JPH0623968A - 印刷物の汚損度判別装置 - Google Patents

Abstract

(57)【要約】 【目的】 人間が普段から品質検査において行っている
主観的評価を行うことができる印刷物の汚損度判別装置
を提供する。 【構成】 印刷物Ｐの画像はテレビジョンカメラ１で入
力され、デジタル化されて画像メモリ２に格納される。
特徴量抽出部３−１〜３−ｎは、画像メモリ２内の画像
データに基づき印刷物Ｐの表面に物理的に存在する特徴
量データ６−１〜６−ｎを抽出する。特徴量結合部４
は、学習された結合規則にしたがって、抽出された特徴
量データ６−１〜６−ｎを汚損度の度合を総合評価する
ための数値に結合（集約）する。この結合された数値
は、汚れ判別部５によって、あらかじめ設定された汚れ
レベルのどのカテゴリに入るか判別され、入力画像に対
する汚れレベル７が出力され、汚損度判別が行なわれ
る。特徴量結合部４の結合規則は、熟練者による実際の
評価データを利用して学習することによって設定され
る。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、印刷物の印刷状態を検
査する印刷物検査装置などに用いられる印刷物の汚損度
判別装置に関する。

【０００２】

【従来の技術】従来の画像処理を利用した印刷物の汚損
度判別装置は、たとえば、図１３に示すように、２値画
像を対象としたパターンマッチング法による基準データ
との形状の違いを抽出したり、あるいは、画像全体を基
準画像と比較したりして、検査対象物の異常あるいは不
適合を検知するといった方法を用いていた。

【０００３】この手法における判別のための基準値は実
験的に求め、しきい値として設定する方法がとられてい
る。パターンマッチングの結果を、このしきい値と比較
して大きいか、あるいは、少ないかで正常/ 異常の判定
を行なっている。

【０００４】図１３に示した汚損度判別装置では、ま
ず、判別対象である印刷物の表面画像はテレビジョンカ
メラ２０１によって入力され、デジタル画像に変換され
て、画像メモリ２０２に格納される。画像メモリ２０２
に格納された画像は、画像強調部２０３において必要部
分の強調、あるいは、雑音部分の消去のための画像処理
が行なわれる。たとえば、マスク処理によってフィルタ
リングがかけられた後、しきい値処理によって２値画像
に変換される。

【０００５】画像強調された画像は、画像( 図形) 比較
部２０４において、あらかじめ基準画像格納メモリ２０
５に格納しておいた基準となる画像と比較処理が行なわ
れる。この比較処理では、パターンマッチングの他に画
素計測などの方法が用いられる。検査判定部２０６は、
比較部２０４の比較処理で得られた結果を用いて最終評
価を行なう。

【０００６】

【発明が解決しようとする課題】ところが、従来の印刷
物の汚損度判別装置では、印刷物に現われる濃度変化を
全体的に、あるいは、広範囲に渡る領域において扱うの
みであり、再流通する印刷物における微妙な汚損度を判
別することは困難であった。

【０００７】これは、人間が感じるような様々な物理現
象を１つの数量として算出しているためであって、この
方法では人間が目視検査する場合の評価基準を実現する
のは困難であった。また、しきい値あるいは判断基準の
設定も経験的に行なわれるだけであって、評価基準を一
定にするしきい値および判断基準の設定は困難であっ
た。

【０００８】そこで、本発明は、人間が品質を評価する
場合における主観的評価を導入し、人間の判断と一致し
た性能を確保することができ、判別性能を著しく向上し
得る印刷物の汚損度判別装置を提供することを目的とす
る。

【０００９】

【課題を解決するための手段】本発明の印刷物の汚損度
判別装置は、対象となる印刷物から表面の状態を入力す
る表面状態入力手段と、この表面状態入力手段で入力さ
れた表面の状態に基づき複数の物理的な特徴量を抽出す
る特徴量抽出手段と、この特徴量抽出手段で抽出された
複数の特徴量データを総合評価のために学習された結合
規則を用いて集約する特徴量結合手段と、この特徴量結
合手段の出力に基づき前記印刷物の汚損度を判別する判
別手段とを具備している。

