JP7335542B2 - サーバ装置、システム、および、学習済モデル - Google Patents

Description

本明細書は、印刷用の印刷剤の品質を特定する技術に関する。

従来から、インクやトナーなどの印刷剤を用いて画像を印刷する印刷装置が使用されている。また、印字位置と倍率の不良や用紙の斜行といった問題があるか否かを判断するために、用紙上に格子パターンを印刷する技術が提案されている。この技術では、格子パターンが印刷された用紙がスキャナで読み取られ、読み取られた画像を用いて、問題があるか否かが判断される。また、問題がある場合には、読み取られた画像を用いて、原因が推定される。

特開２００４－１６０７０６号公報

ところで、印刷装置に生じ得る問題としては、印刷剤の品質に起因する問題がある。通常、印刷装置は、予め決められた品質基準内の品質を有する印刷剤を使用することが、想定されている。一方、ユーザが印刷装置に画像を印刷させる段階では、種々の品質の印刷剤が印刷に使用され得る。例えば、印刷剤は、複数の工場で製造され得る。各工場では、印刷剤が品質基準内の品質を有するように、印刷剤の品質が管理される。ところが、複数の工場で製造される全ての印刷剤の品質を、出荷後にも品質基準内に維持することは、容易ではない。印刷剤は、出荷後、日光に曝される環境下や、高湿度の環境下など、意図されていない環境下で、保管され得る。意図されていない環境下で長期間に亘って印刷剤が保管される場合、印刷剤に含まれる着色剤（顔料や染料など）が変質し得る。また、インクの粘度が変化し得る。また、他の種々の原因によって、種々の品質の印刷剤が印刷に使用され得る。これらの結果、品質基準外の品質を有する印刷剤が、印刷に使用される場合があった。ところが、印刷剤の品質を特定することは、容易ではなかった。

本明細書は、印刷剤の品質を特定する技術を開示する。

本明細書に開示された技術は、以下の適用例として実現することが可能である。

［適用例１］ネットワークを介して外部装置と通信するように構成されたサーバ装置であって、１種以上の印刷剤を含む印刷剤セットであって品質評価の対象である対象印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された対象画像データを、前記ネットワークを介して前記外部装置から取得する画像データ取得部と、前記品質基準内の品質を有する印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第１種学習用画像データと、前記品質基準外の品質を有する印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第２種学習用画像データと、を用いてトレーニングされた学習済モデルと、前記学習済モデルに前記対象画像データを用いて得られる前記テストパターンを表す入力画像データを入力することによって、前記対象印刷剤セットの品質に関連するデータである品質関連データを取得する品質関連データ取得部と、前記品質関連データを用いて、前記対象印刷剤セットの前記品質に関連する出力用のデータである出力データを生成する出力データ生成部と、前記ネットワークを介して前記出力データを出力する出力部と、を備える、サーバ装置。

この構成によれば、学習済モデルにテストパターンを表す入力画像データを入力することによって、対象印刷剤セットの品質に関連する品質関連データが取得され、品質関連データを用いて生成される出力データが、出力されるので、対象印刷剤セットの品質を適切に特定できる。

［適用例２］適用例１に記載のサーバ装置であって、前記学習済モデルは、テストパターンの画像データを入力するための入力層と、前記テストパターンの印刷に使用された印刷剤セットの品質が前記品質基準内であるか否かの推定結果に関連する情報を出力するための出力層と、前記入力層と前記出力層との間に設けられた１以上の中間層と、を有する学習済のニューラルネットワークのうちの前記入力層から前記１以上の中間層のうちの特定の中間層までの部分を含み、前記品質関連データ取得部は、前記入力画像データを前記学習済モデルに入力することによって、前記特定の中間層から出力される中間データである前記品質関連データを取得し、前記出力データ生成部は、前記品質関連データと、Ｎ個（Ｎは２以上の整数）の第１種中間データと、Ｍ個（Ｍは２以上の整数）の第２種中間データと、を用いて、前記対象印刷剤セットの品質に関連するＫ次元（Ｋは１以上３以下の整数）の値を示すデータである対象出力データと、それぞれが前記品質基準内の品質を有するＮ個の第１種印刷剤セットの品質に関連するＮ個のＫ次元のデータの第１分布範囲を示す第１範囲データと、それぞれが前記品質基準外の品質を有するＭ個の第２種印刷剤セットの品質に関連するＭ個のＫ次元のデータの第２分布範囲を示す第２範囲データと、を取得し、前記Ｎ個の第１種中間データは、Ｎ個の第１種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｎ個の第１種画像データは、前記Ｎ個の第１種印刷剤セットを用いて印刷されたＮ個のテストパターンを光学的に読み取ることによって生成されるデータであり、前記Ｍ個の第２種中間データは、Ｍ個の第２種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｍ個の第２種画像データは、前記Ｍ個の第２種印刷剤セットを用いて印刷されたＭ個のテストパターンを光学的に読み取ることによって生成されるデータであり、前記対象出力データと、前記第１範囲データと、前記第２範囲データと、を含む前記出力データを生成する、サーバ装置。

ニューラルネットワークの中間層から出力される中間データは、ニューラルネットワークに入力されるデータの特徴を示している。上記構成によれば、中間データである品質関連データを用いて対象出力データが取得される。そして、出力データを用いることによって、対象出力データと、品質基準内の品質を有する第１種印刷剤セットのＫ次元のデータの第１分布範囲と、品質基準外の品質を有する第２種印刷剤セットのＫ次元のデータの第２分布範囲と、の関連を、特定できる。従って、対象印刷剤セットの品質を適切に特定できる。

［適用例３］適用例１または２に記載のサーバ装置であって、前記テストパターンは、１つの印刷剤を用いて印刷されるパッチである１次色パッチを含む、サーバ装置。

この構成によれば、１次色パッチの印刷に使用された印刷剤の特徴を適切に反映する出力データを出力できる。

［適用例４］適用例１から３のいずれかに記載のサーバ装置であって、前記印刷剤セットは、互いに異なる２種以上の印刷剤を含み、前記テストパターンは、互いに異なる２種の印刷剤の混色を用いて印刷されるパッチである２次色パッチを含む、サーバ装置。

この構成によれば、２次色パッチの印刷に使用された２種の印刷剤の混色の特徴を適切に反映する出力データを出力できる。

［適用例５］適用例１から４のいずれかに記載のサーバ装置であって、前記印刷剤セットは、互いに異なる２種以上の印刷剤を含み、前記テストパターンは、互いに異なる種類の印刷剤を用いて印刷されるとともに互いに隣接する複数のパッチを含む、サーバ装置。

この構成によれば、互いに異なる種類の印刷剤の複数のパッチが隣接する部分の特徴を適切に反映する出力データを出力できる。

［適用例６］適用例１から５のいずれかに記載のサーバ装置であって、前記テストパターンは、同じ印刷剤を用いて印刷される複数のパッチであって、互いに濃度が異なる前記複数のパッチを含む、サーバ装置。

この構成によれば、同じ印刷剤の複数の濃度によって示される特徴を適切に反映する出力データを出力できる。

［適用例７］適用例１から６のいずれかに記載のサーバ装置と、前記対象印刷剤セットを用いて前記テストパターンを印刷する印刷装置と、印刷済のテストパターンを光学的に読み取ることによって前記テストパターンを表す読取データを生成する読取装置と、前記読取装置から前記読取データを取得し、前記サーバ装置に送信するための前記対象画像データを、前記読取データを用いて生成する対象画像データ生成装置と、前記対象画像データを、前記ネットワークを介して前記サーバ装置に送信する対象画像データ送信装置と、前記サーバ装置から前記ネットワークを介して前記出力データを取得し、取得した前記出力データを用いることによって、前記対象印刷剤セットの前記品質に関連する情報を表す画像を表示する表示装置と、を備える、システム。

この構成によれば、ユーザは、表示装置に表示された画像を観察することによって、対象印刷剤セットの品質を適切に特定できる。

［適用例８］１種以上の印刷剤を含む印刷剤セットであって品質評価の対象である対象印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された対象画像データを用いて得られる前記テストパターンを表す入力画像データに基づいて、前記対象印刷剤セットの品質に関連するデータである品質関連データを取得するようにコンピュータを機能させるための学習済モデルであって、前記品質基準内の品質を有する印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第１種学習用画像データと、前記品質基準外の品質を有する印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第２種学習用画像データと、を用いてトレーニングされたものであり、前記学習済モデルに、前記入力画像データを入力することによって、前記対象印刷剤セットの品質に関連するデータである品質関連データを取得するように、コンピュータを機能させるための学習済モデル。

［適用例９］適用例８に記載の学習済モデルであって、前記学習済モデルは、テストパターンの画像データを入力するための入力層と、前記テストパターンの印刷に使用された印刷剤セットの品質が前記品質基準内であるか否かの推定結果に関連する情報を出力するための出力層と、前記入力層と前記出力層との間に設けられた１以上の中間層と、を有する学習済のニューラルネットワークのうちの前記入力層から前記１以上の中間層のうちの特定の中間層までの部分を含み、前記入力画像データを前記学習済モデルに入力することによって、前記特定の中間層から出力される中間データである前記品質関連データを取得するように、コンピュータを機能させるための学習済モデル。

なお、本明細書に開示の技術は、種々の態様で実現することが可能であり、例えば、学習済モデル、学習済モデルを用いて印刷剤セットの品質に関連するデータを出力する出力方法、及び、出力するためのサーバ装置、学習済モデルを用いて印刷剤セットの品質を判別する判別方法、及び、判別装置、それらの方法または装置の機能を実現するためのコンピュータプログラム、そのコンピュータプログラムを記録した記録媒体（例えば、一時的ではない記録媒体）、等の形態で実現することができる。

実施例のシステム１０００を示す説明図である。 人工ニューラルネットワークＮＮの例の説明図である。 テストパターンＴＰの例を示す概略図である。 トレーニングの処理の例を示すフローチャートである。 範囲データを生成する処理の例を示すフローチャートである。 特定処理の例を示すフローチャートである。 特定処理の例を示すフローチャートである。 （Ａ）、（Ｂ）、（Ｃ）は、表示画像の例の説明図である。

Ａ．第１実施例：
Ａ－１：システムの構成：
図１は、実施例のシステム１０００を示す説明図である。このシステム１０００は、サーバ装置１００と、複数の複合機２００Ａ、２００Ｂ、２００Ｃと、を含んでいる。サーバ装置１００と複合機２００Ａ、２００Ｂ、２００Ｃとは、有線または無線のネットワーク９００を介して、通信可能に接続されている。ネットワーク９００は、いわゆるインターネットを含んでよい。また、ネットワーク９００は、いわゆるローカルネットワークであってもよい。

本実施例では、複合機２００Ａ、２００Ｂ、２００Ｃは、同じ構成を有している。以下、複合機２００Ａ、２００Ｂ、２００Ｃを区別しない場合には、符号の末尾の英字を省略して、単に複合機２００とも呼ぶ。

複合機２００は、制御部２９９と、スキャナ部２８０と、プリンタ部４００と、を有している。制御部２９９は、プロセッサ２１０と、記憶装置２１５と、画像を表示する表示部２４０と、ユーザによる操作を受け入れる操作部２５０と、通信インタフェース２７０と、を有している。これらの要素は、バスを介して互いに接続されている。記憶装置２１５は、揮発性記憶装置２２０と、不揮発性記憶装置２３０と、を含んでいる。

プロセッサ２１０は、データ処理を行う装置であり、例えば、ＣＰＵである。揮発性記憶装置２２０は、例えば、ＤＲＡＭであり、不揮発性記憶装置２３０は、例えば、フラッシュメモリである。

