reference data. a generation unit; a comparison image data generation unit that generates comparison image data using image data obtained by imaging a printed matter using an imaging device; and an inspection unit for judging quality, wherein the comparison reference data generation unit is an inspection device that converts reference data into comparison reference data using a first learning model generated by applying deep learning. .

第19態様によれば、第1態様と同様の効果を得ることができる。 According to the nineteenth aspect, the same effects as those of the first aspect can be obtained.

第19態様において、第2態様から第18態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、検査方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担う検査装置の構成要素として把握することができる。 In the 19th aspect, the same matters as those specified in the 2nd to 18th aspects can be appropriately combined. In that case, the components that perform the processes and functions specified in the inspection method can be grasped as the components of the inspection apparatus that perform the corresponding processes and functions.

第20態様に係るプログラムは、コンピュータに、印刷物の印刷に適用される基準データを取得する基準データ取得機能、印刷物の条件に応じて基準データを変換して比較用基準データを生成する比較用基準データ生成機能、撮像装置を用いて印刷物を撮像した撮像データを用いて比較用撮像データを生成する比較用撮像データ生成機能、及び比較用基準データと比較用撮像データとを比較して、印刷物の良否を判定する検査機能を実現させるプログラムであって、比較用基準データ生成機能は、深層学習を適用して生成された第一学習モデルを用いて、基準データを比較用基準データへ変換するプログラムである。 A program according to a twentieth aspect provides a computer with a reference data acquisition function of acquiring reference data applied to printing of a printed matter, and a comparison reference for generating comparison reference data by converting the reference data according to the conditions of the printed matter. A data generation function, a comparison imaging data generation function for generating comparison imaging data using imaging data obtained by imaging a printed matter using an imaging device, and comparing the comparison reference data with the comparison imaging data to A program for realizing an inspection function for judging quality, wherein the comparison reference data generation function converts reference data into comparison reference data using a first learning model generated by applying deep learning. is.

第20態様によれば、第1態様と同様の効果を得ることができる。 According to the twentieth aspect, the same effects as those of the first aspect can be obtained.

第20態様において、第2態様から第18態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、検査方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担うプログラムの構成要素として把握することができる。 In the twentieth aspect, the same matters as those specified in the second to eighteenth aspects can be appropriately combined. In that case, the components that carry out the processes and functions specified in the inspection method can be grasped as the components of the program that carry out the corresponding processes and functions.

第21態様に係る印刷装置は、印刷媒体を搬送する搬送部と、搬送部を用いて搬送される印刷媒体に対して印刷を行い、印刷物を生成する印刷部と、印刷部を用いて生成された印刷物の検査を実施する検査装置と、を備え、検査装置は、印刷物の印刷に適用される基準データを取得する基準データ取得部と、印刷物の条件に応じて基準データを変換して比較用基準データを生成する比較用基準データ生成部と、撮像装置を用いて印刷物を撮像した撮像データを用いて比較用撮像データを生成する比較用撮像データ生成部と、比較用基準データと比較用撮像データとを比較して、印刷物の良否を判定する検査部と、を含み、比較用基準データ生成部は、深層学習を適用して生成された第一学習モデルを用いて、基準データを比較用基準データへ変換する印刷装置である。 A printing apparatus according to a twenty-first aspect includes a transport unit that transports a print medium, a print unit that prints on the print medium transported using the transport unit to generate a printed material, and a print that is generated using the print unit. and an inspection device for inspecting printed matter, wherein the inspection device includes a reference data acquisition unit that acquires reference data applied to printing of the printed matter, and a reference data that is converted according to the conditions of the printed matter for comparison. A comparison reference data generation unit that generates reference data, a comparison image data generation unit that generates comparison image data using image data obtained by imaging a printed matter using an imaging device, and a comparison reference data and a comparison image. an inspection unit that compares the data and determines whether the printed material is good or bad, and the comparison reference data generation unit uses the first learning model generated by applying deep learning to generate the reference data for comparison. A printing device that converts to reference data.

第21態様によれば、第1態様と同様の効果を得ることができる。 According to the twenty-first aspect, the same effects as those of the first aspect can be obtained.

第21態様において、第2態様から第18態様で特定した事項と同様の事項を適宜組み合わせることができる。その場合、検査方法において特定される処理や機能を担う構成要素は、これに対応する処理や機能を担う印刷装置の構成要素として把握することができる。 In the 21st aspect, the same matters as those specified in the 2nd to 18th aspects can be appropriately combined. In that case, the components that perform the processes and functions specified in the inspection method can be grasped as the components of the printing apparatus that perform the corresponding processes and functions.

本発明によれば、深層学習を適用して生成された第一学習モデルを用いて基準データを比較用基準データに変換し、検査対象を撮像した撮像データに基づく比較用撮像データと比較用基準データとを比較して検査対象の良否を判定する。これにより、検査対象の印刷物に応じた比較用基準データに基づく検査対象の良否判定を実施し得る。 According to the present invention, the reference data is converted into the reference data for comparison using the first learning model generated by applying deep learning, and the imaging data for comparison and the reference for comparison are based on the imaging data obtained by imaging the inspection target. data to determine whether the object to be inspected is good or bad. This makes it possible to determine the quality of the inspection target based on the comparison reference data corresponding to the printed matter to be inspected.

図1は第一実施形態に係る検査方法の手順を示すフローチャートである。FIG. 1 is a flow chart showing the procedure of the inspection method according to the first embodiment. 図2は第一実施形態に係る検査装置の機能ブロック図である。FIG. 2 is a functional block diagram of the inspection device according to the first embodiment. 図3は図2に示す基準データ変換部の機能ブロック図である。FIG. 3 is a functional block diagram of the reference data converter shown in FIG. 図4は第一深層学習モデルに適用される深層学習の説明図である。FIG. 4 is an explanatory diagram of deep learning applied to the first deep learning model. 図5は第一変形例に係る基準データ変換部の機能ブロック図である。FIG. 5 is a functional block diagram of a reference data converter according to the first modified example. 図6は第二変形例に係る基準データ変換部の機能ブロック図である。FIG. 6 is a functional block diagram of a reference data converter according to the second modification. 図7は第二実施形態に係る検査装置が解決した課題の説明図である。FIG. 7 is an explanatory diagram of the problem solved by the inspection apparatus according to the second embodiment. 図8は第二実施形態に係る検査装置の機能ブロック図である。FIG. 8 is a functional block diagram of an inspection device according to the second embodiment. 図9は第二深層学習モデルに適用される深層学習の説明図である。FIG. 9 is an explanatory diagram of deep learning applied to the second deep learning model. 図10は第三実施形態に係る検査装置に適用される第一深層学習モデルの説明図である。FIG. 10 is an explanatory diagram of the first deep learning model applied to the inspection apparatus according to the third embodiment. 図11は実施形態に係るインクジェット印刷装置の全体構成図である。FIG. 11 is an overall configuration diagram of an inkjet printing apparatus according to the embodiment. 図12は図11に示すインクジェット印刷装置の機能ブロック図である。FIG. 12 is a functional block diagram of the inkjet printer shown in FIG.

以下、添付図面に従って本発明の好ましい実施の形態について詳説する。本明細書では、同一の構成要素には同一の参照符号を付して、重複する説明は適宜省略する。 Preferred embodiments of the present invention will be described in detail below with reference to the accompanying drawings. In this specification, the same components are denoted by the same reference numerals, and overlapping descriptions are omitted as appropriate.

[第一実施形態]
〔検査方法の構成例〕
図1は第一実施形態に係る検査方法の手順を示すフローチャートである。以下に説明する検査方法は、印刷物を検査対象とする印刷物の検査方法であり、印刷物の撮像データから生成される比較用撮像データと、印刷物の基準データから生成される比較用基準データとを比較して、印刷物の良否を判定する。なお、印刷物とは、印刷装置に入力される基準データに基づく印刷が実施された印刷媒体を表す。
[First embodiment]
[Configuration example of inspection method]
FIG. 1 is a flow chart showing the procedure of the inspection method according to the first embodiment. The inspection method described below is a method for inspecting printed matter, in which the printed matter is the object of inspection, and the imaged data for comparison generated from the imaged data of the printed matter is compared with the reference data for comparison generated from the reference data for the printed matter. Then, the quality of the printed matter is determined. Note that the printed matter represents a print medium on which printing has been performed based on the reference data input to the printing device.

比較用基準データは、印刷物の基準データに対して、印刷に関する様々な条件に対応する深層学習を実施して生成された深層学習モデルを適用した変換処理を実施して生成される。これにより、印刷に関する様々な条件に対応した、印刷物の検査が実施される。 The reference data for comparison is generated by applying a conversion process to the reference data of the printed matter using a deep learning model generated by performing deep learning corresponding to various printing conditions. As a result, the inspection of the printed material is performed according to various conditions related to printing.

図1に示す基準データ取得工程S10では、印刷装置へ入力される基準データを取得する。基準データは、PDF形式及びTIFF形式等のデジタルデータが適用される。基準データは、校正用として予め印刷された印刷物を、撮像装置を用いて撮像して生成された撮像データを適用してもよい。なお、PDFはPortable Document Formatの省略語である。TIFFはTagged Image File Formatの省略語である。 In the reference data acquisition step S10 shown in FIG. 1, reference data to be input to the printing apparatus is acquired. As the reference data, digital data such as PDF format and TIFF format are applied. As the reference data, captured data generated by capturing an image of a printed matter printed in advance for proofreading using an imaging device may be applied. PDF is an abbreviation for Portable Document Format. TIFF is an abbreviation for Tagged Image File Format.

本実施形態には、シアン、マゼンタ、イエロー及びブラックが適用される4チャンネルのTIFF形式の基準データを印刷装置へ入力する態様を示す。基準データ取得工程S10の後に基準データ変換工程S12へ進む。 This embodiment shows a mode of inputting 4-channel TIFF-format reference data to which cyan, magenta, yellow, and black are applied to a printing apparatus. After the reference data acquisition step S10, the process proceeds to the reference data conversion step S12.

基準データ変換工程S12では、基準データ取得工程S10において取得した基準データを変換して比較用基準データを生成する。比較用基準データの生成は、深層学習モデルが適用される。深層学習モデルの例として、図3に第一深層学習モデル114を図示する。なお、実施形態に記載の第一深層学習モデル114は第一学習モデルの一例に相当する。 In the reference data conversion step S12, the reference data acquired in the reference data acquisition step S10 is converted to generate comparison reference data. A deep learning model is applied to generate the reference data for comparison. As an example of a deep learning model, FIG. 3 illustrates a first deep learning model 114 . Note that the first deep learning model 114 described in the embodiment corresponds to an example of the first learning model.

図3に示す第一深層学習モデル114は、CMYKが適用される4チャンネルのTIFF形式の画像データを、撮像装置の読取画像データであるRGBが適用される3チャンネルの画像データとの比較が可能な画像データへ変換する。基準データ変換工程S12の後に撮像データ取得工程S14へ進む。なお、実施形態に記載の基準データ変換工程S12は、比較用基準データ生成工程の一例に相当する。 The first deep learning model 114 shown in FIG. 3 can compare 4-channel TIFF format image data to which CMYK is applied with 3-channel image data to which RGB is applied, which is read image data of an imaging device. image data. After the reference data conversion step S12, the imaging data acquisition step S14 is performed. Note that the reference data conversion step S12 described in the embodiment corresponds to an example of the comparison reference data generation step.

撮像データ取得工程S14では、印刷物の撮像データを取得する。印刷物の撮像に適用される撮像装置はスキャナ装置を適用し得る。撮像データ取得工程S14の後に撮像データ補正工程S16へ進む。なお、実施形態に記載の撮像データ取得工程S14は比較用撮像データ生成工程の一例に相当する。 In the imaging data acquisition step S14, the imaging data of the printed matter is acquired. A scanner device can be applied as an imaging device that is applied to imaging printed matter. After the imaged data acquisition step S14, the process proceeds to the imaged data correction step S16. Note that the imaging data acquisition step S14 described in the embodiment corresponds to an example of the comparison imaging data generation step.

撮像データ補正工程S16では、撮像データ取得工程S14において取得した印刷物の撮像データに対して補正処理を実施する。補正処理として、サイズ変更及び回転補正等が挙げられる。印刷物の撮像データに対する補正が不要な場合は、撮像データ補正工程S16は省略される。撮像データ補正工程S16の後に検査工程S18へ進む。なお、実施形態に記載の撮像データ補正工程S16は比較用撮像データ生成工程の一例に相当する。 In the imaging data correction step S16, correction processing is performed on the imaging data of the printed matter acquired in the imaging data acquisition step S14. Correction processing includes resizing, rotation correction, and the like. If the imaging data of the printed matter need not be corrected, the imaging data correction step S16 is omitted. After the imaging data correction step S16, the process proceeds to the inspection step S18. Note that the imaging data correction step S16 described in the embodiment corresponds to an example of the comparison imaging data generation step.

撮像データ取得工程S14及び撮像データ補正工程S16は、基準データ取得工程S10の実施前に実施してもよいし、基準データ取得工程S10及び基準データ変換工程S12と並行して実施してもよい。 The imaging data acquisition step S14 and the imaging data correction step S16 may be performed before the reference data acquisition step S10, or may be performed in parallel with the reference data acquisition step S10 and the reference data conversion step S12.

検査工程S18は、基準データに基づく比較用基準データと、印刷物の撮像データに基づく比較用撮像データとを比較し、比較結果に基づいて印刷物の良否を判定する。比較用基準データと比較用撮像データとの比較処理は、画素ごとの特徴量又は複数の画素を含む領域ごとの特徴量を比較するなどの公知の手法を適用し得る。検査工程S18の後に検査結果報知工程S20へ進む。 The inspection step S18 compares the reference data for comparison based on the reference data with the imaging data for comparison based on the imaging data of the printed matter, and determines the quality of the printed matter based on the comparison result. The comparison processing between the reference data for comparison and the imaging data for comparison can be performed by applying a known method such as comparing the feature amount of each pixel or the feature amount of each area including a plurality of pixels. After the inspection step S18, the process proceeds to the inspection result reporting step S20.

検査結果報知工程S20では、検査結果を報知する。報知の形態の例として、表示装置を用いた視覚情報の報知及びスピーカーを用いた音声情報の報知等が挙げられる。検査結果報知工程S20の後に検査終了判定工程S22へ進む。 In the inspection result reporting step S20, the inspection result is reported. Examples of forms of notification include notification of visual information using a display device and notification of audio information using a speaker. After the inspection result notification step S20, the process proceeds to an inspection end determination step S22.

検査終了判定工程S22では、規定の検査終了条件を満たしているか否かを判定する。検査終了判定工程S22において規定の終了条件を満たしていないと判定された場合はNo判定となる。No判定の場合は撮像データ取得工程S14へ進み、検査終了判定工程S22においてYes判定となるまで、撮像データ取得工程S14から検査終了判定工程S22までの各工程を実施する。 In the inspection end determination step S22, it is determined whether or not a specified inspection end condition is satisfied. If it is determined in the inspection termination determination step S22 that the specified termination condition is not satisfied, the determination is No. In the case of No determination, the process proceeds to the imaging data acquisition step S14, and each step from the imaging data acquisition step S14 to the inspection completion determination step S22 is performed until a Yes determination is made in the inspection completion determination step S22.

一方、検査終了判定工程S22において規定の終了条件を満たしていると判定された場合はYes判定となる。Yes判定の場合は検査方法の手順は終了される。規定の終了条件の例として、予め設定された枚数の印刷物の検査が実施された場合及び検査を終了する旨の信号が外部から入力された場合等が挙げられる。 On the other hand, if it is determined in the inspection termination determination step S22 that the specified termination condition is satisfied, the determination is Yes. In the case of Yes determination, the procedure of the inspection method is terminated. Examples of prescribed end conditions include the case where a predetermined number of printed materials have been inspected, and the case where a signal indicating the end of the inspection is input from the outside.