【００１０】また、本発明の印刷物の汚損度判別装置
は、対象となる印刷物から表面の状態を入力する表面状
態入力手段と、この表面状態入力手段で入力された表面
の状態に基づき複数の物理的な特徴量を抽出する特徴量
抽出手段と、この特徴量抽出手段で抽出された複数の特
徴量データを結合規則を用いて集約する特徴量結合手段
と、前記印刷物のサンプルを任意に取出して人間が汚損
度を判別した教師データを利用することにより、前記特
徴量結合手段で用いる結合規則を学習するもので、汚損
度判別の汚損度の度合いの判別出力をｍレベルで行なう
とき、前記教師データが持っているレベルをｍ以上にし
て学習を行なう結合規則学習手段と、前記特徴量結合手
段の出力に基づき前記印刷物の汚損度を判別する判別手
段とを具備している。

【００１１】

【作用】本発明によれば、入力された印刷物の表面状態
に存在する物理的な現象を複数かつ詳細に数値化するこ
とが可能となる。普段から人間が行なっている品質評価
における判断は、評価対象である印刷物上に「インクの
染み」や「印刷のかすれ」、「ふちの破れ」などの物理
的な現象を捉え、「美しい」、「きたない」などの心理
的な印象を受ける。本発明では、人間が評価のときに捉
えるべき物理的な現象を数値化できる。

【００１２】また、複数の物理的現象に対する特徴量を
数値化した後、その複数のデータを学習された結合規則
に基づいて結合させることにより、それぞれの物理的現
象から受ける評価を的確に総合判別につなげることが可
能となる。

【００１３】人間は品質検査の総合評価をする場合に、
個人個人の価値観や好みを働かせることが多いと考えら
れる。たとえば、「美しいものは良い」、あるいは、
「きたないものは良くないが、鮮やかであれば良い」な
どの判断基準がある。目視による品質検査の熟練者に汚
損度を判別させた教師データを利用し、複数抽出された
特徴量データを結合するための規則を学習させることに
よって、個人的な価値観や好みを含ませた結合規則を生
成することが可能となる。

【００１４】本発明において、複数の特徴量を合成する
に利用される結合規則の学習に、たとえばニューラルネ
ットワークを用いることによって、人間が実際に品質検
査を行なった教師データの特性を忠実に結合規則に生か
すことが可能となる。

【００１５】人間が品質を評価する場合においては、精
神的な要因あるいは様々な状況から発生するばらつきは
免れない。本発明においては、人間が評価を行なう際の
教師データの作成レベルを要求する汚損レベルよりも上
げておき、人間にはより細かく汚損度を評価してもらう
ことによって、教師データの作成時に発生する曖昧性を
補うことが可能になる。

【００１６】

【実施例】以下、本発明の実施例について図面を参照し
て説明する。

【００１７】図１は、本発明の第１実施例に係る印刷物
の汚損度判別装置を示すものである。図において、判別
対象である印刷物Ｐの表面画像は、画像入力手段として
のテレビジョンカメラ１によって入力され、デジタル化
されて画像メモリ２に格納される。複数（ｎ個）の特徴
量抽出部３−1 〜３−ｎは、画像メモリ２に格納された
画像データに対して所定の画像処理を行ない、ある一定
の濃度値パターンおよび濃度値変化を検出することによ
って、印刷物Ｐの表面に物理的に存在する現象を画像特
徴量と呼ばれる数値データ６−1 〜６−ｎとして抽出す
る。

【００１８】特徴量抽出部３−1 〜３−ｎから出力され
た特徴量データ６−1 〜６−ｎは、それぞれ特徴量結合
部４に入力される。特徴量結合部４は、入力される特徴
量データ６−1 〜６−ｎを汚損度の度合を総合評価する
ための数値に結合（集約）する。この結合された数値は
汚れ判別部５へ送られ、ここで、あらかじめ設定された
汚れレベルのどのカテゴリに入るか判別され、入力画像
に対する汚れレベル７が出力され、汚損度判別が行なわ
れる。

【００１９】図２は、特徴量抽出部３−1 〜３−ｎにお
ける特徴量抽出を行なうための画像処理手順を示すフロ
ーチャートである。まず、画像メモリ２に格納されてい
る対象画像データから、いかなる物理的現象が抽出され
るべきかを決定するために、あらかじめ本装置に登録さ
れている物理現象データベースを参照する。このデータ
ベースには、対象となる印刷物に存在し得る物理的現象
の種類と処理領域、処理手順などが格納されており、こ
の情報により処理領域の限定処理（ステップＳ１）を行
なう。

