KR102127523B1 - 인쇄 공정에서의 사용 잉크량 예측 장치 및 방법 - Google Patents

Abstract

본 발명은 사용 잉크량 예측 장치 및 방법에 관한 것으로서, 이 장치는 이미지 파일을 분석하여 기본 잉크량을 계산하는 이미지 파일 분석 모듈, 그리고 상기 이미지 파일 분석 모듈로부터 상기 기본 잉크량을 입력받고, 인쇄 공정 특성 데이터 및 실제로 사용한 잉크량을 이용하여 머신러닝 학습을 수행하는 머신러닝 모듈을 포함하며, 상기 머신러닝 모듈의 학습된 결과에 따라 새로 입력된 인쇄 요청에 대하여 총사용 잉크량을 예측한다.

Description

인쇄 공정에서의 사용 잉크량 예측 장치 및 방법{APPARATUS AND METHOD FOR ESTIMATING INK QUANTITY FOR PRINTING PROCESS}

본 발명은 사용 잉크량 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 이미지 파일 분석 등을 통하여 다량의 인쇄를 수행하는 인쇄 공정에서 사용되는 잉크량을 정확하게 예측할 수 있는 장치 및 방법에 관한 것이다.

일반 사무용 프린터와 달리 다량의 인쇄를 수행할 수 있는 대형 프린터에서는 인쇄 공정에서 사용될 잉크를 사전에 잉크통에 준비해 두고 인쇄를 수행한다. 통상 특정 이미지에 대하여 다량의 인쇄를 수행하므로 해당 특정 이미지에 대하여 많은 양의 잉크를 준비해야 한다. 그런데 많은 양의 잉크를 준비할 때 작업자가 경험에 근거하여 조색 과정 중 잉크 사용량을 예측하여 잉크를 투입하는데, 모자라게 준비하면 안 되므로 보통 실제 사용되는 잉크량보다 많은 양을 준비하게 된다. 따라서 인쇄 공정이 끝나면 잉크가 남게 되고 사용하고 남은 특정 색상의 잉크는 더 이상 쓸모가 없어 폐기 처분하게 되므로 결국 인쇄에 소요되는 비용이 증가하게 될 뿐만 아니라 환경적인 측면에서도 큰 문제점으로 작용한다.

인쇄 공정에서 사용 잉크량을 계산하는 프로그램은 존재하지만 이는 이미지 파일 분석을 통한 잉크 사용량 예측 알고리즘이 아닌 프린터의 센서를 통하여 사용이 완료된 잉크량을 계산하는 프로그램이다. 또한 잉크 사용량을 예측하는 알고리즘이 존재한다고 하더라도 이것은 일반 사무용 프린터에 적용되어 잉크가 소진될 때를 대비하여 잉크 카트리지를 교체할 수 있게 하거나 프리터의 연산 처리 부담을 덜기 위한 것으로서 단순하게 이미지 파일만을 이용하여 사용 잉크량을 예측하므로 정확도가 낮은 문제가 있다.

공개특허공보 10-2003-0095551

본 발명이 해결하고자 하는 과제는 다량의 인쇄를 수행하는 인쇄 공정에서 잉크의 낭비를 없애기 위하여 사용 잉크량을 정확하게 예측할 수 있는 사용 잉크량 예측 장치 및 방법을 제공하는 것이다.

이러한 과제를 해결하기 위한 본 발명의 한 실시예에 따른 사용 잉크량 예측 장치는, 이미지 파일을 분석하여 기본 잉크량을 계산하는 이미지 파일 분석 모듈, 그리고 상기 이미지 파일 분석 모듈로부터 상기 기본 잉크량을 입력받고, 인쇄 공정 특성 데이터 및 실제로 사용한 잉크량을 이용하여 머신러닝 학습을 수행하는 머신러닝 모듈을 포함하며, 상기 머신러닝 모듈의 학습된 결과에 따라 새로 입력된 인쇄 요청에 대하여 총사용 잉크량을 예측한다.

