特開 2022-187945 画像処理システム、画像処理方法及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022187945

(43)【公開日】2022-12-20

(54)【発明の名称】画像処理システム、画像処理方法及びプログラム

(51)【国際特許分類】

   H04N 1/00 20060101AFI20221213BHJP

   H04N 1/21 20060101ALI20221213BHJP

   G06V 30/194 20220101ALI20221213BHJP

   G06T 7/00 20170101ALI20221213BHJP

【ＦＩ】

H04N1/00 Z

H04N1/21

G06K9/66

G06T7/00 350C

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2021096222

(22)【出願日】2021-06-08

(71)【出願人】

【識別番号】000001007

【氏名又は名称】キヤノン株式会社

(74)【代理人】

【識別番号】100126240

【弁理士】

【氏名又は名称】阿部 琢磨

(74)【代理人】

【識別番号】100124442

【弁理士】

【氏名又は名称】黒岩 創吾

(72)【発明者】

【氏名】八木 優一

(72)【発明者】

【氏名】若林 美月

【テーマコード（参考）】

5B064

5C062

5C073

5L096

【Ｆターム（参考）】

5B064AA01

5B064BA01

5B064CA08

5B064CA09

5B064DA27

5B064EA18

5B064EA19

5B064EA20

5C062AA05

5C062AB02

5C062AB17

5C062AC58

5C062AF02

5C062AF14

5C073AB12

5C073AB17

5L096BA17

5L096EA37

5L096EA39

5L096HA11

5L096JA03

5L096MA07

(57)【要約】

【課題】 ユーザによって、文書を分類するためのキーワードが入力されることなく、スキャンした原稿の画像データを振り分け、ユーザの手間を減らすことを目的とする。
【解決手段】 本発明の画像処理システムは、原稿の画像を読みとって画像データを生成する読取手段と、生成した画像データの文字を認識し、文字情報を取得する文字認識手段と、前記文字情報から特徴情報を抽出する抽出手段と、前記特徴情報を用いて前記画像データをクラスタリングするクラスタリング手段とクラスタリングよって生成されたクラスタごとに特定の名称を決定する名称決定手段と、前記クラスタリング手段によるクラスタリング結果と、前記名称決定手段によって決定された前記特定の名称に基づいて、前記画像データの送信先を決定する送信先決定手段と、前記送信先決定手段が決定した送信先に前記画像データを送信する送信手段とを有することを特徴とする。
【選択図】 図５

【特許請求の範囲】

【請求項1】

原稿の画像を読みとって画像データを生成する読取手段と、
前記読取手段が生成した画像データの文字を認識し、文字情報を取得する文字認識手段と、
前記文字情報から特徴情報を抽出する抽出手段と、
前記特徴情報を用いて前記画像データをクラスタリングするクラスタリング手段と
前記クラスタリング手段によるクラスタリングよって生成されたクラスタごとに特定の名称を決定する名称決定手段と、
前記クラスタリング手段によるクラスタリング結果と、前記名称決定手段によって決定された前記特定の名称に基づいて、前記画像データの送信先を決定する送信先決定手段と、
前記送信先決定手段が決定した送信先に前記画像データを送信する送信手段とを有することを特徴とする画像処理システム。

【請求項2】

前記送信手段が送信する画像データのファイル名を決定するファイル名決定手段をさらに有し、
前記ファイル名決定手段は、前記クラスタリング手段によるクラスタリング結果と、前記名称決定手段によって決定された前記特定の名称に基づいて、前記画像データのファイル名を決定することを特徴とする請求項１に記載の画像処理システム。

【請求項3】

前記クラスタリング手段は、前記特徴情報に基づいて分類先のクラスタを決定し、
前記送信先決定手段は、前記決定されたクラスタに対応づけて決定された特定の名称に基づいて、前記画像データの送信先を決定することを特徴とする請求項１または２に記載の画像処理システム。

【請求項4】

前記名称決定手段は、前記クラスタごとにユーザから入力された名称を特定の名称として決定することを特徴とする請求項１乃至３の何れか１項に記載の画像処理システム。

【請求項5】

前記クラスタリング手段は、機械学習処理を実行することによって、前記特徴情報を用いて前記画像データをクラスタリングすることを特徴とする請求項１乃至４の何れか１項に記載の画像処理システム。