【００２０】この処理領域の限定処理は、処理速度を上
げるとともに、後に行なわれる画像計測の感度を上げる
ために重要な処理である。次いで、限定された領域につ
いて画像強調処理（ステップＳ２）を行なう。この画像
強調処理は、たとえば、フィルタリング、あるいはマス
ク処理によって必要となる画素の強調が行なわれる。求
める特徴量に応じて強調された画像は、特定の値を持つ
画素のみ抽出できるように２値化処理が施される（ステ
ップＳ３）。次いで、抽出成分数値化処理（ステップＳ
４）において、２値化された画素に対して抽出画素数の
カウント、あるいは、対象画像データの濃度値を参照す
ることによって、目的である特徴量データが出力され
る。

【００２１】このような図２の処理を行なうために、本
実施例では、特徴量抽出部３−1 〜３−ｎとして、たと
えば、図３に示すような回路を用いている。図３は、特
徴量抽出部に画像入力手段の一部の機能を備えた場合の
一具体例である。ＣＣＤカメラ３１によって、判別対象
となる印刷物Ｐの表面画像が入力される。入力された画
像は、一般にアナログ画像信号であるため、カラー補正
回路３２を通した後、Ａ／Ｄ変換器３３を通してデジタ
ル画像に変換する。

【００２２】Ａ／Ｄ変換器３３で変換された画像データ
は、一旦、画像メモリ３４に格納される。画像メモリ３
４に格納された画像データは、特徴抽出手順のプログラ
ムのコントロールを行なうマイクロコンピュータなどの
制御装置３５からの指令を受けて画像処理が行なわれ
る。この指令は、バス３７を介して各回路へ送られる。
なお、バス３６は、画像データも同時に高速転送できる
ようになっている。

【００２３】本実施例では、領域限定マスクメモリ３７
にそれぞれの物理的現象に対する処理領域の限定マスク
画像があらかじめ格納されている。制御装置３５は、画
像メモリ３４内の画像データと領域限定マスクメモリ３
７内のマスクデータとの論理積をとることにより、処理
領域の限定を行なう。

【００２４】次いで、マスク処理回路３８、およびフィ
ルタリング回路３９により画像強調処理を行なう。その
後、２値化回路４０において特定画像を抽出し、画像計
測回路４１において特徴量データとして数値化する。こ
の特徴量データの数値化は、制御装置３５内で動作する
ソフトウェアで実現できる。勿論、それぞれの画像処理
ルーチンはソフトウェアで実現することも可能である。

【００２５】図４は、図２で説明した物理現象データベ
ースの一具体例を示す。このデータベースに書かれる項
目は、それぞれの物理的現象の名前５１、その現象を特
徴量として抽出するための抽出手順５２、領域限定のた
めの処理領域５３である。対象とする印刷物Ｐ上に存在
し得る物理的現象としては、たとえば、次のようなもの
が考えられる。折り目、しわ、襄み、いたずら書き、
穴、破れ、黄ばみ、全体的な汚れ、印刷のかすれ、は
げ、縁の破れ、縁の切れなどである。

【００２６】本データベースでは、これらの全て、ある
いは、重要と思われる数項目について、抽出手順５２お
よび処理領域５３を登録する。たとえば、縁の切れを抽
出する手順１として、濃度値クリッピングを最初に行な
った後、印刷物の縁に沿って対象画素を探索し、最後に
探索画素の平均をとる、という処理の流れを登録してお
く。同時に、領域限定のための処理領域５３としてマス
ク１を登録しておく。領域を指定するために、たとえ
ば、図４中の式による指定方法が考えられる。

【００２７】なお、領域の指定については、図５に示す
ようにマスク画像を用意してもよい。図５において、
（ａ）図に示す６１は対象とする印刷物の原画像であ
り、それに対して、（ｂ）図に示すマスク画像６２は、
縁の切れを抽出するために領域限定を行なうマスク１で
あり、マスク画像６３は、襄みを抽出するために領域限
定を行なうマスクＰである。

【００２８】マスク画像を使用する場合は、単なる矩形
領域だけではなく、如何なる形の領域でも簡単に指定で
きるため、有効であると思われる。これらのマスク画像
６２，６３は、図３の領域限定マスクメモリ３７にあら
かじめ格納されていて、判別実行時に利用される。