〔検査装置の構成例〕
図2は第一実施形態に係る検査装置の機能ブロック図である。同図に示す検査装置10は、基準データ取得部12及び基準データ変換部14を備える。また、検査装置10は撮像データ取得部20及び撮像データ補正部22を備える。更に、検査装置10は、判定部30及び検査結果報知部32を備える。
[Configuration example of inspection device]
FIG. 2 is a functional block diagram of the inspection device according to the first embodiment. An inspection apparatus 10 shown in the figure includes a reference data acquisition unit 12 and a reference data conversion unit 14 . The inspection apparatus 10 also includes an imaging data acquisition unit 20 and an imaging data correction unit 22 . Furthermore, the inspection apparatus 10 includes a determination section 30 and an inspection result notification section 32 .

基準データ取得部12は、印刷装置へ入力される基準データ11を取得する。基準データ取得部12は基準データ11を基準データ変換部14へ送信する。基準データは、CMKYが適用される4チャンネルのTIFF形式のデジタルデータとし得る。基準データはCMKYに一色以上の特色を含む5チャンネル以上のTIFF形式、及びRGBが適用される3チャンネルのTIFF形式等としてもよい。 The reference data acquisition unit 12 acquires the reference data 11 input to the printing device. The reference data acquisition unit 12 transmits the reference data 11 to the reference data conversion unit 14 . The reference data can be 4-channel TIFF format digital data to which CMKY is applied. The reference data may be a TIFF format with five or more channels including one or more spot colors in CMKY, or a TIFF format with three channels to which RGB is applied.

また、基準データはTIFF形式に限定されない。基準データはPDF形式の画像データを適用してもよい。基準データはJPEG及びBMPなどの形式の画像データを適用してもよい。なお、JPEGはJoint Photographic Experts Groupの省略語である。BMPはBitmapの省略語である。 Also, the reference data is not limited to the TIFF format. Image data in PDF format may be applied to the reference data. Image data in formats such as JPEG and BMP may be applied to the reference data. JPEG is an abbreviation for Joint Photographic Experts Group. BMP is an abbreviation for Bitmap.

基準データとする画像データは、RIP処理前の画像データを適用してもよいし、RIP処理後の画像データを適用してもよい。なお、RIPはRaster Image Processorの省略語である。 The image data used as the reference data may be image data before RIP processing, or may be image data after RIP processing. Note that RIP is an abbreviation for Raster Image Processor.

基準データとする画像データは、ガンマ補正処理、濃度むら補正処理及び異常記録素子補正処理などの補正処理を行った補正処理後の画像データを適用してもよい。基準データとする画像データは、ハーフトーン処理を行ったハーフトーン処理後のドットデータを適用してもよい。 Image data used as reference data may be image data after correction processing such as gamma correction processing, density unevenness correction processing, and abnormal recording element correction processing. Image data used as reference data may be dot data after halftone processing.

更に、基準データは印刷装置へ入力されるデジタルデータに代わり、検査対象の印刷物の撮像データと同じ条件を適用して印刷された印刷物の撮像データ、又は異なる条件を適用して印刷された印刷物の撮像データを適用し得る。 Further, instead of digital data input to the printing device, the reference data is image data of a printed matter printed under the same conditions as the image data of the printed matter to be inspected, or image data of a printed matter printed under different conditions. Imaging data may be applied.

基準データ変換部14は、深層学習モデルを用いて基準データ11を変換して比較用基準データ13を生成する。基準データ変換部14は、比較用基準データ13を判定部30へ送信する。なお、実施形態に記載の基準データ変換部14は比較用基準データ生成部の一例に相当する。 The reference data conversion unit 14 converts the reference data 11 using a deep learning model to generate comparison reference data 13 . The reference data conversion unit 14 transmits the comparison reference data 13 to the determination unit 30 . Note that the reference data conversion unit 14 described in the embodiment corresponds to an example of a comparison reference data generation unit.

撮像データ取得部20は、スキャナ装置及びカメラ等の撮像装置40から印刷物の撮像データ21を取得する。撮像データ取得部20は撮像データ21を撮像データ補正部22へ送信する。 The imaging data acquisition unit 20 acquires imaging data 21 of a printed matter from an imaging device 40 such as a scanner device or a camera. The imaging data acquisition unit 20 transmits the imaging data 21 to the imaging data correction unit 22 .

撮像データ補正部22は、撮像データ取得部20から送信された撮像データ21に対して、サイズ変換等の補正処理を実施し、比較用撮像データ23を生成する。補正処理の例として、撮像データ21の一次元化処理及びフィルタ処理等が挙げられる。 The imaging data correction unit 22 performs correction processing such as size conversion on the imaging data 21 transmitted from the imaging data acquisition unit 20 to generate comparison imaging data 23 . Examples of correction processing include one-dimensionalization processing and filter processing of the imaging data 21 .

撮像データ補正部22は、撮像データに対する補正が不要な場合に撮像データ21に対して補正処理を実施せずに、撮像データ21を比較用撮像データ23として出力してもよい。撮像データ補正部22は、比較用撮像データ23を判定部30へ送信する。なお、実施形態に記載の撮像データ取得部20は比較用撮像データ生成部の一例に相当する。また、実施形態に記載の撮像データ補正部22は比較用撮像データ生成部の一例に相当する。 The imaging data correction unit 22 may output the imaging data 21 as the comparison imaging data 23 without performing the correction process on the imaging data 21 when the imaging data does not need to be corrected. The imaging data correction unit 22 transmits the comparison imaging data 23 to the determination unit 30 . Note that the imaging data acquisition unit 20 described in the embodiment corresponds to an example of a comparison imaging data generation unit. Also, the captured image data correction unit 22 described in the embodiment corresponds to an example of a comparison captured image data generation unit.

判定部30は、比較用基準データ13と比較用撮像データ23とを比較して、印刷物の良否を判定する。判定部30は、比較用基準データ13と比較用撮像データ23との比較結果に基づいて、インク欠け等の印刷異常の有無の判定及び印刷異常の種類の特定を実施してもよい。判定部30は、検査結果報知部32へ検査結果31を送信する。 The determination unit 30 compares the comparison reference data 13 and the comparison imaging data 23 to determine whether the printed matter is good or bad. The determination unit 30 may determine the presence or absence of printing abnormality such as ink shortage and identify the type of printing abnormality based on the comparison result between the comparison reference data 13 and the comparison imaging data 23 . The determination unit 30 transmits the inspection result 31 to the inspection result notification unit 32 .

判定部30は、検出された欠陥の強度値、欠陥の大きさ及び欠陥の長さなどの結果情報と、結果情報に対応した検査閾値とを比較して、検査閾値を超える欠陥が存在する場合に印刷異常が有ると判定し得る。検査閾値は、判定部30が予め保持する固定値が適用されてもよいし、ユーザインターフェースなどを介して検査装置10の使用者等が任意に設定してもよい。 The determination unit 30 compares result information such as the intensity value of the detected defect, the size of the defect, and the length of the defect with the inspection threshold value corresponding to the result information, and determines if there is a defect exceeding the inspection threshold value. It can be determined that there is a printing abnormality in The inspection threshold value may be a fixed value held in advance by the determination unit 30, or may be arbitrarily set by the user of the inspection apparatus 10 via a user interface or the like.

検査装置10の使用者等は、検査閾値の値を直接設定してもよい。検査装置10の使用者等は検査レベルに応じて規定された複数の検査閾値を選択的に設定してもよい。複数の検査閾値の適用例として、検査閾値大、検査閾値中及び検査閾値小など、検査レベルに応じた段階的な複数の検査閾値を規定し、検査装置10の使用者等が検査レベルに応じて、検査閾値大、検査閾値中及び検査閾値小を選択する態様が挙げられる。 A user or the like of the inspection apparatus 10 may directly set the value of the inspection threshold. A user or the like of the inspection apparatus 10 may selectively set a plurality of inspection thresholds defined according to inspection levels. As an application example of a plurality of inspection thresholds, a plurality of stepwise inspection thresholds according to inspection levels, such as a large inspection threshold, a medium inspection threshold, and a small inspection threshold, are defined, and the user of the inspection apparatus 10 or the like responds to the inspection level. Then, a mode in which a large inspection threshold, a medium inspection threshold, and a small inspection threshold are selected.

検査レベルに応じた複数の検査閾値のそれぞれは固定値を適用してもよいし、検査装置10の使用者等が都度、変更可能としてもよい。検査レベルに応じた複数の検査閾値のそれぞれは、検査レベルごとに一つだけ保持してもよいし、検査レベルごとに印刷条件に応じて複数保持してもよい。 A fixed value may be applied to each of the plurality of inspection thresholds according to the inspection level, or the user of the inspection apparatus 10 may be able to change them each time. Only one inspection threshold may be held for each inspection level, or a plurality of inspection thresholds may be held for each inspection level according to printing conditions.

印刷条件の例として、紙種等の図3に示す印刷条件124が挙げられる。印刷条件の他の例として、表面印刷であるか又は裏面印刷であるかが挙げられる。印刷条件の更に他の例としてインクの種類が挙げられる。 Examples of the printing conditions include the printing conditions 124 shown in FIG. 3, such as paper type. Other examples of printing conditions include front side printing or back side printing. Still another example of printing conditions is the type of ink.

検査結果報知部32は検査結果31を報知する。検査結果報知部32はモニタ装置等の表示装置を具備し、文字情報等を用いて検査結果を報知し得る。検査結果報知部32はスピーカー等の音声出力装置を具備し、音声情報を用いて検査結果を報知し得る。検査結果報知部32は、図示しない通信回線を用いて検査結果を表すデータを外部装置へ送信してもよい。外部装置の例として、コンピュータ及びプリンタ等が挙げられる。 The inspection result notification unit 32 notifies the inspection result 31 . The inspection result reporting unit 32 has a display device such as a monitor device, and can report the inspection result using character information or the like. The test result notification unit 32 has an audio output device such as a speaker, and can notify the test result using audio information. The inspection result reporting unit 32 may transmit data representing inspection results to an external device using a communication line (not shown). Examples of external devices include computers and printers.

〔第一深層学習モデルの構成例〕
図3は図2に示す基準データ変換部の機能ブロック図である。基準データ変換部14は、第一深層学習モデル114を備える。第一深層学習モデル114は、検査対象の印刷物の撮像データ21に基づく比較用撮像データ23に、基準データ11を近づける学習を実施した深層学習モデルである。
[Configuration example of the first deep learning model]
FIG. 3 is a functional block diagram of the reference data converter shown in FIG. The reference data conversion unit 14 has a first deep learning model 114 . The first deep learning model 114 is a deep learning model that performs learning to bring the reference data 11 closer to the comparison imaging data 23 based on the imaging data 21 of the printed matter to be inspected.

基準データ変換部14は、印刷条件124を取得する。基準データ変換部14は、印刷条件に応じた第一深層学習モデル114を用いて、基準データ11を比較用基準データ13へ変換し得る。 The reference data converter 14 acquires the printing conditions 124 . The reference data conversion unit 14 can convert the reference data 11 into the comparison reference data 13 using the first deep learning model 114 according to the printing conditions.

印刷条件124は、紙種、網種、解像度及びカラープロファイルの少なくともいずれかが含まれる。紙種は印刷媒体の種類である。紙種の例として、グロス紙及び上質紙等が挙げられる。 The printing conditions 124 include at least one of paper type, screen type, resolution, and color profile. The paper type is the type of print medium. Examples of paper types include gloss paper and high-quality paper.

網種は網点の種類を表す。なお、網点はハーフトーン等と呼ばれることがある。網点の例として、AMスクリーン、FMスクリーン及びハイブリッドスクリーン等が挙げられる。AMはAmplitude Modulationの省略語である。FMはFrequency Modulationの省略語である。 The halftone type indicates the type of halftone dot. A halftone dot is sometimes called a halftone or the like. Examples of halftone dots include AM screens, FM screens and hybrid screens. AM is an abbreviation for Amplitude Modulation. FM is an abbreviation for Frequency Modulation.

解像度の例として、一インチあたりのドット数を用いて表される印刷解像度が挙げられる。一インチあたりのドット数は、ドット毎インチ又はDPI(dot Per Inch)などと記載され得る。カラープロファイルの例として、CMKYプロファイル及びRGBプロファイル等が挙げられる。 An example of resolution is print resolution expressed using dots per inch. The number of dots per inch may be described as dots per inch or DPI (dots per inch). Examples of color profiles include CMKY profiles and RGB profiles.

基準データ変換部14は、各印刷条件について学習を実施して生成された複数の第一深層学習モデル114を備えてもよい。第一深層学習モデル114は、印刷条件124に応じて処理を切り替え可能に構成してもよい。 The reference data conversion unit 14 may include a plurality of first deep learning models 114 generated by learning each printing condition. The first deep learning model 114 may be configured to switch processing according to the printing conditions 124 .

図3に示す基準データ変換部14は、TIFF形式のデジタルデータが適用される基準データ11を、RGBが適用される3チャンネルの比較用撮像データ23との比較が可能な比較用基準データ13へ変換する。 The reference data conversion unit 14 shown in FIG. 3 transforms the reference data 11 to which TIFF format digital data is applied into comparison reference data 13 that can be compared with 3-channel comparison imaging data 23 to which RGB is applied. Convert.

〔第一深層学習モデルの具体例〕
第一深層学習モデル114の具体例として、グロス紙及び上質紙の両者を使用して、同一のコンテンツを印刷する場合の深層学習モデルについて説明する。第一深層学習モデル114は、グロス紙を用いた印刷物を印刷する際の印刷装置の入力データ及び上質紙を用いた印刷物の撮像データを学習データとする深層学習を実施して生成される。
[Specific example of the first deep learning model]
As a specific example of the first deep learning model 114, a deep learning model for printing the same content using both glossy paper and fine paper will be described. The first deep learning model 114 is generated by performing deep learning using input data of a printing apparatus when printing a printed matter using glossy paper and imaging data of a printed matter using high-quality paper as learning data.

基準データ変換部14は、上質紙を用いた印刷物の検査を実施する際に、グロス紙を用いた印刷物の検査を実施する際に使用した基準データ11が入力され、上質紙を用いた印刷物に適用される比較用基準データ13を生成する。 The reference data conversion unit 14 receives the reference data 11 used when inspecting the printed matter using high-quality paper when inspecting the printed matter using high-quality paper. Generate the reference data for comparison 13 to be applied.

これにより、上質紙を用いた印刷物の検査を実施する際に、グロス紙を用いた印刷物の検査を実施する際に使用した基準データ11を利用でき、上質紙を用いた印刷物の入力データを取得せずに、一定水準が維持された印刷物の検査を実施し得る。 As a result, the reference data 11 used when inspecting printed matter using high-quality paper can be used when inspecting printed matter using high-quality paper, and input data for printed matter using high-quality paper can be obtained. It is possible to carry out inspection of the printed matter in which a constant level is maintained.

ここでは、印刷条件として紙種を例示したが、図3に例示した網種等の印刷条件についても同様である。すなわち、任意の印刷条件が適用される印刷の入力データは、異なる印刷条件が適用される印刷物の検査における基準データとして利用でき、一定水準が維持された印刷物の検査を実施し得る。 Here, the paper type is exemplified as the printing condition, but the same applies to the printing condition such as the halftone type illustrated in FIG. In other words, input data for printing to which arbitrary printing conditions are applied can be used as reference data for inspection of printed matter to which different printing conditions are applied, and printed matter can be inspected at a constant level.

