知財求人 - 知財ポータルサイト「IP Force」
特開2024-137554印刷装置、吐出不良検出方法、および吐出不良検出プログラム
(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】P2024137554
(43)【公開日】2024-10-07
(54)【発明の名称】印刷装置、吐出不良検出方法、および吐出不良検出プログラム
(51)【国際特許分類】
B41J 2/01 20060101AFI20240930BHJP
【ＦＩ】
B41J2/01 207
B41J2/01 209
B41J2/01 205
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
(21)【出願番号】P 2023049113
(22)【出願日】2023-03-25
(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】100104695
【弁理士】
【氏名又は名称】島田 明宏
(74)【代理人】
【識別番号】100148459
【弁理士】
【氏名又は名称】河本 悟
(72)【発明者】
【氏名】横内 健一
【テーマコード（参考）】
2C056
【Ｆターム（参考）】
2C056EB27
2C056EB40
2C056EC69
2C056FA13
(57)【要約】
【課題】インクジェット印刷装置に関し、学習データの生成・収集やパラメータの設定のために多大な手間を要することなくノズルの吐出不良を精度良く検出できるようにする。
【解決手段】良好な吐出状態を表す画像のみを用いてオートエンコーダによる教師なし学習を行うことにより、ノズルの吐出不良を検出するための学習済みモデルを生成する（Ｓ２０）。テストパターンの印刷画像の撮像画像から複数の部分画像を切り出す（Ｓ５０）。学習済みモデルを構成するオートエンコーダに入力データとして部分画像を与え（Ｓ６０）、当該入力データと出力データとの平均２乗誤差を算出する（Ｓ７０）。平均２乗誤差と閾値との比較結果に基づき、入力データに対応する１個以上のノズルの中に吐出不良ノズルが含まれているか否かを判定する（Ｓ８０）。
【選択図】図１６
【解決手段】良好な吐出状態を表す画像のみを用いてオートエンコーダによる教師なし学習を行うことにより、ノズルの吐出不良を検出するための学習済みモデルを生成する（Ｓ２０）。テストパターンの印刷画像の撮像画像から複数の部分画像を切り出す（Ｓ５０）。学習済みモデルを構成するオートエンコーダに入力データとして部分画像を与え（Ｓ６０）、当該入力データと出力データとの平均２乗誤差を算出する（Ｓ７０）。平均２乗誤差と閾値との比較結果に基づき、入力データに対応する１個以上のノズルの中に吐出不良ノズルが含まれているか否かを判定する（Ｓ８０）。
【選択図】図１６
【特許請求の範囲】
【請求項1】
所定の搬送方向に搬送される印刷媒体にインクを吐出する複数のノズルを含むヘッドユニットを備えた印刷装置におけるノズルの吐出不良を検出する吐出不良検出方法であって、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像を用意する学習用画像準備ステップと、
前記複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成ステップと、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンを前記印刷装置に印刷させるテストパターン印刷ステップと、
前記テストパターン印刷ステップで得られた印刷画像を撮像する撮像ステップと、
前記撮像ステップで得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出しステップと、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する吐出不良判定ステップと
を含み、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする、吐出不良検出方法。
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像を用意する学習用画像準備ステップと、
前記複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成ステップと、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンを前記印刷装置に印刷させるテストパターン印刷ステップと、
前記テストパターン印刷ステップで得られた印刷画像を撮像する撮像ステップと、
前記撮像ステップで得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出しステップと、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する吐出不良判定ステップと
を含み、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする、吐出不良検出方法。
【請求項2】