【００２９】上記したようにして抽出された特徴量デー
タをまとめて、特徴量結合部４が汚損度を判別するが、
本発明は、この特徴量結合部４の結合規則を学習により
決定することを特徴としている。

【００３０】図６は、特徴量結合部４の結合規則を学習
させるための結合規則学習手順を示すフローチャートで
ある。あらかじめ用意された教師データには、画像デー
タに合わせて検査の熟練者が評価を行ない、汚損度を判
別した結果が備わっている。この教師データの画像を一
度だけ、特徴量抽出部３−1 〜３−ｎにおいて、各物理
的現象に対する画像特徴量の抽出処理（ステップＳ１
１）を行なう。ここで抽出された特徴量データに対し
て、初期に設定された結合規則を使って特徴量の結合
（集約）処理（ステップＳ１２）を行なう。この結合処
理により、汚れ判別結果が出力される。

【００３１】次に、上記教師データと汚れ判別結果とを
比較する（ステップＳ１３）。この比較結果により、結
合規則学習処理（ステップＳ１４）において、教師デー
タに備わる熟練者の評価結果により近い判別結果がだせ
るように、結合規則を学習する。学習された結果を新た
に結合規則として登録し、再び複数の特徴量データを使
って特徴量の結合処理（ステップＳ１２）を行なう。こ
の特徴量結合処理、比較処理、結合規則学習処理の手順
を繰り返し行ない、登録した結合規則を使って出力され
る判別結果と熟練者の評価結果がより近くなるまで結合
規則の学習を繰り返す。

【００３２】なお、結合規則の形態により、学習が一度
しか行なわれないで収束してしまうケースや、何度繰り
返しても収束しないケースもあり得る。一般的には、判
別結果の差がある値よりも小さくなったときに学習を終
了する、あるいは、学習の繰り返しがある回数に達した
らに学習を終了させる、などの方法で行なう。

【００３３】このような結合規則を学習により求める実
施例として、線形結合により特徴量を集約する方法を図
７および図８に示す。図７の回路が図１における特徴量
結合部４に相当する。たとえば、抽出された特徴量デー
タの数がｎ個で特徴量をそれぞれｆ1 ，ｆ2 ，ｆ3 ，…
…，ｆｎとしたとき、総合評価Ｙを数１のように重みデ
ータａ0 ，ａ1 ，ａ2 ，……，ａｎを用いて、重み付け
による線形結合式によって表す。

【００３４】

【数１】

【００３５】この線形結合を高速に計算するための実施
例として、図７に示すような回路が考えられる。すなわ
ち、複数の特徴量抽出部３−1 〜３−ｎにおいて抽出さ
れたｎ個の特徴量ｆ1 ，ｆ2 ，……，ｆｎは、あらかじ
め決定された重みデータａ1，ａ2 ，……，ａｎととも
に乗算器７１−1 〜７１−ｎにそれぞれ入力されて、両
者の間で乗算され、ａ1 ｆ1 ，ａ2 ｆ2 ，……，ａｎｆ
ｎが計算される。この計算結果のうちａ1 ｆ1 は、まず
重みデータａ0 と加算器７２−1 において加算され、次
いで、この加算結果が上記計算結果ａ2 ｆ2 と加算器７
２−2 において加算され、以下、同様に順次、加算器７
２−3 ，……，７２−ｎにおいて加算されることによ
り、数１のような総合評価のための数値データＹが求め
られる。

【００３６】この回路において用いる重みデータａ0 ，
ａ1 ，ａ2 ，……，ａｎは、重み設定器７３を設けるこ
とにより、任意に変更できるような回路を構成できる。
重み設定器７３は、たとえば、マイクロコンピュータ(
たとえば、図３の制御装置３５) から出力される信号の
アドレスデコーダ、重みはそれぞれメモリなどによるレ
ジスタとすることで実現できる。

【００３７】この線形一次結合における結合規則を学習
させる場合は、たとえば、最小２乗法によって回帰分析
を行なうことにより、線形結合の重みを決定する。図８
は、線形結合の重み決定の手順を示すフローチャートで
ある。たとえば、ｍ個の教師サンプルの対象印刷物が存
在するものとすると、その印刷物の収集を行なう（ステ
ップＳ２１）。次に、それらの印刷物について、熟練し
た検査員に汚損度を評価してもらい、品質の良いものか
ら順に並べた結果を評価の正答値Ｚｉ（ｉ＝１，２，
…，ｍ）とする（ステップＳ２２）。一方、特徴量抽出
部３−1 〜３−ｎによって実際に特徴量データを抽出す
る（ステップＳ２３）。ここで、ｍ番目のサンプルから
求めたｎ番目の特徴量をｆ1(i)，ｆ2(i)，……，ｆｎ
(i) とする。このとき、回帰分析のための推定値Ｙｉ
（ｉ＝１，２，…，ｍ）を、数２の線形結合式で算出す
る（ステップＳ２４）。