不揮発性記憶装置２３０は、プログラム２３２を格納している。プロセッサ２１０は、プログラム２３２を実行することによって、種々の機能を実現する（詳細は、後述）。プロセッサ２１０は、プログラム２３２の実行に利用される種々の中間データを、記憶装置（例えば、揮発性記憶装置２２０、不揮発性記憶装置２３０のいずれか）に、一時的に格納する。本実施例では、プログラム２３２は、複合機２００の製造者によって、ファームウェアとして、不揮発性記憶装置２３０に予め格納されている。

表示部２４０は、画像を表示する装置であり、例えば、液晶ディスプレイである。これに代えて、ＬＥＤディスプレイ、有機ＥＬディスプレイなどの、画像を表示する他の種類の装置が採用されてよい。操作部２５０は、ユーザによる操作を受け取る装置であり、例えば、表示部２４０上に重ねて配置されたタッチパネルである。これに代えて、ボタン、レバーなどの、ユーザによって操作される他の種類の装置が採用されてよい。ユーザは、操作部２５０を操作することによって、種々の指示を複合機２００に入力可能である。

通信インタフェース２７０は、他の装置と通信するためのインタフェースである（例えば、有線ＬＡＮインタフェース、IEEE802.11の無線インタフェース）。本実施例では、通信インタフェース２７０は、ネットワーク９００に接続されている。

スキャナ部２８０は、ＣＣＤやＣＭＯＳなどの光電変換素子を用いて光学的に原稿等の対象物を読み取ることによって、読み取った画像（「スキャン画像」と呼ぶ）を表す読取データを生成する。読取データは、例えば、カラーのスキャン画像を表すＲＧＢのビットマップデータである。

プリンタ部４００は、所定の方式（例えば、レーザ方式や、インクジェット方式）で、用紙（印刷媒体の一例）上に画像を印刷する装置である。本実施例では、プリンタ部４００は、シアンＣ、マゼンタＭ、イエロＹ、ブラックＫの４種類のインクを用いてカラー画像を印刷可能なインクジェット方式の印刷装置である。プリンタ部４００は、装着部４１０を備えている。装着部４１０は、ＣＭＹＫのインクカートリッジ４２０Ｃ、４２０Ｍ、４２０Ｙ、４２０Ｋを、装着するように構成されている。インクカートリッジ４２０Ｃ、４２０Ｍ、４２０Ｙ、４２０Ｋは、それぞれ、シアンＣ、マゼンタＭ、イエロＹ、ブラックＫのインクを収容したカートリッジである。複合機２００のユーザは、市場で購入した種々のインクカートリッジを、装着部４１０に装着可能である。複合機２００は、ＣＭＹＫのインクのセットを用いて、画像を印刷する。

サーバ装置１００は、コンピュータである。サーバ装置１００は、プロセッサ１１０と、記憶装置１１５と、画像を表示する表示部１４０と、ユーザによる操作を受け入れる操作部１５０と、通信インタフェース１７０と、を有している。これらの要素は、バスを介して互いに接続されている。記憶装置１１５は、揮発性記憶装置１２０と、不揮発性記憶装置１３０と、を含んでいる。

プロセッサ１１０は、データ処理を行う装置であり、例えば、ＣＰＵである。揮発性記憶装置１２０は、例えば、ＤＲＡＭであり、不揮発性記憶装置１３０は、例えば、フラッシュメモリである。

不揮発性記憶装置１３０は、プログラム１３１、１３２、１３３と、学習済モデル１３４と、第１データセット１３６と、第２データセット１３７と、を格納している。本実施例では、学習済モデル１３４は、プログラムモジュールである。プロセッサ１１０は、プログラム１３１、１３２、１３３と学習済モデル１３４との実行に利用される種々の中間データを、記憶装置１１５（例えば、揮発性記憶装置１２０、不揮発性記憶装置１３０のいずれか）に、一時的に格納する。プログラム１３１、１３２、１３３と学習済モデル１３４とによって実現される機能については、後述する。

表示部１４０は、画像を表示する装置であり、例えば、液晶ディスプレイである。これに代えて、ＬＥＤディスプレイ、有機ＥＬディスプレイなどの、画像を表示する他の種類の装置が採用されてよい。操作部１５０は、ユーザによる操作を受ける装置であり、例えば、マウス、キーボードである。ユーザは、操作部１５０を操作することによって、種々の指示をサーバ装置１００に入力可能である。

通信インタフェース１７０は、他の装置と通信するためのインタフェースである（例えば、有線ＬＡＮインタフェース、IEEE802.11の無線インタフェース）。通信インタフェース１７０は、ネットワーク９００に接続されている。

図２は、人工ニューラルネットワークＮＮの例の説明図である（以下、単に、ニューラルネットワークＮＮとも呼ぶ）。ニューラルネットワークＮＮは、学習済モデル１３４の生成に利用されるニューラルネットワークである。本実施例では、ニューラルネットワークＮＮは、いわゆる畳み込みニューラルネットワーク（Convolutional Neural Network）である。畳み込みニューラルネットワークは、畳込層とプーリング層とを含む複数の層を有している。ニューラルネットワークＮＮは、後述するテストパターンＴＰの印刷に用いられたインクセットを、「品質基準内の品質を有するインクセット」と「品質基準外の品質を有するインクセット」との２つのクラスに分類するように、構成されている。品質基準は、着色剤（染料や顔料等）の組成、粘度、濃度、単位体積当たりの質量など、種々の観点から、予め決められている。ニューラルネットワークＮＮを用いる処理には、テストパターンＴＰの読取データ６００が用いられる。テストパターンＴＰの印刷と、読取データ６００の生成とは、例えば、複合機２００によって行われる。

本実施例では、ニューラルネットワークＮＮに入力する画像データは、２００画素×２００画素×３色成分値（具体的には、赤Ｒと緑Ｇと青Ｂの３つの値）のビットマップ画像データである（以下、このデータ形式を、入力データ形式と呼ぶ）。本実施例では、読取データ６００のサイズ（具体的には、画素数）が入力データ形式のサイズよりも大きいので、読取データ６００のサイズ調整が行われ、サイズ調整済の画像データが、ニューラルネットワークＮＮに入力される。サイズ調整は、画像のサイズを調整する種々の処理であってよい。サイズ調整は、例えば、解像度を変換する処理（例えば、バイキュービック法やバイリニア法など）を含んでよく、また、読取データ６００のうちのテストパターンＴＰを示す部分を切り出すクロッピング処理を含んでよい。図２には、ニューラルネットワークＮＮのトレーニングと利用とに関連する処理部３００、３８０、３９０が示されている。ニューラルネットワークＮＮと処理部３００、３８０、３９０との詳細については、後述する。

図３は、テストパターンＴＰの例を示す概略図である。本実施例では、テストパターンＴＰは、４９個の矩形のパッチＰで構成されている。４９個のパッチＰは、７行７列のマトリクス状に配置されている。４９個のパッチＰは、それぞれ、隣のパッチＰに接するように、配置されている。７個の列Ｃ１～Ｃ７のそれぞれと、パッチＰの印刷に利用されるインクと、の対応関係は、以下の通りである。
第１列Ｃ１：シアンＣのインク
第２列Ｃ２：マゼンタＭのインク
第３列Ｃ３：イエロＹのインク
第４列Ｃ４：マゼンタＭのインクとイエロＹのインクとの混色（赤Ｒ）
第５列Ｃ５：シアンＣのインクとイエロＹのインクとの混色（緑Ｇ）
第６列Ｃ６：シアンＣのインクとマゼンタＭのインクとの混色（青Ｂ）
第７列Ｃ７：ブラックＫのインク
第４～第６列Ｃ４～Ｃ６のパッチＰは、２種類のインクの混色を用いて印刷される２次色パッチである。本実施例では、２次色パッチは、２種類のインクの等量の混色によって、印刷される。他の列Ｃ１～Ｃ３、Ｃ７のパッチＰは、１種類のインクを用いて印刷される１次色パッチである。また、各列Ｃ１～Ｃ７において、濃度は、第１行Ｒ１から第７行Ｒ７に向かって、徐々に薄くなっている。

Ａ－２：ニューラルネットワークＮＮのトレーニング：
図４は、ニューラルネットワークＮＮのトレーニングの処理の例を示すフローチャートである。Ｓ２１０では、複合機２００（図１）は、品質基準内の品質を有するインクセットである第１種インクセットを用いて、テストパターンＴＰを印刷する。例えば、トレーニング実行者は、複合機２００の装着部４１０に、第１種インクを収容するインクカートリッジ４２０Ｃ、４２０Ｍ、４２０Ｙ、４２０Ｋを、それぞれ装着する。そして、操作部２５０に、予め準備されたテストパターンＴＰの画像データを用いてテストパターンＴＰを印刷する指示を、入力する。テストパターンＴＰの画像データは、トレーニング実行者によって複合機２００に供給されてよく、これに代えて、予め、記憶装置２１５（例えば、不揮発性記憶装置２３０）に格納されてよい。トレーニング実行者からの指示に応じて、複合機２００のプロセッサ２１０は、テストパターンＴＰの画像データを用いて、プリンタ部４００にテストパターンＴＰを印刷させる。テストパターンＴＰは、品質基準内の品質を有するインクを用いて、印刷される。なお、品質基準内の品質を有するインクとしては、例えば、適切に管理された製造工場で製造されたインクが用いられる。

Ｓ２２０では、印刷済のテストパターンＴＰを光学的に読み取ることによって、学習用画像データが生成される。例えば、トレーニング実行者は、テストパターンＴＰが印刷された用紙を、複合機２００のスキャナ部２８０のうちの原稿を配置すべき部分に、配置する（例えば、用紙が、スキャナ部２８０の原稿台に載せられる）。そして、複合機２００のプロセッサ２１０は、操作部２５０に入力されたトレーニング実行者の指示に応じて、印刷済のテストパターンＴＰをスキャナ部２８０に読み取らせる。これにより、スキャナ部２８０は、テストパターンＴＰの読取データ６００を生成する。

図２で説明したように、ニューラルネットワークＮＮに入力するための画像データを生成するためには、読取データ６００のサイズ調整が行われる。サイズ調整を含むニューラルネットワークＮＮのトレーニングの処理には、コンピュータが用いられる。以下、ニューラルネットワークＮＮのトレーニングに、サーバ装置１００（図１）が用いられることとする。第１プログラム１３１は、トレーニングのためのプログラムである。プロセッサ１１０は、第１プログラム１３１を実行することによって、ニューラルネットワークＮＮをトレーニングするための以下の処理を実行する。なお、トレーニングには、サーバ装置１００とは異なる他のコンピュータが用いられてもよい。

Ｓ２２０（図４）では、複合機２００からサーバ装置１００へ、読取データ６００が転送される。トレーニング処理においては、読取データ６００の転送方法は、任意の方法であってよい。読取データ６００は、ネットワーク９００や、図示しない携帯記憶装置などを介して、サーバ装置１００に転送される。サーバ装置１００のプロセッサ１１０は、読取データ６００のサイズ調整を行って、テストパターンＴＰを表す入力データ形式の画像データであるパターン画像データを生成する。そして、プロセッサ１１０は、パターン画像データと、教師データ（具体的には、品質が品質基準内と品質基準外とのいずれであるかを示すデータ）と、を含む学習用画像データを生成する。図２のサイズ調整部３００は、サイズ調整の機能ブロックを示している。