상기 이미지 파일 분석 모듈을 상기 이미지 파일에서 사용되는 색별로 도트를 카운트하여 총도트 개수를 계산할 수 있다.

상기 이미지 파일 분석 모듈은 상기 이미지 파일을 색별 이미지 파일로 분리하여 상기 색별 이미지 파일에 있는 도트를 카운트하여 총도트 개수를 계산할 수 있다.

상기 이미지 파일 분석 모듈은 상기 총도트 개수에 도트당 잉크 농도를 곱하여 상기 기본 잉크량을 계산할 수 있다.

상기 인쇄 공정 특성 데이터는 인쇄 공정에서 사용되는 잉크량에 영향을 미치는 요소와 관련된 데이터일 수 있다.

상기 인쇄 공정 특성 데이터는 종이의 재질, 프린터 설비 특성, 시험 인쇄 매수, 전체 인쇄 매수, 인쇄 공정에서의 수행 시간, 작업자의 숙련도, 그리고 인쇄 두께를 포함할 수 있다.

상기 인쇄 공정 특성 데이터는 작업자의 숙련도를 포함하며, 상기 작업자의 숙련도는 인쇄 공정이 완료된 후 남은 잉크량을 계량하여 상기 남은 잉크량에 따라 등급을 매김으로써 상기 작업자의 숙련도를 판단할 수 있다.

본 발명의 다른 실시예에 따른 사용 잉크량 예측 방법은, 이미지 파일을 분석하여 기본 잉크량을 계산하는 단계, 상기 기본 잉크량을 입력받고, 인쇄 공정 특성 데이터 및 실제로 사용한 잉크량을 이용하여 머신러닝 학습을 수행하는 단계, 그리고 상기 머신러닝 학습 결과에 따라 새로 입력된 인쇄 요청에 대하여 총사용 잉크량을 예측하는 단계를 포함한다.

상기 기본 잉크량 계산 단계는 상기 이미지 파일에서 사용되는 색별로 도트를 카운트하여 총도트 개수를 계산하는 단계를 포함할 수 있다.

상기 기본 잉크량 계산 단계는 상기 이미지 파일을 색별 이미지 파일로 분리하는 단계, 그리고 상기 색별 이미지에 포함되어 있는 도트를 카운트하여 총도트 개수를 계산하는 단계를 포함할 수 있다.

상기 기본 잉크량 계산 단계는 상기 총도트 개수에 도트당 잉크 농도를 곱하여 상기 기본 잉크량을 계산하는 단계를 포함할 수 있다.

이와 같이 본 발명의 실시예에 따른 사용 잉크량 예측 장치 및 방법에 의하면 이미지 파일 분석을 통하여 기본 사용 잉크량을 계산하고 머신러닝을 통하여 인쇄 공정의 특성에 맞는 총사용 잉크량을 계산함으로써 다량의 인쇄를 수행할 때 사용 잉크량을 정확하게 예측할 수 있으며 따라서 잉크를 낭비하지 않을 수 있다.

도 1은 본 발명의 실시예에 따른 사용 잉크량 예측 장치를 도시한 개략도이다.
도 2는 도 1에 도시한 머신러닝 모듈을 설명하기 위한 개략도이다.
도 3은 본 발명의 실시예에 따른 사용 잉크량 예측 방법을 도시한 흐름도이다.

본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.

따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.

도 1은 본 발명의 실시예에 따른 사용 잉크량 예측 장치를 도시한 개략도이고, 도 2는 도 1에 도시한 머신러닝 모듈을 설명하기 위한 개략도이다.

도 1 및 도 2에 도시한 것처럼 본 발명의 실시예에 따른 사용 잉크량 예측 장치는 이미지 파일 분석 모듈(110)과 머신러닝 모듈(120)을 포함한다.

일반적으로 인쇄를 수행하기 위하여 디자이너는 어도비사의 일러스트레이터(Adobe Illustrator)를 이용하여 인쇄할 이미지를 편집하고 이를 프린터가 직접 인식할 수 있는 형태의 이미지 파일로 변환한다.