第一深層学習モデル114は、入力層、中間層及び出力層を有するニューラルネットワークを適用し得る。ニューラルネットワークの例として、畳み込みニューラルネットワークが挙げられる。畳み込みニューラルネットワークは、中間層に一層以上の畳み込み層及び一層以上のプーリング層を具備し得る。なお、畳み込みニューラルネットワークは、Convolution Neural Networkの省略語を用いてCNNと記載される場合があり得る。 A first deep learning model 114 may apply a neural network having an input layer, an intermediate layer and an output layer. Examples of neural networks include convolutional neural networks. A convolutional neural network may comprise one or more convolutional layers and one or more pooling layers in the intermediate layers. Note that the convolutional neural network may be described as CNN using the abbreviation of Convolution Neural Network.

第一深層学習モデル114は、GAN(Generative Adversarial Network)、CycleGAN及びVAE(Variational Auto Encoder)等の生成モデルを適用し得る。なお、GANは敵対性生成モデルと呼ばれる場合があり得る。VAEは変分オートエンコーダと呼ばれる場合があり得る。 The first deep learning model 114 can apply generative models such as GAN (Generative Adversarial Network), CycleGAN and VAE (Variational Auto Encoder). It should be noted that GAN may be called a generative adversarial model. A VAE may be referred to as a variational autoencoder.

〔深層学習の具体例〕
図4は第一深層学習モデルに適用される深層学習の説明図である。CMYKが適用される4チャンネルの基準データ11と、RGBが適用される3チャンネルの撮像データ21とは、カラーチャンネルが相違する。また、撮像データ21の解像度は撮像装置の性能に依存し、一般に撮像データ21の解像度は基準データ11の解像度と相違する。そうすると、基準データ11と撮像データ21との比較は難しい。
[Specific examples of deep learning]
FIG. 4 is an explanatory diagram of deep learning applied to the first deep learning model. The 4-channel reference data 11 to which CMYK is applied and the 3-channel imaging data 21 to which RGB is applied have different color channels. Also, the resolution of the imaging data 21 depends on the performance of the imaging device, and generally the resolution of the imaging data 21 is different from the resolution of the reference data 11 . Then, it is difficult to compare the reference data 11 and the imaging data 21 .

そこで、学習用基準データ111を入力とし、学習用撮像データ123を出力とする学習データ100を用いて教師あり深層学習を実施し、第一深層学習モデル114を生成する。第一深層学習モデル114は、基準データ11を比較用基準データ13へ変換する際に、カラーチャンネル及び解像度の変換処理を実施する。 Therefore, supervised deep learning is performed using learning data 100 in which learning reference data 111 is input and learning imaging data 123 is output, and a first deep learning model 114 is generated. The first deep learning model 114 performs color channel and resolution conversion processing when converting the reference data 11 into the comparison reference data 13 .

例えば、様々なTIFF形式の学習用基準データ111を印刷装置へ入力し、入力データごとの印刷物を生成する。撮像装置を用いて印刷物を撮像して、RGBが適用される学習用撮像データ123を生成する。学習用基準データ111と学習用撮像データ123とを第一深層学習モデル114へ入力して深層学習を実施し、学習済みの第一深層学習モデル114を生成する。 For example, various TIFF-format learning reference data 111 are input to a printing device, and printed matter is generated for each input data. An imaging device is used to capture an image of a printed matter, and learning imaging data 123 to which RGB is applied is generated. The learning reference data 111 and the learning imaging data 123 are input to the first deep learning model 114 to perform deep learning and generate the trained first deep learning model 114 .

これにより、従来はパラメータ設計等を手動実施して、手間及び期間を費やしていた基準データの変換処理が、第一深層学習モデル114を適用して自動化され、基準データの変換処理が容易に実施可能となる。 As a result, conversion processing of reference data, which conventionally required manual design of parameters and took time and effort, is automated by applying the first deep learning model 114, and conversion processing of reference data is easily performed. It becomes possible.

また、学習済みの第一深層学習モデル114は、基準データを印刷物の撮像データに近づける処理を実施する。これにより、少なくとも従来と同様の検査水準が維持された印刷物の検査が可能となる。なお、学習データの入力は入力データと呼ばれ、学習データの出力は出力データ及び正解データと呼ばれる場合がある。 Also, the learned first deep learning model 114 carries out a process of bringing the reference data closer to the captured data of the printed matter. As a result, it becomes possible to inspect the printed material while maintaining at least the same level of inspection as in the past. The input of learning data may be called input data, and the output of learning data may be called output data and correct data.

〔深層学習における印刷情報の追加利用〕
第一深層学習モデル114を生成する際の深層学習は、印刷情報125を追加利用し得る。インクジェット印刷装置では、ノズル状態に起因する画像欠陥が発生し得る。インクジェット印刷装置では、ノズルごとの不吐出及び吐出曲がり等の補正を実施して、画像欠陥の発生を抑制している。不吐及び吐出曲がり等のノズルごとの性能を表すノズル情報及び補正パラメータ等の印刷情報125を深層学習に組み込み、更に高精度の深層学習を実施し得る。
[Additional use of printed information in deep learning]
Deep learning in generating first deep learning model 114 may additionally utilize printed information 125 . Image defects due to nozzle conditions can occur in inkjet printing devices. In the inkjet printing apparatus, the occurrence of image defects is suppressed by correcting non-ejection and ejection bending for each nozzle. Printing information 125 such as nozzle information and correction parameters representing the performance of each nozzle, such as non-ejection and ejection bending, can be incorporated into deep learning, and more accurate deep learning can be performed.

印刷情報125としてノズルごとの不吐情報を深層学習に組み込む場合、撮像データにおける正常ノズルを用いて印刷された領域と、補正吐出が実施された領域との像構造が異なる特性がある。両者の像構造が異なる特性を深層学習モデルの変換演算を適用して再現する際に、学習の際にノズルごとの不吐情報を入力の一つとする。これにより、不吐ノズルの印刷位置に対応する撮像データの位置について、像構造の変化に対応した深層学習モデルの生成が可能となる。 When ejection failure information for each nozzle is incorporated into deep learning as the print information 125, there is a characteristic that the image structure of an area printed using normal nozzles in the image data and an area subjected to corrective ejection are different. When the characteristics of the two different image structures are reproduced by applying the conversion operation of the deep learning model, discharge failure information for each nozzle is used as one of the inputs during learning. As a result, it is possible to generate a deep learning model corresponding to changes in the image structure for the imaging data positions corresponding to the printing positions of the ejection failure nozzles.

〔深層学習における出力データの変形例〕
深層学習に適用される出力データは、補正情報126を適用して印刷物の撮像データを補正した補正後の撮像データを適用し得る。印刷中に撮像される撮像データは、同一の印刷条件を適用した場合でも、印刷装置のばらつき及び撮像装置のばらつきに分類される二つの外乱要因が存在する。
[Modified example of output data in deep learning]
As the output data applied to deep learning, the image data after correction obtained by correcting the image data of the printed matter by applying the correction information 126 can be applied. Even when the same printing conditions are applied to imaged data captured during printing, there are two disturbance factors classified as variations in the printing apparatus and variations in the imaging apparatus.

印刷装置ごとの印刷装置のばらつきの例として、印刷媒体の搬送方向における印刷媒体の搬送速度変動が挙げられる。なお、ここでいう速度は速さの意味が含まれ得る。印刷媒体の搬送方向における印刷媒体の搬送速度変動は、印刷媒体の搬送方向における撮像位置にばらつきを発生させ、撮像データにおける印刷物の位置が印刷媒体ごとにわずかに異なる問題を発生させる。 As an example of the variation in printing apparatuses, there is variation in the transport speed of the print medium in the transport direction of the print medium. In addition, the speed here may include the meaning of speed. Fluctuations in the transport speed of the print medium in the transport direction of the print medium cause fluctuations in the imaging position in the transport direction of the print medium, causing a problem that the position of the printed matter in the imaging data differs slightly for each print medium.

かかる問題に対する補正として、印刷媒体の搬送部に具備される印刷媒体の搬送制御に適用されるエンコーダ信号を用いた、印刷媒体の搬送方向における撮像位置の補正を実施し得る。なお、実施形態に記載の印刷装置ごとの印刷装置のばらつきの補正処理は第一補正処理の一例に相当する。 As a correction for this problem, it is possible to correct the imaging position in the transport direction of the print medium using an encoder signal applied to the transport control of the print medium provided in the print medium transport unit. It should be noted that the process of correcting variations in printing apparatuses for each printing apparatus described in the embodiment corresponds to an example of the first correction process.

撮像装置のばらつきの例として、撮像装置のMTF特性及びCTF特性に起因する撮像データにおける解像力の局所的な相違が挙げられる。なお、MTFはModulation Transfer Functionの省略語である。CTFはContrast Transfer Functionの省略語である。MTF特性に起因する解像力の局所的なばらつきに対して、予め取得したMTF特性を基に生成された補正テーブルを用いた撮像データの解像性を一定にする補正処理を実施する。CTF特性に起因する解像力の局所的なばらつきについても同様である。 An example of variation in imaging devices is local differences in resolving power in imaging data due to MTF characteristics and CTF characteristics of imaging devices. Note that MTF is an abbreviation for Modulation Transfer Function. CTF is an abbreviation for Contrast Transfer Function. Correction processing for making the resolution of imaging data constant is performed using a correction table generated based on the MTF characteristics acquired in advance, with respect to local variations in resolution caused by the MTF characteristics. The same applies to local variations in resolving power due to CTF characteristics.

撮像装置のばらつきの他の例として、撮像データの端が暗くなるシェーディングが発生し、一様な明るさの照明を用いて印刷物を撮像した際の、撮像データの端部と非端部との明るさの相違が挙げられる。シェーディング特性に起因する撮像データにおける明るさの相違に対して、撮像データの全体を一様の明るさに補正するシェーディング特性の補正を実施する。 As another example of variations in imaging devices, shading occurs in which the edges of captured data become dark, and when a print is captured using illumination with uniform brightness, the difference between the edges and non-edges of the captured data. There is a difference in brightness. A shading characteristic correction is performed to correct the brightness of the entire captured data to uniform brightness for the difference in brightness in the captured data caused by the shading characteristic.

撮像データにばらつきが存在する場合、撮像データを出力データとする学習の際に、撮像データのばらつきを無理に区別して、外乱要因に弱い深層学習モデルが生成される問題が生じる。そこで、撮像データに対して各種ばらつきの補正を実施した補正後の撮像データを出力とする。これにより、補正前の撮像データを出力データとする場合と比較して、出力データのばらつきが減少し、より正確な深層学習の実施が可能となる。なお、実施形態に記載の撮像装置のばらつきの補正は第二補正処理の一例に相当する。 If there is variation in the imaged data, there is a problem that the variations in the imaged data are forcibly distinguished during learning using the imaged data as output data, and a deep learning model that is vulnerable to disturbance factors is generated. Therefore, the corrected imaging data obtained by correcting various variations of the imaging data is output. As a result, variations in the output data are reduced and more accurate deep learning can be performed as compared with the case where the imaging data before correction is used as the output data. It should be noted that the correction of variations in the imaging apparatus described in the embodiment corresponds to an example of second correction processing.

〔深層学習における出力データの他の変形例〕
深層学習における出力データは、印刷装置間のばらつきを補正した補正後の撮像データを適用し得る。印刷装置間のばらつきの具体例として、インクジェット印刷装置におけるヘッドごとの吐出特性のばらつきが挙げられる。吐出特性の例として、吐出特性の例として、印刷物に生じる特定の方向に沿うすじ状の濃度むらが挙げられる、かかるすじ状の濃度むらは、すじ及びむら等と呼ばれる場合があり得る。
[Other modifications of output data in deep learning]
As output data in deep learning, captured image data after correction for variations between printing apparatuses can be applied. A specific example of variation between printing apparatuses is variation in ejection characteristics of each head in an inkjet printing apparatus. An example of ejection characteristics is streak-like density unevenness along a specific direction that occurs in a printed matter.

ヘッドごとのばらつきに起因して、印刷物は濃度むらが発生し得る。また、ヘッドごとのばらつきに起因して、色調の相違が発生し得る。インクジェット印刷装置では、濃度むら補正及び色調補正を実施して装置間のばらつきを補正している。 Density unevenness may occur in printed matter due to variations between heads. In addition, differences in color tone may occur due to variations between heads. Ink jet printing apparatuses perform density unevenness correction and color tone correction to correct variations between apparatuses.

装置間のばらつきを補正せずに印刷を実施した印刷物から深層学習の出力データを生成して深層学習を実施した場合、ばらつきを再現する学習が実施される。そうすると、学習データとなる印刷物を印刷していない印刷装置に対して、上記の学習を実施した深層学習モデルを適用した場合、印刷物は学習の出力データと相違するばらつきが発生し得るので、装置間のばらつきに起因する外乱要因に対して弱い問題が発生する。そこで、学習の出力データを生成する際に、印刷において装置間のばらつきを低減する補正を実施する。これにより、汎用的であり、かつ高性能の深層学習モデルを生成し得る。なお、実施形態に記載の印刷装置間のばらつきの補正は第一補正処理の一例に相当する。 When deep learning is performed by generating output data for deep learning from printed matter printed without correcting variations between apparatuses, learning to reproduce variations is performed. Then, if the deep learning model that has undergone the above learning is applied to a printing device that does not print the printed matter that serves as learning data, the printed matter may have variations different from the learning output data. A problem that is weak against disturbance factors caused by variations in Therefore, when generating learning output data, correction is performed to reduce variations between devices in printing. This can generate general-purpose and high-performance deep learning models. Note that the correction of variations between printing apparatuses described in the embodiment corresponds to an example of first correction processing.

〔基準データ変換部の第一変形例〕
図5は第一変形例に係る基準データ変換部の機能ブロック図である。同図に示す基準データ変換部14Aは、複数の深層学習モデルを備える。同図には、複数の深層学習モデルとして、第一深層学習モデル114A及び第三深層学習モデル114Bを例示する。基準データ変換部14Aは、三つ以上の深層学習モデルを備え得る。なお、実施形態に記載の第三深層学習モデル114Bは第一深層学習モデルの一例に相当する。
[First modification of the reference data converter]
FIG. 5 is a functional block diagram of a reference data converter according to the first modified example. A reference data conversion unit 14A shown in the figure includes a plurality of deep learning models. In the figure, a first deep learning model 114A and a third deep learning model 114B are illustrated as multiple deep learning models. The reference data conversion unit 14A can have three or more deep learning models. Note that the third deep learning model 114B described in the embodiment corresponds to an example of the first deep learning model.

基準データ変換部14Aは、第一深層学習モデル114Aと第三深層学習モデル114Bとを選択的に切り替えが可能である。複数の深層学習モデルを備える場合、深層学習モデルごとの深層学習が単純化され、学習性能が向上し得る。 The reference data conversion unit 14A can selectively switch between the first deep learning model 114A and the third deep learning model 114B. When multiple deep learning models are provided, deep learning for each deep learning model is simplified, and learning performance can be improved.

例えば、第一深層学習モデル114Aは色情報の変換に適用し、第三深層学習モデル114Bは解像度情報の変換に適用し得る。図示しない他の深層学習モデルを備え、色情報変換及び解像度情報変換の他の変換を実施してもよい。 For example, the first deep learning model 114A may be applied to transform color information, and the third deep learning model 114B may be applied to transform resolution information. Other deep learning models, not shown, may be provided to implement other conversions of color information conversion and resolution information conversion.

〔基準データ変換部の第二変形例〕
図6は第二変形例に係る基準データ変換部の機能ブロック図である。同図に示す基準データ変換部14Cは、第一深層学習モデル114C及び画像処理部115を備える。画像処理部115は、図3等に示す第一深層学習モデル114において実施される基準データ11から比較用基準データ13への変換処理の一部を実施する。
[Second Modification of Reference Data Conversion Unit]
FIG. 6 is a functional block diagram of a reference data converter according to the second modification. The reference data conversion unit 14C shown in the figure includes a first deep learning model 114C and an image processing unit 115 . The image processing unit 115 performs part of the conversion processing from the reference data 11 to the comparison reference data 13 performed in the first deep learning model 114 shown in FIG. 3 and the like.

