特開 2024-110603 マーク検出方法、歪み量測定方法、学習方法、推定方法、および印刷方法

(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】P2024110603

(43)【公開日】2024-08-16

(54)【発明の名称】マーク検出方法、歪み量測定方法、学習方法、推定方法、および印刷方法

(51)【国際特許分類】

   B65H 7/02 20060101AFI20240808BHJP

   B41J 2/01 20060101ALI20240808BHJP

   B41J 29/38 20060101ALI20240808BHJP

   B41J 11/42 20060101ALI20240808BHJP

【ＦＩ】

B65H7/02

B41J2/01 451

B41J29/38 202

B41J11/42

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2023015279

(22)【出願日】2023-02-03

(71)【出願人】

【識別番号】000207551

【氏名又は名称】株式会社ＳＣＲＥＥＮホールディングス

(74)【代理人】

【識別番号】100135013

【弁理士】

【氏名又は名称】西田 隆美

(72)【発明者】

【氏名】久保 友輔

(72)【発明者】

【氏名】山家 暢

【テーマコード（参考）】

2C056

2C058

2C061

3F048

【Ｆターム（参考）】

2C056EB13

2C056EB36

2C056FA13

2C056HA58

2C058AB15

2C058AC07

2C058AE04

2C058AF06

2C058GB03

2C058GB15

2C058GB36

2C058GB47

2C061AP01

2C061AQ05

2C061AR01

2C061AS06

2C061HJ01

2C061HJ06

2C061HK05

2C061HN08

2C061HN15

3F048AA05

3F048AB01

3F048AC04

3F048BB02

3F048BB09

3F048BD07

3F048CA06

3F048DA06

3F048DC11

(57)【要約】      （修正有）

【課題】学習用画像が印刷された基材において、位置検出用マークの位置をより正確に検出できる技術を提供する。
【解決手段】このマーク検出方法では、複数のマーク配置位置のそれぞれに位置検出用マークが配置された学習用画像が印刷された基材における位置検出用マークの位置を検出するために、第１マーク検出工程と、検出異常判定工程と、第２マーク検出工程とを有する。第１マーク検出工程では、学習用画像が印刷された基材の撮影画像において、所定の第１条件に合致する領域を被検出領域と検出する。検出異常判定工程では、マーク配置位置と被検出領域とを比較して検出異常を判定する。第２マーク検出工程では、検出異常と判定されたマーク配置位置の周辺において、所定の第２条件に合致する領域を新たな被検出領域として検出する。これにより、位置検出用マークの位置をより正確に検出できる。
【選択図】図１０

【特許請求の範囲】

【請求項1】

複数のマーク配置位置のそれぞれに位置検出用マークが配置された学習用画像が印刷された基材における前記位置検出用マークの位置を検出するマーク検出方法であって、
前記学習用画像が印刷された前記基材の撮影画像において、所定の第１条件に合致する領域を、被検出領域と検出する第１マーク検出工程と、
前記マーク配置位置と、前記被検出領域とを比較して、検出異常を判定する検出異常判定工程と、
前記検出異常と判定された前記マーク配置位置の周辺において、所定の第２条件に合致する領域を、新たな前記被検出領域として検出する第２マーク検出工程と、
を有するマーク検出方法。

【請求項2】

請求項１に記載のマーク検出方法であって、
前記検出異常判定工程において、前記検出異常には、少なくとも、
前記マーク配置位置に対応する前記被検出領域が検出されていない場合と、
前記マーク配置位置と、対応する前記被検出領域との距離が所定の外れ値閾値以上である場合と、
が含まれる、マーク検出方法。

【請求項3】

請求項１に記載のマーク検出方法であって、
前記第１条件は、前記位置検出用マークとの一致度が所定の第１一致度閾値よりも大きい第１候補領域の中で、最も前記マーク配置位置に距離が近い領域であり、
前記第２条件は、前記位置検出用マークとの一致度が所定の第２一致度閾値よりも大きい第２候補領域の中で、前記検出異常と判定された前記マーク配置位置に最も距離が近い領域であり、
前記第２一致度閾値は、前記第１一致度閾値よりも一致度が低い、マーク検出方法。

【請求項4】

請求項１に記載のマーク検出方法であって、
前記位置検出用マークは、
第１の色で形成されたベース図形と、
前記ベース図形と重なる位置に、前記第１の色とは異なる第２の色で形成されたマーク図形と、
を含む、マーク検出方法。

【請求項5】

請求項４に記載のマーク検出方法であって、
前記第１の色は、白色であり、
前記第２の色は、黒色である、マーク検出方法。

【請求項6】

基材に印刷された画像の歪み量を測定する歪み量測定方法であって、
複数のマーク配置位置のそれぞれに位置検出用マークが配置された学習用画像を前記基材に印刷する印刷工程と、
前記学習用画像が印刷された前記基材を撮影し、撮影画像を取得する撮影画像取得工程と、
前記撮影画像について、請求項１ないし請求項５のいずれか一項に記載のマーク検出方法により、前記被検出領域を検出するマーク検出工程と、
前記マーク配置位置と、前記被検出領域とを比較して、前記マーク配置位置毎の前記基材の歪み量を算出する歪み量算出工程と、
を含む、歪み量測定方法。

【請求項7】

請求項６に記載の歪み量測定方法であって、
前記歪み量は、複数の前記位置検出用マークのそれぞれの、前記マーク配置位置から前記被検出領域への変位量を示す、歪み量測定方法。

【請求項8】

請求項６に記載の歪み量測定方法であって、
前記歪み量は、隣り合う前記マーク配置位置同士の間隔と、対応する前記被検出領域同士の間隔の変化を示す、歪み量測定方法。

【請求項9】

長尺帯状の基材を長手方向に搬送しつつ、前記基材の表面にインクを吐出する印刷装置において、前記基材の歪み量を推定する推定モデルを機械学習する学習方法であって、
複数のマーク配置位置のそれぞれに位置検出用マークが配置された学習用画像に対して、請求項６に記載の歪み量測定方法により、前記基材の歪み量を測定する歪み量測定工程と、
前記学習用画像を入力変数とし、前記歪み量測定工程で測定した前記歪み量を教師データとして、機械学習により、前記基材の歪み量を推定した推定結果を出力可能な推定モデルを生成する学習工程と、
を含む、学習方法。