이미지 파일은 프린터로 입력되고 프린터는 인쇄를 수행한다. 이러한 이미지 파일의 예로서 TIF 파일 또는 TIFF 파일(Tagged Image File Format)이 있으나 이에 한정되지 않는다. 필요에 따라 TIF 이미지 파일은 색별로 분리된 TIF 파일로 변환되어 각 색별로 인쇄를 수행할 수 있다. 각 색별 이미지 파일에는 지면 어디에 해당 색의 도트가 찍혀야 하는지에 대한 정보가 담겨 있다.

이미지 파일 분석 모듈(110)은 작업자로부터 이미지 파일을 입력받아 이미지 파일을 분석하여 색별로 도트를 카운트한다. 여기서 도트는 프린터가 종이 등에 인쇄할 수 있는 최소 단위를 의미한다. 프린터는 종이 위에 무수히 많은 도트를 찍어 인쇄를 수행한다.

이미지 파일 분석 모듈(110)은 이미지 파일을 색별 이미지 파일로 분리하여 색별 도트를 카운트할 수도 있으며, 이미 색별로 분리된 이미지 파일을 입력받아 색별 도트를 카운트할 수도 있다.

인쇄되는 이미지의 잉크 사용량은 기본적으로 이미지 파일의 색 농도에 좌우된다. 동일 면적에 대하여 짙은 색은 도트의 개수가 많은 것이고 옅은 색은 도트의 개수가 적은 것이다. 즉, 일정한 영역에 도트가 많이 찍히면 짙게 보이고 적게 찍히면 옅게 보인다.

이미지 파일에서 색 농도는 RGB 또는 CMYK 값으로 표현이 되며, 인쇄를 할 때에는 도트로 변환된다. 기본적인 색상 구조인 RGB는 빨강, 초록 파랑을 의미하며, CMYK는 청록색, 자홍색, 노랑색, 검은색을 의미한다. 이 색들을 조합하여 인쇄 과정에서 필요한 색들을 만들어낸다. 따라서 이미지 파일에서 전체 도트 개수를 카운트하면 인쇄되는 이미지에 사용되는 기본 잉크량을 파악할 수 있다.

이미지 파일 분석 모듈(110)은 색별로 카운트된 도트 개수에 도트당 잉크 농도를 곱하여 이미지 파일 자체의 기본 잉크량을 계산한다.

머신러닝 모듈(120)은 이미지 파일 분석 모듈(110)로부터 기본 잉크량을 입력받고, 인쇄 공정 특성 데이터를 입력받아 총사용 잉크량을 연산한다.

인쇄 공정 특성 데이터는 인쇄를 할 때 사용 잉크량에 영향을 미치는 요소들과 관련된 데이터이며, 이들 요소로서 종이의 재질, 프린터 설비 특성, 시험 인쇄 매수, 전체 인쇄 매수, 인쇄 공정에서의 수행 시간, 작업자의 숙련도, 인쇄 두께를 들 수 있으며, 이들 이외에도 추가적인 다른 요소가 있을 수 있다.

먼저, 종이는 여러 종류가 있는데 종이 재질에 따라 잉크를 많이 흡수해서 잉크를 많이 사용해야 하는 것이 있고 잉크를 적게 흡수해서 잉크를 적게 사용해도 되는 것이 있다. 따라서 종이의 재질에 따라 잉크 소모량이 달라지므로 사용 잉크량을 예측할 때 이것은 중요한 요소가 된다.

프린터 설비 특성도 사용 잉크량에 영향을 미치는데, 예를 들면 동일한 작업자에 의하여 동일한 인쇄를 하더라도 프린터 설비에 따라서 소모 잉크량이 달라질 수 있다. 잉크가 원활하게 분사되기 위하여 적정한 잉크 압력이 있어야 하는데 이것이 프린터 설비마다 차이가 나고, 오래된 장비일수록 잉크 소모가 많이 되는 경향이 있으므로 프린터 설비 특성도 사용 잉크량을 결정하는 데 중요한 요소가 된다.