【請求項6】

前記送信先決定手段は、前記クラスタリング手段によるクラスタリング結果と、前記名称決定手段によって決定された前記特定の名称に基づいて、前記画像データの送信先であるフォルダを決定することを特徴とする請求項１乃至５の何れか１項に記載の画像処理システム。

【請求項7】

原稿の画像を読みとって画像データを生成する読取工程と、
前記読取工程で生成した画像データの文字を認識し、文字情報を取得する文字認識工程と、
前記文字情報から特徴情報を抽出する抽出工程と、
前記特徴情報を用いて前記画像データをクラスタリングするクラスタリング工程と
前記クラスタリング工程によるクラスタリングよって生成されたクラスタごとに特定の名称を決定する名称決定工程と、
前記クラスタリング工程によるクラスタリング結果と、前記名称決定工程によって決定された前記特定の名称に基づいて、前記画像データの送信先を決定する送信先決定工程と、
前記送信先決定工程で決定された送信先に前記画像データを送信する送信工程とを有することを特徴とする画像処理方法。

【請求項8】

請求項１乃至６の何れか１項に記載の画像処理システムの各手段をコンピュータが実行するためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像処理システム、画像処理方法及びプログラムに関する。

【背景技術】

【0002】

特許文献１には、文書から読み取られた文字列が予め設定されたキーワードに該当する時に、そのキーワードに対応した文書種類を判別し、該当する文書種類に関する特定名称を電子データのファイル名として自動で付与することが記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００８－２９９７７８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１では、予めキーワードを設定しておく必要があり、大変な労力が必要になっていた。また、ユーザに設定されたキーワードが含まれない文書の文書種類を判別することができないといった問題も生じていた。

【0005】

本発明は上記課題を鑑みてなされたものであり、ユーザによって、文書を分類するためのキーワードが入力されることなく、スキャンした原稿の画像データを振り分け、ユーザの手間を減らすことを目的とする。

【課題を解決するための手段】

【0006】

本発明の画像処理システムは、原稿の画像を読みとって画像データを生成する読取手段と、前記読取手段が生成した画像データの文字を認識し、文字情報を取得する文字認識手段と、前記文字情報から特徴情報を抽出する抽出手段と、前記特徴情報を用いて前記画像データをクラスタリングするクラスタリング手段と前記クラスタリング手段によるクラスタリングよって生成されたクラスタごとに特定の名称を決定する名称決定手段と、前記クラスタリング手段によるクラスタリング結果と、前記名称決定手段によって決定された前記特定の名称に基づいて、前記画像データの送信先を決定する送信先決定手段と、前記送信先決定手段が決定した送信先に前記画像データを送信する送信手段とを有することを特徴とする。

【発明の効果】

【0007】

ユーザによって、文書を分類するためのキーワードが入力されることなく、スキャンした原稿の画像データを振り分け、ユーザの手間を減らすことができる。

【図面の簡単な説明】

【0008】

【図1】システム構成の一例を示す図

【図2】画像処理装置１０１のハードウェア構成の一例を示す図

【図3】機械学習サーバ１０２のハードウェア構成の一例を示す図

【図4】画像処理装置１０１、機械学習サーバ１０２とデータサーバ１０５のソフトウェア構成の一例を示す図

【図5】準備動作の処理の一例を示すフローチャート

【図6】単語出現数のデータの一例を示す図

【図7】クラスタリング結果の一例を示す図

【図8】文書分類情報の一例を示す図

【図9】特定名称設定画面の一例を示す図

【図10】文書分類送信の処理の一例を示すフローチャート

【図11】文書の一例を示す図

【図12】準備動作の処理の一例を示すフローチャート

【図13】文書の一例を示す図

【図14】特定名称指定画面の一例を示す図

【図15】画像処理装置１０１、機械学習サーバ１０２とデータサーバ１０５のソフトウェア構成の一例を示す図

【図16】機械学習部１５１４における学習モデルを用いた入出力の構造の一例を示す図

【図17】入力データの構成の一例を示す図

【図18】原稿の一例と推定結果の一例を示す図

【図19】学習フェーズと推定フェーズの処理の一例を示すフローチャート

【図20】ＵＩ表示の一例を示す図

【図21】ＵＩ表示の処理の一例を示すフローチャート

【図22】ＵＩ表示の遷移の一例を示す図

【図23】スキャンジョブを実行する際の処理の一例を示すフローチャート

【発明を実施するための形態】

【0009】

以下、本発明を実施するための形態について図面を用いて説明する。

【実施例0010】

＜システム構成図＞
図１は、システム構成の一例を示す図である。図１の画像処理システムはプリンタ、複合機、ＦＡＸなどの画像処理装置１０１、機械学習サーバ１０２、データサーバ１０５、画像処理装置１０１に対するプリントデータの送信等を行う汎用コンピュータ１０３で構成されている。これらの機器は、有線ＬＡＮ等のネットワーク１０４によって接続されている。データサーバ１０５は、機械学習サーバにおいて機械学習を行うために使用される学習データを外部機器から収集して機械学習サーバ１０２へ提供する役割を持っている。