以上のように、Ｓ２１０、Ｓ２２０によって、品質基準内の品質を有する第１種インクセットに対応する学習用画像データである第１種学習用画像データが生成される。本実施例では、複数の第１種インクセットを用いて、複数の第１種学習用画像データが生成される。これに代えて、１個の第１種インクセットを用いて１個の第１種学習用画像データが生成されてよい。

Ｓ２３０、Ｓ２４０では、品質基準外の品質を有する第２種インクセットに対応する第２種学習用画像データが生成される。テストパターンＴＰの印刷に用いられるインクセットが、品質基準外の品質を有している点を除いて、Ｓ２３０、Ｓ２４０の処理は、Ｓ２１０、Ｓ２２０の処理と、それぞれ同じである。Ｓ２３０では、複合機２００の装着部４１０には、品質基準外の品質を有するインクを収容するインクカートリッジ４２０Ｃ、４２０Ｍ、４２０Ｙ、４２０Ｋが、それぞれ装着される。そして、テストパターンＴＰが、品質基準外の品質を有するインクを用いて、印刷される。なお、品質基準外の品質を有するインクとしては、種々のインクを利用可能である。例えば、適切な着色剤（顔料や染料など）とは異なる別の種類の着色剤を含むインクが、用いられてよい。また、不適切な環境下（例えば、直射日光下）で長期に亘って保管されたインクが、用いられてよい。Ｓ２４０では、テストパターンＴＰの読取データ６００が生成され、読取データ６００のサイズ調整によって、第２種学習用画像データが生成される。本実施例では、品質基準外の品質を有する複数の第２種インクセットを用いて、複数の第２種学習用画像データが生成される。これに代えて、１個の第２種インクセットを用いて１個の第２種学習用画像データが生成されてよい。

なお、Ｓ２１０、Ｓ２２０、Ｓ２３０、Ｓ２４０の順番は、任意の順番であってよい（ただし、Ｓ２２０は、Ｓ２１０よりも後に行われ、Ｓ２４０は、Ｓ２３０よりも後に行われる）。また、テストパターンＴＰの印刷には、予め決められたモデルの印刷装置が用いられてよい（例えば、複合機２００のプリンタ部４００と同じモデルの印刷装置）。そして、テストパターンＴＰの読取りには、予め決められたモデルの読取装置が用いられてよい（例えば、複合機２００のスキャナ部２８０と同じモデルの読取装置）。

Ｓ２５０では、学習用画像データを用いて、ニューラルネットワークＮＮ（図２）のトレーニングが行われる。ニューラルネットワークＮＮは、入力層３０５と、第１畳込層３１０と、第１プーリング層３２０と、第２畳込層３３０と、第２プーリング層３４０と、第１全結合層３５０と、第２全結合層３６０と、第３全結合層３７０と、を有している。これらの層３０５～３７０は、この順番に、接続されている。本実施例では、ニューラルネットワークＮＮは、プログラムモジュールである。プロセッサ１１０は、ニューラルネットワークＮＮであるプログラムモジュールに従って処理を進行することによって、各層３０５～３７０の機能を実現する。以下、これらの層３０５～３７０について、順に説明する。

入力層３０５は、ニューラルネットワークＮＮの外部から画像データを取得する層である。学習用画像データのパターン画像データは、入力層３０５に入力される。入力層３０５に入力された画像データは、第１畳込層３１０によって、入力情報として利用される。

第１畳込層３１０は、画像の畳み込みの処理を行う層である。畳み込みの処理は、入力された画像である入力画像とフィルタとの相関を示す値を、フィルタをスライドさせながら、算出する処理である。画像の畳み込みの処理で用いられるフィルタは、重みフィルタとも呼ばれる。本実施例では、第１畳込層３１０における１個の重みフィルタのサイズは、５×５（画素）であり、各画素は、ＲＧＢの３色成分に対応する３個の重みを有している。すなわち、１個の重みフィルタは、５×５×３＝７５個の重みを示している。ストライド（すなわち、フィルタの１回の移動量）は１である。フィルタは、入力画像からはみ出ないように、入力画像の全体に亘ってスライドされる。従って、１つのフィルタは、２００画素×２００画素×３色成分の入力画像から、１９６画素×１９６画素のビットマップデータを生成する（特徴マップとも呼ばれる）。具体的には、入力された画像データのうちフィルタの位置に対応する部分の７５個の値のリスト（すなわち、７５次元ベクトル）が取得される。取得された７５次元ベクトルと、フィルタの７５個の重みのリスト（すなわち、７５次元ベクトル）と、の内積が算出される。「内積＋バイアス」が、活性化関数に入力される。そして、活性化関数の計算結果が、特徴マップの１つの要素の値として用いられる。本実施例では、活性化関数としては、いわゆるReLU（Rectified Linear Unit）が用いられる。また、本実施例では、互いに異なる８個の重みフィルタが用いられる。従って、第１畳込層３１０として機能するプロセッサ１１０は、１９６画素×１９６画素×８層の特徴マップを生成する。なお、バイアスは、特徴マップの１９６画素×１９６画素×８層の要素のそれぞれに対して、別個に準備される。そして、複数のバイアスと８個のフィルタのそれぞれの複数の要素とは、トレーニングによって、更新される。

第１畳込層３１０からの特徴マップは、第１プーリング層３２０によって、入力情報として利用される。プーリングは、画像（ここでは、特徴マップ）を縮小する処理である。第１プーリング層３２０は、いわゆるマックスプーリング（MaxPooling）を行う。マックスプーリングは、いわゆるダウンサンプリングによってマップを縮小する処理であり、ウィンドウをスライドさせつつ、ウィンドウ内の最大値を選択することによってマップを縮小する。本実施例では、第１プーリング層３２０におけるウィンドウのサイズは、２×２（画素）であり、ストライドは、２である。これにより、元のマップの半分の高さと半分の幅を有するマップが生成される。具体的には、第１プーリング層３２０として機能するプロセッサ１１０は、１９６画素×１９６画素×８層の特徴マップから、９８画素×９８画素×８層の縮小された特徴マップを生成する。

第１プーリング層３２０からの特徴マップは、第２畳込層３３０によって、入力情報として利用される。第２畳込層３３０は、第１畳込層３１０による処理と同様の手順に従って、画像の畳み込みの処理を行う。本実施例では、第２畳込層３３０における１つのフィルタは、５画素×５画素×８層の要素を有している。ストライドは１である。フィルタは、入力された特徴マップからはみ出ないように、特徴マップの全体に亘ってスライドされる。従って、１つのフィルタは、９８画素×９８画素×８層の特徴マップから、９４画素×９４画素の特徴マップを生成する。ここで、活性化関数としては、いわゆるReLUが用いられる。また、本実施例では、互いに異なる１６個のフィルタが用いられる。第２畳込層３３０として機能するプロセッサ１１０は、９４画素×９４画素×１６層の特徴マップを生成する。なお、複数のバイアスと１６個のフィルタのそれぞれの複数の要素とは、トレーニングによって、更新される。

第２畳込層３３０からの特徴マップは、第２プーリング層３４０によって、入力情報として利用される。第２プーリング層３４０は、第１プーリング層３２０による処理と同様の手順に従って、マックスプーリングを行う。本実施例では、第２プーリング層３４０におけるウィンドウのサイズは、２×２（画素）であり、ストライドは、２である。これにより、元のマップの半分の高さと半分の幅を有するマップが生成される。具体的には、第２プーリング層３４０として機能するプロセッサ１１０は、９４画素×９４画素×１６層の特徴マップから、４７画素×４７画素×１６層の縮小された特徴マップを生成する。

第２プーリング層３４０からの特徴マップは、第１全結合層３５０によって、入力情報として利用される。第１全結合層３５０は、一般的なニューラルネットワークで用いられる全結合層と同様の層である。第１全結合層３５０では、入力された特徴マップを用いて、設計された数の要素で構成されるリスト（第１中間ベクトルとも呼ぶ）が、生成される。本実施例では、第１中間ベクトルの要素の数は、５１２個である。第１全結合層３５０では、第１全結合層３５０に入力される特徴マップの全ての要素と、第１中間ベクトルの全ての要素とが、結合される。具体的には、第１全結合層３５０では、４７画素×４７画素×１６層の全ての要素のリスト（すなわち、ベクトル）と、同じ数の重みのリスト（すなわち、ベクトル）と、の内積が算出される。「内積＋バイアス」が、活性化関数に入力される。そして、活性化関数の計算結果が、第１中間ベクトルの１つの要素として用いられる。本実施例では、活性化関数としては、いわゆるReLUが用いられる。また、重みのベクトルとバイアスとは、第１中間ベクトルの５１２個の要素のそれぞれに対して、別個に準備される。第１全結合層３５０として機能するプロセッサ１１０は、上記の計算を実行することによって、第１中間ベクトルを生成する。なお、重みのベクトルとバイアスとは、トレーニングによって、更新される。

第１全結合層３５０からの第１中間ベクトルは、第２全結合層３６０によって、入力情報として利用される。第２全結合層３６０は、第１全結合層３５０による処理と同様の手順に従って、入力された第１中間ベクトルを用いて、設計された数の要素で構成される第２中間ベクトルを生成する。本実施例では、第２中間ベクトルは、６４次元ベクトルである。第２全結合層３６０では、第１中間ベクトルの全ての要素と、第２中間ベクトルの全ての要素とが、結合される。具体的には、第１中間ベクトルと、５１２次元の重みのベクトルと、の内積が算出される。「内積＋バイアス」が、活性化関数に入力される。そして、活性化関数の計算結果が、第２中間ベクトルの１つの要素として用いられる。本実施例では、活性化関数としては、いわゆるReLUが用いられる。重みのベクトルとバイアスとは、第２中間ベクトルの６４個の要素のそれぞれに対して、別個に準備される。第２全結合層３６０として機能するプロセッサ１１０は、上記の計算を実行することによって、第２中間ベクトルを生成する。なお、重みのベクトルとバイアスとは、トレーニングによって、更新される。

第２全結合層３６０からの第２中間ベクトルは、第３全結合層３７０によって、入力情報として利用される。第３全結合層３７０は、全結合層３５０、３６０による処理と同様の手順に従って、入力された第２中間ベクトルを用いて、設計された数の要素で構成される出力ベクトルを生成する。本実施例では、出力ベクトルは、２次元ベクトルである。出力ベクトルの要素の数は、ニューラルネットワークＮＮによって分類されるクラスの総数と同じ「２」である。第３全結合層３７０では、第２中間ベクトルの全ての要素と、出力ベクトルの全ての要素とが、結合される。具体的には、第２中間ベクトルと、６４次元の重みのベクトルと、の内積が算出される。「内積＋バイアス」が、活性化関数に入力される。そして、活性化関数の計算結果が、出力ベクトルの１つの要素として用いられる。本実施例では、活性化関数としては、いわゆるソフトマックス関数（SoftMax）が用いられる。公知の通り、ソフトマックス関数は、確率を意味する値を算出する。出力ベクトルの第１成分値は、インクセットの品質が品質基準内である確率を示している。出力ベクトルの第２成分値は、インクセットの品質が品質基準外である確率を示している。このような確率を示す出力ベクトルは、確信度データとも呼ばれる（以下、確信度データ６３０とも呼ぶ）。なお、重みのベクトルとバイアスとは、出力ベクトルの２個の要素のそれぞれに対して、別個に準備される。第３全結合層３７０として機能するプロセッサ１１０は、上記の計算を実行することによって、出力ベクトルを生成する。第３全結合層３７０は、出力ベクトルを、ニューラルネットワークＮＮの外部に出力する。このような第３全結合層３７０は、出力層の例である。入力層３０５と出力層（ここでは、第３全結合層３７０）との間の層３１０～３６０は、中間層とも呼ばれる。なお、重みのベクトルとバイアスとは、トレーニングによって、更新される。