많게는 수 만장의 인쇄를 수행하기 전에 디자인 시안이라든가 인쇄 품질 등을 검토하기 위하여 시운전을 하며 시험 인쇄를 하는데, 시험 인쇄 매수도 수 백장에서 수 천장 이상이 될 수 있으므로 시험 인쇄의 매수에 따라 사용 잉크량도 영향을 미치게 된다.

또한 전체 인쇄 매수도 사용 잉크량에 영향을 미친다. 특히 수 만장이 넘는 대량 인쇄를 수행하는 경우를 상정하여 사용 잉크량을 예측하는 것이므로 더욱 그러하다.

인쇄 공정에서의 수행 시간도 이에 따라 잉크 소모량이 차이가 나므로 사용 잉크량을 예측하기 위한 입력 변수로서 작용한다.

대량 인쇄를 수행하기 위한 인쇄 공정에서 작업자는 다양한 작업을 수행하며, 작업자의 숙련도에 따라 잉크 소모량이 차이가 난다. 작업자는 조색 과정 중 잉크 사용량을 예측하여 잉크를 투입하는데 잉크가 부족하면 문제가 되기 때문에 일반적으로 안전 마진을 가지고 잉크를 준비해야 하므로 작업자는 실제 사용되는 잉크량보다 많은 양을 준비하여 잉크통에 투입한다. 따라서 인쇄 공정이 완료된 후 남은 잉크량을 계량하여 남은 잉크량에 따라 등급을 매김으로써 작업자별로 숙련도를 판단할 수 있으며, 남은 잉크량이 적을수록 숙련도가 높은 것으로 판단할 수 있다.

디자인 시안과 종이 재질에 따라 인쇄가 잘 될 수 있도록 인쇄 두께를 결정하는데 인쇄 두께에 따라 잉크 소모량이 달라지므로 인쇄 두께도 사용 잉크량을 예측하는 데 중요한 요소가 된다.

이와 같이 인쇄 공정에서 사용 잉크량을 결정하는 다양한 변수가 존재하며 이들 변수를 일일이 분석하여 계산을 통하여 사용 잉크량을 예측하는 것은 불가능하다. 따라서 머신러닝 모듈(120)은 이러한 인쇄 공정 특성 데이터와 기본 잉크량 및 실제 사용된 잉크량을 이용하여 인쇄 공정 모델을 학습한다.

학습을 위하여 작업자에 의존하여 인쇄 공정을 수행하면서 획득된 데이터가 축적이 되어야 하는데, 실제 인쇄 공정에서의 인쇄 공정 특성 데이터 및 기본 잉크량과 실제 사용된 잉크량에 관한 데이터가 충분히 축적될 필요가 있다. 축적된 많은 데이터를 이용하여 충분히 학습이 이루어진 후에는 새로 인쇄할 대상의 인쇄 공정 특성 데이터와 기본 잉크량을 입력하면 머신러닝 모듈(120)은 사용 잉크량을 예측하여 출력하게 된다. 인쇄 공정 모델은 실제 사용된 잉크량과 예측된 사용 잉크량의 오차가 예를 들면 1% 이내일 때까지 학습하는 것이 바람직하나 이에 한정되지 않는다.

머신러닝 모듈(120)은 딥러닝(deep learning)을 포함하여 인공 신경망(artificial neural network)을 이용할 수 있으나 이것 이외의 다른 어떠한 알고리즘을 이용하더라도 무방하다.

그러면 본 발명의 다른 실시예에 따른 사용 잉크량 예측 방법에 대하여 도 3을 참고하여 설명한다. 도 3은 본 발명의 실시예에 따른 사용 잉크량 예측 방법을 도시한 흐름도이다.

본 발명의 실시예에 따른 사용 잉크량 예측 방법은 앞서 설명한 사용 잉크량 예측 장치(100)에 의하여 실행되므로 이에 대한 상세한 설명은 생략하고 앞서 설명한 사용 잉크량 예측 장치(100)의 동작을 준용하기로 한다.