【0011】

画像処理装置１０１は随時、生成された学習済みモデルを機械学習サーバから受信して特定のＡＩ機能を実現可能になっている。また、機械学習サーバ１０２は、特定のＡＩ機能実現するための学習済みモデルの学習に必要な学習データをデータサーバ１０５や画像処理装置１０１、汎用コンピュータ１０３等外部機器から受信する。そして、その一部または全部を用いて学習処理を行うことが可能である。

【0012】

図２は、画像処理装置１０１のハードウェア構成の一例を示す図である。画像処理装置１０１は、使用するユーザが各種の操作を行うための操作部１４０と、操作部１４０からの指示に従って画像情報を読み取るスキャナ部１０と、画像データを用紙に印刷するプリンタ部２０とを有する。

【0013】

スキャナ部１０は、スキャナ部１０を制御するＣＰＵや原稿読取を行うための図示しない照明ランプや走査ミラーなどを有する。プリンタ部２０は、プリンタ部の制御を行うＣＰＵや画像形成や定着を行うための図示しない感光体ドラムや定着器を有する。

【0014】

また、画像処理装置１０１は、スキャナ部１０や、プリンタ部２０、ＬＡＮ１０４や、公衆回線（ＷＡＮ）３００１、無線ＬＡＮ１０６と接続されている画像処理装置の動作を統括的に制御するコントローラ１２００とを備える。

【0015】

＜画像処理装置－コントローラ構成＞
図２を用いてコントローラ１２００の内部について詳細に説明する。コントローラ１２００は、ＬＡＮ１０４を介してＬＡＮ上の汎用コンピュータ１０３から受信した印刷ジョブに含まれるＰＤＬコードをビットマップイメージに展開するラスタイメージプロセッサ（ＲＩＰ）１２６０を有する。また、コントローラ１２００は、スキャナ部１０から入力された画像データに対し補正、加工、編集を行うスキャナ画像処理部１２８０を有する。また、コントローラ１２００は、プリンタ部２０で出力（印刷）される画像データに対して補正、解像度変換等を行うプリンタ画像処理部１２９０と、画像データの回転を行う画像回転部１２３０とを有する。

【0016】

また、コントローラ１２００は、多値画像データはＪＰＥＧ、２値画像データはＪＢＩＧ、ＭＭＲ、又はＭＨの圧縮伸張処理を行う画像圧縮部１２４０を有する。また、コントローラ１２００は、スキャナ部１０及びプリンタ部２０とコントローラ１２００を接続して画像データの同期系／非同期系の変換を行うデバイスＩ／Ｆ１２２０を有する。更に、これらを互いに接続して画像データを高速で転送する画像バス１２１２を備えている。

【0017】

また、コントローラ１２００は画像処理装置１０１を統括的に制御する制御部としてのＣＰＵ１２０１を有する。また、コントローラ１２００は、ＣＰＵ１２０１が動作するためのシステムワークメモリであり、画像データを一時記憶するための画像メモリでもあるＲＡＭ１２０２を有する。また、コントローラ１２００は、操作部１４０とのインターフェース部１２０６を介して、操作部１４０に表示する画像データを操作部１４０に対して出力する。また操作部Ｉ／Ｆ１２０６は操作部１４０から本画像処理装置を使用するユーザが入力した情報をＣＰＵ１２０１に伝える役割を有する。また、コントローラ１２００は、ＬＡＮ１０４に接続され、汎用コンピュータ１０３やＬＡＮ１０４上の図示しないその他のコンピュータ端末との通信（送受信）を行うネットワーク部１２１０を有する。また、公衆回線３００１に接続され、図示しない外部のファクシミリ装置とのデータの通信（送受信）を行うモデム部１２１１を有する。また、無線ＬＡＮ１０６により外部の端末と接続する為の無線通信ＩＦ１２７０を備える。また、コントローラ１２００は、ＣＰＵ１２０１が実行するブートプログラムが格納されているＲＯＭ１２０３と、システムソフトウェア、画像データ、ソフトウェアカウンタ値などを格納するハードディスクドライブ（ＨＤＤ）１２０４を備える。また、スキャナ部１０及びプリンタ部２０と夫々通信を行う内部通信Ｉ／Ｆ１２０８と、これらを互いに接続するシステムバス１２０７とを備える。