【００３８】

【数２】

【００３９】この線形結合は、特徴量の結合を行なうた
めの結合規則となる。推定値Ｙｉは、傾き１の直線Ｚｉ
＝ｉとなることが望ましく、熟練者による評価結果Ｚｉ
と本装置による評価結果Ｙｉとの差の２乗和が最小にな
るように、パラメータａ0 ，ａ1 ，ａ2 ，……，ａｎを
求める。すなわち、数３の式を最小にするａ0 ，ａ1 ，
ａ2 ，……，ａｎの推定値を選べばよい。

【００４０】

【数３】 このときのａ0 ，ａ1 ，ａ2 ，……，ａｎの推定値を数
４のようにする。

【００４１】

【数４】 この関数のａ0 ，ａ1 ，ａ2 ，……，ａｎに関する偏微
分係数を「０」とおくことによって、数５のような正規
方程式を求めることができる。

【００４２】

【数５】 この正規方程式は、逆行列を利用して数６の式のように
解くことができる（ステップＳ２５）。

【００４３】

【数６】

【００４４】こうして求められた値推定値を各特徴量の
重みとして用いた線形結合式を、最終判断を行なうため
の評価値として得ることができる（ステップＳ２６）。
この方法により、実際に人間が判別評価を行なったとき
の基準が総合評価値に盛り込むことが可能である。

【００４５】ここで、人間が評価を行なう際の教師デー
タの作成レベルを、要求する汚損レベルよりも上げてお
き、たとえば、１６段階の汚損度判別を行ないたい場合
の教師データは、２００段階の人間の評価データを用い
る。これは、人間が品質を評価する場合において精神的
な要因、あるいは、様々な状況から発生するばらつきを
補うものである。

【００４６】次に、結合規則を学習により求める別の実
施例として、非線形結合を行なわせる構造を持つニュー
ラルネットワークによる結合規則、および、学習手段の
実施について説明する。複数の特徴量の結合規則とし
て、入力層−中間層−出力層の３層からなる階層的ニュ
ーラルネットワークを用いるものとする。その学習方式
として、暫定規則により出力された評価値と熟練者が評
価した値との２乗誤差を最小化するように、誤差逆伝播
学習アルゴリズム(Error Back Propagation)を動作させ
る。ここで、暫定規則とは、学習途中のニューラルネッ
トワークを示し、初期設定による重みを、学習を繰り返
すことにより、順次誤差を最小化の方向に進展させる。

【００４７】入力層には、計測された各特徴量を入力さ
せ、その種類の数だけユニットを用意する。中間層は隠
れ層となり、学習するのに充分なユニット数を用意す
る。出力層はユニット数を１とし、総合評価のための値
が出力されるよう多値をとる。中間層の中のユニット同
士の結合はないものとし、入力層の各ユニットから中間
層の各ユニットへの重み、中間層の各ユニットから出力
層へのユニットの重みを学習により決定する。

【００４８】ここで、入力層の第ｉユニットの出力をｏ
ｉ(0) 、中間層の第ｊユニットへの入力の総和をｉｊ
(1) 、出力をｏｊ(1) とし、入力層の第ｉユニットから
中間層の第ｊユニットへの結合の重みをｗｉｊ(0) 、中
間層の第ｊユニットから出力層への結合の重みをｗｊ
(1) とする。中間層の各ユニットの入出力関係を与える
関数をｆとすると、これらの変数の間の関係は数７の式
となる。

【００４９】

【数７】 したがって、出力される値０＝ｉ1(2)は数８の式であ
る。

【００５０】

【数８】

【００５１】ここで、ｋ番目のサンプルからの出力値を
０ｋとし、熟練した検査員が評価した値（出力教師信
号）をＹｋとすると、２乗誤差の総和Ｅは数９の式で表
すことができる。