【請求項10】

請求項９に記載の学習方法であって、
前記学習用画像は、濃度値または印字率が異なる複数の領域を含む画像データである、学習方法。

【請求項11】

長尺帯状の基材を長手方向に搬送しつつ、前記基材の表面にインクを吐出する印刷装置において、前記基材の歪み量を推定する推定方法であって、
印刷すべき画像データである入稿データを取得するデータ取得工程と、
前記入稿データの印刷よりも前に、請求項９に記載の学習方法によって学習した前記推定モデルに前記入稿データを入力し、前記推定モデルの出力した前記推定結果を取得する推定工程と、
を含む、推定方法。

【請求項12】

請求項１１に記載の推定方法を用いた印刷方法であって、
前記データ取得工程および前記推定工程を実行した後、
前記推定結果に基づいて前記基材に対するインクの吐出位置を補正しつつ、前記基材の表面にインクを吐出する印刷工程を実行する、印刷方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、長尺帯状の基材を長手方向に搬送しつつ、基材の表面にインクを吐出する印刷装置において、基材の伸縮による歪み量を推定する技術に関する。

【背景技術】

【0002】

従来、長尺帯状の基材を長手方向に搬送しつつ、複数のヘッドからインクを吐出することにより、基材に画像を印刷するインクジェット方式の印刷装置が知られている。インクジェット方式の印刷装置は、複数のヘッドから、それぞれ異なる色のインクを吐出する。そして、各色のインクにより形成される単色画像の重ね合わせによって、基材の表面に多色画像を印刷する。

【0003】

この種の印刷装置では、基材がインクを吸収する時、または、基材上のインクが乾燥する時に、基材が僅かに伸縮する。その結果、基材９の表面に形成される印刷画像に、歪みが生じる。また、基材の伸縮により、複数のヘッドから吐出されるインクの位置がずれる場合がある。

【0004】

基材の伸縮量は、基材にかかる張力、基材の種類、インクの種類などの諸条件により異なる。また、同種の印刷装置の間でも、機差により、基材の伸縮量が異なる場合がある。さらに、基材の伸縮状態は、印刷される画像データに応じて異なるものとなるが、従来、基材の伸縮状態を、印刷前に知ることはできなかった。

【0005】

そこで、特許文献１に記載の印刷装置では、このような基材の伸縮による印刷品質の低下をなるべく抑えるために、印刷画像中の座標を識別するための位置検出用マークが付された学習用画像を用いて機械学習により推定モデルを生成し、当該推定モデルを用いて入稿データに応じた基材の伸縮状態を、印刷前に推定している。これにより、基材の伸縮による歪みに応じてインクの吐出位置を補正し、ヘッド間の印刷画像のずれを抑制することができる。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特開２０２２－１１０６３２号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

このような推定モデルを生成するにあたり、より精度の高い推定モデルとするためには、学習用画像の印刷画像において、座標を識別するための位置検出用マークをより正確に検出する必要がある。

【0008】

本発明は、このような事情に鑑みなされたものであり、学習用画像が印刷された基材において、位置検出用マークの位置をより正確に検出できる技術を提供することを目的とする。

【課題を解決するための手段】

【0009】

上記課題を解決するため、本願の第１発明は、複数のマーク配置位置のそれぞれに位置検出用マークが配置された学習用画像が印刷された基材における前記位置検出用マークの位置を検出するマーク検出方法であって、前記学習用画像が印刷された前記基材の撮影画像において、所定の第１条件に合致する領域を、被検出領域と検出する第１マーク検出工程と、前記マーク配置位置と、前記被検出領域とを比較して、検出異常を判定する検出異常判定工程と、前記検出異常と判定された前記マーク配置位置の周辺において、所定の第２条件に合致する領域を、新たな前記被検出領域として検出する第２マーク検出工程と、を有する。

【0010】

本願の第２発明は、第１発明のマーク検出方法であって、前記検出異常判定工程において、前記検出異常には、少なくとも、前記マーク配置位置に対応する前記被検出領域が検出されていない場合と、前記マーク配置位置と、対応する前記被検出領域との距離が所定の外れ値閾値以上である場合と、が含まれる。

【0011】

本願の第３発明は、第１発明または第２発明のマーク検出方法であって、前記第１条件は、前記位置検出用マークとの一致度が所定の第１一致度閾値よりも大きい第１候補領域の中で、最も前記マーク配置位置に距離が近い領域であり、前記第２条件は、前記位置検出用マークとの一致度が所定の第２一致度閾値よりも大きい第２候補領域の中で、前記検出異常と判定された前記マーク配置位置に最も距離が近い領域であり、前記第２一致度閾値は、前記第１一致度閾値よりも一致度が低い。

【0012】

本願の第４発明は、第１発明ないし第２発明のいずれか一発明のマーク検出方法であって、前記位置検出用マークは、第１の色で形成されたベース図形と、前記ベース図形と重なる位置に、前記第１の色とは異なる第２の色で形成されたマーク図形と、を含む。

【0013】

本願の第５発明は、第４発明のマーク検出方法であって、前記第１の色は、白色であり、前記第２の色は、黒色である。

【0014】

本願の第６発明は、基材に印刷された画像の歪み量を測定する歪み量測定方法であって、複数のマーク配置位置のそれぞれに位置検出用マークが配置された学習用画像を前記基材に印刷する印刷工程と、前記学習用画像が印刷された前記基材を撮影し、撮影画像を取得する撮影画像取得工程と、前記撮影画像について、第１発明ないし第５発明のいずれか一発明のマーク検出方法により、前記被検出領域を検出するマーク検出工程と、前記マーク配置位置と、前記被検出領域とを比較して、前記マーク配置位置毎の前記基材の歪み量を算出する歪み量算出工程と、を含む。

【0015】

本願の第７発明は、第６発明の歪み量測定方法であって、前記歪み量は、複数の前記位置検出用マークのそれぞれの、前記マーク配置位置から前記被検出領域への変位量を示す。

【0016】

本願の第８発明は、第６発明の歪み量測定方法であって、前記歪み量は、隣り合う前記マーク配置位置同士の間隔と、対応する前記被検出領域同士の間隔の変化を示す。

【0017】

本願の第９発明は、長尺帯状の基材を長手方向に搬送しつつ、前記基材の表面にインクを吐出する印刷装置において、前記基材の歪み量を推定する推定モデルを機械学習する学習方法であって、複数のマーク配置位置のそれぞれに位置検出用マークが配置された学習用画像に対して、第６発明ないし第８発明のいずれか一発明の歪み量測定方法により、前記基材の歪み量を測定する歪み量測定工程と、前記学習用画像を入力変数とし、前記歪み量測定工程で測定した前記歪み量を教師データとして、機械学習により、前記基材の歪み量を推定した推定結果を出力可能な推定モデルを生成する学習工程と、を含む。