画像処理部115に適用される処理の例として、輝度補正等が挙げられる。深層学習モデルは統計的な処理であり、高精度の深層学習モデルを生成するには高品質の学習データが大量に必要である。そこで、輝度補正等の比較的単純な一部の処理について、画像処理部115が実施する。これにより、深層学習が単純化され、基準データ変換部14Cの一定の性能が維持され、深層学習に適用される学習データの削減が可能となる。 Examples of processing applied to the image processing unit 115 include brightness correction and the like. A deep learning model is a statistical process, and a large amount of high-quality training data is required to generate a highly accurate deep learning model. Therefore, the image processing unit 115 performs some relatively simple processing such as luminance correction. This simplifies deep learning, maintains constant performance of the reference data conversion unit 14C, and enables reduction of learning data applied to deep learning.

なお、第一深層学習モデル114Cは第一工程を実施する構成要素の一例に相当する。また、実施形態に記載の画像処理部115は学習モデルを非適用の第二工程を実施する構成要素の一例に相当する。 Note that the first deep learning model 114C corresponds to an example of a component that implements the first step. Also, the image processing unit 115 described in the embodiment corresponds to an example of a component that performs the second step of not applying the learning model.

〔ハードウェア構成の説明〕
図2から図6に示す各処理部は、以下に説明するハードウェアを用いて、規定のプログラムを実行して検査装置10の機能を実現し得る。各処理部のハードウェアは、各種のプロセッサを適用し得る。プロセッサの例として、CPU(Central Processing Unit)及びGPU(Graphics Processing Unit)が挙げられる。CPUはプログラムを実行して各処理部として機能する汎用的なプロセッサである。GPUは画像処理に特化したプロセッサである。プロセッサのハードウェアは、半導体素子等の電気回路素子を組み合わせた電気回路が適用される。各制御部は、プログラム等が記憶されるROM(Read Only Memory)及び各種演算の作業領域等であるRAM(Random Access Memory)を備える。
[Description of hardware configuration]
Each processing unit shown in FIGS. 2 to 6 can implement the functions of the inspection apparatus 10 by executing a prescribed program using hardware described below. Various processors can be applied to the hardware of each processing unit. Examples of processors include CPUs (Central Processing Units) and GPUs (Graphics Processing Units). The CPU is a general-purpose processor that executes programs and functions as each processing unit. A GPU is a processor specialized for image processing. The hardware of the processor is applied to an electric circuit in which electric circuit elements such as semiconductor elements are combined. Each control unit includes a ROM (Read Only Memory) in which programs and the like are stored and a RAM (Random Access Memory) as a work area for various calculations.

一つの処理部に対して二つ以上のプロセッサを適用してもよい。二つ以上のプロセッサは、同じ種類のプロセッサでもよいし、異なる種類のプロセッサでもよい。また、複数の処理部に対して一つのプロセッサを適用してもよい。 Two or more processors may be applied to one processing unit. The two or more processors may be the same type of processor or different types of processors. Also, one processor may be applied to a plurality of processing units.

図2から図6を用いて説明した検査装置10は、上記したハードウェアを用いて、規定のプログラムを実行して実現し得る。なお、プログラムはソフトウェアと同義である。第二実施形態及び第三実施形態についても同様である。 The inspection apparatus 10 described with reference to FIGS. 2 to 6 can be realized by executing a specified program using the hardware described above. A program is synonymous with software. The same applies to the second embodiment and the third embodiment.

〔基準データ及び撮像データの変形例〕
本実施形態では、基準データ11及び撮像データ21は画像データが適用される態様を例示する。基準データ11及び撮像データ21は、画像データでなくてもよい。例えば、基準データ11及び撮像データ21は、画像データを一次元化したプロファイルを適用し得る。
[Modified example of reference data and imaging data]
In this embodiment, the reference data 11 and the imaging data 21 exemplify a mode in which image data is applied. The reference data 11 and the imaging data 21 may not be image data. For example, the reference data 11 and the imaging data 21 may apply a one-dimensional profile of image data.

シングルパス方式のインクジェット印刷装置を用いて印刷された印刷物は、印刷媒体の搬送方向に伸びるすじ状の欠陥が発生し得る。印刷物の撮像データ21に存在するノイズ除去及びすじ状の欠陥の情報保持の観点から、印刷物の撮像データ21に対して、印刷媒体の搬送方向にのみに作用するぼかしフィルタが用いられる場合がある。 Printed matter printed using a single-pass inkjet printing apparatus may have streak-like defects extending in the transport direction of the print medium. From the standpoint of noise removal and streak-like defect information retention in the imaged data 21 of the printed matter, a blurring filter that acts only in the transport direction of the print medium may be used for the imaged data 21 of the printed matter.

印刷物の撮像データ21に対して上記のぼかしフィルタを用いる場合、印刷物の撮像データ21について、印刷媒体の搬送方向と直交する印刷媒体の幅方向の各位置における印刷媒体の搬送方向に沿う複数の画素の、画素値の一次元プロファイルを作成する。 When the blurring filter is used for the image data 21 of the print, a plurality of pixels along the transport direction of the print medium at each position in the width direction of the print medium orthogonal to the transport direction of the print medium are obtained for the image data 21 of the print. create a one-dimensional profile of the pixel values of .

基準データ11について、撮像データ21と同様の一次元プロファイルを作成し、基準データ11に基づく一次元プロファイルと、撮像データ21に基づく一次元プロファイルとを比較して、印刷物におけるすじ状の欠陥を検出し得る。 A one-dimensional profile similar to that of the imaging data 21 is created for the reference data 11, and the one-dimensional profile based on the reference data 11 and the one-dimensional profile based on the imaging data 21 are compared to detect streak-like defects in the printed matter. can.

比較用基準データ13として一次元プロファイルを適用する場合、一次元プロファイルを学習データとする深層学習を実施した深層学習モデルを生成し得る。一次元プロファイルを学習データとする深層学習は、画像データを学習データとする深層学習と比較して次元数が削減され、学習期間の短縮化及び深層学習モデルの高性能化が可能である。 When a one-dimensional profile is applied as the comparison reference data 13, a deep learning model can be generated by performing deep learning using the one-dimensional profile as learning data. Deep learning, which uses one-dimensional profiles as learning data, has a reduced number of dimensions compared to deep learning, which uses image data as learning data, and can shorten the learning period and improve the performance of the deep learning model.

〔深層学習モデルの追加学習〕
図3に示す第一深層学習モデル114等は、検査装置10を用いて検査が実施された撮像データ21を学習データ100として、追加学習を実施してもよい。これにより、第一深層学習モデル114の変換性能が向上し得る。
[Additional learning of deep learning model]
The first deep learning model 114 and the like shown in FIG. 3 may perform additional learning using the imaging data 21 inspected using the inspection apparatus 10 as the learning data 100 . This may improve the conversion performance of the first deep learning model 114 .

[第一実施形態の作用効果]
第一実施形態に係る検査方法及び検査装置によれば、以下の作用効果を得ることが可能である。
[Action and effect of the first embodiment]
According to the inspection method and inspection apparatus according to the first embodiment, it is possible to obtain the following effects.

〔1〕
検査結果ではなく、印刷物の撮像データに基づく比較用基準データを学習データとする学習を実施して生成した深層学習モデルを用いて、印刷の際の入力データを比較用基準データへ変換し、一定の検査性能の獲得及び学習の効率化を達成する。
[1]
Using a deep learning model generated by performing learning using reference data for comparison based on image data of printed matter instead of inspection results as learning data, input data at the time of printing is converted into reference data for comparison, and fixed Acquisition of inspection performance and efficiency of learning are achieved.

深層学習モデルを用いて、基準データから比較用基準データへの変換において、人手の特徴量定義等を不要化する。深層学習モデルの適用は、人手の特徴量定義等と比較して大量の学習データが必要になるドローバックを生じるが、深層学習モデルを適用する変換対象を検査結果ではなく検査データとし、データ収集が劇的に容易化される。 A deep learning model is used to eliminate the need for manual definition of feature values in conversion from reference data to reference data for comparison. The application of the deep learning model causes a drawback that requires a large amount of learning data compared to manual feature value definition, etc. is dramatically facilitated.

これにより、テーブル等を適用した基準データの変換と比較して、パラメータのチューニング等に費やす労力の大幅な改善を実現し得る。 As a result, compared to the conversion of reference data using a table or the like, it is possible to significantly reduce the effort spent on parameter tuning and the like.

〔2〕
第一深層学習モデルは、比較用基準データは、比較用撮像データとの類似性が基準データよりも高められる学習を実施する。これにより、第一深層学習モデルは、比較用撮像データとの類似性が相対的に高い比較用基準データを生成し得る。
[2]
The first deep learning model performs learning such that the reference data for comparison has a higher similarity to the imaging data for comparison than the reference data. Thereby, the first deep learning model can generate reference data for comparison that has relatively high similarity to the imaging data for comparison.

〔3〕
第一深層学習モデルは、印刷条件及び印刷情報の少なくともいずれかを含む印刷物の条件が異なる比較用撮像データを学習データとする深層学習を実施する。これにより、印刷物の条件を反映した比較用基準データを生成し得る。
[3]
The first deep learning model performs deep learning using comparative imaging data with different conditions of printed materials including at least one of printing conditions and printing information as learning data. Thereby, it is possible to generate the reference data for comparison that reflects the conditions of the printed matter.

〔4〕
第一深層学習モデルは、一つ以上の畳み込み層を具備する深層学習モデルであり、基準データと同じ形式の学習用基準データ及び比較用撮像データと同じ形式の学習用撮像データを学習データとする深層学習を実施する。これにより、基準データ同じ形式の学習用基準データ及び比較用撮像データと同じ形式の学習用撮像データを用いた深層学習を実施して第一深層学習モデルを生成し得る。
[4]
The first deep learning model is a deep learning model having one or more convolution layers, and uses learning reference data in the same format as the reference data and learning imaging data in the same format as the comparison imaging data as learning data. Implement deep learning. Thereby, the first deep learning model can be generated by performing deep learning using the learning reference data in the same format as the reference data and the learning imaging data in the same format as the comparison imaging data.

〔5〕
第一深層学習モデルは、印刷情報を学習データに追加した深層学習を実施する。これにより印刷情報を反映した第一深層学習モデルを生成し得る。
[5]
The first deep learning model performs deep learning by adding print information to learning data. This can generate a first deep learning model that reflects the printed information.

〔6〕
第一深層学習モデルは、印刷装置内のばらつき、撮像装置内のばらつき及び印刷装置間のばらつきを補正した学習データの出力データを用いした深層学習を実施する。これにより、印刷装置のばらつき等に起因する外乱要因が排除された深層学習を実施し得る。
[6]
The first deep learning model performs deep learning using output data of learning data corrected for variations within the printing apparatus, variations within the imaging apparatus, and variations among printing apparatuses. As a result, deep learning can be performed in which disturbance factors caused by variations in printing apparatuses are eliminated.

〔7〕
基準データ変換部は、第一深層学習モデル及び第三深層学習モデルを備える。これにより、深層学習モデルごとの深層学習が単純化され、学習性能が向上し得る。
[7]
The reference data converter includes a first deep learning model and a third deep learning model. This may simplify deep learning for each deep learning model and improve learning performance.

〔8〕
基準データ変換部は、第一深層学習モデルと画像処理部を備える。画像処理部は比較的単純な画像処理を実施する。これにより、第一深層学習モデルが単純化される。学習データの削減が可能となる。
[8]
The reference data converter includes a first deep learning model and an image processor. The image processor performs relatively simple image processing. This simplifies the first deep learning model. Learning data can be reduced.

[第二実施形態]
次に、第二実施形態について説明する。第二実施形態に係る検査方法及び検査装置は、学習データを生成する際の印刷条件と、検査対象の印刷物を生成する際の印刷条件が異なる場合にも、高精度の検査を実施し得る。
[Second embodiment]
Next, a second embodiment will be described. The inspection method and inspection apparatus according to the second embodiment can perform highly accurate inspection even when the printing conditions for generating the learning data and the printing conditions for generating the printed matter to be inspected are different.

図7は第二実施形態に係る検査装置が解決した課題の説明図である。図7には、第一実施形態に係る検査装置10に実装される第一深層学習モデル114を適用して、グロス条件の比較用基準データ13Aと、上質紙条件の撮像データ21Aから生成される上質紙条件の比較用撮像データ23Aとを比較する場合を示す。 FIG. 7 is an explanatory diagram of the problem solved by the inspection apparatus according to the second embodiment. In FIG. 7, the first deep learning model 114 implemented in the inspection apparatus 10 according to the first embodiment is applied, and the comparison reference data 13A under the gloss condition and the imaging data 21A under the fine paper condition are generated. A case of comparison with comparison image data 23A under high-quality paper conditions is shown.

かかる場合は、上質紙条件の印刷条件の違いに起因するデータの差異が発生し、両者の比較が難しい。以下に説明する検査装置10Aは、かかる課題を解決し、高精度の検査を実施し得る。 In such a case, a difference in data occurs due to the difference in the printing conditions of the high-quality paper conditions, making it difficult to compare the two. The inspection apparatus 10A described below can solve such problems and perform highly accurate inspection.

図8は第二実施形態に係る検査装置の機能ブロック図である。同図に示す検査装置10Aは、撮像データ変換部42を備える。撮像データ変換部42は、第二深層学習モデル142を備える。 FIG. 8 is a functional block diagram of an inspection device according to the second embodiment. An inspection apparatus 10A shown in the figure includes an imaging data conversion unit 42 . The imaging data conversion unit 42 has a second deep learning model 142 .

第二深層学習モデル142は、第二印刷条件が適用された印刷物の撮像データ21Aを、第一印刷条件が適用された比較用基準データ13Aに近づける学習を実施して生成される。すなわち、第二深層学習モデル142は、第二印刷条件が適用された印刷物の撮像データ21Aを、第一印刷条件が適用された比較用撮像データ23Bへ変換する。 The second deep learning model 142 is generated by performing learning to approximate the captured image data 21A of the printed matter to which the second printing condition is applied to the comparison reference data 13A to which the first printing condition is applied. That is, the second deep learning model 142 converts the imaged data 21A of the printed material to which the second printing condition is applied into the comparison imaged data 23B to which the first printing condition is applied.

第一印刷条件は、第一深層学習モデル114を生成する際の学習データに適用される印刷条件である。第二印刷条件は、第一印刷条件と相違する印刷条件であり、検査対象の印刷物に適用される印刷条件である。図8には、第一印刷条件として印刷媒体にグロス紙を使用するグロス条件を例示する。また、第二印刷条件として印刷媒体に上質紙を使用する上質紙条件を例示する。 The first printing condition is a printing condition applied to learning data when generating the first deep learning model 114 . The second printing condition is a printing condition different from the first printing condition, and is a printing condition applied to the printed material to be inspected. FIG. 8 exemplifies a gloss condition in which gloss paper is used as the print medium as the first print condition. In addition, as a second printing condition, a high-quality paper condition in which high-quality paper is used as the printing medium is exemplified.

図8に示す検査装置10Aは、基準データ11Aに適用される第一印刷条件と異なる第二印刷条件が適用される印刷物の撮像データ21Aを、第一印刷条件が適用される印刷物の撮像データに対応する比較用撮像データ23Bへ変換する。これにより、第一印刷条件に対応する比較用基準データ13Aと比較用撮像データ23Bとの比較が容易となり、第二印刷条件が適用される印刷物の検査精度が向上し得る。 The inspection apparatus 10A shown in FIG. 8 converts the imaged data 21A of the printed matter to which the second printing condition different from the first printing condition applied to the reference data 11A is applied to the imaged data 21A of the printed matter to which the first printing condition is applied. It converts into the corresponding comparison imaging data 23B. This facilitates comparison between the comparison reference data 13A and the comparison imaging data 23B corresponding to the first printing condition, and can improve the inspection accuracy of printed matter to which the second printing condition is applied.