前記モデル生成ステップでは、印刷条件毎に教師なし学習が行われることによって印刷条件毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときの印刷条件に対応する前記学習済みモデルが使用されることを特徴とする、請求項１に記載の吐出不良検出方法。
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときの印刷条件に対応する前記学習済みモデルが使用されることを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項3】
前記モデル生成ステップでは、１または２以上の印刷条件を印刷条件グループとして、印刷条件グループ毎に教師なし学習が行われることによって印刷条件グループ毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときの印刷条件を含む印刷条件グループに対応する前記学習済みモデルが使用されることを特徴とする、請求項１に記載の吐出不良検出方法。
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときの印刷条件を含む印刷条件グループに対応する前記学習済みモデルが使用されることを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項4】
前記モデル生成ステップでは、インクの種類毎に教師なし学習が行われることによってインクの種類毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときに使用されたインクの種類に対応する前記学習済みモデルが使用されることを特徴とする、請求項１に記載の吐出不良検出方法。
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときに使用されたインクの種類に対応する前記学習済みモデルが使用されることを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項5】
前記画像切り出しステップでは、前記テストパターンの設計情報に基づき各ノズルからインクが吐出されることが想定される位置を暫定吐出位置として、前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記暫定吐出位置を基準にして前記撮像画像から切り出されることを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項6】
前記画像切り出しステップでは、
前記撮像画像に含まれる２つの位置マークの位置と当該２つの位置マークの間に相当する領域にインクを吐出すべきノズルの数とに基づいて前記搬送方向とは直交する方向についての隣接する２つのノズル間の距離であるノズルピッチが求められ、
各ノズルについての前記暫定吐出位置が前記ノズルピッチを用いて求められることを特徴とする、請求項５に記載の吐出不良検出方法。
前記撮像画像に含まれる２つの位置マークの位置と当該２つの位置マークの間に相当する領域にインクを吐出すべきノズルの数とに基づいて前記搬送方向とは直交する方向についての隣接する２つのノズル間の距離であるノズルピッチが求められ、
各ノズルについての前記暫定吐出位置が前記ノズルピッチを用いて求められることを特徴とする、請求項５に記載の吐出不良検出方法。
【請求項7】
前記画像切り出しステップでは、
前記撮像画像に基づいて各ノズルから実際にインクが吐出されている実吐出位置が求められ、
前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記実吐出位置を基準にして前記撮像画像から切り出されることを特徴とする、請求項１に記載の吐出不良検出方法。
前記撮像画像に基づいて各ノズルから実際にインクが吐出されている実吐出位置が求められ、
前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記実吐出位置を基準にして前記撮像画像から切り出されることを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項8】
前記画像切り出しステップは、
Ｋを２以上の整数として、各分割画像が前記搬送方向に関して１個のノズルに対応するよう、前記撮像画像を前記搬送方向にＫ個に分割する撮像画像分割ステップと、
前記撮像画像分割ステップで得られたＫ個の分割画像のそれぞれについて、前記搬送方向に含まれる複数の画素のデータの平均値を算出する平均値算出ステップと、
前記平均値算出ステップで算出された平均値に基づいて各ノズルについての前記実吐出位置を求める実吐出位置特定ステップと
を含むことを特徴とする、請求項７に記載の吐出不良検出方法。
Ｋを２以上の整数として、各分割画像が前記搬送方向に関して１個のノズルに対応するよう、前記撮像画像を前記搬送方向にＫ個に分割する撮像画像分割ステップと、
前記撮像画像分割ステップで得られたＫ個の分割画像のそれぞれについて、前記搬送方向に含まれる複数の画素のデータの平均値を算出する平均値算出ステップと、
前記平均値算出ステップで算出された平均値に基づいて各ノズルについての前記実吐出位置を求める実吐出位置特定ステップと
を含むことを特徴とする、請求項７に記載の吐出不良検出方法。
【請求項9】