【0018】

本願の第１０発明は、第９発明の学習方法であって、前記学習用画像は、濃度値または印字率が異なる複数の領域を含む画像データである。

【0019】

本願の第１１発明は、長尺帯状の基材を長手方向に搬送しつつ、前記基材の表面にインクを吐出する印刷装置において、前記基材の歪み量を推定する推定方法であって、印刷すべき画像データである入稿データを取得するデータ取得工程と、前記入稿データの印刷よりも前に、第９発明または第１０発明の学習方法によって学習した前記推定モデルに前記入稿データを入力し、前記推定モデルの出力した前記推定結果を取得する推定工程と、を含む。

【0020】

本願の第１２発明は、第１１発明の推定方法を用いた印刷方法であって、前記データ取得工程および前記推定工程を実行した後、前記推定結果に基づいて前記基材に対するインクの吐出位置を補正しつつ、前記基材の表面にインクを吐出する印刷工程を実行する。

【発明の効果】

【0021】

本願の第１発明～第１２発明によれば、１回目に位置検出用マークを検出した後に、検出異常に対して再度位置検出用マークの検出を行う。これにより、学習用画像が印刷された基材において、位置検出用マークの位置をより正確に検出できる。

【0022】

特に、本願の第３発明によれば、１回目に一致度の高い領域を検出した後に、検出異常の位置検出用マークについては、一致度を下げて再検出を行う。これにより、マーク周辺に汚れがある場合等の事情で一致度が小さくなってしまった位置検出用マークを検出することができる。

【図面の簡単な説明】

【0023】

【図1】印刷装置の構成を示した図である。

【図2】印刷部の付近における印刷装置の部分上面図である。

【図3】印刷装置の各部とコンピュータとの接続を示したブロック図である。

【図4】コンピュータの機能を概念的に示したブロック図である。

【図5】学習処理の流れを示すフローチャートである。

【図6】学習用データの例を示した図である。

【図7】学習用データの一部分の拡大図である。

【図8】撮影画像の一例の一部分の拡大図である。

【図9】学習用データの例を示した図である。

【図10】歪み量計測工程の流れを示すフローチャートである。

【図11】マーク配置位置と第１候補領域との例を示した図である。

【図12】マーク配置位置と第２候補領域との例を示した図である。

【図13】基材の伸縮状態の計測方法の一例を示した図である。

【図14】基材の伸縮状態の計測方法の他の例を示した図である。

【図15】印刷処理の流れを示すフローチャートである。

【発明を実施するための形態】

【0024】

以下、本発明の実施形態について、図面を参照しつつ説明する。

【0025】

＜１．印刷装置の構成＞
図１は、本発明の一実施形態に係る印刷装置１の構成を示した図である。この印刷装置１は、長尺帯状の基材９（印刷媒体）を搬送しつつ、複数のヘッド２１～２４から基材９へ向けてインクの液滴を吐出することにより、基材９の表面に画像を印刷する装置である。基材９は、印刷用紙であってもよく、あるいは、樹脂製のフィルムであってもよい。また、基材９は、金属箔や、ガラス製の基材であってもよい。図１に示すように、印刷装置１は、搬送機構１０、印刷部２０、カメラ３０、およびコンピュータ４０を備えている。

【0026】

搬送機構１０は、基材９をその長手方向に沿う搬送方向に搬送する機構である。本実施形態の搬送機構１０は、巻き出し部１１、複数の搬送ローラ１２、および巻き取り部１３を有する。基材９は、巻き出し部１１から繰り出され、複数の搬送ローラ１２により構成される搬送経路に沿って搬送される。各搬送ローラ１２は、搬送方向に対して垂直な方向に延びる軸を中心として回転することにより、基材９を搬送経路の下流側へ案内する。搬送後の基材９は、巻き取り部１３へ回収される。また、基材９には、搬送方向の張力が掛けられている。これにより、搬送中における基材９の弛みや皺が抑制される。

【0027】

印刷部２０は、搬送機構１０により搬送される基材９に対して、インクの液滴（以下「インク滴」と称する）を吐出する処理部である。本実施形態の印刷部２０は、第１ヘッド２１、第２ヘッド２２、第３ヘッド２３、および第４ヘッド２４を有する。第１ヘッド２１、第２ヘッド２２、第３ヘッド２３、および第４ヘッド２４は、基材９の搬送方向に沿って、間隔をあけて配列されている。基材９は、４つのヘッド２１～２４の下方を、印刷面を上方に向けた状態で搬送される。

【0028】

図２は、印刷部２０の付近における印刷装置１の部分上面図である。図２中に破線で示したように、各ヘッド２１～２４の下面には、基材９の幅方向と平行に配列された複数のノズル２０１が設けられている。各ヘッド２１～２４は、複数のノズル２０１から基材９の上面へ向けて、多色画像の色成分となるＫ（ブラック）、Ｃ（シアン）、Ｍ（マゼンタ）、Ｙ（イエロー）の各色のインク滴を、それぞれ吐出する。

【0029】

すなわち、第１ヘッド２１は、搬送経路上の第１印刷位置Ｘ１において、基材９の上面に、Ｋ色のインク滴を吐出する。第２ヘッド２２は、第１印刷位置Ｘ１よりも下流側の第２印刷位置Ｘ２において、基材９の上面に、Ｃ色のインク滴を吐出する。第３ヘッド２３は、第２印刷位置Ｘ２よりも下流側の第３印刷位置Ｘ３において、基材９の上面に、Ｍ色のインク滴を吐出する。第４ヘッド２４は、第３印刷位置Ｘ３よりも下流側の第４印刷位置Ｘ４において、基材９の上面に、Ｙ色のインク滴を吐出する。

【0030】

なお、ヘッド２１～２４の搬送方向下流側に、基材９の印刷面にインクを定着させる定着部が、さらに設けられていてもよい。定着部は、例えば、基材９へ向けて加熱された気体を吹き付けて、基材９に付着したインクを乾燥させる。ただし、定着部は、ＵＶ硬化性のインクに紫外線を照射することにより、インクを硬化させるものであってもよい。