第一印刷条件及び第二印刷条件は、網種及びカラープロファイル等の紙種以外を適用し得る。第二深層学習モデル142は、複数の第一印刷条件及び複数の第二印刷条件を一括して変換してもよい。 The first printing condition and the second printing condition can apply other than the paper type such as halftone type and color profile. The second deep learning model 142 may collectively convert a plurality of first printing conditions and a plurality of second printing conditions.

図9は第二深層学習モデルに適用される深層学習の説明図である。第二深層学習モデル142は、第二印刷条件が適用される学習用撮像データ121Aを入力とし、第一印刷条件が適用される学習用撮像データ123Aを出力とする学習データ100Aを用いた学習を実施して生成される。 FIG. 9 is an explanatory diagram of deep learning applied to the second deep learning model. The second deep learning model 142 performs learning using the learning data 100A that receives the learning image data 121A to which the second printing condition is applied and outputs the learning image data 123A to which the first printing condition is applied. Generated by implementation.

なお、実施形態に記載の撮像データ変換部42は撮像データ変換工程を実施する構成要素の一例である。また、実施形態に記載の第二深層学習モデル142は第二学習モデルの一例に相当する。 Note that the imaging data conversion unit 42 described in the embodiment is an example of a component that performs the imaging data conversion process. Also, the second deep learning model 142 described in the embodiment corresponds to an example of the second learning model.

[第二実施形態に係る検査装置及び検査方法の利点]
変換前の基準データ11Aとして、印刷装置に入力されるTIFF形式のデジタルデータを適用する場合、基準データは印刷物の撮像データに対して大きく乖離する。そうすると、第一深層学習モデル114は複雑になり、学習データの必要数は多くなり、学習に要する期間は長くなる。よって、印刷条件ごとの第一深層学習モデル114の生成は効率が問題となる。
[Advantages of Inspection Apparatus and Inspection Method According to Second Embodiment]
When TIFF-format digital data input to a printing apparatus is applied as the reference data 11A before conversion, the reference data greatly deviates from the captured image data of the printed matter. As a result, the first deep learning model 114 becomes complicated, the required amount of learning data increases, and the period required for learning becomes longer. Therefore, generation of the first deep learning model 114 for each printing condition poses a problem of efficiency.

一方、印刷物の撮像データ21Aの変換を行う第二深層学習モデル142は、同一の印刷装置を用いる場合、印刷条件が異なる撮像データ間の差異は相対的に小さく、第一深層学習モデル114の生成と比較して、第二深層学習モデル142は、少ない学習データを用いた短期間の学習で生成が可能である。 On the other hand, the second deep learning model 142 that converts the imaging data 21A of the printed matter has a relatively small difference between the imaging data with different printing conditions when the same printing device is used, and the generation of the first deep learning model 114 , the second deep learning model 142 can be generated by short-term learning using less learning data.

印刷条件が紙種の場合、第二深層学習モデル142は主として色調変換を実施する。そうすると、複数の変換を実施する第一深層学習モデル114と比較して、第二深層学習モデル142は、少ない学習データを用いた短期間の学習で生成が可能である。 When the printing condition is paper type, the second deep learning model 142 mainly performs color tone conversion. As a result, the second deep learning model 142 can be generated in a short period of time using less training data than the first deep learning model 114 that performs multiple transformations.

第二深層学習モデル142を生成する際の学習では、欠陥のない学習データ同士及び意図的に欠陥を同じ位置へ挿入した学習データ同士を入力データ及び出力データとして、欠陥をかき消す変換を抑制する。第一深層学習モデル114を生成する際の学習と比較して、学習データの入力データ及び出力データの生成に期間及び手間を要するが、第二深層学習モデル142を生成する際の学習に必要な学習データ数は少なく、学習期間も短いため問題とならない。 In learning when generating the second deep learning model 142, learning data without defects and learning data in which defects are intentionally inserted in the same position are used as input data and output data, and conversion to erase defects is suppressed. Compared to learning when generating the first deep learning model 114, it takes time and effort to generate the input data and output data of the learning data, but the learning required for generating the second deep learning model 142 Since the number of learning data is small and the learning period is short, there is no problem.

[第二実施形態の作用効果]
第二実施形態に係る検査方法及び検査装置によれば、以下の作用効果を得ることが可能である。
[Action and effect of the second embodiment]
According to the inspection method and inspection apparatus according to the second embodiment, it is possible to obtain the following effects.

〔1〕
撮像データ変換部は、第二深層学習モデルを備える。第二深層学習モデルは、第二印刷条件が適用された印刷物の撮像データを、第一印刷条件が適用された比較用基準データに近づける深層学習を実施する。これにより、印刷物に適用される印刷条件と異なる印刷条件が適用される基準データを用いて、一定の精度が確保された検査を実施し得る。
[1]
The imaging data conversion unit has a second deep learning model. The second deep learning model performs deep learning to approximate the captured image data of the printed matter to which the second printing condition is applied to the comparison reference data to which the first printing condition is applied. This makes it possible to perform an inspection with a certain degree of accuracy by using reference data to which printing conditions different from those applied to printed matter are applied.

〔2〕
第二深層学習モデルは、第二印刷条件が適用される学習用撮像データ121Aを入力とし、第一印刷条件が適用される学習用撮像データ123Aを出力とする深層学習を実施して生成される。これにより、印刷物が異なる比較用基準データに特性を近づけた比較用撮像データへの変換を可能とする第二深層学習モデルを生成し得る。
[2]
The second deep learning model is generated by implementing deep learning in which learning imaging data 121A to which the second printing condition is applied is input and learning imaging data 123A to which the first printing condition is applied is output. . As a result, a second deep learning model can be generated that enables conversion into comparison imaging data whose characteristics are closer to those of the comparison reference data in which printed matter is different.

[第三実施形態]
図10は第三実施形態に係る検査装置に適用される第四深層学習モデルの説明図である。同図に示す第四深層学習モデル214は、学習用撮像データ123を学習データ200として、教師なし深層学習を実施して生成される。第四深層学習モデル214の例として、GANが挙げられる。
[Third embodiment]
FIG. 10 is an explanatory diagram of a fourth deep learning model applied to the inspection apparatus according to the third embodiment. A fourth deep learning model 214 shown in the figure is generated by performing unsupervised deep learning using the learning imaging data 123 as the learning data 200 . An example of the fourth deep learning model 214 is GAN.

第四深層学習モデル214にGANが適用される場合、GANを構成するジェネレータ及びディスクリミネータのうち、ジェネレータのみを検査装置の基準データ変換部へ実装してもよい。 When a GAN is applied to the fourth deep learning model 214, only the generator among the generators and discriminators that constitute the GAN may be installed in the reference data converter of the inspection device.

第三実施形態に係る第四深層学習モデル214は、第二実施形態に係る第二深層学習モデル142への適用も可能である。すなわち、図9に示す学習用撮像データ123Aを学習データに適用する深層学習を実施して、図8に示す第二深層学習モデル142に対応する深層学習モデルを生成し得る。 The fourth deep learning model 214 according to the third embodiment can also be applied to the second deep learning model 142 according to the second embodiment. That is, the deep learning model corresponding to the second deep learning model 142 shown in FIG. 8 can be generated by performing deep learning in which the learning imaging data 123A shown in FIG. 9 is applied to the learning data.

[第三実施形態の作用効果]
第三実施形態に係る検査方法及び検査装置によれば、教師なし深層学習を実施して、図2に示す基準データ変換部14に適用される深層学習モデル及び図8に示す撮像データ変換部42に適用される深層学習モデルを生成し得る。
[Action and effect of the third embodiment]
According to the inspection method and inspection apparatus according to the third embodiment, unsupervised deep learning is performed to obtain a deep learning model applied to the reference data conversion unit 14 shown in FIG. 2 and the imaging data conversion unit 42 shown in FIG. can generate a deep learning model that is applied to

[インクジェット印刷装置への適用例]
〔全体構成〕
図11は実施形態に係るインクジェット印刷装置の全体構成図である。インクジェット印刷装置300は、印刷部310、乾燥部330、検査部350及び集積部360を備える。以下、各部について詳細に説明する。
[Example of application to inkjet printer]
〔overall structure〕
FIG. 11 is an overall configuration diagram of an inkjet printing apparatus according to the embodiment. The inkjet printing apparatus 300 includes a printing section 310 , a drying section 330 , an inspection section 350 and a stacking section 360 . Each part will be described in detail below.

〔印刷部〕
印刷部310は、図示しない給紙部から供給された印刷媒体Pに印刷を実施する。印刷部310は、シアンインク、マゼンタインク、イエローインク及びブラックインクのそれぞれに対応するインクジェットヘッド312C、インクジェットヘッド312M、インクジェットヘッド312Y及びインクジェットヘッド312Kを備える。インクジェットヘッド312C、インクジェットヘッド312M、インクジェットヘッド312Y及びインクジェットヘッド312Kは同一の構成を適用できるので、これらを総称してインクジェットヘッド312と記載することがある。
[Printing department]
The printing unit 310 prints on the printing medium P supplied from a paper feeding unit (not shown). The printing unit 310 includes an inkjet head 312C, an inkjet head 312M, an inkjet head 312Y, and an inkjet head 312K corresponding to cyan ink, magenta ink, yellow ink, and black ink, respectively. Since the inkjet head 312C, the inkjet head 312M, the inkjet head 312Y, and the inkjet head 312K can apply the same configuration, they may be collectively referred to as the inkjet head 312 in some cases.

インクジェットヘッド312は、インクタンクからインク供給路を経由してインクが供給される。インクジェットヘッド312は、インク流路、圧力室及びノズル部を備える。インクジェットヘッド312は、インク流路はインク供給口を介してインク供給路と連通する。インク流路は供給絞りを介して圧力室と連通する。圧力室はノズル部と連通する。ノズル部の先端はノズル開口が形成される。 The inkjet head 312 is supplied with ink from an ink tank through an ink supply path. The inkjet head 312 has an ink channel, a pressure chamber and a nozzle portion. In the inkjet head 312, the ink channel communicates with the ink supply channel through the ink supply port. The ink channel communicates with the pressure chamber via the supply throttle. The pressure chamber communicates with the nozzle portion. A nozzle opening is formed at the tip of the nozzle portion.

インクジェットヘッド312はドロップオンデマンド方式が適用される。インクジェットヘッド312は圧力発生素子として圧電素子を備える。圧電素子は圧力室の壁に配置される。圧電素子に対して駆動電圧が供給されると駆動電圧に応じて圧力室が圧縮され、ノズル開口からインク液滴が吐出される。インクジェットヘッド312の吐出方式はサーマル方式を適用してもよい。なお、インクタンク、インク供給路、インク流路、圧力室、ノズル部、供給絞り及び圧電素子の図示は省略する。 A drop-on-demand system is applied to the inkjet head 312 . The inkjet head 312 has a piezoelectric element as a pressure generating element. A piezoelectric element is placed on the wall of the pressure chamber. When a drive voltage is supplied to the piezoelectric element, the pressure chamber is compressed according to the drive voltage, and ink droplets are ejected from the nozzle opening. A thermal method may be applied to the ejection method of the inkjet head 312 . Illustrations of ink tanks, ink supply paths, ink flow paths, pressure chambers, nozzles, supply throttles, and piezoelectric elements are omitted.

インクジェットヘッド312の構造はライン型が適用される。ライン型のインクジェットヘッド312は、媒体搬送方向と直交する媒体幅方向について、印刷媒体Pの全長に対応する長さに渡って複数のノズル開口が配置される。複数のノズル開口の配置はマトリクス配置を適用し得る。 A line type is applied to the structure of the inkjet head 312 . The line-type inkjet head 312 has a plurality of nozzle openings arranged over a length corresponding to the entire length of the print medium P in the medium width direction perpendicular to the medium transport direction. A matrix arrangement can be applied to the arrangement of the plurality of nozzle openings.

ライン型のインクジェットヘッド312は、印刷媒体Pとインクジェットヘッド312とを相対的に一回だけ走査させ、印刷媒体Pの印刷領域の全領域にわたって印刷を行うシングルパス方式の印刷を実施し得る。なお、インクジェットヘッド312は、シリアル方式を適用してもよい。 The line-type inkjet head 312 can perform single-pass printing in which the print medium P and the inkjet head 312 are scanned relative to each other only once, and the entire print area of the print medium P is printed. Note that the inkjet head 312 may apply a serial method.

印刷部310は印刷ドラム314を備える。印刷ドラム314は円筒形状を有し、外周面314Aに印刷媒体Pを支持する。印刷ドラム314の外周面314Aにおける印刷媒体Pを支持する媒体支持領域は、複数の吸着穴を備える。吸着穴は規定のサイズが適用される。また、複数の吸着穴は規定の配置パターンを適用して配置される。複数の吸着穴は流路を介してポンプと接続される。なお、印刷ドラム314の外周面314Aに支持される印刷媒体P、複数の吸着穴、流路及びポンプの図示は省略する。 The printing section 310 comprises a print drum 314 . The print drum 314 has a cylindrical shape and supports the print medium P on the outer peripheral surface 314A. A medium support area for supporting the print medium P on the outer peripheral surface 314A of the print drum 314 includes a plurality of suction holes. The specified size applies to the suction holes. Also, the plurality of suction holes are arranged by applying a prescribed arrangement pattern. A plurality of suction holes are connected to the pump through channels. The illustration of the print medium P supported by the outer peripheral surface 314A of the print drum 314, the plurality of suction holes, the flow path, and the pump is omitted.

印刷ドラム314の回転軸314Bは連結部材を介してモータの回転軸と連結される。モータを回転させると印刷ドラム314は回転軸314Bの周りを回転する。これにより、印刷ドラム314の外周面314Aに吸着支持される印刷媒体Pは、媒体搬送方向に沿って搬送される。 A rotating shaft 314B of the print drum 314 is connected to the rotating shaft of the motor through a connecting member. Rotation of the motor causes print drum 314 to rotate about axis of rotation 314B. As a result, the print medium P sucked and supported by the outer peripheral surface 314A of the print drum 314 is transported along the medium transport direction.

印刷ドラム314は、複数のグリッパー316を備える。図11では二つのグリッパー316を備える態様を例示する。グリッパー316は、複数の把持爪を備える。複数の把持爪は、印刷ドラム314の軸方向に沿って配置される。複数の把持爪は、爪支持部材を用いて開閉可能に支持される。 Print drum 314 includes a plurality of grippers 316 . FIG. 11 illustrates an embodiment with two grippers 316 . Gripper 316 includes a plurality of gripping claws. A plurality of gripping claws are arranged along the axial direction of the print drum 314 . A plurality of gripping claws are supported so as to be openable and closable using claw support members.

〔乾燥部〕
乾燥部330は、印刷部310を用いて印刷がされた印刷媒体Pに対して乾燥処理を施す。乾燥部330は、チェーングリッパー332を備える。チェーングリッパー332は、一対のチェーン334及び複数のグリッパー336を備える。一対のチェーン334は無端状であり、図示しない一対のスプロケットに巻き掛けられる。なお、図11には一対のチェーン334のうち一方のみを図示する。
[Drying section]
The drying section 330 performs a drying process on the printing medium P printed by the printing section 310 . Drying section 330 includes a chain gripper 332 . Chain gripper 332 comprises a pair of chains 334 and a plurality of grippers 336 . The pair of chains 334 are endless and are wound around a pair of sprockets (not shown). Only one of the pair of chains 334 is shown in FIG.