【００５２】

【数９】

【００５３】ニューラルネットワークの学習は、この値
Ｅが最小となるように、それぞれのユニット間の結合の
重みｗｉｊ(0) およびｗｊ1(1)を変化させることにより
行なう。誤差逆伝搬のアルゴリズムにおいて、修正の際
の重みの変化量Δｗｉｊ(l)は数１０の式であり、

【００５４】

【数１０】 数１１の式は、結合ｗｉｊ(l) の修正に使う学習信号で
あって、数１２のように表される。

【００５５】

【数１１】

【００５６】

【数１２】

【００５７】ここで、εは１回の修正の大きさを決定す
るパラメータであり、小さな正の定数をとる。関数ｆは
全てのユニットについて共通で、数１３の式とすると、
ｆ′(x) ＝ｆ(x) （１−ｆ(x) ）であるので、ｆ′（ｉ
ｊ(1) ）＝ｏｊ(1) （１−ｏｊ(1) ）となる。

【００５８】

【数１３】 実際には、振動を減らし、学習の収束を早めるために、
数１４の式で示すような修正をする。ここで、αは小さ
な正の定数、ｔは修正の回数を示す。

【００５９】

【数１４】

【００６０】以上、ニューラルネットワークの学習を繰
り返すことによって、非線形結合の重みｗｉｊ(l) を得
ることができ、人間が検査を行なうときの評価方法に近
い汚損度判別のための特徴量結合規則を決定できる。

【００６１】図９は、ニューラルネットワークを用いた
結合規則の重み学習の手順を示すフローチャートであ
る。まず、回帰分析による学習方式と同様に、教師サン
プルの対象印刷物を収集し（ステップＳ３１）、それら
のサンプル印刷物について、熟練した検査員に汚損度Ｙ
ｋを評価してもらう（ステップＳ３２）。一方、サンプ
ル印刷物の画像を入力して、実際に特徴量データｏｉ
(0) を抽出する（ステップＳ３３）。

【００６２】次に、初期重みｗｉｊ(l)(t=0)を適宜設定
し（ステップＳ３４）、数８および数１３の式によりニ
ューラルネットの出力値Ｏｋを計算する（ステップＳ３
５）。これを熟練者による評価値Ｙｋとの２乗誤差の総
和Ｅを求め（ステップＳ３６）、その値をしきい値εEN
D と比較し（ステップＳ３７）、充分に収束して、しき
い値よりも小さくなれば、学習の繰り返しを終了し、学
習されたニューラルネットワークを結合規則として出力
する（ステップＳ３８）。まだ、充分に収束していない
場合には、数１４の式により変化量Δｗｉｊ(l)(t+1)を
算出し、暫定重み ｗｉｊ(l)(t)を更新することによっ
て（ステップＳ３９）、充分収束するまでニューラルネ
ットワークの学習を繰り返す。

【００６３】ここで、線形結合の場合と同様に、人間が
評価を行なう際の教師データの作成レベルを、要求する
汚損レベルよりも上げておき、たとえば、１６段階の汚
損度判別には、２００段階の人間の評価データを教師デ
ータとして用いる。これにより、人間にはより細かく汚
損度を評価してもらうことによって、教師データの作成
時に発生する曖昧性を補うことが可能になる。

【００６４】これらの結合規則を学習により求める特徴
量結合部４は、あらかじめ図６のような別の装置を用い
て学習させることも可能であるが、図１０に示すように
学習機能を含み自動的に学習させることも可能となる。

【００６５】図１０は、本発明の第２実施例に係る、結
合規則を自動学習できる印刷物の汚損度判別装置を示す
ものである。この実施例は、本装置を連続実行中に特徴
量結合部４における結合規則を自動的に学習することに
よって、より人間の評価に近い汚損度判別を実現するた
めの手法である。多くの場合、学習に用いる教師サンプ
ルが少ない、あるいは、サンプルが偏っているなどに起
因して、評価ミスを発生することがある。

【００６６】こうした評価ミスを起こしたデータに対し
て、結合規則学習のための教師サンプルに組込み、評価
ミスを少なくするように、結合規則を再学習する必要が
ある。場合によっては、結合規則訂正指示部９を設け
て、本装置のユーザによって評価ミスを起こしたデータ
に対して誤り訂正を促すことが可能である。