【0031】

カメラ３０は、印刷部２０を通過した基材９の印刷面を撮影する撮像装置である。カメラ３０は、４つのヘッド２１～２４よりも搬送経路の下流側の撮影位置Ｘ５において、基材９の印刷面に対向して配置される。カメラ３０には、例えば、ＣＣＤやＣＭＯＳ等の撮像素子が、幅方向に複数配列されたラインセンサが使用される。カメラ３０は、基材９の印刷面を撮影することにより、撮影画像を取得する。そして、カメラ３０は、得られた撮影画像を、コンピュータ４０へ送信する。

【0032】

コンピュータ４０は、印刷装置１を制御するための情報処理装置である。図３は、コンピュータ４０と、印刷装置１の各部との接続を示したブロック図である。図３中に概念的に示したように、コンピュータ４０は、ＣＰＵ等のプロセッサ４０１、ＲＡＭ等のメモリ４０２、およびハードディスクドライブ等の記憶部４０３を有する。記憶部４０３には、後述する学習処理および印刷処理を実行するためのコンピュータプログラム４０４が、記憶されている。

【0033】

図３に示すように、コンピュータ４０は、上述した搬送機構１０、４つのヘッド２１～２４、およびカメラ３０と、それぞれ通信可能に接続されている。また、コンピュータ４０は、外部記憶装置であるサーバ２と、通信可能に接続されている。サーバ２には、入稿データＤ１が記憶されている。入稿データＤ１は、製品としての印刷物を得るために、印刷装置１において印刷すべき画像データである。コンピュータ４０は、サーバ２から入稿データＤ１を取得し、当該入稿データＤ１に基づいて、搬送機構１０および４つのヘッド２１～２４を動作制御する。これにより、印刷装置１における印刷処理が進行する。また、サーバ２には、後述する学習処理に使用される多数の学習用データＤ２も、記憶されている。

【0034】

＜２．コンピュータの機能について＞
この印刷装置１では、４つのヘッド２１～２４が、インク滴を吐出することによって、基材９の上面に、それぞれ単色画像を印刷する。そして、４つの単色画像の重ね合わせにより、基材９の上面に、多色画像が形成される。したがって、仮に、４つのヘッド２１～２４から吐出されるインク滴の基材９上における位置が相互にずれていると、印刷物の画像品質が低下する。このような、基材９上における単色画像の相互の位置ずれ（見当ずれ）を許容範囲内に抑えることが、高品質な印刷物を得るための重要な要素となる。

【0035】

また、基材９にインクが吸収されるとき、または、基材９上のインクが乾燥するときには、基材９が不均一に伸縮する。このような基材９の伸縮が生じると、印刷面に形成される印刷画像が歪む。また、基材９の伸縮が生じると、上記の見当ずれも生じやすくなる。そこで、この印刷装置１のコンピュータ４０は、入稿データＤ１に基づいて、基材９の伸縮状態を印刷前に推定し、その推定結果を利用して、インク滴の吐出位置を補正しつつ印刷を行う機能を有する。図４は、コンピュータ４０の当該機能を、概念的に示したブロック図である。

【0036】

図４に示すように、コンピュータ４０は、データ取得部４１、歪み量計測部４２、学習部４３、推定部４４、補正値算出部４５、および動作制御部４６を有する。データ取得部４１、歪み量計測部４２、学習部４３、推定部４４、補正値算出部４５、および動作制御部４６の各機能は、コンピュータ４０のプロセッサ４０１が、コンピュータプログラム４０４に従って動作することにより、実現される。

【0037】

データ取得部４１は、入稿データＤ１および学習用データＤ２を取得するための処理部である。データ取得部４１は、サーバ２から入稿データＤ１および学習用データＤ２を読み出す。また、データ取得部４１は、読み出した学習用データＤ２を、歪み量計測部４２、学習部４３および動作制御部４６へ入力する。また、データ取得部４１は、読み出した入稿データＤ１を、推定部４４および動作制御部４６へ入力する。

【0038】

歪み量計測部４２は、学習用データＤ２とカメラ３０から送信される撮影画像Ｄ３とに基づいて、基材９の歪み量を計測するための処理部である。基材９の歪み量の計測方法については、後述する。歪み量計測部４２は、計測された基材９の歪み量Ｄ４を、学習部４３へ入力する。

【0039】

学習部４３は、画像データと、その画像データを印刷したときの基材９の伸縮状態との関係を学習するための処理部である。この印刷装置１は、製品となる印刷物を得るための入稿データＤ１の印刷よりも前に、学習部４３による学習処理を行う。学習処理時には、上述した動作制御部４６と、学習部４３とに、学習用画像である学習用データＤ２が入力される。動作制御部４６は、学習用データＤ２に基づいて、搬送機構１０および印刷部２０を動作制御する。これにより、基材９の印刷面に、学習用データＤ２が印刷される。また、学習処理時には、カメラ３０が、印刷後の基材９を撮影する。

【0040】

学習部４３は、学習用データＤ２を入力変数とし、歪み量計測部４２において計測された歪み量Ｄ４を教師データとして、教師あり機械学習アルゴリズムにより、学習処理を行う。学習部４３は、このような学習処理を、所定の終了条件を満たすまで繰り返す。これにより、学習部４３は、入力された画像データに基づいて、基材９の伸縮状態を示す推定結果を出力できる推定モデルＭを生成する。学習処理の詳細については、後述する。

【0041】

学習部４３は、機械学習アルゴリズムとして、例えば、ディープラーニング（多層ニューラルネットワーク）を使用する。ただし、学習部４３が使用する機械学習アルゴリズムは、ディープラーニングに限定されるものではない。ディープラーニングに代えて、マルコフ確率場（ＭＲＦ）やボルツマンマシンなど他の機械学習アルゴリズムを使用してもよい。

【0042】

推定部４４は、入稿データＤ１に基づいて、その入稿データＤ１を印刷したときの基材９の歪み量を推定するための処理部である。推定部４４は、学習部４３により生成された推定モデルＭを使用して、推定処理を行う。推定部４４は、データ取得部４１が取得した入稿データＤ１を、推定モデルＭへ入力する。すると、推定モデルＭから、入稿データＤ１に対応する基材９の歪み量が出力される。推定部４４は、この推定モデルＭから出力された歪み量を、推定結果Ｄ５とする。

【0043】

補正値算出部４５は、推定結果Ｄ５に基づいて、補正値Ｄ６を算出するための処理部である。補正値算出部４５は、推定結果Ｄ５が示す基材９の歪み量をキャンセルする方向の補正値Ｄ６を算出する。算出された補正値Ｄ６は、動作制御部４６へ入力される。