複数のグリッパー336は規定の間隔をおいて、チェーン334に取り付けられる。グリッパー336は複数の把持爪を備える。複数の把持爪は二本のチェーン334の間に渡された爪支持部材を用いて開閉可能に取り付けられる。 A plurality of grippers 336 are attached to the chain 334 at regular intervals. Gripper 336 includes a plurality of gripping claws. A plurality of gripping claws are attached so as to be able to open and close using a claw supporting member that is passed between two chains 334 .

チェーングリッパー332は、印刷ドラム314から印刷媒体Pを受け取り、受け取った印刷媒体Pの先端部を把持し、印刷媒体Pを媒体搬送方向に沿って搬送する。チェーングリッパー332は、印刷媒体Pが集積部360へ到達した際に、爪を開いて印刷媒体Pを開放する。図11に示す矢印線は印刷部310における媒体搬送方向及び乾燥部330における媒体搬送方向示す。 The chain gripper 332 receives the print medium P from the print drum 314, grips the leading edge of the received print medium P, and transports the print medium P along the medium transport direction. The chain gripper 332 opens the claws to release the print medium P when the print medium P reaches the stacking unit 360 . Arrow lines shown in FIG. 11 indicate the medium transport direction in the printing section 310 and the medium transport direction in the drying section 330 .

チェーングリッパー332を用いた印刷媒体Pの搬送経路は、印刷媒体Pを斜め下方向に搬送する下り搬送領域、下り搬送領域の終端から印刷媒体Pを水平方向に沿って搬送する水平搬送領域、水平搬送領域の終端から印刷媒体Pを斜め上方向に搬送する上り搬送領域を含んでいる。 The transport path of the print medium P using the chain gripper 332 includes a downward transport area that transports the print medium P obliquely downward, a horizontal transport area that transports the print medium P horizontally from the end of the downward transport area, and a horizontal It includes an upward transport area that transports the print medium P obliquely upward from the end of the transport area.

乾燥部330は、第一用紙ガイド340、第二用紙ガイド342及び第三用紙ガイド344を備える。第一用紙ガイド340、第二用紙ガイド342及び第三用紙ガイド344は、チェーングリッパー332を用いた印刷媒体Pの搬送をガイドする機構である。 The drying section 330 includes a first paper guide 340 , a second paper guide 342 and a third paper guide 344 . The first paper guide 340 , the second paper guide 342 , and the third paper guide 344 are mechanisms that guide the conveyance of the print medium P using the chain gripper 332 .

第一用紙ガイド340は、下り搬送領域において印刷媒体Pを支持する。第二用紙ガイド342は、水平搬送領域において印刷媒体Pを支持する。第三用紙ガイド344は、上り搬送領域において印刷媒体Pを支持する。 The first paper guide 340 supports the print medium P in the downward transport area. The second paper guide 342 supports the print medium P in the horizontal transport area. The third paper guide 344 supports the print medium P in the upward transport area.

第二用紙ガイド342は搬送ベルト装置346が適用される。搬送ベルト装置346は、無端状の搬送ベルト346Aに印刷媒体Pを吸着させた状態で搬送ベルト346Aを走行させて、印刷媒体Pを搬送する装置である。 A conveyor belt device 346 is applied to the second paper guide 342 . The transport belt device 346 is a device that transports the print medium P by running the transport belt 346A in a state where the print medium P is attracted to the endless transport belt 346A.

搬送ベルト装置346は、搬送ベルト346Aの印刷媒体支持面346Bに複数の吸着穴を備える。吸着穴は規定のサイズが適用される。また、複数の吸着穴は規定の配置パターンを適用して配置される。複数の吸着穴は吸着流路を介してポンプと接続される。ポンプを動作させると、複数の吸着穴は吸着圧力が発生する。印刷媒体Pは吸着圧力が作用し、搬送ベルト346Aに吸着支持される。なお、吸着穴、吸着流路及びポンプの図示は省略する。 The transport belt device 346 has a plurality of suction holes on the print medium supporting surface 346B of the transport belt 346A. The specified size applies to the suction holes. Also, the plurality of suction holes are arranged by applying a prescribed arrangement pattern. The plurality of adsorption holes are connected with the pump through adsorption channels. When the pump is operated, suction pressure is generated in the plurality of suction holes. An adsorption pressure acts on the print medium P, and the print medium P is adsorbed and supported by the conveying belt 346A. Illustrations of suction holes, suction channels, and pumps are omitted.

搬送ベルト346Aの走行速度は、チェーングリッパー332の走行速度と同じとし得る。搬送ベルト346Aの走行速度と、チェーングリッパー332の走行速度との間に速度差があってもよい。 The running speed of the transport belt 346A may be the same as the running speed of the chain gripper 332. There may be a speed difference between the running speed of the conveyor belt 346A and the running speed of the chain gripper 332 .

搬送ベルト346Aは、同一期間に複数の印刷媒体Pを吸着し得る長さを有する。図11に示す搬送ベルト346Aは、同一期間に二枚の印刷媒体Pを吸着し得る長さを有しているが、搬送ベルト346Aの長さは、適宜設計することができ、同一期間に三枚以上の印刷媒体Pを吸着し得る形態も可能である。 The transport belt 346A has a length that can absorb a plurality of print media P in the same period. The transport belt 346A shown in FIG. 11 has a length that can absorb two print media P in the same period. A form that can absorb more than one print medium P is also possible.

乾燥部330は、加熱乾燥処理装置348を備える。加熱乾燥処理装置348は、印刷部310を用いて印刷がされた印刷媒体Pに熱を加えてインクの溶媒を蒸発させ印刷媒体Pを乾燥させる。 The drying section 330 includes a heat drying processing device 348 . The heating/drying device 348 applies heat to the print medium P printed by the printing unit 310 to evaporate the ink solvent and dry the print medium P. FIG.

〔検査部〕
検査部350は検査装置352を備える。検査装置352は撮像装置及び照明装置を備える。検査装置352は、図11に示す検査装置10に撮像装置及び照明装置を追加して構成される。なお、撮像装置及び照明装置の図示は省略する。検査装置352は、印刷物の撮像データに基づいて印刷物の良否判定を実施する。
〔Inspection unit〕
The inspection unit 350 includes an inspection device 352 . Inspection device 352 includes an imaging device and an illumination device. The inspection device 352 is configured by adding an imaging device and a lighting device to the inspection device 10 shown in FIG. Illustration of an imaging device and a lighting device is omitted. The inspection device 352 performs pass/fail judgment of the printed matter based on the imaging data of the printed matter.

撮像装置は印刷媒体Pに印刷された画像を読み取り、印刷物の撮像データを生成する。撮像装置は、印刷物の撮像データを、図1に示す撮像データ取得部20に対応する処理部へ送信する。照明装置は撮像装置を用いて印刷物の読み取りを実施する際に、印刷物へ照明光を照射する。検査装置352の詳細は、図2に示す検査装置10等と同様である。ここでは、検査装置352の詳細な説明は省略する。 The imaging device reads an image printed on the print medium P and generates imaging data of the printed matter. The imaging device transmits the imaging data of the printed matter to the processing section corresponding to the imaging data acquisition section 20 shown in FIG. The illumination device irradiates the printed matter with illumination light when the printed matter is read using the imaging device. The details of the inspection device 352 are the same as those of the inspection device 10 and the like shown in FIG. A detailed description of the inspection device 352 is omitted here.

〔集積部〕
集積部360は集積トレイ362を備える。集積トレイ362は乾燥部330において乾燥処理が施された印刷媒体Pを集積する。集積トレイ362は印刷媒体Pの集積位置を一定の高さに維持する昇降機構を備えて得る。
[Collecting part]
The stacking section 360 includes a stacking tray 362 . The stacking tray 362 stacks the print media P that have been dried in the drying section 330 . The stacking tray 362 is provided with an elevating mechanism that maintains the stacking position of the print media P at a constant height.

〔インクジェット印刷装置の機能ブロック〕
図12は図11に示すインクジェット印刷装置の機能ブロック図である。インクジェット印刷装置300は、システムコントローラ400を備える。システムコントローラ400は、CPU402、ROM404及びRAM406を備える。ROM404及びRAM406は、システムコントローラ400の外部に設けられていてもよい。
[Functional Blocks of Inkjet Printer]
FIG. 12 is a functional block diagram of the inkjet printer shown in FIG. The inkjet printing device 300 has a system controller 400 . The system controller 400 has a CPU 402 , a ROM 404 and a RAM 406 . The ROM 404 and RAM 406 may be provided outside the system controller 400 .

システムコントローラ400は、インクジェット印刷装置300の各部を統括的に制御する全体制御部として機能する。また、システムコントローラ400は、各種演算処理を行う演算部として機能する。システムコントローラ400は、プログラムを実行して、インクジェット印刷装置300の各部を制御してもよい。 The system controller 400 functions as a general control section that controls each section of the inkjet printing apparatus 300 in an integrated manner. In addition, the system controller 400 functions as an arithmetic unit that performs various kinds of arithmetic processing. The system controller 400 may execute programs to control each section of the inkjet printing apparatus 300 .

更に、システムコントローラ400は、ROM404及びRAM406などのメモリにおけるデータの読み出し及びデータの書き込みを制御するメモリーコントローラとして機能する。 Furthermore, the system controller 400 functions as a memory controller that controls data reading and data writing in memories such as the ROM 404 and the RAM 406 .

インクジェット印刷装置300は、通信部410、画像メモリ412を備える。通信部410は、図示しない通信インターフェースを備える。通信部410は通信インターフェースと接続されたホストコンピュータ414との間でデータの送受信を行うことができる。 The inkjet printing device 300 includes a communication section 410 and an image memory 412 . The communication unit 410 has a communication interface (not shown). The communication unit 410 can transmit and receive data to and from a host computer 414 connected to the communication interface.

画像メモリ412は、画像データを含む各種データの一時記憶部として機能する。画像メモリ412は、システムコントローラ400を通じてデータの読み書きが行われる。通信部410を介してホストコンピュータ414から取り込まれた画像データは、一旦画像メモリ412に格納される。 The image memory 412 functions as a temporary storage unit for various data including image data. Data is read from and written to the image memory 412 through the system controller 400 . Image data fetched from the host computer 414 via the communication unit 410 is temporarily stored in the image memory 412 .

インクジェット印刷装置300は、搬送制御部420、印刷制御部422、乾燥制御部424、集積制御部426及び検査部350を備える。 The inkjet printing apparatus 300 includes a transport control section 420 , a print control section 422 , a drying control section 424 , an accumulation control section 426 and an inspection section 350 .

画像メモリ412は、画像データを含む各種データの一時記憶部として機能する。画像メモリ412は、システムコントローラ400を通じてデータの読み書きが行われる。通信部410を介してホストコンピュータ414から取り込まれた画像データは、一旦画像メモリ412に格納される。 The image memory 412 functions as a temporary storage unit for various data including image data. Data is read from and written to the image memory 412 through the system controller 400 . Image data fetched from the host computer 414 via the communication unit 410 is temporarily stored in the image memory 412 .

搬送制御部420は、システムコントローラ400からの指令に応じて、インクジェット印刷装置300における印刷媒体Pの搬送部428の動作を制御する。図12に示す搬送部428には、図11に示す印刷ドラム314及びチェーングリッパー332が含まれる。 The transport control unit 420 controls the operation of the transport unit 428 for the print medium P in the inkjet printing apparatus 300 according to commands from the system controller 400 . The transport section 428 shown in FIG. 12 includes the print drum 314 and chain gripper 332 shown in FIG.

印刷制御部422は、システムコントローラ400からの指令に応じて、印刷部310の動作を制御する。すなわち、印刷制御部422は、図11に示すインクジェットヘッド312C、インクジェットヘッド312M、インクジェットヘッド312Y及びインクジェットヘッド312Kのインク吐出を制御する。 The print control unit 422 controls the operation of the print unit 310 according to commands from the system controller 400 . That is, the print control unit 422 controls ink ejection from the inkjet head 312C, the inkjet head 312M, the inkjet head 312Y, and the inkjet head 312K shown in FIG.

印刷制御部422は、画像処理部を備える。画像処理部は入力画像データからドットデータを形成する。画像処理部は、図示しない色分解処理部、色変換処理部、補正処理部及びハーフトーン処理部を備える。なお、画像処理部、色分解処理部、色変換処理部、補正処理部及びハーフトーン処理部の図示は省略する。 The print control unit 422 includes an image processing unit. The image processing unit forms dot data from input image data. The image processing section includes a color separation processing section, a color conversion processing section, a correction processing section, and a halftone processing section (not shown). Note that illustration of the image processing unit, color separation processing unit, color conversion processing unit, correction processing unit, and halftone processing unit is omitted.

色分解処理部は、入力画像データに対して色分解処理を施す。例えば、入力画像データがRGBで表されている場合、色分解処理部は入力画像データをRGBの色ごとのデータに分解する。 The color separation processing section performs color separation processing on the input image data. For example, if the input image data is expressed in RGB, the color separation processing unit separates the input image data into data for each RGB color.

色変換処理部は、RGBに分解された色ごとの画像データを、インク色に対応するCMYKに変換する。 The color conversion processing unit converts the RGB-separated image data for each color into CMYK corresponding to ink colors.

補正処理部は、CMYKに変換された色ごとの画像データに対して補正処理を施す。補正処理の例として、ガンマ補正処理、濃度むら補正処理及び異常記録素子補正処理などが挙げられる。 The correction processing unit performs correction processing on the image data for each color converted into CMYK. Examples of correction processing include gamma correction processing, density unevenness correction processing, and abnormal recording element correction processing.

ハーフトーン処理部は、例えば、0から255といった多階調数で表された画像データを、二値又は入力画像データの階調数未満の三値以上の多値で表されるドットデータに変換する。 The halftone processing unit converts image data represented by multiple gradations, for example, 0 to 255, into dot data represented by binary or multivalued ternary or more values less than the number of gradations of the input image data. do.

ハーフトーン処理部は、予め決められたハーフトーン処理規則が適用される。ハーフトーン処理規則の例として、ディザ法及び誤差拡散法などが挙げられる。ハーフトーン処理規則は、画像形成条件及び画像データの内容等に応じて変更されてもよい。 The halftoning section applies predetermined halftoning rules. Examples of halftoning rules include dithering and error diffusion. The halftone processing rule may be changed according to the image forming conditions, the contents of the image data, and the like.

印刷制御部422は、波形生成部、波形記憶部及び駆動回路を備える。なお、波形生成部、波形記憶部及び駆動回路の図示は省略する。波形生成部は駆動電圧の波形を生成する。波形記憶部は駆動電圧の波形が記憶される。駆動回路はドットデータに応じた駆動波形を有する駆動電圧を生成する。駆動回路は駆動電圧を、図11に示すインクジェットヘッド312へ供給する。 The print control unit 422 includes a waveform generation unit, a waveform storage unit, and a drive circuit. Note that illustration of the waveform generation unit, the waveform storage unit, and the driving circuit is omitted. The waveform generator generates a waveform of the driving voltage. The waveform storage unit stores the waveform of the drive voltage. A drive circuit generates a drive voltage having a drive waveform corresponding to dot data. The drive circuit supplies a drive voltage to the inkjet head 312 shown in FIG.

すなわち、画像処理部を用いた処理を経て生成されたドットデータに基づいて、各画素位置の吐出タイミング及びインク吐出量が決められる。各画素位置の吐出タイミング及びインク吐出量に応じた駆動電圧、並びに各画素の吐出タイミングを決める制御信号が生成される。駆動電圧がインクジェットヘッド312へ供給され、インクジェットヘッド312からインクを吐出させる。インクジェットヘッド312から吐出させたインクはドットを形成する。 That is, the ejection timing and ink ejection amount for each pixel position are determined based on the dot data generated through processing using the image processing unit. A drive voltage corresponding to the ejection timing and ink ejection amount of each pixel position, and a control signal for determining the ejection timing of each pixel are generated. A drive voltage is supplied to the inkjet head 312 to cause the inkjet head 312 to eject ink. The ink ejected from the inkjet head 312 forms dots.