【0018】

コントローラ１２００は、システムバス１２０７及び画像バス１２１２を接続しデータ構造を変換するバスブリッジとして機能するＩｍａｇｅＢｕｓＩ／Ｆ１２０５とを備える。

【0019】

コントローラ１２００は、印刷やコピージョブ実行時の、ユーザ名や印刷部数、カラー印刷等、出力属性情報等をジョブ実行時の履歴をジョブログ情報としてＨＤＤ１２０４あるいはＲＡＭ１２０２に記録管理している。

【0020】

ＧＰＵ１２９１はデータをより多く並列処理することで効率的な演算を行うことができるので、ディープラーニングのような学習モデルを用いて複数回に渡り学習を行う場合にはＧＰＵ１２９１で処理を行うことが有効である。

【0021】

＜機械学習サーバ＞
図３は、機械学習サーバ１０２のハードウェア構成の一例を示す図である。

【0022】

それぞれシステムバス１２０７で相互に接続されているＣＰＵ１３０１、ＲＡＭ１３０２、ＲＯＭ１３０３、ＨＤＤ１３０４、ネットワーク部１３１０、ＩＯ部１３０５、ＧＰＵ１３０６を有するように構成される。

【0023】

ＣＰＵ１３０１は、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）やアプリケーションソフトなどのプログラムをＨＤＤ１３０４から読み出して実行することで種々の機能を提供する。ＲＡＭ１３０２はＣＰＵ１３０１がプログラムを実行する際のシステムワークメモリである。ＲＯＭ１３０３はＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）やＯＳを起動するためのプログラム、設定ファイルを記憶している。ＨＤＤ１３０４はハードディスクドライブであって、システムソフトウェアなどが記憶されている。ネットワーク部１３１０はＬＡＮ１０４に接続され、画像処理装置１０１などの外部機器と通信（送受信）を行う。ＩＯ部１３０５はマルチタッチセンサ等を備えた液晶ディスプレイ入出力デバイスとから構成する図示しない操作部との情報を入出力するインターフェースである。操作部にはプログラムが指示する画面情報に基づき所定の解像度や色数等で所定の情報が描画される。例えば、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）画面を形成し、操作に必要な各種ウィンドウやデータ等が表示される。

【0024】

ＧＰＵ１３０６はＧＰＵ１２９１と同様である。機械学習サーバ１０２による処理にはＣＰＵ１３０１に加えてＧＰＵ１３０６を用いる。機械学習サーバ１０２の処理はＣＰＵ１３０１またはＧＰＵ１３０６のみにより演算が行われても良い。

【0025】

画像処理装置１０１のＧＰＵ１２９１との使い分けについて記載する。ネットワークの通信やＧＰＵの処理に要する負荷、画像処理装置１０１の省電力モード等に応じてＧＰＵの計算資源を有効活用がされるようになっている。例えば、画像処理装置１０１が省電力モードに移行する場合、積極的に機械学習サーバ１０２側のＧＰＵを活用できるようになっている。

【0026】

＜本発明のシステムにおけるソフトウェア構成＞
図４は、画像処理装置１０１、機械学習サーバ１０２とデータサーバ１０５のソフトウェア構成の一例を示す図である。図に示したソフトウェア構成を実現するためのプログラムは、その構成要素ごとにストレージに格納されており、ＲＡＭによみだされてＣＰＵにて実行されるものである。例えば、画像処理装置１０１では、ＨＤＤ１２０４に格納されていてＲＡＭ１２０２に読みだされてＣＰＵ１２０１にて実行されるものである。機械学習サーバ１０２や、データサーバ１０５も同様である。

【0027】

図示のソフトウェア構成は、以下の機能を実現するものである。例えば、画像処理装置１０１が原稿を読み取って生成した電子データから特徴を抽出し、クラスタリングする。そして、文書分類を行う準備動作と、新たに読み取った電子データのクラスタリング結果を用いて準備動作で分類したカテゴリに分類し特定名称を設定する機能である。