【0044】

動作制御部４６は、搬送機構１０および４つのヘッド２１～２４を動作制御するための処理部である。動作制御部４６は、上述した学習用データＤ２を印刷する場合には、学習用データＤ２に基づく指令値を、搬送機構１０および４つのヘッド２１～２４へ出力する。これにより、搬送機構１０および４つのヘッド２１～２４を動作させて、基材９の印刷面に学習用データＤ２を印刷する。一方、動作制御部４６は、入稿データＤ１を印刷する場合には、入稿データＤ１に基づく指令値を、補正値Ｄ６により補正する。そして、動作制御部４６は、補正後の指令値を、搬送機構１０および４つのヘッド２１～２４へ出力する。これにより、搬送機構１０および４つのヘッド２１～２４を動作させて、基材９の印刷面に入稿データＤ１を印刷する。

【0045】

＜３．学習処理について＞
続いて、上述した印刷装置１において実行される学習処理について、説明する。図５は、学習処理の流れを示すフローチャートである。この学習処理は、製品としての印刷物を得るための入稿データＤ１の印刷よりも前に、実行される。

【0046】

図５に示すように、学習処理を行うときには、まず、データ取得部４１が、サーバ２から学習用データＤ２を読み出す。そして、データ取得部４１は、学習部４３と動作制御部４６とに、学習用データＤ２を入力する（ステップＳ１：入力工程）。

【0047】

図６は、学習用データＤ２の例を示した図である。図６のように、学習用データＤ２は、絵柄やパターン等の画像５１に、複数のグリッドマーク５２が組み込まれた画像データである。複数の学習用データＤ２は、互いに異なる画像５１を有するものとされる。基材９の歪み量は、基材９に吐出されるインクの量により異なる。このため、学習用データＤ２の画像５１は、濃度値または印字率が異なる複数の領域を含む画像であることが望ましい。これにより、濃度値または印字率に応じた基材９の歪み量を学習することができる。

【0048】

グリッドマーク５２は、学習用データＤ２内の所定の座標位置を示す位置検出用マークである。グリッドマーク５２は、学習用データＤ２の複数のマーク配置位置に配置される。本実施形態では、グリッドマーク５２は、学習用データＤ２の全体に亘って配列されている。また、複数のグリッドマーク５２は、基材９の搬送方向および幅方向に沿って、互いに間隔をあけて配列されている。また、学習用データＤ２において、複数のグリッドマーク５２は、画像５１よりも前面側に配置されている。

【0049】

図７は、学習用データＤ２の一部分の拡大図である。図７のように、本実施形態のグリッドマーク５２は、ベース図形５２１とマーク図形５２２とで構成されている。ベース図形５２１は、白色（濃度値０％）に塗り潰された矩形の図形である。マーク図形５２２は、ベース図形５２１の前面側に重なる黒色（濃度値１００％）の十字状の図形である。図７の上側の領域ように、黒色の背景の上にグリッドマーク５２が配置された場合、背景とマーク図形５２２とは、同じ黒色であるが、マーク図形５２２は、白色のベース図形５２１上にあるため、マーク図形５２２を識別できる。また、図７の下側の領域のように、白色の背景の上にグリッドマーク５２が配置された場合、ベース図形５２１と背景は、同じ白色であるため境界が識別できないが、黒色のマーク図形５２２は識別できる。

【0050】

このように、本実施形態では、グリッドマーク５２が、白色のベース図形５２１と、ベース図形５２１の前面側に重なる黒色のマーク図形５２２とで構成されるため、背景となる画像５１の色にかかわらず、マーク図形５２２を識別することができる。

【0051】

動作制御部４６は、学習用データＤ２に基づいて、搬送機構１０および４つのヘッド２１～２４の動作を制御する。これにより、基材９の印刷面に学習用データＤ２を印刷する（ステップＳ２：印刷工程）。すなわち、基材９の印刷面に、画像５１とともに複数のグリッドマーク５２が印刷される。また、カメラ３０は、学習用データＤ２が印刷された基材９の印刷面を撮影する（ステップＳ３：撮影画像取得工程）。撮影により得られた撮影画像Ｄ３は、カメラ３０からコンピュータ４０へ送信されて、歪み量計測部４２へ入力される。

【0052】

歪み量計測部４２は、カメラ３０から送信された撮影画像Ｄ３に基づいて、基材９の歪み量を計測する（ステップＳ４：歪み量計測工程）。歪み量計測工程（Ｓ４）については、詳細な説明を後述する。歪み量計測部４２は、得られた基材９の歪み量Ｄ４を、学習部４３へ入力する。

【0053】

学習部４３は、ステップＳ１においてデータ取得部４１から入力された学習用データＤ２を入力変数とし、ステップＳ４で計測された基材９の歪み量Ｄ４を教師データとして、教師あり機械学習プログラムにより、機械学習を行う。このとき、学習部４３は、画像データに基づいて基材９の歪み量を推定するための推定モデルＭを用意する。推定モデルＭは、入力された学習用データＤ２に基づいて、歪み量の推定結果を出力する。学習部４３は、推定モデルＭから出力される推定結果が、教師データである歪み量Ｄ４に近づくように、推定モデルＭのパラメータを調整する（ステップＳ５：学習工程）。

【0054】

その後、学習部４３は、所定の終了条件を満たすか否かを判定する（ステップＳ６）。終了条件は、例えば、推定結果と教師データとの差が、予め設定された閾値よりも小さくなること、とすればよい。また、終了条件は、ステップＳ１～Ｓ５の繰り返し回数が、予め設定された閾値に到達すること、としてもよい。終了条件を満たしていない場合（ステップＳ６：Ｎｏ）、コンピュータ４０は、上述したステップＳ１～Ｓ５の処理を繰り返す。その際、学習用データＤ２は、異なる画像５１のものを使用してもよい。

【0055】

ステップＳ１～Ｓ５の学習処理が繰り返されることにより、推定モデルＭの推定精度が向上する。やがて、終了条件が満たされると（ステップＳ６：Ｙｅｓ）、学習部４３は、学習処理を終了する。これにより、入力された画像データに基づいて、その画像データを印刷したときの基材９の歪み量を精度よく推定できる、学習済みの推定モデルＭが生成される。学習部４３は、生成された推定モデルＭを、推定部４４へ提供する。