【００６７】図１０において、判別対象である印刷物Ｐ
の表面画像は、テレビジョンカメラ１によって入力さ
れ、デジタル化されて画像メモリ２に格納される。複数
の特徴量抽出部３−1 〜３−ｎは、画像メモリ２に格納
された画像データに対して所定の画像処理を行ない、あ
る一定の濃度値パターンおよび濃度値変化を検出するこ
とによって、印刷物Ｐの表面に物理的に存在する現象を
画像特徴量と呼ばれる数値データ６−1 〜６−ｎとして
抽出する。

【００６８】特徴量抽出部３−1 〜３−ｎから出力され
た特徴量データ６−1 〜６−ｎは、それぞれ特徴量結合
部４に入力される。特徴量結合部４は、入力される特徴
量データ６−1 〜６−ｎを汚損度の度合を総合評価する
ための数値に結合（集約）する。この結合された数値は
汚れ判別部５へ送られ、ここで、あらかじめ設定された
汚れレベルのどのカテゴリに入るか判別され、入力画像
に対する汚れレベル７が出力され、汚損度判別が行なわ
れる。

【００６９】このとき、特徴量結合部４は、前述した結
合規則の学習方法により、既に学習された結合規則を持
つものである。本装置では、実行中に常時、学習データ
収集部８により特徴量データ６−1 〜６−ｎおよび汚れ
レベル７の組を収集し、メモリに記憶しておく。なお、
収集されたデータは、ある程度の時間保存した後は消去
する。

【００７０】一方、結合規則訂正指示部９によって誤り
（評価ミス）であると指摘されたデータに対して、学習
データ収集部８に格納されているデータを用いて、結合
規則学習手段１０によって結合規則を更新できるように
なっている。その学習に際しては前述した結合規則の学
習方法を用いる。

【００７１】図１１は、本発明の第３実施例に係る印刷
物の汚損度判別装置を示すものである。この実施例は、
複数のセンサ１１−1 〜１１−ｎを対象印刷物Ｐの表面
状態入力手段として用いた場合である。図において、セ
ンサ１１−1 〜１１−ｎは、画像入力に用いるテレビジ
ョンカメラ、あるいは、スキャナの他にラインセンサな
どのように光学的にデータを入力するもの、および、厚
みセンサなどの物理的にデータを入力するものを組合わ
せてデータ入力を行なう。

【００７２】それぞれのセンサ１１−1 〜１１−ｎに対
して、センサ情報入力部１２−1 〜１２−ｎにより入力
データをデジタル化し、特徴量抽出のためのデータ変換
を行なう。データ変換された各データに対して、１つの
センサに対して１つ（あるいは、複数）の特徴量抽出部
３−1 〜３−ｎを設けて、評価に必要となる特徴量デー
タ６−1 〜６−ｎを抽出する。場合によっては、２つ以
上のセンサからの複数情報を入力し、１つの特徴量抽出
部により特徴量データを抽出する。

【００７３】抽出された複数の特徴量データ６−1 〜６
−ｎは、特徴量結合部４において結合規則にしたがって
総合評価するための数値に結合され、汚れ判別部５によ
り汚れレベル７が判別され、汚損度判別が行なわれる。

【００７４】ここで、特徴量結合部４は、前述の第１実
施例のような人間の評価基準に基づいた判別を行なうも
のでもよいし、第２実施例のように結合規則を学習させ
たものでも構わない。また、後者の場合、図１０のよう
に学習機能を装置内に含ませることも可能である。いず
れにしても、図１もしくは図１０のように、単一の画像
データだけでなく、複数の異なった種類のデータを用い
ても、本発明の内容を何等変えるものではない。

【００７５】図１２は、本発明による印刷物の汚損度判
別装置を、印刷物の印刷直後に印刷ミスを発見するため
の印刷検査装置に適用した実施例を示している。印刷機
２１は、印刷が終了したことを知らせ、センサ入力のた
めの同期をとるためにトリガ発生部２２を連動させる。
トリガ発生部２２から発生された信号に基づいて、１個
以上のセンサ２３を制御することにより、データ入力部
２４に対して、搬送路を進む対象印刷物の位置決めを正
確に行ない、データ格納メモリ２５にデータを入力す
る。