第３全結合層３７０からの出力ベクトルは、判定部３８０によって、入力情報として利用される。判定部３８０は、出力ベクトルを用いて、インクセットの品質を分類する処理部である。例えば、判定部３８０として機能するプロセッサ１１０は、出力ベクトルの２つの成分値を比較し、大きい方の成分値を特定する。第１成分値が第２成分値より大きい場合、プロセッサ１１０は、インクセットの品質は品質基準内であると判定する。第２成分値が第１成分値より大きい場合、プロセッサ１１０は、インクセットの品質は品質基準外であると判定する。

図４のＳ２５０では、上述したニューラルネットワークＮＮが、上述した第１種学習用画像データと第２種学習用画像データとを用いて、トレーニングされる。第１種学習用画像データは、品質基準内の品質に対応するデータである。第２種学習用画像データは、品質基準外の品質に対応するデータである。これらの学習用画像データを用いて、教師あり学習が、行われる。具体的には、プロセッサ１１０は、学習用画像データのパターン画像データを入力層３０５に入力する。プロセッサ１１０は、ニューラルネットワークＮＮの複数の層３０５～３７０の計算を実行し、判定部３８０として判定を行う。プロセッサ１１０は、この判定結果と、学習用画像データの教師データ６４０とを、比較することによって、評価値６５０を算出する。評価値６５０は、判定結果と教師データとの間の差違、すなわち、誤差を示している。プロセッサ１１０は、評価値６５０を用いて、誤差が小さくなるように、ニューラルネットワークＮＮの上述した種々のパラメータ（フィルタ、重みのベクトル等）を更新する。トレーニングの方法としては、種々の方法を採用可能である。例えば、いわゆる誤差逆伝播法が採用されてよい。誤差逆伝播法で用いられる損失関数としては、種々の関数を採用可能である。例えば、いわゆる交差エントロピーや、contrastive損失関数が用いられてよい。

このように、インクセットを品質基準内のインクセットと品質基準外のインクセットとの２つのクラスに分類するように、ニューラルネットワークＮＮは、トレーニングされる。従って、トレーニング済のニューラルネットワークＮＮの各層３１０～３７０から出力されるデータは、インクセットの品質に関する特徴を示している。

Ｓ２６０（図４）では、トレーニング済のニューラルネットワークＮＮのうちの入力層３０５から第２全結合層３６０までの部分が、学習済モデル１３４として、記憶装置に格納される。学習済モデル１３４は、上記のトレーニングによって決定されたパラメータを用いて処理を進行するように、構成されている。本実施例では、学習済モデル１３４は、サーバ装置１００の不揮発性記憶装置１３０に格納される。学習済モデル１３４をサーバ装置１００の記憶装置に格納する処理は、ユーザによって手動で行われてよい。格納の完了によって、図４の処理が終了する。

Ａ－３：データセット１３６、１３７の生成：
図５は、データセット１３６、１３７（図１）を生成する処理の例を示すフローチャートである。第１データセット１３６は、品質基準内の品質を有する第１種インクセットに対応する中間ベクトルのセットである。第２データセット１３７は、品質基準外の品質を有する第２種インクセットに対応する中間ベクトルのセットである。ここで、中間ベクトルとしては、第２全結合層３６０（図２）から出力される６４次元ベクトルが用いられる（詳細は、後述）。データセット１３６、１３７の生成には、学習済モデル１３４とコンピュータとが用いられる。以下、データセット１３６、１３７の生成に、サーバ装置１００（図１）が用いられることとする。第２プログラム１３２は、データセット１３６、１３７の生成のためのプログラムである。プロセッサ１１０は、第２プログラム１３２と学習済モデル１３４とを実行することによって、データセット１３６、１３７を生成するための以下の処理を実行する。なお、データセット１３６、１３７の生成には、サーバ装置１００とは異なる他のコンピュータが用いられてもよい。

図５のＳ３１０では、サーバ装置１００のプロセッサ１１０は、テストパターンＴＰを表す第１種画像データを、学習済モデル１３４（図２）に適用する。第１種画像データは、品質基準内の品質を有する第１種インクセットを用いて準備される画像データであり、ニューラルネットワークＮＮの入力データ形式の画像データである。第１種画像データは、例えば、トレーニング（図４）で利用された第１種学習用画像データであってよい。これに代えて、第１種画像データは、第１種学習用画像データとは別の画像データであってよい。例えば、第１種画像データは、第１種学習用画像データの生成方法と同じ方法によって、第１種インクセットを用いて生成された画像データであってよい。本実施例では、Ｎ個（Ｎは２以上の整数）の第１種インクセットに対応するＮ個の第１種画像データが、準備されることとする。

プロセッサ１１０は、第１種画像データを学習済モデル１３４に入力し、学習済モデル１３４の複数の層３０５～３６０の計算を実行する。そして、プロセッサ１１０は、第２全結合層３６０からの６４次元の第２中間ベクトルのデータ６１０ａを取得する（中間データ６１０ａとも呼ぶ）。プロセッサ１１０は、Ｎ個の第１種画像データに対応するＮ個の中間データ６１０ａを取得する（以下、第１種中間データ６１０ａとも呼ぶ）。そして、プロセッサ１１０は、Ｎ個の第１種中間データ６１０ａを含むデータである第１データセット１３６を生成する。

図５のＳ３３０では、プロセッサ１１０は、テストパターンＴＰを表す第２種画像データを、学習済モデル１３４（図２）に適用する。第２種画像データは、品質基準外の品質を有する第２種インクセットを用いて準備される画像データであり、ニューラルネットワークＮＮの入力データ形式の画像データである。第２種画像データは、例えば、トレーニング（図４）で利用された第２種学習用画像データであってよい。これに代えて、第２種画像データは、第２種学習用画像データとは別の画像データであってよい。例えば、第２種画像データは、第２種学習用画像データの生成方法と同じ方法によって、第２種インクセットを用いて生成された画像データであってよい。本実施例では、Ｍ個（Ｍは２以上の整数）の第２種インクセットに対応するＭ個の第２種画像データが、準備されることとする。

プロセッサ１１０は、第２種画像データを学習済モデル１３４に適用し、学習済モデル１３４の複数の層３０５～３６０の計算を実行する。そして、プロセッサ１１０は、第２全結合層３６０からの６４次元の中間データ６１０ｂを取得する。プロセッサ１１０は、Ｍ個の第２種画像データに対応するＭ個の中間データ６１０ｂを取得する（以下、第２種中間データ６１０ｂとも呼ぶ）。そして、プロセッサ１１０は、Ｍ個の第２種中間データ６１０ｂを含むデータである第２データセット１３７を生成する。

図５のＳ３５０では、第１データセット１３６と第２データセット１３７とが、記憶装置に格納される。本実施例では、データセット１３６、１３７は、サーバ装置１００の不揮発性記憶装置１３０に格納される。データセット１３６、１３７をサーバ装置１００の記憶装置に格納する処理は、ユーザによって手動で行われてよい。格納の完了によって、図５の処理が終了する。

Ａ－４：インクセットの品質の特定：
図６、図７は、未知の品質を有するインクセットの品質を特定する特定処理の例を示すフローチャートである。図７は、図６の処理の続きの処理を示している。本実施例では、特定処理には、サーバ装置１００（図１）と、端末装置の例である複合機２００とが、用いられる。サーバ装置１００の第３プログラム１３３は、特定処理のためのプログラムである。サーバ装置１００のプロセッサ１１０は、第３プログラム１３３と学習済モデル１３４を実行することによって、特定処理のための以下の処理を実行する。また、複合機２００のプログラム２３２は、特定処理のためのプログラムである。複合機２００のプロセッサ２１０は、プログラム２３２を実行することによって、特定処理のための以下の処理を実行する。

Ｓ５１０では、操作部２５０にてインクセットの品質を特定する特定処理の実行が指示されると、品質評価の対象である対象インクセットを用いて、テストパターンＴＰが印刷される。例えば、ユーザは、対象インクセットを格納するインクカートリッジ４２０Ｃ、４２０Ｍ、４２０Ｙ、４２０Ｋを、複合機２００（図１）の装着部４１０にそれぞれ装着した状態で、操作部２５０に、インクセットの品質を特定する特定処理の実行指示を、入力する。本実施例では、テストパターンＴＰの画像データは、プログラム２３２に予め組み込まれている。ユーザからの指示に応じて、複合機２００のプロセッサ２１０は、テストパターンＴＰの画像データを用いて、プリンタ部４００にテストパターンＴＰを印刷させる。

Ｓ５２０では、印刷済のテストパターンＴＰが、光学的に読み取られる。例えば、ユーザは、表示部２４０の表示による案内に応じて、テストパターンＴＰが印刷された用紙を、複合機２００のスキャナ部２８０のうちの原稿を配置すべき部分に、配置する（例えば、用紙が、スキャナ部２８０の原稿台に載せられる）。印刷済のテストパターンＴＰの配置が完了すると、複合機２００のプロセッサ２１０は、印刷済のテストパターンＴＰをスキャナ部２８０に光学的に読み取らせる。これにより、スキャナ部２８０は、テストパターンＴＰの読取データを生成する。

Ｓ５３０では、プロセッサ２１０は、スキャナ部２８０から、テストパターンＴＰの読取データを取得する。Ｓ５４０では、プロセッサ２１０は、読取データを用いて、サーバ装置１００に送信するための画像データである対象画像データを生成する。本実施例では、対象画像データは、読取データと同一のデータを含んでいる。これに代えて、対象画像データは、読取データを加工して得られる画像データであってよい。例えば、対象画像データは、読取データを圧縮して得られる圧縮済画像データであってよい。また、対象画像データは、読取データのサイズを調整することによって得られる画像データであって、学習済モデル１３４（図２）の入力データ形式の画像データであってよい。

Ｓ５５０では、プロセッサ２１０は、対象画像データを、ネットワーク９００を介して、サーバ装置１００に送信する。

Ｓ６１０（図７）では、サーバ装置１００のプロセッサ１１０は、対象画像データを、ネットワーク９００を介して、複合機２００から取得する。Ｓ６２０では、プロセッサ１１０は、対象画像データを用いて、学習済モデル１３４の入力データ形式の画像データである入力画像データを取得する。本実施例では、対象画像データのサイズ調整を行って、入力データ形式の入力画像データを生成する。図２のサイズ調整部３００は、サイズ調整の機能ブロックを示している。なお、対象画像データが、入力データ形式の入力画像データを含む場合、プロセッサ１１０は、対象画像データのうちの入力画像データに対応する部分を、入力画像データとして取得する。

Ｓ６３０では、プロセッサ１１０は、入力画像データを、学習済モデル１３４（図２）に入力する。Ｓ６４０では、プロセッサ１１０は、学習済モデル１３４の複数の層３０５～３６０の計算を実行する。Ｓ６５０では、プロセッサ１１０は、第２全結合層３６０からの６４次元の中間データ６１０ｔを取得する。上述したように、中間データ６１０ｔは、インクセットの品質に関連する特徴を示している。中間データ６１０ｔは、対象インクセットの品質に関連するデータである品質関連データの例である。以下、対象インクセットに対応する中間データ６１０ｔを、対象中間データ６１０ｔとも呼ぶ。