【0056】

なお、所定数の学習用データＤ２を、１つの学習用データセットとしてもよい。そして、複数の学習用データセットについて、学習処理を行ってもよい。この場合、１つの学習用データセットに含まれる所定数の学習用データＤ２を印刷する間は、ステップＳ６の終了条件の判断を行うことなく、ステップＳ１～Ｓ５の処理を繰り返してもよい。そして、１つの学習用データセットに含まれる全ての学習用データＤ２について、ステップＳ１～Ｓ５の処理が完了した時点で、ステップＳ６の終了条件の判断を行ってもよい。ステップＳ６において終了条件を満たさない場合には、別の学習用データセットについて、ステップＳ１～Ｓ５の学習処理を行ってもよい。

【0057】

＜４．歪み量計測工程について＞
ここで、ステップＳ４の歪み量計測工程の流れについて説明する。歪み量計測工程（Ｓ４）では、撮影画像Ｄ３からグリッドマーク５２を識別して、基材９の歪み量Ｄ４を計測する。図１０は、歪み量計測工程（Ｓ４）の流れを示すフローチャートである。

【0058】

このとき、撮影画像Ｄ３に撮影された学習用データＤ２の印刷結果において、グリッドマーク５２上に汚れが付着した場合や、学習用データＤ２に含まれる画像に、グリッドマーク５２に類似する部分が存在する場合には、撮影画像Ｄ３中のグリッドマーク５２を精度よく認識できない虞がある。

【0059】

図８は、グリッドマーク５２上に汚れ５０が付着した場合の撮影画像Ｄ３の例の一部を拡大した拡大図である。グリッドマーク５２のテンプレート画像と撮影画像Ｄ３との一致度を算出して撮影画像Ｄ３中のグリッドマーク５２を抽出する方法では、図８の例のようにグリッドマーク５２上にインクなどによる汚れ５０が付着した場合、一致度が低くなって検出されにくくなり、不検出の原因となる。

【0060】

図９は、グリッドマーク５２に類似する部分を有する学習用データＤ２の例である。図９の例の学習用データＤ２は、画像５１が、トンボマーク５１１や、星を表す絵柄５１２などの、グリッドマーク５２と類似した部分を有する。このため、これらのトンボマーク５１１や絵柄５１２が、グリッドマーク５２として誤検出される場合がある。

【0061】

このような不検出や誤検出を抑制するために、この歪み量計測部４２は、図１０に示すように、第１マーク検出工程（Ｓ４１）と第２マーク検出工程（Ｓ４３）との２段階で撮影画像Ｄ３からグリッドマーク５２を検出して、基材９の歪み量Ｄ４を計測する。図１０は、ステップＳ４の歪み量計測工程の流れを示したフローチャートである。

【0062】

図１０に示すように、歪み量計測工程（Ｓ４）において、歪み量計測部４２は、まず、撮影画像Ｄ３から、所定の第１条件に合致する領域を被検出領域として検出する（ステップＳ４１：第１マーク検出工程）。ここで、第１条件は、グリッドマーク５２との一致度が所定の第１一致度閾値よりも大きい第１候補領域の中で、最もマーク配置位置に距離が近いことである。なお、マーク配置位置とは、学習用データＤ２中のグリッドマーク５２の配置された位置であり、すなわち、基材９の印刷位置に歪みが生じていない場合の理想的なグリッドマーク５２の位置である。

【0063】

第１マーク検出工程（Ｓ４１）では、まず、撮影画像Ｄ３の全領域に対して、グリッドマーク５２との一致度を算出する。そして、グリッドマーク５２との一致度が所定の第１一致度閾値よりも大きい第１候補領域Ｑを抽出する。図１１は、学習用データＤ２においてグリッドマーク５２が配置されたマーク配置位置Ｐにおけるマーク図形５２２と、第１候補領域Ｑにおけるマーク図形５２２との例を示した図である。図９において、マーク配置位置Ｐの例は破線の十字マークで示されており、第１候補領域Ｑの例は実線の十字マークで示されている。

【0064】

第１マーク検出工程（Ｓ４１）では、このような第１候補領域Ｑから、それぞれのマーク配置位置Ｐに最も距離の近いものが、当該マーク配置位置Ｐの被検出領域として選択される。

【0065】

図１１の例では、複数のマーク配置位置Ｐのうち、マーク配置位置Ｐ１の近傍に第１候補領域Ｑが存在しない。このため、マーク配置位置Ｐ１に対応する被検出領域は検出されていない。また、マーク配置位置Ｐ２の周辺には、２つの第１候補領域Ｑ２１，Ｑ２２がある。このとき、マーク配置位置Ｐ２に対応する被検出領域には、２つの第１候補領域Ｑ２１，Ｑ２２のうち、マーク配置位置Ｐ２との距離が近い第１候補領域Ｑ２１が選択される。また、マーク配置位置Ｐ３に対する被検出領域は、最も距離の近い第１候補領域Ｑ３である。しかしながら、マーク配置位置Ｐ３と第１候補領域Ｑ３との距離は、他のマーク配置位置Ｐと対応する被検出領域との距離と比べて明らかに長い。

【0066】

次に、歪み量計測部４２は、第１マーク検出工程（Ｓ４１）で検出された第１候補領域と、マーク配置位置Ｐとを比較して、検出異常を判定する（ステップＳ４２：検出異常判定工程）。この検出異常判定工程（Ｓ４２）において、検出異常には、少なくとも、不検出の場合と、外れ値とが含まれる。

【0067】

不検出とは、マーク配置位置に対応する被検出領域（第１候補領域）が検出されていない場合である。また、外れ値とは、マーク配置位置と、対応する被検出領域（第１候補領域）との距離が、所定の外れ値閾値以上である場合である。なお、外れ値閾値は、経験的に予め決められた固定値であってもよい。また、外れ値閾値は、撮影画像Ｄ３全体におけるマーク配置位置と第１候補領域の距離から統計的に求められる数値であってもよい。その場合、外れ値閾値として、例えば、撮影画像Ｄ３全体におけるマーク配置位置と第１候補領域の距離の平均値の定数倍としてもよい。

【0068】

図１１の例では、マーク配置位置Ｐ１の近傍に第１候補領域Ｑが存在しないため、マーク配置位置Ｐ１が不検出に該当する。また、マーク配置位置Ｐ３と、マーク配置位置Ｐ３に対する被検出領域である第１候補領域Ｑ３との距離が、所定の外れ値閾値以上であるため、マーク配置位置Ｐ３が外れ値に該当する。