먼저 이미지 파일 분석 모듈(110)은 이미지 파일을 입력받아 이미지 파일을 분석하여 색별로 도트를 카운트한다. 이미지 파일 분석 모듈(110)은 이미지 파일을 색별 이미지 파일로 분리하여 색별 도트를 카운트할 수도 있으며, 이미 색별로 분리된 이미지 파일을 입력받아 색별 도트를 카운트할 수도 있다. 이미지 파일 분석 모듈(110)은 색별로 카운트된 도트 개수에 도트당 잉크 농도를 곱하여 이미지 파일 자체의 기본 잉크량을 계산한다(S310).

머신러닝 모듈(120)은 이미지 파일 분석 모듈(110)로부터 기본 잉크량을 입력받고, 인쇄 공정 특성 데이터를 입력받는다(S320). 인쇄 공정 특성 데이터는 인쇄를 할 때 사용 잉크량에 영향을 미치는 요소들과 관련된 데이터이며, 이들 요소로서 종이의 재질, 프린터 설비 특성, 시험 인쇄 매수, 전체 인쇄 매수, 인쇄 공정에서의 수행 시간, 작업자의 숙련도, 인쇄 두께를 들 수 있으며, 이들 이외에도 추가적인 다른 요소가 있을 수 있다.

머신러닝 모듈(120)은 기본 잉크량 및 인쇄 공정 특성 데이터를 입력 데이터로 하여 총사용 잉크량을 계산하여 출력한다(S330).

총사용 잉크량을 예측하기 이전에 미리 머신러닝 모듈(120)은 충분히 많은 수의 기본 잉크량 및 인쇄 공정 특성 데이터와 실제 사용된 잉크량 데이터를 이용하여 인쇄 공정 모델을 충분히 학습한다(S340).

이와 같이 본 발명의 실시예에 따른 사용 잉크량 예측 장치 및 방법에 의하면 이미지 파일을 이용하여 기본 잉크량을 계산하고, 인쇄를 할 때 사용 잉크량에 영향을 미치는 요소와 관련된 인쇄 공정 특성 데이터, 기본 잉크량 및 실제 사용된 잉크량을 이용하여 인쇄 공정 모델을 학습한 후 사용 잉크량을 연산함으로써 보다 정확한 사용 잉크량을 예측할 수 있으며, 따라서 인쇄 공정에서 잉크의 낭비를 방지할 수 있다.

이상의 상세한 설명은 본 발명을 예시하는 것이다. 또한 전술한 내용은 본 발명의 바람직한 실시 형태를 나타내고 설명하는 것에 불과하며, 본 발명은 다양한 다른 조합, 변경 및 환경에서 사용할 수 있다. 즉, 본 명세서에 개시된 발명의 개념의 범위, 저술한 개시 내용과 균등한 범위 및/또는 당업계의 기술 또는 지식의 범위 내에서 변경 또는 수정이 가능하다. 전술한 실시예들은 본 발명을 실시하는데 있어 최선의 상태를 설명하기 위한 것이며, 본 발명과 같은 다른 발명을 이용하는데 당업계에 알려진 다른 상태로의 실시, 그리고 발명의 구체적인 적용 분야 및 용도에서 요구되는 다양한 변경도 가능하다. 따라서 이상의 발명의 상세한 설명은 개시된 실시 상태로 본 발명을 제한하려는 의도가 아니다. 또한 첨부된 청구범위는 다른 실시 상태도 포함하는 것으로 해석되어야 한다.