Ｓ６５５では、プロセッサ１１０は、不揮発性記憶装置１３０から、第１データセット１３６と第２データセット１３７とを、取得する。

Ｓ６６０では、プロセッサ１１０は、第１データセット１３６と第２データセット１３７と対象中間データ６１０とを用いて次元削減処理を行うことによって、削減済データ６２０ａ、６２０ｂ、６２０ｔを取得する。図２の次元削減部３９０は、次元削減の機能ブロックを示している。

次元削減処理は、次元数を削減して、主要な特徴を示す変数を取得する処理である。本実施例では、削減済データは、２次元のデータである。次元削減処理としては、公知の種々の処理を採用可能である。例えば、主成分解析、ｔ－ＳＮＥ（t-distributed Stochastic Neighbor Embedding）、多次元尺度構成法などの処理が採用されてよい。本実施例では、ｔ－ＳＮＥが採用される。プロセッサ１１０は、第１データセット１３６に含まれるＮ個の第１種中間データ６１０ａと、第２データセット１３７に含まれるＭ個の第２種中間データ６１０ｂと、対象中間データ６１０ｔと、で構成されるＮ＋Ｍ＋１個の中間データを用いて、Ｎ＋Ｍ＋１個の削減済データを取得する。以下、Ｎ個の第１種中間データ６１０ａに対応するＮ個の削減済データのそれぞれを、第１種削減済データ６２０ａと呼ぶ。Ｍ個の第２種中間データ６１０ｂに対応するＭ個の削減済データのそれぞれを、第２種削減済データ６２０ｂと呼ぶ。対象中間データ６１０ｔに対応する削減済データを、対象削減済データ６２０ｔと呼ぶ。

図８（Ａ）は、削減済データ６２０ａ、６２０ｂ、６２０ｔの分布例を示すグラフである。横軸は、削減済データ６２０ａ、６２０ｂ、６２０ｔの第１成分値Ｐａを示し、縦軸は、削減済データ６２０ａ、６２０ｂ、６２０ｔの第２成分値Ｐｂを示している。図中の１個の円マーク５１０は、１個の第１種削減済データ６２０ａを示している。図中には、Ｎ個の第１種削減済データ６２０ａに対応するＮ個の円マーク５１０の分布が、示されている。このように、Ｎ個の第１種削減済データ６２０ａは、第１種インクセットの品質に関連する２次元のデータの分布を示している。Ｎ個の２次元データの分布範囲は、品質基準内のインクセットの分布範囲を示している。

図８（Ａ）のグラフ中の四角マーク５２０と三角マーク５３０とは、それぞれ、第２種削減済データ６２０ｂを示している。１個のマーク５２０、５３０は、１個の第２種削減済データ６２０ｂを示している。図中には、Ｍ個の第２種削減済データ６２０ｂに対応するＭ個のマーク５２０、５３０の分布が、示されている。このように、Ｍ個の第２種削減済データ６２０ｂは、第２種インクセットの品質に関連する２次元のデータの分布を示している。

第２種削減済データ６２０ｂを示すマーク５２０、５３０の分布範囲は、第１種削減済データ６２０ａを示すマーク５１０の分布範囲とは、異なっている。この理由は、第１種インクセットと第２種インクセットとの間で、品質が異なっているからである。このように、図８（Ａ）のグラフ上における削減済データの位置を、第１種削減済データ６２０ａを示すマーク５１０の分布範囲と比べることによって、インクセットの品質が品質基準の内であるか外であるのかを、容易に確認できる。

また、第２種削減済データ６２０ｂを示すマークは、四角マーク５２０と三角マーク５３０とを含んでいる。本実施例では、第２種インクセットとして、２種類のインクセットが用いられることとしている。四角マーク５２０は、一方の第２種インクセットを示し、三角マーク５３０は、他方の第２種インクセットを示している。このような２種類の第２種インクセットとしては、例えば、互いに異なる着色剤を含む２種類のインクセットが、用いられてよい。

四角マーク５２０の分布範囲は、三角マーク５３０の分布範囲と異なり得る。このように、第２種インクセットが複数種類のインクセットを含む場合、第２種削減済データ６２０ｂの分布範囲は、第２種インクセットの種類に応じて、異なり得る。上述したように、本実施例では、ニューラルネットワークＮＮは、インクセットを第１種インクセットと第２種インクセットとの２つのクラスに分類するようにトレーニングされている。このような場合に、学習済モデル１３４は、第２種インクセットを更に複数の種類に分類し得る中間データ６１０ｂ（ひいては、削減済データ６２０ｂ）を、出力し得る。

Ｓ６７０（図７）では、プロセッサ１１０は、対象削減済データ６２０ｔを用いて、対象インクセットの品質に関連する出力用のデータである出力データを生成する。本実施例では、プロセッサ１１０は、Ｎ個の第１種削減済データ６２０ａを含むデータを、第１範囲データ１３６ｘとして生成する。プロセッサ１１０は、Ｍ個の第２種削減済データ６２０ｂを含むデータを、第２範囲データ１３７ｘとして生成する。そして、プロセッサ１１０は、対象削減済データ６２０ｔと第１範囲データ１３６ｘと第２範囲データ１３７ｘとを含むデータを、出力データとして生成する。対象削減済データ６２０ｔは、出力データのうちの対象インクセットの品質に関連するデータである対象出力データの例である。

なお、第２範囲データ１３７ｘは、複数種類の第２種削減済データ６２０ｂを区別するデータを含んでよい。例えば、第２範囲データ１３７ｘは、四角マーク５２０（図８（Ａ））に対応する第２種削減済データ６２０ｂと、三角マーク５３０に対応する第２種削減済データ６２０ｂとを、区別するデータを含んでよい。

Ｓ６８０では、プロセッサ１１０は、ネットワーク９００を介して、出力データを出力する。本実施例では、出力データの宛先は、対象画像データの送信元と同じ装置である（ここでは、複合機２００）。

Ｓ７１０では、複合機２００のプロセッサ２１０は、サーバ装置１００から、ネットワーク９００を介して、出力データを取得する。Ｓ７２０では、プロセッサ２１０は、出力データを用いることによって、対象インクセットの品質に関連する情報を表す表示画像の表示データを生成する。表示データのデータ形式は、任意の形式であってよい。例えば、表示データは、ＲＧＢのビットマップデータである。また、本実施例では、表示画像は、図８（Ａ）のグラフと同様なグラフを含んでいる。表示画像中のグラフは、第１範囲データ１３６ｘに対応する複数のマーク５１０と、第２範囲データ１３７ｘに対応する複数のマーク５２０、５３０と、に加えて、対象削減済データ６２０ｔを示すマークを表している。図８（Ａ）の第１マーク５００Ａは、品質基準内の対象インクセットを示すマークの例である。図示するように、第１マーク５００Ａは、第１範囲データ１３６ｘのマーク５１０の分布範囲の近くに、配置されている。第２マーク５００Ｂは、品質基準外の対象インクセットを示すマークの例である。図示するように、第２マーク５００Ｂは、第２範囲データ１３７ｘのマーク５２０、５３０の分布範囲の近くに、配置されている。なお、対象削減済データ６２０ｔのマークは、範囲データ１３６ｘ、１３７ｘのマーク５１０、５２０、５３０とは異なっている。

Ｓ７３０（図７）では、プロセッサ２１０は、表示データを用いて、表示画像を表示部２４０に表示させる。複合機２００のユーザは、表示部２４０に表示された画像を観察することによって、対象インクセットの品質と、品質基準内のインクセットの品質と、品質基準外のインクセットの品質と、の関係を、容易に特定できる。そして、図６、図７の処理は、終了する。

以上のように、本実施例では、サーバ装置１００（図１）は、通信インタフェース１７０を有しており、ネットワーク９００を介して端末装置（例えば、複合機２００）と通信するように構成されている。そして、図７のＳ６１０で説明したように、サーバ装置１００のプロセッサ１１０は、対象画像データを、ネットワーク９００を介して複合機２００から取得する。対象画像データは、品質評価の対象である対象インクセットを用いて印刷されたテストパターンＴＰを光学的に読み取ることによって生成された画像データである。

図１、図２に示すように、サーバ装置１００は、学習済モデル１３４を備えている。図４で説明したように、学習済モデル１３４は、第１種学習用画像データと第２種学習用画像データとを用いてトレーニングされたニューラルネットワークＮＮを用いて、構成されている。

図７のＳ６２０～Ｓ６５０で説明したように、サーバ装置１００のプロセッサ１１０は、学習済モデル１３４に入力画像データを入力することによって、対象中間データ６１０ｔを取得する。入力画像データは、対象画像データを用いて得られる画像データであり、テストパターンＴＰを表す画像データである。対象中間データ６１０ｔは、対象インクセットの品質に関連するデータである品質関連データの例である。Ｓ６５５～Ｓ６７０では、プロセッサ１１０は、品質関連データ（すなわち、対象中間データ６１０ｔ）を用いて、対象インクセットの品質に関連する出力用のデータである出力データを生成する。そして、Ｓ６８０では、プロセッサ１１０は、ネットワーク９００を介して出力データを出力する。

このように、学習済モデル１３４にテストパターンＴＰを表す入力画像データを入力することによって、対象インクセットの品質に関連する対象中間データ６１０ｔが取得され、対象中間データ６１０ｔを用いて生成される出力データが、出力される。従って、出力データを用いることによって、対象インクセットの品質を適切に特定できる。

また、図２、図４で説明したように、ニューラルネットワークＮＮは、入力層３０５と、第３全結合層３７０と、入力層３０５と第３全結合層３７０との間に設けられた中間層３１０～３６０と、を備えている。入力層３０５は、テストパターンＴＰの画像データを入力するための層である。第３全結合層３７０は、確信度データ６３０を出力するための出力層の例である。確信度データ６３０は、テストパターンＴＰの印刷に使用されたインクセットの品質が品質基準内であるか否かの推定結果に関連する情報の例である。図２、図４のＳ２５０で説明したように、学習済モデル１３４は、学習済のニューラルネットワークＮＮのうちの入力層３０５から特定の中間層である第２全結合層３６０までの部分を含んでいる。

図７のＳ６３０～Ｓ６５０で説明したように、サーバ装置１００のプロセッサ１１０は、入力画像データを学習済モデル１３４に入力することによって、第２全結合層３６０からから出力される対象中間データ６１０ｔを取得する。Ｓ６５５では、プロセッサ１１０は、第１データセット１３６と第２データセット１３７とを取得する。Ｓ６６０では、プロセッサ１１０は、対象中間データ６１０ｔと、第１データセット１３６に含まれるＮ個（Ｎは２以上の整数）の第１種中間データ６１０ａと、第２データセット１３７に含まれるＭ個（Ｍは２以上の整数）の第２種中間データ６１０ｂと、を用いて、対象インクセットの品質に関連する２次元の値を示すデータである対象削減済データ６２０ｔと、を取得する。本実施例では、さらに、プロセッサ１１０は、Ｎ個の第１種中間データ６１０ａに対応するＮ個の２次元の第１種削減済データ６２０ａと、Ｍ個の第２種中間データ６１０ｂに対応するＭ個の２次元の第２種削減済データ６２０ｂとを、取得する。

図５、図７のＳ６５５、Ｓ６６０で説明したように、Ｎ個の２次元の第１種削減済データ６２０ａは、Ｎ個の第１種中間データ６１０ａを用いて取得されるデータである。Ｎ個の第１種中間データ６１０ａは、Ｎ個の第１種画像データを学習済モデル１３４に入力することによって第２全結合層３６０から出力される中間データである。Ｎ個の第１種画像データは、Ｎ個の第１種インクセットを用いて印刷されたＮ個のテストパターンＴＰを光学的に読み取ることによって生成されるデータである。