【0069】

続いて、歪み量計測部４２は、撮影画像Ｄ３のうち、検出異常判定工程（Ｓ４２）において検出異常と判定されたマーク配置位置Ｐの周辺において、所定の第２条件に合致する領域を新たな被検出領域として検出する（ステップＳ４３：第２マーク検出工程）。

【0070】

ここで、第２条件は、グリッドマーク５２との一致度が所定の第２一致度閾値よりも大きい第２候補領域の中で、最もマーク配置位置に距離が近いことである。ここで、第２一致度閾値は、第１マーク検出工程（Ｓ４１）で用いられる第１一致度閾値よりも一致度が低い。このため、第１マーク検出工程（Ｓ４１）では第１候補領域として抽出されなかった領域が、第２候補領域として抽出される。

【0071】

第２マーク検出工程（Ｓ４２）では、検出異常と判定されたマーク配置位置Ｐの周辺領域に対して、グリッドマーク５２との一致度を算出する。そして、グリッドマーク５２との一致度が所定の第２一致度閾値よりも大きい第２候補領域Ｒを抽出する。図１２は、図１１の例におけるマーク配置位置Ｐにおけるマーク図形５２２と、第２候補領域Ｒにおけるマーク図形５２２との例を示した図である。そして、このような第２候補領域Ｒから、それぞれのマーク配置位置Ｐに最も距離の近いものが、当該マーク配置位置Ｐの被検出領域として選択される。

【0072】

図１２の例では、第１候補領域Ｑが不検出であったマーク配置位置Ｐ１の周辺領域Ａ１において、４つの第２候補領域Ｒ１１，Ｒ１２，Ｒ１３，Ｒ１４が抽出された。そして、４つの第２候補領域Ｒ１１，Ｒ１２，Ｒ１３，Ｒ１４のうち、マーク配置位置Ｐ１との距離が最も近い第２候補領域Ｒ１１が被検出領域として選択される。

【0073】

また、外れ値であると判定されたマーク配置位置Ｐ３の周辺領域Ａ３において、３つの第２候補領域Ｒ３１，Ｒ３２，Ｒ３３が抽出された。このうち、第２候補領域Ｒ３３は、第１マーク検出工程（Ｓ４１）で抽出された第１候補領域Ｑ３と同じである。そして、３つの第２候補領域Ｒ３１，Ｒ３２，Ｒ３３のうち、マーク配置位置Ｐ３との距離が最も近い第２候補領域Ｒ３１が新たな被検出領域として選択される。

【0074】

このように、第１マーク検出工程（Ｓ４１）において一致度の高い候補領域を検出した後に、検出異常のマーク配置位置については、第２マーク検出工程（Ｓ４２）において一致度を下げて候補領域の再検出を行う。これにより、マーク周辺に汚れがある場合等の事情で一致度が小さくなってしまったグリッドマーク５２を検出することができる。

【0075】

第２マーク検出工程（Ｓ４３）において各マーク配置位置に対して、被検出領域が確定すると、歪み量計測部４２は、被検出領域のマーク座標を検出する（ステップＳ４４：マーク座標検出工程）。具体的には、被検出領域について、幅方向の各座標に対して搬送方向に輝度値を合計し、合計輝度値にガウス関数をフィッティングして、当該近似関数の頂点から幅方向の中心座標を算出する。一方、被検出領域について、搬送方向の各座標に対して幅方向に輝度値を合計し、合計輝度値にガウス関数をフィッティングして、当該近似関数の頂点から搬送方向の中心座標を算出する。これにより、被検出領域におけるグリッドマーク５２の中心座標を検出できる。

【0076】

その後、マーク座標検出工程（Ｓ４４）で検出された被検出領域の中心座標と、学習用データＤ２におけるグリッドマーク５２の中心座標とを比較して、マーク配置位置毎の基材９の歪み量Ｄ４を算出する（ステップＳ４５：歪み量算出工程）。

【0077】

図１３は、基材９の歪み量Ｄ４の算出方法の一例を示した図である。図１３の例では、歪み量計測部４２は、撮影画像Ｄ３中の被検出領域のグリッドマーク５２の位置を計測する。具体的には、撮影画像Ｄ３中の特定のグリッドマーク５２を原点として、当該原点に対する他のグリッドマーク５２の座標位置を、それぞれ計測する。そして、計測された座標位置と、学習用データＤ２におけるグリッドマーク５２の座標位置（マーク配置位置）との差を、歪み量として算出する。すなわち、図１３の方法では、基材９における各グリッドマーク５２の変位量を計測する。歪み量計測部４２は、このような歪み量の計測を、撮影画像Ｄ３中の全てのグリッドマーク５２について行う。その結果、基材９における歪み量の分布を示すベクトルマップが得られる。

【0078】

図１３の計測方法により得られるベクトルマップは、基材９の各部の座標位置の変位量を表すものとなる。この場合、後述する推定モデルＭから出力される推定結果も、基材９の各部の座標位置の変位量を表すものとなる。このため、図１３の計測方法を採用すれば、補正値算出部４５において、基材９に吐出されるインクの座標位置を補正する際に、推定結果を利用しやすくなる。

【0079】

図１４は、基材９の歪み量Ｄ４の計測方法の一例を示した図である。図１４の例では、歪み量計測部４２は、撮影画像Ｄ３中の隣り合う被検出領域のグリッドマーク５２の間隔を計測する。そして、計測されたグリッドマーク５２の間隔と、学習用データＤ２におけるグリッドマーク５２の間隔との差を、歪み量として算出する。すなわち、図１４の方法では、隣り合うグリッドマーク５２の間隔の変化を計測する。歪み量計測部４２は、このような歪み量の計測を、撮影画像Ｄ３中の全ての隣り合うグリッドマーク５２について行う。その結果、基材９における歪み量の分布を示すヒートマップが得られる。

【0080】

基材９が伸縮した場合、基材９上の各領域の変位量は、その領域の伸縮量だけではなく、他の領域の伸縮量にも影響する。このため、基材９の歪み量は、それらの伸縮量を累積した値となる。しかしながら、図１４の計測方法により得られるヒートマップは、基材９の領域ごとの局所的な歪み量を表すものとなる。したがって、当該ヒートマップは、後述するステップＳ５において、教師データとして取り扱いやすい。