【0028】

画像処理装置１０１のソフトウェアは、データ記憶部４０２、ＪＯＢ制御部４０３、ＵＩ表示部４０１、画像読み取り部４０４、特定名称付与部４０５、文書分類特定部４０６から構成される。

【0029】

機械学習サーバ１０２のソフトウェアは、特徴量抽出部４１３、機械学習部４１４、クラスタリング解析部４１５、サーバデータ記憶部４１６から構成される。データサーバ１０５においては、データ収集・提供部４１０とデータ記憶部４１２とから構成される。

【0030】

ＵＩ表示部４０１は、図２に示す操作部Ｉ／Ｆ１２０６を介して操作部１４０に備える画面に対してユーザからの操作設定を受け付けやその操作受付画面の提供をする。特定名称付与部４０５が用いる名称をユーザに入力させる機能的役割を有している。

【0031】

データ記憶部４０２は、図２に示したハードウェア構成におけるＲＡＭ１２０２やＨＤＤ１２０４に対して、電子データなど、画像処理装置１０１が入出力を行うデータの記録を行う機能的役割を有する。

【0032】

ＪＯＢ制御部４０３は、ユーザの指示に基づきコピーやファックス、プリント、スキャン画像送信等の画像処理装置１０１の基本機能の実行や基本機能の実行に伴い他のソフト構成要素間の指示やデータの送受信を中心的に行う機能的役割を有する。画像読み取り部４０４から受け取った画像データをＯＣＲで文字データを含む電子データに変換する機能を有する。なお、画像データのＯＣＲによる変換は、機械学習サーバ１０２、データサーバ１０５で行ってもよい。

【0033】

画像読み取り部４０４は、ＪＯＢ制御部４０３の指示に基づきコピーやスキャン機能を実行する制御を行う場合に図２示したスキャナ１０により原稿を光学的に読み取る動作を行う機能的役割を有している。

【0034】

特定名称付与部４０５は、ＪＯＢ制御部４０３から受け取った電子データに付与する特定名称を決定する機能的役割を有する。特定名称付与部４０５は文書分類特定部４０６に電子データを渡し電子データの文書分類結果としてクラスタ識別ＩＤを受け取る。受けったクラスタ識別ＩＤに対応する文字列をＪＯＢ制御部に渡す。また、ＵＩ表示部４０１からクラスタリング解析部４１５で作成済みの文書分類情報に含まれる各カテゴリに対応する特定名称の入力を受け付け、データ記憶部４０２に記憶する役割を有する。

【0035】

文書分類特定部４０６は、クラスタリング解析部４１５で作成済みの文書識別情報を用いて電子データの文書を分類しカテゴリを返す機能的役割を有する。

【0036】

データサーバ１０５は、データ収集・提供部４１０とデータ記憶部４１２とから構成される。

【0037】

データ収集・提供部４１０は、機械学習サーバ１０２において学習するための学習データの収集と提供を行う機能的役割を有している。本発明のシステムにおいては画像処理装置１０１から電子データの受信を行って、機械学習サーバ１０２へ提供する機能的役割を有している。また、収集先は、画像処理装置１０１の他の画像処理装置、汎用コンピュータ１０３や他のデータサーバから収集してもよく、目的の機械学習をさせるために必要なデータの収集が可能になっている。データ記憶部４１２は、収集した学習データの記録管理を行う機能的役割を有している。

【0038】

機械学習サーバ１０２は、特徴量抽出部４１３、機械学習部４１４、クラスタリング解析部４１５、データ記憶部４１２から構成される。機械学習サーバ１０２は、図２に示したハードウェアリソースであるＧＰＵ１３０６やＣＰＵ１３０１を使用して各処理を実行する。

【0039】

特徴量抽出部４１３は、学習用データである複数の電子データのそれぞれから特徴情報を抽出し、抽出した特徴情報を用いて各学習用データをベクトル化する。特徴量抽出部は、形態素情報、品詞情報、構文・意味情報、文字・単語Ｎ－ｇｒａｍ、任意の単語、句読点の数、および、過去形の単語の数などのうちの１つまたは複数を特徴情報として抽出する。これらの情報はベクトルの素性となる。各素性のスコアは二値でもよいし、出現数やＴｆ－ｉｄｆ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ－Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）値等でもよい。また、特徴量抽出部４１３は、辞書等を利用することで同類語を同一素性として扱ってもよいし、Ｔｆ－ｉｄｆ値にしきい値を設けてノイズとなり得る素性を除去し、ベクトルの次元を圧縮してもよい。