Ｍ個の２次元の第２種削減済データ６２０ｂは、Ｍ個の第２種中間データ６１０ｂを用いて取得されるデータである。Ｍ個の第２種中間データ６１０ｂは、Ｍ個の第２種画像データを学習済モデル１３４に入力することによって第２全結合層３６０から出力される中間データである。Ｍ個の第２種画像データは、Ｍ個の第２種インクセットを用いて印刷されたＭ個のテストパターンＴＰを光学的に読み取ることによって生成されるデータである。

図７のＳ６７０では、サーバ装置１００のプロセッサ１１０は、Ｎ個の第１種削減済データ６２０ａを含むデータを、第１範囲データ１３６ｘとして生成し、Ｍ個の第２種削減済データ６２０ｂを含むデータを、第２範囲データ１３７ｘとして生成する。そして、プロセッサ１１０は、対象削減済データ６２０ｔと第１範囲データ１３６ｘと第２範囲データ１３７ｘとを含む出力データを生成する。

図８（Ａ）で説明したように、第１範囲データ１３６ｘは、それぞれが品質基準内の品質を有するＮ個（Ｎは２以上の整数）の第１種インクセットの品質に関連するＮ個の２次元の第１種削減済データ６２０ａの第１分布範囲を示している。

図８（Ａ）で説明したように、第２範囲データ１３７ｘは、それぞれが品質基準外の品質を有するＭ個（Ｍは２以上の整数）の第２種インクセットの品質に関連するＭ個の２次元の第２種削減済データ６２０ｂの第２分布範囲を示している。

一般的に、ニューラルネットワークの中間層から出力される中間データは、ニューラルネットワークに入力されるデータの特徴を示している。図７のＳ６５０～Ｓ６６０で説明したように、出力データに含まれる対象削減済データ６２０ｔは、中間データ６１０ａ、６１０ｂ、６１０ｔを用いて取得される。そして、Ｓ６７０で生成される出力データを用いることによって、対象削減済データと、品質基準内の品質に対応する第１分布範囲と、品質基準外の品質に対応する第２分布範囲と、の関連を、特定できる。従って、出力データを用いることによって、対象インクセットの品質を適切に特定できる。

また、図３で説明したように、テストパターンＴＰの列Ｃ１、Ｃ２、Ｃ３、Ｃ７のパッチＰは、１つのインクを用いて印刷される１次色パッチである。従って、サーバ装置１００は、１次色パッチの印刷に使用されたインクの特徴を適切に反映する出力データを出力できる。また、インクセットの品質の分類の精度を、向上できる。

また、印刷に用いられるインクセットは、互いに異なる複数のインクを含んでいる（具体的には、ＣＭＹＫの４個のインク）。そして、テストパターンＴＰ（図３）の列Ｃ４、Ｃ５、Ｃ６のパッチＰは、互いに異なる２種のインクの混色を用いて印刷される２次色パッチである。従って、サーバ装置１００は、２次色パッチの印刷に使用された２種のインクの混色の特徴（例えば、混色の滲み）を適切に反映する出力データを出力できる。また、インクセットの品質の分類の精度を、向上できる。

また、テストパターンＴＰ（図３）は、互いに異なる種類のインクを用いて印刷されるとともに互いに隣接する複数のパッチＰを含んでいる。具体的には、７個の列Ｃ１～Ｃ７は、互いに異なる種類のインクを用いて印刷される。すなわち、任意に選択された２個の列の組み合わせにおいて、少なくとも一方の列は、他方の列では用いられていないインクを用いて、印刷される。例えば、第２列Ｃ２と第４列Ｃ４との組み合わせにおいては、第４列Ｃ４のパッチＰは、第２列Ｃ２では用いられていないイエロＹのインクを用いて、印刷される。そして、７個の列Ｃ１～Ｃ７は、この順番に隣接するように、配置されている。従って、サーバ装置１００は、互いに異なる種類のインクの複数のパッチＰが隣接する部分の特徴を適切に反映する出力データを出力できる。例えば、出力データは、互いに異なる種類のインクが接触する部分の滲みを反映できる。また、インクセットの品質の分類の精度を、向上できる。

また、テストパターンＴＰ（図３）は、同じインクを用いて印刷される複数のパッチＰであって、互いに濃度が異なる複数のパッチＰを含んでいる。具体的には、７個の列Ｃ１～Ｃ７のそれぞれの複数のパッチＰの濃度は、第１行Ｒ１から第７行Ｒ７に向かって、徐々に薄くなっている。従って、サーバ装置１００は、同じインクの複数の濃度によって示される特徴を適切に反映する出力データを出力できる。また、インクセットの品質の分類の精度を、向上できる。

また、図１のシステム１０００は、サーバ装置１００と、ネットワーク９００を介してサーバ装置１００と通信するように構成されている複合機２００と、を備えている。図６のＳ５１０では、複合機２００のプロセッサ２１０は、プリンタ部４００に対象インクセットを用いてテストパターンＴＰを印刷させる。Ｓ５２０では、プロセッサ２１０は、スキャナ部２８０に印刷済のテストパターンＴＰを光学的に読み取らせることによってテストパターンＴＰを表す読取データをスキャナ部２８０に生成させる。Ｓ５３０、Ｓ５４０では、プロセッサ２１０は、スキャナ部２８０から読取データを取得し、サーバ装置１００に送信するための対象画像データを、読取データを用いて生成する。Ｓ５５０では、プロセッサ２１０は、対象画像データを、ネットワーク９００を介してサーバ装置１００に送信する。図７のＳ７１０では、プロセッサ２１０は、サーバ装置１００からネットワーク９００を介して出力データを取得する。Ｓ７２０、Ｓ７３０では、プロセッサ２１０は、出力データを用いることによって、対象インクセットの品質に関連する情報を表す画像を表示部２４０に表示させる。従って、複合機２００のユーザは、表示部２４０に表示された画像を観察することによって、対象インクセットの品質を適切に特定できる。

Ｂ．変形例：
（１）削減済データ６２０ｔ、６２０ａ、６２０ｂ（図２）の次元数は、２に限らず、１以上、３以下の任意の整数であってよい。図８（Ｂ）は、次元数が１である場合の表示画像の例を示している。この表示画面は、１次元の削減済データの値Ｐｃのグラフを示している。横軸が、値Ｐｃを示している。第１範囲データ１３６ａは、品質基準内の品質に対応する第１種削減済データの第１分布範囲Ｒａの上限ＲａＨと下限ＲａＬを示している。第２範囲データ１３７ａは、品質基準外の品質に対応する第２種削減済データの第２分布範囲Ｒｂの上限ＲｂＨと下限ＲｂＬを示している。矢印５４０Ａ、５４０Ｂは、対象インクセットの値Ｐｃを示している。第１矢印５４０Ａは、品質基準内の対象インクセットの値Ｐｃの例であり、第１分布範囲Ｒａ内である。第２矢印５４０Ｂは、品質基準外の対象インクセットの値Ｐｃの例であり、第２分布範囲Ｒｂ内である。

図８（Ｃ）は、次元数が３である場合の表示画像の例を示している。この表示画像は、３次元の削減済データの３個の値Ｐ１、Ｐ２、Ｐ３によって規定される３次元空間のグラフ（具体的には、斜視図）を示している。第１範囲データ１３６ｂは、品質基準内の品質に対応する複数の第１種削減済データを含んでいる。表示画像中の複数の円マーク５５０は、複数の第１種削減済データを示している。第２範囲データ１３７ｂは、品質基準外の品質に対応する複数の第２種削減済データを含んでいる。表示画像中の複数のマーク５６０、５７０は、複数の第２種削減済データを示している。図８（Ａ）の例と同様に、第２種インクセットとして、２種類のインクセットが用いられることとしている。四角マーク５６０は、一方の第２種インクセットを示し、三角マーク５７０は、他方の第２種インクセットを示している。第１マーク５８０Ａは、品質基準内の対象インクセットを示すマークの例である。第１マーク５８０Ａは、第１範囲データ１３６ｂのマーク５５０の分布範囲の近くに、配置されている。第２マーク５８０Ｂは、品質基準外の対象インクセットを示すマークの例である。第２マーク５８０Ｂは、第２範囲データ１３７ｂのマーク５６０、５７０の分布範囲の近くに、配置されている。

このように、削減済データ６２０の次元数が１、２、３のいずれであっても、第１範囲データ１３６ｘ、１３６ａ、１３６ｂによって示される第１分布範囲と、第２範囲データ１３７ｘ、１３７ａ、１３７ｂによって示される第２分布範囲と、対象インクセットを示す削減済データ６２０と、を比べることによって、対象インクセットの品質を容易に特定できる。表示画像は、第１分布範囲と第２分布範囲と対象インクセットの削減済データとの配置を示す画像（例えば、グラフ）を含むことが好ましい。また、範囲データは、複数のインクセットに対応する複数の削減済データに代えて、複数の削減済データの分布範囲を示す種々のデータであってよい。例えば、範囲データは、分布範囲の輪郭を示すデータであってよい。

（２）人工ニューラルネットワークＮＮの構成は、図２の構成に代えて、他の種々の構成であってよい。例えば、第１畳込層３１０と第２畳込層３３０とのそれぞれのフィルタのサイズとフィルタの数とは、図２の実施例のサイズと数と異なっていてもよい。ニューラルネットワークＮＮは、畳込層と畳込層の後ろに接続されたプーリング層との１以上のセットを備えてよい。ニューラルネットワークＮＮは、プーリング層に続く１以上の全結合層を備えてよい。プーリング層は、省略されてよい。ニューラルネットワークＮＮは、畳込層とプーリング層とを用いずに、１以上の全結合層を用いて構成されてよい。順伝播型ニューラルネットワークに代えて、他の種々のニューラルネットワークが採用されてよい。層の総数は、１以上の任意の数であってよい。いずれの場合も、学習済モデルは、ニューラルネットワークＮＮの１以上の層のうちの少なくとも一部である１以上の層を含んでよい。また、ニューラルネットワークＮＮは、テストパターンの画像データを入力するための入力層と、テストパターンの印刷に使用されたインクセットの品質が品質基準内であるか否かの推定結果に関連する情報を出力するための出力層と、入力層と出力層との間に設けられた１以上の中間層と、を有してよい。そして、学習済モデル１３４は、学習済のニューラルネットワークＮＮのうちの入力層から１以上の中間層のうちの特定の中間層までの部分を含んでよい。

また、ニューラルネットワークＮＮは、インクセットの品質を、Ｑ個（Ｑは２以上の整数）のクラスに分類するように、構成されてよい。クラスの総数Ｑが３以上である場合、品質基準内の品質を有するインクセットが、２以上のクラスに分類されてよく、また、品質基準外の品質を有するインクセットが、２以上のクラスに分類されてよい。いずれの場合も、ニューラルネットワークＮＮは、教師あり学習によって、トレーニングされてよい。トレーニングによって、ニューラルネットワークＮＮの各層で用いられるパラメータ（例えば、フィルタ、重み、バイアスなど）が、更新される。

（３）サーバ装置１００によって出力される出力データは、図７のＳ６７０で説明した出力データに代えて、対象インクセットの品質に関連する種々のデータであってよい。例えば、第１範囲データが省略されてよい。また、第２範囲データが省略されてよい。また、出力データは、確信度データ６３０（図２）を含んでよい。この場合、学習済モデル１３４としては、ニューラルネットワークＮＮの出力層を含むモデルが用いられる。そして、対象インクセットの削減済データは、省略されてよい。出力データは、判定部３８０による判定結果を示すデータを含んでよい。出力データは、第２全結合層３６０に限らず、任意に選択された特定の中間層から得られる中間データを含んでよい。また、出力データは、そのような中間データに次元削減を行って得られる削減済データを含んでよい。いずれの場合も、出力データを用いることによって端末装置によって表示装置に表示される画像（例えば、複合機２００によって表示部２４０に表示される画像）は、対象印刷剤セットの品質に関連する情報を表す任意の画像であってよい。