【0081】

＜５．印刷処理について＞
続いて、上述した学習処理の後に、印刷装置１において実行される印刷処理について、説明する。図１５は、印刷処理の流れを示すフローチャートである。

【0082】

図１５に示すように、印刷処理を行うときには、まず、印刷すべき入稿データＤ１を取得する（ステップＳ７：データ取得工程）。具体的には、データ取得部４１が、サーバ２から入稿データＤ１を読み出す。そして、データ取得部４１は、推定部４４と動作制御部４６とに、入稿データＤ１を入力する。

【0083】

推定部４４は、学習部４３により生成された推定モデルＭに、入稿データＤ１を入力する。そうすると、推定モデルＭは、基材９の歪み量の推定結果Ｄ５を出力する（ステップＳ８：推定工程）。この推定結果Ｄ５は、印刷装置１において入稿データＤ１を印刷した場合の、インクによる基材９の歪み量の推定値を示すものである。推定部４４は、得られた推定結果Ｄ５を、補正値算出部４５へ出力する。

【0084】

補正値算出部４５は、推定部４４から出力された推定結果Ｄ５に基づいて、補正値Ｄ６を算出する（ステップＳ９）。この補正値Ｄ６は、基材９に対するインク滴の吐出位置を微調整するための制御値である。補正値算出部４５は、推定結果Ｄ５が示す基材９の歪みをキャンセルする方向に、補正値Ｄ６を設定する。例えば、基材９の伸縮により、基材９ある部分が幅方向の一方側へ変位すると推定される場合、補正値算出部４５は、インク滴の吐出位置を幅方向の他方側へ補正するように、補正値Ｄ６を算出する。そして、補正値算出部４５は、算出された補正値Ｄ６を、動作制御部４６へ入力する。

【0085】

その後、動作制御部４６は、データ取得部４１から取得した入稿データＤ１と、補正値算出部４５から取得した補正値Ｄ６とに基づいて、搬送機構１０および４つのヘッド２１～２４を動作制御する。動作制御部４６は、入稿データＤ１により指定されるインクの吐出位置を、補正値Ｄ６に従って補正する。この補正は、例えば、入稿データＤ１のピクセルごとに行う。そして、基材９の印刷面の補正後の吐出位置に、インク滴を吐出する。これにより、基材９の印刷面に、入稿データＤ１が印刷される（ステップＳ１０：印刷工程）。

【0086】

以上のように、この印刷装置１では、入稿データＤ１の印刷よりも前に、入稿データＤ１に基づいて、インクによる基材９の歪み量を推定する。このため、当該推定結果を考慮して、インクの吐出位置を補正しながら、基材９の印刷面にインク滴を吐出できる。その結果、印刷画像のゆがみが小さく、見当ずれも少ない、高品質な印刷物を得ることができる。

【0087】

＜６．変形例＞
以上、本発明の一実施形態について説明したが、本発明は、上記の実施形態に限定されるものではない。

【0088】

＜６－１．第１変形例＞
上記の実施形態では、学習用データＤ２において、複数のグリッドマーク５２が、等間隔に配列されていた。しかしながら、複数のグリッドマーク５２の間隔は、必ずしも均等でなくてもよい。例えば、画像５１の濃度値の変化または印字率の変化が大きい部分には、グリッドマーク５２を、他の部分よりも密に配置してもよい。

【0089】

＜６－２．第２変形例＞
上記の実施形態では、グリッドマーク５２が、白色のベース図形５２１と、黒色のマーク図形５２２とで構成されていた。しかしながら、ベース図形５２１の色は、必ずしも白色に限定されるものではない。また、マーク図形５２２の色は、必ずしも黒色に限定されるものではない。例えば、ベース図形５２１が黒色で、マーク図形５２２が白色であってもよい。また、ベース図形５２１およびマーク図形５２２は、他の色であってもよい。すなわち、グリッドマーク５２は、ベース図形５２１が第１の色で形成され、マーク図形５２２が、第１の色とは異なる第２の色で形成されていればよい。また、ベース図形５２１およびマーク図形５２２の形状も、上記の実施形態とは異なる形状であってもよい。

【0090】

＜６－３．第３変形例＞
上記の実施形態では、学習処理において、推定モデルＭに入力される情報は、学習用データＤ２のみであった。しかしながら、学習用データＤ２に加えて、印刷装置１内の各種のセンサの検出値や、基材９の種類などの付加的な情報を、推定モデルＭに入力してもよい。その場合、印刷処理においても、推定モデルＭに対して、入稿データＤ１に加えて、上記の付加的な情報を入力するとよい。このようにすれば、推定モデルＭは、付加的な情報も考慮して、より精度の高い推定結果Ｄ５を出力することが可能となる。

【0091】

＜６－４．他の変形例＞
また、上記の実施形態では、図２のように、各ヘッド２１～２４において、ノズル２０１が幅方向に一列に配置されていた。しかしながら、各ヘッド２１～２４において、ノズル２０１が２列以上に配置されていてもよい。

【0092】

また、上記の実施形態の印刷装置１は、４つのヘッド２１～２４を備えていた。しかしながら、印刷装置１が備えるヘッドの数は、１～３つ、あるいは５つ以上であってもよい。例えば、印刷装置１は、Ｋ，Ｃ，Ｍ，Ｙの各色に加えて、特色のインクを吐出するヘッドを備えていてもよい。

【0093】

また、上記の実施形態や変形例に登場した各要素を、矛盾が生じない範囲で、適宜に組み合わせてもよい。

【符号の説明】

【0094】

１ 印刷装置
２ サーバ
９ 基材
１０ 搬送機構
２０ 印刷部
３０ カメラ
４０ コンピュータ
４１ データ取得部
４２ 歪み量計測部
４３ 学習部
４４ 推定部
４５ 補正値算出部
４６ 動作制御部
５１ 画像
５２ グリッドマーク
４０４ コンピュータプログラム
Ｄ１ 入稿データ
Ｄ２ 学習用データ
Ｄ３ 撮影画像
Ｄ４ 歪み量
Ｄ５ 推定結果
Ｄ６ 補正値
Ｍ 推定モデル
Ｐ，Ｐ１，Ｐ２，Ｐ３ マーク配置位置
Ｑ，Ｑ２１，Ｑ２２，Ｑ３ 第１候補領域
Ｒ，Ｒ１１，Ｒ１２，Ｒ１３，Ｒ１４，Ｒ３１，Ｒ３２，Ｒ３３ 第２候補領域

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】