乾燥制御部424は、システムコントローラ400からの指令に応じて乾燥部330を動作させる。乾燥制御部424は、乾燥気体温度、乾燥気体の流量及び乾燥気体の噴射タイミングなどを制御する。また、乾燥制御部424は、乾燥部330が備える吸着ベルト搬送装置の動作を制御する。 The drying control section 424 operates the drying section 330 according to a command from the system controller 400 . The drying control unit 424 controls the temperature of the drying gas, the flow rate of the drying gas, the injection timing of the drying gas, and the like. Also, the drying control section 424 controls the operation of the suction belt conveying device provided in the drying section 330 .

集積制御部426は、システムコントローラ400からの指令に応じて集積部360を動作させる。集積制御部426は、図11に示す集積トレイ362が昇降機構を含む場合に、印刷媒体Pの増減に応じて昇降機構の動作を制御する。 The stacking control unit 426 operates the stacking unit 360 according to commands from the system controller 400 . The stacking control unit 426 controls the operation of the lifting mechanism according to the increase or decrease of the print media P when the stacking tray 362 shown in FIG. 11 includes the lifting mechanism.

検査部350は、システムコントローラ400からの指令に応じて、印刷物の検査を実施する。検査部350は、検査結果をシステムコントローラ400へ送信する。システムコントローラ400は印刷物の検査結果を図示しない検査結果記憶部へ記憶する。 The inspection unit 350 inspects the printed matter according to a command from the system controller 400 . The inspection unit 350 transmits inspection results to the system controller 400 . The system controller 400 stores the inspection result of the printed matter in an inspection result storage unit (not shown).

インクジェット印刷装置300は、操作部430を備える。操作部430は、操作ボタン、キーボード及びタッチパネル等の操作部材を備える。操作部430は複数の種類の操作部材が含まれていてもよい。操作部材の図示は省略する。 The inkjet printing device 300 includes an operation unit 430 . The operation unit 430 includes operation members such as operation buttons, a keyboard, and a touch panel. The operation unit 430 may include multiple types of operation members. Illustration of the operating member is omitted.

操作部430を介して入力された情報は、システムコントローラ400に送られる。システムコントローラ400は、操作部430から送出された情報に応じて各種処理を実行させる。 Information input via the operation unit 430 is sent to the system controller 400 . The system controller 400 causes various processes to be executed according to information sent from the operation unit 430 .

インクジェット印刷装置300は、表示部432を備える。表示部432は、液晶パネル等の表示装置及びディスプレイドライバーを備える。表示装置及びディスプレイドライバーの図示を省略する。表示部432はシステムコントローラ400からの指令に応じて、装置の各種設定情報及び異常情報などの各種情報を表示装置に表示させる。図12に示す表示部432は、図1に示す検査結果報知部32として機能し得る。 The inkjet printing device 300 includes a display section 432 . The display unit 432 includes a display device such as a liquid crystal panel and a display driver. Illustration of the display device and the display driver is omitted. The display unit 432 causes the display device to display various types of information such as various setting information and abnormality information of the apparatus according to commands from the system controller 400 . The display unit 432 shown in FIG. 12 can function as the inspection result notification unit 32 shown in FIG.

インクジェット印刷装置300は、画像読取部433を備える。画像読取部433は印刷部310を用いて印刷がされた印刷媒体Pを読み取り、読取データを生成する。読取データは、印刷部310の補正等に用いられる。 The inkjet printing device 300 includes an image reading section 433 . The image reading unit 433 reads the print medium P printed by the printing unit 310 and generates read data. The read data is used for correction of the printing unit 310 and the like.

インクジェット印刷装置300は、印刷媒体Pに印刷されたテストパターンの読取データを用いて、印刷部310の補正を実施し得る。印刷部310の補正には、不吐補正及び色補正等が含まれる。図12に示す画像読取部433は、図11に示す印刷部310の後段に配置し得る。 The inkjet printing apparatus 300 can correct the printing unit 310 using read data of the test pattern printed on the printing medium P. FIG. Correction of the printing unit 310 includes ejection failure correction, color correction, and the like. The image reading unit 433 shown in FIG. 12 can be arranged after the printing unit 310 shown in FIG.

インクジェット印刷装置300は、パラメータ記憶部434を備える。パラメータ記憶部434は、インクジェット印刷装置300に使用される各種パラメータが記憶される。パラメータ記憶部434に記憶されている各種パラメータは、システムコントローラ400を介して読み出され、装置各部に設定される。 The inkjet printing device 300 includes a parameter storage section 434 . The parameter storage unit 434 stores various parameters used in the inkjet printing device 300 . Various parameters stored in the parameter storage unit 434 are read out via the system controller 400 and set in each unit of the apparatus.

インクジェット印刷装置300は、プログラム格納部436を備える。プログラム格納部436は、インクジェット印刷装置300の各部に使用されるプログラムが格納される。プログラム格納部436に格納されている各種プログラムは、システムコントローラ400を介して読み出され、装置各部において実行される。 The inkjet printing device 300 includes a program storage unit 436 . The program storage unit 436 stores programs used in each unit of the inkjet printer 300 . Various programs stored in the program storage unit 436 are read out via the system controller 400 and executed in each unit of the apparatus.

図12に示す各処理部は、図2から図6を用いて説明した検査装置10における各処理部と同様のハードウェアを適用し得る。また、図11及び図12を用いて説明したインクジェット印刷装置300の各機能は、規定のハードウェアを用いて、規定のプログラムを実行して実現し得る。 Each processing unit shown in FIG. 12 can apply the same hardware as each processing unit in the inspection apparatus 10 described using FIGS. 2 to 6 . Also, each function of the inkjet printing apparatus 300 described using FIGS. 11 and 12 can be realized by executing a prescribed program using prescribed hardware.

[他の装置への適用例]
本実施形態では、検査装置10が適用される装置としてインクジェット印刷装置300を例示したが、検査装置10は電子写真方式の印刷装置及び有版印刷装置にも適用可能である。また、検査装置10は、配線パターン及びレジストパターン等を描画する工業用途の液体吐出装置にも適用可能である。更に、検査装置10は、噴射ノズルを備える液体塗布装置にも適用可能である。
[Example of application to other devices]
In this embodiment, the inkjet printing apparatus 300 is exemplified as an apparatus to which the inspection apparatus 10 is applied, but the inspection apparatus 10 can also be applied to an electrophotographic printing apparatus and a plate printing apparatus. Moreover, the inspection apparatus 10 can also be applied to an industrial liquid ejection apparatus for drawing wiring patterns, resist patterns, and the like. Furthermore, the inspection device 10 can also be applied to a liquid coating device having a jet nozzle.

[プログラム発明への適用例]
本明細書に開示した検査装置及び検査方法に対応するプログラムを構成し得る。すなわち、本明細書は、コンピュータに、基準データを取得する基準データ取得機能、基準データを比較用基準データへ変換する基準データ変換機能、印刷物の撮像データを取得する撮像データ取得機能、及び比較用基準データと撮像データに基づく比較用撮像データとを比較する検査機能を実現させるプログラムを開示する。
[Example of application to program invention]
A program corresponding to the inspection apparatus and inspection method disclosed herein can be configured. That is, the present specification provides a computer with a reference data acquisition function for acquiring reference data, a reference data conversion function for converting the reference data into reference data for comparison, an image data acquisition function for acquiring image data of a printed matter, and a comparison data acquisition function. Disclosed is a program that realizes an inspection function of comparing reference data and comparative imaging data based on imaging data.

なお、実施形態に記載の基準データ変換機能は比較用基準データ生成機能の一例に相当する。また、実施形態に記載の撮像データ取得機能は比較用撮像データ生成機能の一例に相当する。更に、撮像データの補正を施す補正機能を備える場合、実施形態に記載の補正機能は比較用撮像データ生成機能の一例に相当する。 Note that the reference data conversion function described in the embodiment corresponds to an example of the comparison reference data generation function. Also, the imaging data acquisition function described in the embodiment corresponds to an example of the imaging data generation function for comparison. Furthermore, when a correction function for correcting imaging data is provided, the correction function described in the embodiment corresponds to an example of a comparison imaging data generation function.

以上説明した本発明の実施形態は、本発明の趣旨を逸脱しない範囲で、適宜構成要件を変更、追加、削除することが可能である。本発明は以上説明した実施形態に限定されるものではなく、本発明の技術的思想内で当該分野の通常の知識を有する者により、多くの変形が可能である。 In the embodiments of the present invention described above, it is possible to appropriately change, add, or delete constituent elements without departing from the gist of the present invention. The present invention is not limited to the embodiments described above, and many modifications are possible within the technical concept of the present invention by those skilled in the art.

10 検査装置
10A 検査装置
11 基準データ
11A 基準データ
12 基準データ取得部
13 比較用基準データ
13A 比較用基準データ
14 基準データ変換部
14A 基準データ変換部
14C 基準データ変換部
20 撮像データ取得部
21 撮像データ
21A 撮像データ
22 撮像データ補正部
23 比較用撮像データ
23A 比較用撮像データ
23B 比較用撮像データ
30 判定部
31 検査結果
32 報知部
40 撮像装置
42 撮像データ変換部
100 学習データ
111 学習用基準データ
114 第一深層学習モデル
114A 第一深層学習モデル
114B 第三深層学習モデル
114C 第一深層学習モデル
115 画像処理部
123 学習用撮像データ
124 印刷条件
125 印刷情報
142 第二深層学習モデル
200 学習データ
214 第一深層学習モデル
300 インクジェット印刷装置
310 印刷部
312 インクジェットヘッド
312C インクジェットヘッド
312M インクジェットヘッド
312Y インクジェットヘッド
312K インクジェットヘッド
314 印刷ドラム
314A 外周面
314B 回転軸
316 グリッパー
330 乾燥部
332 チェーングリッパー
334 チェーン
336 グリッパー
340 第一用紙ガイド
342 第二用紙ガイド
344 第三用紙ガイド
346 搬送ベルト装置
346A 搬送ベルト
346B 印刷媒体支持面
348 加熱乾燥処理装置
350 検査部
352 検査装置
360 集積部
362 集積トレイ
400 システムコントローラ
402 CPU
404 ROM
406 RAM
410 通信部
412 画像メモリ
414 ホストコンピュータ
420 搬送制御部
422 印刷制御部
424 乾燥制御部
426 集積制御部
428 搬送部
430 操作部
432 表示部
434 パラメータ記憶部
436 プログラム格納部
P 印刷媒体
S10からS22 検査方法の各工程
10 inspection apparatus 10A inspection apparatus 11 reference data 11A reference data 12 reference data acquisition unit 13 reference data for comparison 13A reference data for comparison 14 reference data conversion unit 14A reference data conversion unit 14C reference data conversion unit 20 imaging data acquisition unit 21 imaging data 21A imaging data 22 imaging data correction unit 23 imaging data for comparison 23A imaging data for comparison 23B imaging data for comparison 30 determination unit 31 inspection result 32 notification unit 40 imaging device 42 imaging data conversion unit 100 learning data 111 reference data for learning 114 One deep learning model 114A First deep learning model 114B Third deep learning model 114C First deep learning model 115 Image processing unit 123 Learning imaging data 124 Printing conditions 125 Printing information 142 Second deep learning model 200 Learning data 214 First deep layer Learning model 300 Inkjet printing device 310 Printing unit 312 Inkjet head 312C Inkjet head 312M Inkjet head 312Y Inkjet head 312K Inkjet head 314 Printing drum 314A Outer peripheral surface 314B Rotary shaft 316 Gripper 330 Drying unit 332 Chain gripper 334 Chain 336 Gripper 340 First paper guide 342 Second paper guide 344 Third paper guide 346 Conveyor belt device 346A Conveyor belt 346B Print medium support surface 348 Heat drying device 350 Inspection unit 352 Inspection device 360 Stacking unit 362 Stacking tray 400 System controller 402 CPU
404 ROMs
406 RAM
410 Communication unit 412 Image memory 414 Host computer 420 Transport control unit 422 Print control unit 424 Drying control unit 426 Integration control unit 428 Transport unit 430 Operation unit 432 Display unit 434 Parameter storage unit 436 Program storage unit P Print media S10 to S22 Inspection method each process of

Claims (19)