（４）テストパターンＴＰの構成は、図３の構成に代えて、他の種々の構成であってよい。例えば、１次色パッチが省略されて、テストパターンＴＰは２次色パッチのみで構成されてよい。２次色パッチが省略されて、テストパターンＴＰは１次色パッチのみで構成されてよい。テストパターンＴＰは、３種類のインクの混色で印刷される３次色パッチを含んでよい。例えば、ＣＭＹの３つのインクの混色で印刷されるグレーパッチが、設けられてよい。複数のパッチＰは、互いに離れて配置されてよい。同じインクを用いて印刷されるパッチＰは、１つの濃度の１つのパッチのみであってよい。

（５）インクセットに含まれるインクの種類の総数、すなわち、プリンタ部４００によって印刷に用いられるインクの種類は、１以上の任意の整数であってよい。例えば、色相が同じで濃度が異なる２種類のインクが、印刷に用いられてよい（例えば、ブラックインクと、淡ブラックインク）。２次色パッチは、色相が異なる２種類のインクの混色に代えて、色相が同じで濃度が異なる２種類のインクの混色によって印刷されてもよい。いずれの場合も、テストパターンＴＰの印刷には、印刷に利用可能な全てのインクを含むインクセットが用いられることが、好ましい。

（６）プリンタ部４００は、インクジェットプリンタに代えて、レーザプリンタなどの任意の方式のプリンタであってよい。印刷に用いられる印刷剤は、インクに代えて、トナーなどの着色剤を含む任意の印刷剤であってよい。いずれの場合も、ニューラルネットワークＮＮは、１種以上の印刷剤を含む印刷剤セットの品質を２以上のクラスに分類するように構成されてよい。

（７）図７のＳ６８０における出力データの宛先は、対象画像データの送信元とは異なる別の装置であってよい。例えば、印刷剤セットの品質を管理する管理者の装置に、出力データが送信されてよい。

（８）ニューラルネットワークＮＮのトレーニングは、継続して行われてよい。例えば、工場から出荷される品質基準内の品質を有する第１種印刷剤セットが、定期的に、採取されてよい。そして、ニューラルネットワークＮＮは、採取された第１種印刷剤セットを用いて、定期的にトレーニングされてよい。また、品質基準外の品質を有する第２種印刷剤セットが、定期的に、採取されてよい。そして、ニューラルネットワークＮＮは、採取された第２種印刷剤セットを用いて、定期的にトレーニングされてよい。いずれの場合も、トレーニングによって更新された学習済のニューラルネットワークＮＮから、更新済の学習済モデル１３４が取得されて、更新済の学習済モデル１３４がサーバ装置１００の不揮発性記憶装置１３０に格納されてよい。複数の端末装置（例えば、複合機２００）は、ネットワーク９００を介してサーバ装置１００から、新しい学習済モデル１３４を用いて生成された出力データを、取得できる。

（９）端末装置の構成は、複合機２００の構成に代えて、他の種々の構成であってよい。例えば、プリンタ部４００とスキャナ部２８０と表示部２４０と操作部２５０との少なくとも１つは、端末装置に接続可能な外部装置であってよい。このように、端末装置は、いわゆる複合機とは異なる種類の装置であってよい（例えば、パーソナルコンピュータ、タブレットコンピュータ、スマートフォンなど）。そして、システムは、印刷装置と、読取装置と、対象画像データ生成装置と、対象画像データ送信装置と、表示装置と、を備えてよい。図１のシステム１０００は、そのようなシステムの例である。ここで、印刷装置は、対象印刷剤セットを用いてテストパターンを印刷するように構成されてよい。読取装置は、印刷済のテストパターンを光学的に読み取ることによってテストパターンを表す読取データを生成するように、構成されてよい。対象画像データ生成装置は、読取装置から読取データを取得し、サーバ装置に送信するための対象画像データを、読取データを用いて生成するように、構成されてよい。対象画像データ送信装置は、対象画像データを、ネットワークを介してサーバ装置に送信するように、構成されてよい。表示装置は、サーバ装置からネットワークを介して出力データを取得し、取得した出力データを用いることによって、対象印刷剤セットの品質に関連する情報を表す画像を表示するように、構成されてよい。図１の複合機２００のうちプリンタ部４００は、印刷装置の例である。複合機２００のうちスキャナ部２８０は、読取装置の例である。複合機２００のうち読取データの取得と対象画像データの生成とに関連する部分（すなわち、制御部２９９のうち読取データの取得と対象画像データの生成とを制御するように構成されている部分）は、対象画像データ生成装置の例である。複合機２００の通信インタフェース２７０は、対象画像データ送信装置の例である。複合機２００のうち出力データの取得と画像の表示とに関連する部分（すなわち、制御部２９９のうち出力データの取得と画像の表示とを制御するように構成されている部分と、通信インタフェース２７０と、表示部２４０）は、表示装置の例である。なお、対象画像データ生成装置は、不揮発性記憶装置２３０の一部分であって、プログラム２３２のうちの対象画像データ生成装置の機能を実現する部分を格納している部分を、含んでよい。このように、制御部２９９を含む複数の装置は、不揮発性記憶装置２３０のうちの互いに異なる部分を含んでよい。

（１０）学習済モデル１３４を用いて出力データを生成する装置は、ネットワークを用いずに動作する処理装置であってよい。このような処理装置は、例えば、学習済モデルと、学習済モデルに対象画像データを用いて得られるテストパターンを表す入力画像データを入力することによって、対象印刷剤セットの品質に関連するデータである品質関連データを取得する品質関連データ取得部と、品質関連データを用いて、対象印刷剤セットの品質に関連する出力用のデータである出力データを生成する出力データ生成部と、出力データを出力する出力部と、を備えてよい。出力部は、ネットワークを介さずに、処理装置に接続された記憶装置（例えば、ＵＳＢメモリ）に、出力データを出力してよい。

上記各実施例において、ハードウェアによって実現されていた構成の一部をソフトウェアに置き換えるようにしてもよく、逆に、ソフトウェアによって実現されていた構成の一部あるいは全部をハードウェアに置き換えるようにしてもよい。例えば、学習済モデル１３４は、プログラムモジュールに代えて、ASIC（Application Specific Integrated Circuit）等のハードウェア回路によって実現されてよい。

また、本発明の機能の一部または全部がコンピュータプログラムで実現される場合には、そのプログラムは、コンピュータ読み取り可能な記録媒体（例えば、一時的ではない記録媒体）に格納された形で提供することができる。プログラムは、提供時と同一または異なる記録媒体（コンピュータ読み取り可能な記録媒体）に格納された状態で、使用され得る。「コンピュータ読み取り可能な記録媒体」は、メモリーカードやＣＤ－ＲＯＭのような携帯型の記録媒体に限らず、各種ＲＯＭ等のコンピュータ内の内部記憶装置や、ハードディスクドライブ等のコンピュータに接続されている外部記憶装置も含み得る。

以上、実施例、変形例に基づき本発明について説明してきたが、上記した発明の実施の形態は、本発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得ると共に、本発明にはその等価物が含まれる。

１００…サーバ装置、１１０…プロセッサ、１１５…記憶装置、１２０…揮発性記憶装置、１３０…不揮発性記憶装置、１３１…第１プログラム、１３２…第２プログラム、１３３…第３プログラム、１３４…学習済モデル、１３６…第１データセット、１３７…第２データセット、１３６ｘ、１３６ａ、１３６ｂ…第１範囲データ、１３７ｘ、１３７ａ、１３７ｂ…第２範囲データ、１４０…表示部、１５０…操作部、１７０…通信インタフェース、２００、２００Ａ～２００Ｃ…複合機、２１０…プロセッサ、２１５…記憶装置、２２０…揮発性記憶装置、２３０…不揮発性記憶装置、２３２…プログラム、２４０…表示部、２５０…操作部、２７０…通信インタフェース、２８０…スキャナ部、２９９…制御部、３００…サイズ調整部、３１０…第１畳込層、３２０…第１プーリング層、３３０…第２畳込層、３４０…第２プーリング層、３５０…第１全結合層、３６０…第２全結合層、３７０…第３全結合層、３８０…判定部、３９０…次元削減部、４００…プリンタ部、４１０…装着部、４２０Ｃ、４２０Ｍ、４２０Ｙ、４２０Ｋ…インクカートリッジ、５００Ａ…第１マーク、５００Ｂ…第２マーク、５１０、５５０…円マーク、５２０、５６０…四角マーク、５３０、５７０…三角マーク、５４０Ａ…第１矢印、５４０Ｂ…第２矢印、５８０Ａ…第１マーク、５８０Ｂ…第２マーク、６００…読取データ、６１０…中間データ、６２０…削減済データ、６３０…確信度データ、９００…ネットワーク、１０００…システム、Ｃ…シアン、Ｍ…マゼンタ、Ｙ…イエロ、Ｋ…ブラック、Ｐ…パッチ、Ｒ１…第１分布範囲、Ｒ２…第２分布範囲、ＲａＨ、ＲｂＨ…上限、ＲａＬ、ＲｂＬ…下限、ＮＮ…人工ニューラルネットワーク、ＴＰ…テストパターン

Claims (8)