【0040】

機械学習部４１４は、特徴量抽出部４１３によって抽出された特徴量情報に基づき、類似した特徴情報を有する学習用データを同一のクラスタに分類する。具体的には、機械学習部４１４は、Ｒｅｐｅａｔｅｄ Ｂｉｓｅｃｔｉｏｎ法、Ｋ－ｍｅａｎｓ法またはＬＤＡ（Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ）法などの手法を用いることで、ベクトル表現された電子データをクラス分けする。例えば、機械学習部４１４は特徴情報の出現頻度が類似する学習用データを同一のクラスタに分類する。機械学習部４１４は、クラスタを識別するためのクラスタ識別ＩＤを各クラスタに付与し、クラスタリング結果を作成する。

【0041】

クラスタリング解析部４１５は、特徴量抽出部４１３によって抽出された特徴量情報と機械学習部４１４によって作成されたクラスタリング結果に基づき、文書分類情報を作成する。文書分類情報は、電子データに対応する特徴量情報の素性からキーワードとなる単語を抽出し、クラスタごとにまとめられている。なお、抽出するキーワードは素性のスコアによる一定のしきい値を設けて数を絞ってもよい。

【0042】

サーバデータ記憶部４１６は、データサーバ１０５から受信したデータや生成された学習データを図３に示すＲＡＭ１３０２やＨＤＤ１３０４へ一時記録を行う。

【0043】

＜第１の実施例＞
以下、本発明を実施するための第１の実施例について図面を用いて説明する。

【0044】

図５に示すフローチャートを参照して、画像処理装置の文書分類を行うための準備処理についての動作を説明する。図５は、準備動作の処理の一例を示すフローチャートである。

【0045】

まず、Ｓ５０１でＪＯＢ制御部４０３は、ユーザからＵＩ表示部４０１を経由して文書分類準備処理実行の指示を受け、学習用の電子データを作成する。電子データを作成する単位は、画像読み取り部４０４が読み取る原稿１ページごとでもよいし、ユーザが指定したページ単位でもよい。学習用の電子データ作成完了後、データ収集・提供部４１０に送信する。

【0046】

Ｓ５０２で特徴量抽出部４１３は、データサーバ１０５のデータ記憶部４１２から複数の学習用の電子データを取得し、電子データから特徴情報を抽出する。特徴情報の抽出は、前述した方法を用いて、例えば、図６（ａ）、（ｂ）に示すような電子データごとに単語と出現数を表したデータを生成する。図６は単語出現数のデータの一例を示す図である。

【0047】

Ｓ５０３で機械学習部４１４は、機械学習処理を実行し、特徴量抽出部４１３が生成した特徴情報を用いてクラスタリングする。クラスタリングは、前述した方法を用いて、例えば、図７に示すようなクラスタ識別ＩＤと分類した電子データを対応付けたクラスタリング結果を生成する。

【0048】

図７は、クラスタリング結果の一例を示す図である。

【0049】

Ｓ５０４でクラスタリング解析部４１５は、機械学習部４１４が生成したクラスタリング結果を用いてクラスタリング解析を実行する。クラスタリング解析によって、例えば、図８に示すようなクラスタ識別ＩＤに対応した１つ、または複数のキーワードを対応付けた文書分類情報が生成される。図８は、文書分類情報の一例を示す図である。

【0050】

文書分類情報に載せるキーワードの選定は、予め決められた数分を同じクラスタ識別ＩＤに属する文書群から出現数が高いキーワードで選定する方法がある。さらに、辞書等を利用することで同類語を同一キーワードとして扱ってもよいし、Ｔｆ－ｉｄｆ値にしきい値を設けてノイズとなり得るキーワードを除去した上で選定を行ってもよい。文書分類情報には後述する特定名称を付与するための領域が用意されている。文書分類情報の生成完了後、データ収集・提供部４１０に送信する。

【0051】

図８のテーブルは上述したようにクラスタリング解析部４１５がクラスタリング解析を行うことで、複数のキーワードが一つのクラスタとして作成されて、それぞれのクラスタに識別ＩＤが対応づけられる。さらに、そのクラスタ識別ＩＤごとに、ユーザが特定名称を指定することができる。