【００７６】高速センサを用いた場合には、データ入力
の制御は、センサ２３から絶えず出力されるデータのう
ち必要データのみを、データ入力部２４にトリガを与え
ることによって、データ格納メモリ２５に格納すること
ができる。データ格納メモリ２５に格納されたデータ
は、複数の特徴量抽出部３−1 〜３−ｎに送られ、ここ
で評価に必要な特徴量データ６−1 〜６−ｎが抽出され
る。抽出された複数の特徴量データ６−1 〜６−ｎは、
特徴量結合部４によって集約され、最終的に汚れ判別部
５によって汚れレベル７が判別され、印刷検査が実現さ
れる。

【００７７】ここで、特徴量結合部４は、前述の第１実
施例のような人間の評価基準に基づいた判別を行なうも
のでもよいし、第２実施例のように結合規則を学習させ
たものでも構わない。また、後者の場合、図１０のよう
に学習機能を装置内に含ませることも可能である。

【００７８】

【発明の効果】以上詳述したように本発明によれば、印
刷物の表面に存在する物理的現象をそれぞれ独立に分析
し、それらを人間の評価に即した結合規則を用いたこと
により、人間が普段から品質検査において行なっている
主観的評価を実現でき、従来に比べて判別性能を著しく
向上させることのできる印刷物の汚損度判別装置を提供
できる。

【図面の簡単な説明】

【図１】本発明の第１実施例に係る印刷物の汚損度判別
装置の構成を示すブロック図。

【図２】特徴量抽出部における特徴量抽出を行なうため
の画像処理手順を示すフローチャート。

【図３】特徴量抽出部の一具体例を示す構成図。

【図４】物理現象データベースの一具体例を示す図。

【図５】物理現象データベースに登録される処理領域限
定のためのマスク画像の例を示す図。

【図６】結合規則を学習させるための結合規則学習手順
を示すフローチャート。

【図７】特徴量結合部の実現例を示す構成図。

【図８】線形結合による結合規則の学習手順を示すフロ
ーチャート。

【図９】ニューラルネットによる結合規則の学習手順を
示すフローチャート。

【図１０】本発明の第２実施例に係る印刷物の汚損度判
別装置の構成を示すブロック図。

【図１１】本発明の第３実施例に係る印刷物の汚損度判
別装置の構成を示すブロック図。

【図１２】本発明に係る印刷物の汚損度判別装置を適用
した印刷検査装置の構成を示すブロック図。

【図１３】従来の印刷物の汚損度判別装置の構成を示す
ブロック図。

【符号の説明】

１……テレビジョンカメラ、２……画像メモリ、３−1
〜３−ｎ……特徴量抽出部、４……特徴量結合部、５…
…汚れ判別部、６−1 〜６−ｎ……特徴量データ、７…
…汚れレベル、８……学習データ収集部、９……結合規
則訂正指示部、１０……結合規則学習部。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 田神 義一 神奈川県川崎市幸区柳町70番地 株式会社 東芝柳町工場内 (72)発明者 渋谷 邦弘 神奈川県川崎市幸区柳町70番地 株式会社 東芝柳町工場内

Claims (2)

【特許請求の範囲】
1. 【請求項１】 対象となる印刷物から表面の状態を入力
   する表面状態入力手段と、 この表面状態入力手段で入力された表面の状態に基づき
   複数の物理的な特徴量を抽出する特徴量抽出手段と、 この特徴量抽出手段で抽出された複数の特徴量データを
   総合評価のために学習された結合規則を用いて集約する
   特徴量結合手段と、 この特徴量結合手段の出力に基づき前記印刷物の汚損度
   を判別する判別手段とを具備したことを特徴とする印刷
   物の汚損度判別装置。
2. 【請求項２】 対象となる印刷物から表面の状態を入力
   する表面状態入力手段と、 この表面状態入力手段で入力された表面の状態に基づき
   複数の物理的な特徴量を抽出する特徴量抽出手段と、 この特徴量抽出手段で抽出された複数の特徴量データを
   結合規則を用いて集約する特徴量結合手段と、 前記印刷物のサンプルを任意に取出して人間が汚損度を
   判別した教師データを利用することにより、前記特徴量
   結合手段で用いる結合規則を学習するもので、汚損度判
   別の汚損度の度合いの判別出力をｍレベルで行なうと
   き、前記教師データが持っているレベルをｍ以上にして
   学習を行なう結合規則学習手段と、 前記特徴量結合手段の出力に基づき前記印刷物の汚損度
   を判別する判別手段とを具備したことを特徴とする印刷
   物の汚損度判別装置。