100: 사용 잉크량 예측 장치,
110: 이미지 파일 분석 모듈,
120: 머신러닝 모듈

Claims (14)

1. 이미지 파일을 분석하여 기본 잉크량을 계산하는 이미지 파일 분석 모듈, 그리고
   상기 이미지 파일 분석 모듈로부터 상기 기본 잉크량을 입력받고, 인쇄 공정 특성 데이터 및 실제로 사용한 잉크량을 이용하여 머신러닝 학습을 수행하는 머신러닝 모듈을 포함하며,
   상기 머신러닝 모듈의 학습된 결과에 따라 새로 입력된 인쇄 요청에 대하여 총사용 잉크량을 예측하고,
   상기 인쇄 공정 특성 데이터는,
   인쇄 공정에서 사용되는 잉크량에 영향을 미치는 요소와 관련된 데이터이며,
   상기 인쇄 공정 특성 데이터는,
   종이의 재질, 프린터 설비 특성, 시험 인쇄 매수, 전체 인쇄 매수, 인쇄 공정에서의 수행 시간, 작업자의 숙련도, 그리고 인쇄 두께를 포함하고,
   상기 인쇄 공정 특성 데이터는,
   작업자의 숙련도를 포함하며, 상기 작업자의 숙련도는 인쇄 공정이 완료된 후 남은 잉크량을 계산하여 상기 남은 잉크량에 따라 등급을 매김으로써 상기 작업자의 숙련도를 판단하는 사용 잉크량 예측 장치.
2. 제1항에서,
   상기 이미지 파일 분석 모듈을 상기 이미지 파일에서 사용되는 색별로 도트를 카운트하여 총도트 개수를 계산하는 사용 잉크량 예측 장치.
3. 제1항에서,
   상기 이미지 파일 분석 모듈은 상기 이미지 파일을 색별 이미지 파일로 분리하여 상기 색별 이미지 파일에 있는 도트를 카운트하여 총도트 개수를 계산하는 사용 잉크량 예측 장치.
4. 제2항 또는 제3항에서,
   상기 이미지 파일 분석 모듈은 상기 총도트 개수에 도트당 잉크 농도를 곱하여 상기 기본 잉크량을 계산하는 사용 잉크량 예측 장치.
5. 삭제
6. 삭제
7. 삭제
8. 이미지 파일을 분석하여 기본 잉크량을 계산하는 단계,
   상기 기본 잉크량을 입력받고, 인쇄 공정 특성 데이터 및 실제로 사용한 잉크량을 이용하여 머신러닝 학습을 수행하는 단계, 그리고
   상기 머신러닝 학습 결과에 따라 새로 입력된 인쇄 요청에 대하여 총사용 잉크량을 예측하는 단계를 포함하고,
   상기 인쇄 공정 특성 데이터는,
   인쇄 공정에서 사용되는 잉크량에 영향을 미치는 요소와 관련된 데이터이며,
   상기 인쇄 공정 특성 데이터는,
   종이의 재질, 프린터 설비 특성, 시험 인쇄 매수, 전체 인쇄 매수, 인쇄 공정에서의 수행 시간, 작업자의 숙련도, 그리고 인쇄 두께를 포함하고,
   상기 인쇄 공정 특성 데이터는,
   작업자의 숙련도를 포함하며, 상기 작업자의 숙련도는 인쇄 공정이 완료된 후 남은 잉크량을 계량하여 상기 남은 잉크량에 따라 등급을 매김으로써 상기 작업자의 숙련도를 판단하는 사용 잉크량 예측 방법.
9. 제8항에서,
   상기 기본 잉크량 계산 단계는 상기 이미지 파일에서 사용되는 색별로 도트를 카운트하여 총도트 개수를 계산하는 단계를 포함하는 사용 잉크량 예측 방법.
10. 제8항에서,
    상기 기본 잉크량 계산 단계는 상기 이미지 파일을 색별 이미지 파일로 분리하는 단계, 그리고 상기 색별 이미지에 포함되어 있는 도트를 카운트하여 총도트 개수를 계산하는 단계를 포함하는 사용 잉크량 예측 방법.
11. 제9항 또는 제10항에서,
    상기 기본 잉크량 계산 단계는 상기 총도트 개수에 도트당 잉크 농도를 곱하여 상기 기본 잉크량을 계산하는 단계를 포함하는 사용 잉크량 예측 방법.
12. 삭제
13. 삭제
14. 삭제

Images