印刷物の印刷に適用される基準データを取得する基準データ取得工程と、
印刷装置が取得する印刷条件に応じて前記基準データを変換して比較用基準データを生成する比較用基準データ生成工程と、
撮像装置を用いて前記印刷物を撮像した撮像データを用いて比較用撮像データを生成する比較用撮像データ生成工程と、
前記比較用基準データと前記比較用撮像データとを比較して、前記印刷物の良否を判定する検査工程と、
を含み、
前記比較用基準データ生成工程は、複数の前記印刷条件のそれぞれについて深層学習を適用して生成された複数の第一学習モデルを、前記取得した印刷条件に応じて切り替えて、前記基準データを前記比較用基準データへ変換する検査方法。
a reference data acquisition step of acquiring reference data applied to printing of printed matter;
a comparison reference data generation step of generating comparison reference data by converting the reference data according to printing conditions acquired by the printing apparatus;
a comparative imaging data generation step of generating comparative imaging data using imaging data obtained by imaging the printed matter using an imaging device;
an inspection step of comparing the reference data for comparison and the imaging data for comparison to determine the quality of the printed matter;
including
In the comparison reference data generation step, a plurality of first learning models generated by applying deep learning to each of the plurality of printing conditions are switched according to the acquired printing conditions , and the reference data is changed to the An inspection method that converts to reference data for comparison.
前記比較用基準データ生成工程は、学習用基準データを入力とし、前記学習用基準データを前記印刷装置へ入力し生成された印刷物を、前記撮像装置を用いて撮像して生成される学習用撮像データを出力とする前記深層学習を実施して、前記比較用基準データの前記比較用撮像データとの類似性が、前記基準データの前記比較用撮像データとの類似性よりも高められる学習済の第一学習モデルが用いられる請求項1に記載の検査方法。 The reference data for comparison generating step receives reference data for learning as an input, inputs the reference data for learning to the printing device, and generates a printed matter, which is captured by the imaging device for learning. The deep learning is performed using data as an output, and the similarity of the reference data for comparison with the imaged data for comparison is higher than the similarity of the reference data with the imaged data for comparison. The inspection method of claim 1, wherein a first learning model is used. 前記第一学習モデルは、前記印刷条件が異なる複数の印刷物であり、前記学習用基準データを印刷装置へ入力して生成される印刷物を撮像して生成される複数の前記学習用撮像データを学習データとする前記深層学習を実施して生成される請求項2に記載の検査方法。 The first learning model is a plurality of printed materials with different printing conditions, and learns a plurality of learning imaging data generated by imaging printed materials generated by inputting the learning reference data to a printing device. 3. The inspection method according to claim 2, wherein the data is generated by performing the deep learning. 前記第一学習モデルは、一つ以上の印刷条件を適用して印刷された印刷物であり、前記学習用基準データを印刷装置へ入力して生成される印刷物を撮像した前記学習用撮像データを学習データとする前記深層学習を実施して生成される請求項2又は3に記載の検査方法。 The first learning model is printed matter printed by applying one or more printing conditions, and learns the imaging data for learning obtained by imaging the printed matter generated by inputting the reference data for learning to a printing device. 4. The inspection method according to claim 2, wherein the data is generated by performing the deep learning. 前記第一学習モデルは、一層以上の畳み込み層を具備し、前記基準データと同じデータ形式の前記学習用基準データを入力とし、前記比較用撮像データと同じデータ形式の前記学習用撮像データを出力とする学習データを学習する前記深層学習を実施して生成される請求項2又は3に記載の検査方法。 The first learning model includes one or more convolution layers, receives the learning reference data in the same data format as the reference data, and outputs the learning imaging data in the same data format as the comparison imaging data. 4. The inspection method according to claim 2 or 3, which is generated by implementing the deep learning for learning learning data to be. 前記第一学習モデルは、インクジェット印刷装置においてインクジェットヘッドに具備されるノズルの特性を表すノズル情報又は前記ノズルの特性の補正パラメータを含む印刷情報を学習データとして追加し、前記深層学習を実施して生成される請求項5に記載の検査方法。 The first learning model adds nozzle information representing characteristics of nozzles provided in an inkjet head in an inkjet printing apparatus or printing information including correction parameters for the characteristics of the nozzles as learning data, and performs the deep learning. 6. The inspection method according to claim 5, wherein the method is generated. 前記学習用撮像データは、前記学習用基準データに基づいて印刷物を生成する印刷装置であり、前記学習用基準データごとに異なる印刷装置が印刷物を生成する場合において、印刷装置のばらつきを補正する第一補正処理が実施された印刷物を用いて生成される請求項6に記載の検査方法。 The imaging data for learning is a printing device that generates a printed material based on the reference data for learning, and in a case where a different printing device generates the printed material for each of the reference data for learning, the variation of the printing device is corrected. 7. The inspection method according to claim 6, wherein the inspection method is generated using printed matter on which one correction process has been performed. 前記第一補正処理は、前記ノズルの吐出特性の補正を、前記印刷装置のばらつきの補正として実施する請求項7に記載の検査方法。 8. The inspection method according to claim 7, wherein in the first correction process, correction of ejection characteristics of the nozzles is performed as correction of variations in the printing apparatus. 前記第一補正処理は、シングルパス方式の前記印刷装置における印刷媒体の搬送速度変動を、前記印刷装置のばらつきとして補正する請求項7又は8に記載の検査方法。 9. The inspection method according to claim 7, wherein the first correction process corrects variations in the transport speed of the print medium in the single-pass printing apparatus as variations in the printing apparatus. 前記学習用撮像データは、前記印刷物を撮像する撮像装置のMTF及びCTFの少なくともいずれかを補正する第二補正処理が実施された印刷物の撮像データを用いて生成される請求項5から9のいずれか一項に記載の検査方法。 10. The imaging data for learning is generated using imaging data of a printed matter on which a second correction process for correcting at least one of MTF and CTF of an imaging device that images the printed matter is performed. or the inspection method according to item 1. 前記学習用撮像データは、前記印刷物を撮像する撮像装置の撮像データにおけるシェーディング特性を補正する第二補正処理が実施された印刷物の撮像データを用いて生成される請求項5から9のいずれか一項に記載の検査方法。 10. The imaging data for learning is generated using imaging data of a printed matter on which a second correction process for correcting shading characteristics in the imaging data of an imaging device that images the printed matter is performed. The inspection method described in the section. 前記比較用基準データ生成工程は、前記印刷物の生成の際に適用された前記印刷条件に基づいて、前記比較用基準データを生成する請求項1から11のいずれか一項に記載の検査方法。 The inspection method according to any one of claims 1 to 11, wherein the comparison reference data generating step generates the comparison reference data based on the printing conditions applied when generating the printed matter. 前記比較用基準データ生成工程は、印刷媒体の条件、網の条件及びカラープロファイルの条件の少なくともいずれかを前記印刷条件に適用して、前記比較用基準データを生成する請求項12に記載の検査方法。 13. The method according to claim 12, wherein the comparison reference data generation step applies at least one of printing medium conditions, mesh conditions, and color profile conditions to the printing conditions to generate the comparison reference data. Inspection method. 前記比較用基準データ生成工程は、前記第一学習モデルを用いる第一工程と学習モデルを非適用の第二工程とを含む請求項1から13のいずれか一項に記載の検査方法。 The inspection method according to any one of claims 1 to 13 , wherein the comparison reference data generating step includes a first step using the first learning model and a second step not applying the learning model. 前記比較用基準データ生成工程は、前記比較用基準データのカラーチャンネルを前記比較用撮像データのカラーチャンネルに応じて変換する請求項1から14のいずれか一項に記載の検査方法。 15. The inspection method according to any one of claims 1 to 14 , wherein the comparison reference data generation step converts color channels of the comparison reference data according to color channels of the comparison imaging data. 前記比較用基準データ生成工程は、前記比較用基準データの解像度を前記比較用撮像データの解像度に応じて変換する請求項1から15のいずれか一項に記載の検査方法。 16. The inspection method according to any one of claims 1 to 15 , wherein the comparison reference data generation step converts the resolution of the comparison reference data according to the resolution of the comparison imaging data. 印刷物の印刷に適用される基準データを取得する基準データ取得部と、
印刷装置が取得する印刷条件に応じて前記基準データを変換して比較用基準データを生成する比較用基準データ生成部と、
撮像装置を用いて前記印刷物を撮像した撮像データを用いて比較用撮像データを生成する比較用撮像データ生成部と、
前記比較用基準データと比較用撮像データとを比較して、前記印刷物の良否を判定する検査部と、
を含み、
前記比較用基準データ生成部は、複数の前記印刷条件のそれぞれについて深層学習を適用して生成された複数の第一学習モデルを、前記取得した印刷条件に応じて切り替えて、前記基準データを前記比較用基準データへ変換する検査装置。
a reference data acquisition unit that acquires reference data applied to printing of printed matter;
a comparison reference data generation unit that converts the reference data according to printing conditions acquired by the printing apparatus to generate comparison reference data;
a comparison imaging data generation unit that generates comparison imaging data using imaging data obtained by imaging the printed matter using an imaging device;
an inspection unit that compares the reference data for comparison with the imaging data for comparison and determines whether the printed matter is good or bad;
including
The comparison reference data generation unit switches a plurality of first learning models generated by applying deep learning to each of the plurality of printing conditions according to the acquired printing conditions , and converts the reference data to the An inspection device that converts to reference data for comparison.
コンピュータに、
印刷物の印刷に適用される基準データを取得する基準データ取得機能、
印刷装置が取得する印刷条件に応じて前記基準データを変換して比較用基準データを生成する比較用基準データ生成機能、
撮像装置を用いて前記印刷物を撮像した撮像データを用いて比較用撮像データを生成する比較用撮像データ生成機能、及び
前記比較用基準データと比較用撮像データとを比較して、前記印刷物の良否を判定する検査機能を実現させるプログラムであって、
前記比較用基準データ生成機能は、複数の前記印刷条件のそれぞれについて深層学習を適用して生成された複数の第一学習モデルを、前記取得した印刷条件に応じて切り替えて、前記基準データを前記比較用基準データへ変換するプログラム。
to the computer,
a reference data acquisition function for acquiring reference data applied to printing of printed matter;
a comparison reference data generating function for generating comparison reference data by converting the reference data according to printing conditions acquired by the printing apparatus;
A comparative imaging data generation function for generating comparison imaging data using imaging data obtained by imaging the printed matter using an imaging device, and comparing the comparison reference data and the comparison imaging data to determine the quality of the printed matter. A program that realizes an inspection function that determines
The comparison reference data generation function switches a plurality of first learning models generated by applying deep learning to each of the plurality of printing conditions according to the acquired printing conditions , and converts the reference data to the A program that converts to reference data for comparison.
印刷媒体を搬送する搬送部と、
前記搬送部を用いて搬送される前記印刷媒体に対して印刷を行い、印刷物を生成する印刷部と、
前記印刷部を用いて生成された前記印刷物の検査を実施する検査装置と、
を備え、
前記検査装置は、
印刷物の印刷に適用される基準データを取得する基準データ取得部と、
印刷装置が取得する印刷条件に応じて前記基準データを変換して比較用基準データを生成する比較用基準データ生成部と、
撮像装置を用いて前記印刷物を撮像した撮像データを用いて比較用撮像データを生成する比較用撮像データ生成部と、
前記比較用基準データと比較用撮像データとを比較して、前記印刷物の良否を判定する検査部と、
を含み、
前記比較用基準データ生成部は、複数の前記印刷条件のそれぞれについて深層学習を適用して生成された複数の第一学習モデルを、前記取得した印刷条件に応じて切り替えて、前記基準データを前記比較用基準データへ変換する印刷装置。
a transport unit that transports the print medium;
a printing unit that prints on the print medium conveyed using the conveying unit to generate a printed matter;
an inspection device that inspects the printed material generated using the printing unit;
with
The inspection device is
a reference data acquisition unit that acquires reference data applied to printing of printed matter;
a comparison reference data generation unit that converts the reference data according to printing conditions acquired by the printing apparatus to generate comparison reference data;
a comparison imaging data generation unit that generates comparison imaging data using imaging data obtained by imaging the printed matter using an imaging device;
an inspection unit that compares the reference data for comparison with the imaging data for comparison and determines whether the printed matter is good or bad;
including
The comparison reference data generation unit switches a plurality of first learning models generated by applying deep learning to each of the plurality of printing conditions according to the acquired printing conditions , and converts the reference data to the A printing device that converts to reference data for comparison.
JP2019089744A 2019-05-10 2019-05-10 Inspection method, inspection device, program and printing device Active JP7272857B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019089744A JP7272857B2 (en) 2019-05-10 2019-05-10 Inspection method, inspection device, program and printing device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019089744A JP7272857B2 (en) 2019-05-10 2019-05-10 Inspection method, inspection device, program and printing device

Publications (2)

Publication Number Publication Date
JP2020186938A JP2020186938A (en) 2020-11-19
JP7272857B2 true JP7272857B2 (en) 2023-05-12

Family

ID=73221556

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019089744A Active JP7272857B2 (en) 2019-05-10 2019-05-10 Inspection method, inspection device, program and printing device

Country Status (1)

Country Link
JP (1) JP7272857B2 (en)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7410442B2 (en) * 2020-10-06 2024-01-10 日本電信電話株式会社 Deterioration detection device, deterioration detection method, and program
WO2022186108A1 (en) * 2021-03-03 2022-09-09 富士フイルム株式会社 Defective nozzle estimation device, defective nozzle estimation method, defective nozzle estimation program, printing device, and method for manufacturing printed matter
KR102643090B1 (en) * 2021-10-27 2024-03-04 주식회사 코윈디에스티 Ink-jet type automatic defect repair method for display panel using artificial intelligence
WO2023074566A1 (en) * 2021-11-01 2023-05-04 ブラザー工業株式会社 Computer program and data processing device
KR20230099984A (en) * 2021-12-28 2023-07-05 세메스 주식회사 Nozzle inspecting unit and substrate treating apparatus including the same
JP7204265B1 (en) 2022-02-28 2023-01-16 株式会社マイクロ・テクニカ METHOD AND APPARATUS FOR GENERATING TRAINED MODEL FOR PRINT INSPECTION SYSTEM
WO2023171321A1 (en) * 2022-03-07 2023-09-14 富士フイルム株式会社 Data processing device, data processing method, program, inspection device, and printing system
JP2024137555A (en) * 2023-03-25 2024-10-07 株式会社Screenホールディングス Printing device, method for detecting defective discharge, and program for detecting defective discharge

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008230048A (en) 2007-03-20 2008-10-02 Seiko Epson Corp Print control suitable for combination of colorant
US20090148002A1 (en) 2007-12-05 2009-06-11 Bowe Bell + Howell Company Camera based ink application verification
JP2012000876A (en) 2010-06-17 2012-01-05 Konica Minolta Business Technologies Inc Variable printing inspection device and variable printing inspection method
JP2013222265A (en) 2012-04-13 2013-10-28 Konica Minolta Inc Information processing device, program, and storage medium with program stored therein
JP2015001973A (en) 2013-06-18 2015-01-05 コニカミノルタ株式会社 Print management device and print management method, printer and printing method, printing system, and control program
JP2016021004A (en) 2014-07-15 2016-02-04 株式会社ニューフレアテクノロジー Mask inspection device and method
JP2017087672A (en) 2015-11-16 2017-05-25 理想科学工業株式会社 Image formation system
JP2017213814A (en) 2016-06-01 2017-12-07 コニカミノルタ株式会社 Image forming device and program for image forming device
JP2021107947A (en) 2018-04-05 2021-07-29 コニカミノルタ株式会社 Printed matter inspection equipment, printed matter inspection method, and printed matter inspection program

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008230048A (en) 2007-03-20 2008-10-02 Seiko Epson Corp Print control suitable for combination of colorant
US20090148002A1 (en) 2007-12-05 2009-06-11 Bowe Bell + Howell Company Camera based ink application verification
JP2012000876A (en) 2010-06-17 2012-01-05 Konica Minolta Business Technologies Inc Variable printing inspection device and variable printing inspection method
JP2013222265A (en) 2012-04-13 2013-10-28 Konica Minolta Inc Information processing device, program, and storage medium with program stored therein
JP2015001973A (en) 2013-06-18 2015-01-05 コニカミノルタ株式会社 Print management device and print management method, printer and printing method, printing system, and control program
JP2016021004A (en) 2014-07-15 2016-02-04 株式会社ニューフレアテクノロジー Mask inspection device and method
JP2017087672A (en) 2015-11-16 2017-05-25 理想科学工業株式会社 Image formation system
JP2017213814A (en) 2016-06-01 2017-12-07 コニカミノルタ株式会社 Image forming device and program for image forming device
JP2021107947A (en) 2018-04-05 2021-07-29 コニカミノルタ株式会社 Printed matter inspection equipment, printed matter inspection method, and printed matter inspection program

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ISOLA et al.,Image-to-Image Translation with Conditional Adversarial Networks,2017 IEEE Conference on Computer Vision and Pattern Recognition,2017年07月21日,p.1125-1134

Also Published As

Publication number Publication date
JP2020186938A (en) 2020-11-19

Similar Documents

Publication Publication Date Title
JP7272857B2 (en) Inspection method, inspection device, program and printing device
US10311561B2 (en) Image inspection method, image inspection device, program, and image recording system
US9044952B2 (en) Recording apparatus and recording system
US9792514B2 (en) Image inspection method and apparatus, and ink jet printing apparatus
JP5458083B2 (en) Ink consumption evaluation apparatus and method, program, and ink jet apparatus
JP7216185B2 (en) Image processing method and apparatus, program and image forming apparatus
JP6011321B2 (en) Print control apparatus and program
US8320022B2 (en) Image forming apparatus and image forming method
US9815274B2 (en) Image recording apparatus and control method therefor
US11247483B2 (en) Image forming apparatus and method, abnormal nozzle detection method, and printed matter manufacturing method
JP2017013513A (en) Inkjet printing system and correction method for non-ejection in the same, and program
WO2019107028A1 (en) Image inspection method, image inspection device, program, and image recording system
JP6018994B2 (en) Inkjet printing system, undischarge correction method and program thereof
JP2010120254A (en) Printer and method of detecting non-ejecting nozzle
JP7181377B2 (en) Inspection method, program, inspection device, and printing device
JP2021154683A (en) Specifying method of attribute of ink set, specifying device of attribute of ink set and computer program
JP6814883B2 (en) Image forming device and image forming method
US20210297537A1 (en) Image inspection device and saving processing method for captured image
JP6163092B2 (en) Image processing device
JP5409250B2 (en) Gamma correction table generation method
US20240161273A1 (en) Printed material inspection device, printed material inspection method, program, and printing system
JP2021104606A (en) Image forming device and control program
JP2006088402A (en) Image processor, image processing method, image processing program, and image recorder

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210805

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220524

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220607

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220728

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20221118

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230208

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20230208

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20230216

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20230217

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230424

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230427

R150 Certificate of patent or registration of utility model

Ref document number: 7272857

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150