【0052】

図８のテーブルの作り方は、上記のようであってもいいが、ユーザが複数キーワードをクラスタに分けて入力し、そのクラスタごとに特定名称を指定するようにしてもよい。

【0053】

Ｓ５０５で特定名称付与部４０５は、データサーバ１０５のデータ記憶部４１２から文書分類情報を取得し、操作部１４０に特定名称設定画面を表示し、ユーザから特定名称の入力を受け付け、文書分類情報を更新する。ユーザからの入力受付画面では、例えば、図９に示すような画面からクラスタ識別ＩＤを選択して、図示しない特定名称画面でユーザが入力した名称を文書分類情報に登録する。更新した文書分類情報はデータ記憶部４０２に記憶する。図９は、特定名称設定画面の一例を示す図である。

【0054】

次に、図１０に示すフローチャートを参照して、画像処理装置の文書分類送信実行についての動作を説明する。図１０は、文書分類送信の処理の一例を示す図である。

【0055】

まず、Ｓ１００１でＪＯＢ制御部４０３は、ユーザからＵＩ表示部４０１を経由して文書送信ジョブの指示を受け、ジョブ実行を開始する。送信ジョブは、例えば、指定されたメールアドレスに電子データを送信するＥメール送信や指定されたファイルサーバのフォルダに電子データを送信するファイル送信である。

【0056】

Ｓ１００２でＪＯＢ制御部４０３は、スキャナに原稿を読み取らせ、画像データを生成する。

【0057】

Ｓ１００３でＪＯＢ制御部４０３は、特定名称付与部４０５に画像データを渡し、さらに、特定名称付与部４０５は、文書分類特定部４０６に電子データを渡す。文書分類特定部４０６は、データ記憶部４０２に記憶されている文書分類情報のクラスタ識別ＩＤごとのキーワードが画像データに含まれるか否かを判定する。なお、画像データに文字が含まれるか否かの判定は、画像データに文字認識処理を実行し、画像データの文字を認識し、文字情報を取得することによって行われる。画像データにキーワードが含まれる場合はＳ１００４に進み、含まれない場合はＳ１００６に進む。つまり、ここではあらかじめ生成された各クラスタのうちのどのクラスタに分類されうるかを判定している。

【0058】

図１１は文書の一例を示す図である。例えば、図８の文書分類情報を使用して、図１１の文書（ａ）に含まれる文字は、クラスタ識別ＩＤ１のキーワード「問診」「症状」「病院」と、クラスタ識別ＩＤ２のキーワード「病院」に一致する。図１１の文書（ｂ）に含まれる文字は、クラスタ識別ＩＤ１のキーワード「病院」と、クラスタ識別ＩＤ２のキーワード「見積」「病院」「御中」「金額」に一致する。

【0059】

Ｓ１００４で文書分類特定部４０６は最もキーワードに一致するスコアの高かったクラスタ識別ＩＤを特定名称付与部４０５に通知し、特定名称付与部４０５はクラスタ識別ＩＤに対応する特定名称をＪＯＢ制御部４０３に通知する。つまり。一番スコアの高かったクラスタを分類先のクラスタとして扱う。

【0060】

例えば、クラスタ識別ＩＤ１と２のキーワードに一致する図１１の文書（ａ）の場合、それぞれのキーワードに一致する数をスコアとして扱い、一致する数の多いクラスタ識別ＩＤ１の特定名称が通知される。スコアは、単純な一致数ではなく、図示しないキーワードの出現数に基づきキーワード毎に重みづけをして算出してもよい。なお、特定名称が未登録の場合は操作部１４０に特定名称設定画面を表示し、ユーザから特定名称の入力を受け付け、文書分類情報を更新する。ユーザからの入力受付画面では、例えば、図９に示すような画面からクラスタ識別ＩＤを選択して、図示しない特定名称画面でユーザが入力した名称を文書分類情報に登録する。更新した文書分類情報はデータ記憶部４０２に記憶する。

【0061】

Ｓ１００５でＪＯＢ制御部４０３は通知された特定名称を用いて送信ジョブを実行し、フローチャートを終了する。例えば、Ｅメール送信を実行する場合は、送信するファイル名に特定名称を付与し、図１１の文書（ａ）の場合は、「受付業務＿２０２０１１２６＿０００１．ｐｄｆ」といったファイル名に決定する。ファイルサーバへの送信を実行する場合は、送信先のフォルダに特定名称をフォルダ名にしたフォルダを作成し、そのフォルダにファイルを送信する。このように、ファイルサーバにファイルを送信するときは、特定名称とクラスタリング結果に基づいて送信先が決定される。この時に送信されるファイルのファイル名においても、特定名称が使用されてよい。