1. ネットワークを介して外部装置と通信するように構成されたサーバ装置であって、
   互いに異なる２種以上の印刷剤を含む印刷剤セットであって品質評価の対象である対象印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された対象画像データを、前記ネットワークを介して前記外部装置から取得する画像データ取得部と、
   前記品質基準内の品質を有する互いに異なる２種以上の印刷剤を含む印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第１種学習用画像データと、前記品質基準外の品質を有する互いに異なる２種以上の印刷剤を含む印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第２種学習用画像データと、を用いてトレーニングされた学習済モデルと、
   前記学習済モデルに前記対象画像データを用いて得られる前記テストパターンを表す入力画像データを入力することによって、前記対象印刷剤セットの品質に関連するデータである品質関連データを取得する品質関連データ取得部と、
   前記品質関連データを用いて、前記対象印刷剤セットの前記品質に関連する出力用のデータである出力データを生成する出力データ生成部と、
   前記ネットワークを介して前記出力データを出力する出力部と、
   を備える、サーバ装置であって、
   前記テストパターンは、互いに異なる２種の印刷剤の混色を用いて印刷されるパッチである２次色パッチを含み、
   前記学習済モデルは、テストパターンの画像データを入力するための入力層と、前記テストパターンの印刷に使用された印刷剤セットの品質が前記品質基準内であるか否かの推定結果に関連する情報を出力するための出力層と、前記入力層と前記出力層との間に設けられた１以上の中間層と、を有する学習済のニューラルネットワークのうちの前記入力層から前記１以上の中間層のうちの特定の中間層までの部分を含み、
   前記品質関連データ取得部は、前記入力画像データを前記学習済モデルに入力することによって、前記特定の中間層から出力される中間データである前記品質関連データを取得し、
   前記出力データ生成部は、
   前記品質関連データと、Ｎ個（Ｎは２以上の整数）の第１種中間データと、Ｍ個（Ｍは２以上の整数）の第２種中間データと、を用いて、前記対象印刷剤セットの品質に関連するＫ次元（Ｋは１以上３以下の整数）の値を示すデータである対象出力データと、それぞれが前記品質基準内の品質を有するＮ個の第１種印刷剤セットの品質に関連するＮ個のＫ次元のデータの第１分布範囲を示す第１範囲データと、それぞれが前記品質基準外の品質を有するＭ個の第２種印刷剤セットの品質に関連するＭ個のＫ次元のデータの第２分布範囲を示す第２範囲データと、を取得し、前記Ｎ個の第１種中間データは、Ｎ個の第１種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｎ個の第１種画像データは、前記Ｎ個の第１種印刷剤セットを用いて印刷されたＮ個のテストパターンを光学的に読み取ることによって生成されるデータであり、前記Ｍ個の第２種中間データは、Ｍ個の第２種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｍ個の第２種画像データは、前記Ｍ個の第２種印刷剤セットを用いて印刷されたＭ個のテストパターンを光学的に読み取ることによって生成されるデータであり、
   前記対象出力データと、前記第１範囲データと、前記第２範囲データと、を含む前記出力データを生成する、
   サーバ装置。
2. 請求項１に記載のサーバ装置であって、
   前記テストパターンは、互いに異なる種類の印刷剤を用いて印刷されるとともに互いに隣接する複数のパッチを含む、
   サーバ装置。
3. ネットワークを介して外部装置と通信するように構成されたサーバ装置であって、
   互いに異なる２種以上の印刷剤を含む印刷剤セットであって品質評価の対象である対象印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された対象画像データを、前記ネットワークを介して前記外部装置から取得する画像データ取得部と、
   前記品質基準内の品質を有する互いに異なる２種以上の印刷剤を含む印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第１種学習用画像データと、前記品質基準外の品質を有する互いに異なる２種以上の印刷剤を含む印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第２種学習用画像データと、を用いてトレーニングされた学習済モデルと、
   前記学習済モデルに前記対象画像データを用いて得られる前記テストパターンを表す入力画像データを入力することによって、前記対象印刷剤セットの品質に関連するデータである品質関連データを取得する品質関連データ取得部と、
   前記品質関連データを用いて、前記対象印刷剤セットの前記品質に関連する出力用のデータである出力データを生成する出力データ生成部と、
   前記ネットワークを介して前記出力データを出力する出力部と、
   を備える、サーバ装置であって、
   前記テストパターンは、互いに異なる種類の印刷剤を用いて印刷されるとともに互いに隣接する複数のパッチを含み、
   前記学習済モデルは、テストパターンの画像データを入力するための入力層と、前記テストパターンの印刷に使用された印刷剤セットの品質が前記品質基準内であるか否かの推定結果に関連する情報を出力するための出力層と、前記入力層と前記出力層との間に設けられた１以上の中間層と、を有する学習済のニューラルネットワークのうちの前記入力層から前記１以上の中間層のうちの特定の中間層までの部分を含み、
   前記品質関連データ取得部は、前記入力画像データを前記学習済モデルに入力することによって、前記特定の中間層から出力される中間データである前記品質関連データを取得し、
   前記出力データ生成部は、
   前記品質関連データと、Ｎ個（Ｎは２以上の整数）の第１種中間データと、Ｍ個（Ｍは２以上の整数）の第２種中間データと、を用いて、前記対象印刷剤セットの品質に関連するＫ次元（Ｋは１以上３以下の整数）の値を示すデータである対象出力データと、それぞれが前記品質基準内の品質を有するＮ個の第１種印刷剤セットの品質に関連するＮ個のＫ次元のデータの第１分布範囲を示す第１範囲データと、それぞれが前記品質基準外の品質を有するＭ個の第２種印刷剤セットの品質に関連するＭ個のＫ次元のデータの第２分布範囲を示す第２範囲データと、を取得し、前記Ｎ個の第１種中間データは、Ｎ個の第１種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｎ個の第１種画像データは、前記Ｎ個の第１種印刷剤セットを用いて印刷されたＮ個のテストパターンを光学的に読み取ることによって生成されるデータであり、前記Ｍ個の第２種中間データは、Ｍ個の第２種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｍ個の第２種画像データは、前記Ｍ個の第２種印刷剤セットを用いて印刷されたＭ個のテストパターンを光学的に読み取ることによって生成されるデータであり、
   前記対象出力データと、前記第１範囲データと、前記第２範囲データと、を含む前記出力データを生成する、
   サーバ装置。
4. 請求項１から３のいずれかに記載のサーバ装置であって、
   前記テストパターンは、１つの印刷剤を用いて印刷されるパッチである１次色パッチを含む、
   サーバ装置。
5. 請求項１から４のいずれかに記載のサーバ装置であって、
   前記テストパターンは、同じ印刷剤を用いて印刷される複数のパッチであって、互いに濃度が異なる前記複数のパッチを含む、
   サーバ装置。
6. 請求項１から５のいずれかに記載のサーバ装置と、
   前記対象印刷剤セットを用いて前記テストパターンを印刷する印刷装置と、
   印刷済のテストパターンを光学的に読み取ることによって前記テストパターンを表す読取データを生成する読取装置と、
   前記読取装置から前記読取データを取得し、前記サーバ装置に送信するための前記対象画像データを、前記読取データを用いて生成する対象画像データ生成装置と、
   前記対象画像データを、前記ネットワークを介して前記サーバ装置に送信する対象画像データ送信装置と、
   前記サーバ装置から前記ネットワークを介して前記出力データを取得し、取得した前記出力データを用いることによって、前記対象印刷剤セットの前記品質に関連する情報を表す画像を表示する表示装置と、
   を備える、システム。
7. コンピュータプログラムであって、
   互いに異なる２種以上の印刷剤を含む印刷剤セットであって品質評価の対象である対象印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された対象画像データを取得する画像データ取得機能と、
   前記品質基準内の品質を有する互いに異なる２種以上の印刷剤を含む印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第１種学習用画像データと、前記品質基準外の品質を有する互いに異なる２種以上の印刷剤を含む印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第２種学習用画像データと、を用いてトレーニングされた学習済モデルに前記対象画像データを用いて得られる前記テストパターンを表す入力画像データを入力することによって、前記対象印刷剤セットの品質に関連するデータである品質関連データを取得する品質関連データ取得機能と、
   前記品質関連データを用いて、前記対象印刷剤セットの前記品質に関連する出力用のデータである出力データを生成する出力データ生成機能と、
   前記出力データを出力する出力機能と、
   をコンピュータに実現させ、
   前記テストパターンは、互いに異なる２種の印刷剤の混色を用いて印刷されるパッチである２次色パッチを含み、
   前記学習済モデルは、テストパターンの画像データを入力するための入力層と、前記テストパターンの印刷に使用された印刷剤セットの品質が前記品質基準内であるか否かの推定結果に関連する情報を出力するための出力層と、前記入力層と前記出力層との間に設けられた１以上の中間層と、を有する学習済のニューラルネットワークのうちの前記入力層から前記１以上の中間層のうちの特定の中間層までの部分を含み、
   前記品質関連データ取得機能は、前記入力画像データを前記学習済モデルに入力することによって、前記特定の中間層から出力される中間データである前記品質関連データを取得し、
   前記出力データ生成機能は、
   前記品質関連データと、Ｎ個（Ｎは２以上の整数）の第１種中間データと、Ｍ個（Ｍは２以上の整数）の第２種中間データと、を用いて、前記対象印刷剤セットの品質に関連するＫ次元（Ｋは１以上３以下の整数）の値を示すデータである対象出力データと、それぞれが前記品質基準内の品質を有するＮ個の第１種印刷剤セットの品質に関連するＮ個のＫ次元のデータの第１分布範囲を示す第１範囲データと、それぞれが前記品質基準外の品質を有するＭ個の第２種印刷剤セットの品質に関連するＭ個のＫ次元のデータの第２分布範囲を示す第２範囲データと、を取得し、前記Ｎ個の第１種中間データは、Ｎ個の第１種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｎ個の第１種画像データは、前記Ｎ個の第１種印刷剤セットを用いて印刷されたＮ個のテストパターンを光学的に読み取ることによって生成されるデータであり、前記Ｍ個の第２種中間データは、Ｍ個の第２種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｍ個の第２種画像データは、前記Ｍ個の第２種印刷剤セットを用いて印刷されたＭ個のテストパターンを光学的に読み取ることによって生成されるデータであり、
   前記対象出力データと、前記第１範囲データと、前記第２範囲データと、を含む前記出力データを生成する、
   コンピュータプログラム。
8. コンピュータプログラムであって、
   互いに異なる２種以上の印刷剤を含む印刷剤セットであって品質評価の対象である対象印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された対象画像データを取得する画像データ取得機能と、
   前記品質基準内の品質を有する互いに異なる２種以上の印刷剤を含む印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第１種学習用画像データと、前記品質基準外の品質を有する互いに異なる２種以上の印刷剤を含む印刷剤セットを用いて印刷されたテストパターンを光学的に読み取ることによって生成された第２種学習用画像データと、を用いてトレーニングされた学習済モデルに前記対象画像データを用いて得られる前記テストパターンを表す入力画像データを入力することによって、前記対象印刷剤セットの品質に関連するデータである品質関連データを取得する品質関連データ取得機能と、
   前記品質関連データを用いて、前記対象印刷剤セットの前記品質に関連する出力用のデータである出力データを生成する出力データ生成機能と、
   前記出力データを出力する出力機能と、
   をコンピュータに実現させ、
   前記テストパターンは、互いに異なる種類の印刷剤を用いて印刷されるとともに互いに隣接する複数のパッチを含み、
   前記学習済モデルは、テストパターンの画像データを入力するための入力層と、前記テストパターンの印刷に使用された印刷剤セットの品質が前記品質基準内であるか否かの推定結果に関連する情報を出力するための出力層と、前記入力層と前記出力層との間に設けられた１以上の中間層と、を有する学習済のニューラルネットワークのうちの前記入力層から前記１以上の中間層のうちの特定の中間層までの部分を含み、
   前記品質関連データ取得機能は、前記入力画像データを前記学習済モデルに入力することによって、前記特定の中間層から出力される中間データである前記品質関連データを取得し、
   前記出力データ生成機能は、
   前記品質関連データと、Ｎ個（Ｎは２以上の整数）の第１種中間データと、Ｍ個（Ｍは２以上の整数）の第２種中間データと、を用いて、前記対象印刷剤セットの品質に関連するＫ次元（Ｋは１以上３以下の整数）の値を示すデータである対象出力データと、それぞれが前記品質基準内の品質を有するＮ個の第１種印刷剤セットの品質に関連するＮ個のＫ次元のデータの第１分布範囲を示す第１範囲データと、それぞれが前記品質基準外の品質を有するＭ個の第２種印刷剤セットの品質に関連するＭ個のＫ次元のデータの第２分布範囲を示す第２範囲データと、を取得し、前記Ｎ個の第１種中間データは、Ｎ個の第１種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｎ個の第１種画像データは、前記Ｎ個の第１種印刷剤セットを用いて印刷されたＮ個のテストパターンを光学的に読み取ることによって生成されるデータであり、前記Ｍ個の第２種中間データは、Ｍ個の第２種画像データを前記学習済モデルに入力することによって前記特定の中間層から出力される中間データであり、前記Ｍ個の第２種画像データは、前記Ｍ個の第２種印刷剤セットを用いて印刷されたＭ個のテストパターンを光学的に読み取ることによって生成されるデータであり、
   前記対象出力データと、前記第１範囲データと、前記第２範囲データと、を含む前記出力データを生成する、
   コンピュータプログラム。

Images