【0062】

Ｓ１００６で文書分類特定部４０６は特定名称付与部４０５を経由してＪＯＢ制御部４０３に結果を通知する。ＪＯＢ制御部４０３は通知を受け、操作部１４０に図示しないジョブ継続確認画面を表示し、ユーザからの指示を受ける。ユーザからジョブ継続の指示を受けた場合はＳ１００８に進み、ジョブ中止の指示を受けた場合はジョブ実行を中止しフローチャートを終了する。

【0063】

Ｓ１００８でＪＯＢ制御部４０３は特定名称を用いずに送信ジョブを実行し、フローチャートを終了する。

【0064】

以上の実施例により、ユーザの手を介さず、クラスタリング手法を用いて読み取った原稿から文書の分類に用いる文書分類情報を生成することが可能となった。

【実施例0065】

以下、本発明を実施するための第２の実施例について図面を用いて説明する。

【0066】

第１の実施例は機械学習サーバ１０２の特徴量抽出部４１３、機械学習部４１４、クラスタリング解析部４１５を用いて文書分類情報を生成したが、第２の実施例ではそれら機械学習の手法は用いず、予め決められたルールに基づいて文書分類情報を生成する。

【0067】

図１２に示すフローチャートを参照して、画像処理装置の文書分類を行うための準備処理についての動作を説明する。図１２は、準備動作の処理の一例を示すフローチャートである。

【0068】

まず、Ｓ１２０１でＪＯＢ制御部４０３は、ユーザからＵＩ表示部４０１を経由して文書分類準備処理実行の指示を受け、操作部１４０に特定名称設定画面を表示し、ユーザから特定名称の入力を受ける。ユーザからの入力受付画面では、第１の実施例と同様に、例えば、図９に示すような画面からクラスタ識別ＩＤを選択して、図示しない特定名称画面でユーザが入力した名称を含む文書分類情報としてデータ記憶部４０２に記憶する。文書分類情報は特定名称の他に、図８に示した情報で構成される。この時点ではキーワードは何も設定されていないので空欄となる。

【0069】

Ｓ１２０２でＪＯＢ制御部４０３は、ユーザからＵＩ表示部４０１を経由して原稿読み取り開始指示を受け、学習用の電子データを作成する。電子データを作成する単位は、画像読み取り部４０４が読み取る原稿１ページごとでもよいし、ユーザが指定したページ単位でもよい。

【0070】

Ｓ１２０３でＪＯＢ制御部４０３は、電子データの特定の領域から一定の大きさの文字列をキーワードとして抽出する。例えば、図１３の文書（ａ）（ｂ）に示すように電子データの上下部の領域から一定の大きさの文字列を抽出する。図１３は文書の一例を示す図である。

【0071】

Ｓ１２０４でＪＯＢ制御部４０３は操作部１４０に分類先の特定名称指定画面を表示し、ユーザに読み取った原稿の分類先の指定を受ける。例えば、図１４に示すような画面で、原稿のキーワードを表示し、ユーザから分類先の指摘を受ける。図１４は、特定名称指定画面の一例を示す図である。

【0072】

さらに、この画面ではキーワードを編集可能とすることで、例えば図１３の文書（ａ）の「ＡＡＡＡ病院」のようにキーワードのノイズとなる部分「ＡＡＡＡ」を削除できるようにすることで、分類の精度が向上する。

【0073】

Ｓ１２０５でＪＯＢ制御部４０３は文書分類情報の中のユーザが指定したクラスタ識別ＩＤにキーワードを登録する。更新した文書分類情報はデータ記憶部４０２に記憶する。

【0074】

Ｓ１２０６でＪＯＢ制御部４０３は全ての原稿の処理が完了したかを確認し、完了していない場合はＳ１２０２に戻り、完了した場合はフローチャートを終了する。

【0075】

文書分類情報を用いた文書分類送信の実行動作は、図１０に示すフローチャート動作と同じになる。

【0076】

以上の実施例により、読み取った原稿からキーワードを抽出し、ユーザに分類先の指示を受ける分類学習処理を実行することで、ユーザが予めキーワードを全て把握しておく必要がなく、文書分類情報を生成することが可能となった。