前記画像切り出しステップでは、各ノズルからインクが吐出される理想的な位置を理想吐出位置として、前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記理想吐出位置を基準にして前記撮像画像から切り出されることを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項10】
前記複数のノズルのうち前記理想吐出位置を求める対象のノズルを着目ノズルとして、前記画像切り出しステップは、
前記テストパターンの設計情報に基づき前記着目ノズルおよび前記着目ノズルの近傍の所定数のノズルからインクが吐出されることが想定される位置を暫定吐出位置として求める暫定吐出位置算出ステップと、
前記撮像画像に基づいて、前記着目ノズルの近傍の前記所定数のノズルから実際にインクが吐出されている実吐出位置を求める実吐出位置算出ステップと、
前記着目ノズルの近傍の前記所定数のノズルのそれぞれについて前記暫定吐出位置と前記実吐出位置との差分を算出する差分算出ステップと、
前記差分算出ステップで算出された差分の平均値を算出する差分平均算出ステップと、
前記着目ノズルについての前記暫定吐出位置に前記差分平均算出ステップで算出された平均値を加算することによって前記着目ノズルについての前記理想吐出位置を求める理想吐出位置特定ステップと
を含むことを特徴とする、請求項９に記載の吐出不良検出方法。
前記テストパターンの設計情報に基づき前記着目ノズルおよび前記着目ノズルの近傍の所定数のノズルからインクが吐出されることが想定される位置を暫定吐出位置として求める暫定吐出位置算出ステップと、
前記撮像画像に基づいて、前記着目ノズルの近傍の前記所定数のノズルから実際にインクが吐出されている実吐出位置を求める実吐出位置算出ステップと、
前記着目ノズルの近傍の前記所定数のノズルのそれぞれについて前記暫定吐出位置と前記実吐出位置との差分を算出する差分算出ステップと、
前記差分算出ステップで算出された差分の平均値を算出する差分平均算出ステップと、
前記着目ノズルについての前記暫定吐出位置に前記差分平均算出ステップで算出された平均値を加算することによって前記着目ノズルについての前記理想吐出位置を求める理想吐出位置特定ステップと
を含むことを特徴とする、請求項９に記載の吐出不良検出方法。
【請求項11】
前記学習用画像準備ステップは、
前記テストパターンと前記複数のノズルからインクが吐出されることによって形成されるべき全体が一定濃度であるチントパターンとを前記印刷装置に印刷させる学習前印刷ステップと、
前記チントパターンに対応する撮像画像である第１の部分撮像画像と前記テストパターンに対応する撮像画像である第２の部分撮像画像とが得られるよう、前記学習前印刷ステップで得られた印刷画像を撮像する学習前撮像ステップと、
前記学習前撮像ステップで得られた前記第１の部分撮像画像のうちの異常部分を除く部分をチント正常部として、前記第２の部分撮像画像のうちの前記チント正常部に対応する部分から前記複数の学習用画像を抽出する学習用画像抽出ステップと
を含むことを特徴とする、請求項１に記載の吐出不良検出方法。
前記テストパターンと前記複数のノズルからインクが吐出されることによって形成されるべき全体が一定濃度であるチントパターンとを前記印刷装置に印刷させる学習前印刷ステップと、
前記チントパターンに対応する撮像画像である第１の部分撮像画像と前記テストパターンに対応する撮像画像である第２の部分撮像画像とが得られるよう、前記学習前印刷ステップで得られた印刷画像を撮像する学習前撮像ステップと、
前記学習前撮像ステップで得られた前記第１の部分撮像画像のうちの異常部分を除く部分をチント正常部として、前記第２の部分撮像画像のうちの前記チント正常部に対応する部分から前記複数の学習用画像を抽出する学習用画像抽出ステップと
を含むことを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項12】
前記入力データおよび前記出力データは、複数の画素のデータによって構成され、
前記吐出不良判定ステップは、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを前記入力データとして与えて前記出力データを得る自己符号化ステップと、
前記入力データと前記出力データとの平均２乗誤差を算出する誤差算出ステップと、
前記平均２乗誤差と前記閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する比較判定ステップと
を含み、
前記比較判定ステップでは、前記平均２乗誤差が前記閾値よりも大きければ、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれていると判定されることを特徴とする、請求項１に記載の吐出不良検出方法。
前記吐出不良判定ステップは、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを前記入力データとして与えて前記出力データを得る自己符号化ステップと、
前記入力データと前記出力データとの平均２乗誤差を算出する誤差算出ステップと、
前記平均２乗誤差と前記閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する比較判定ステップと
を含み、
前記比較判定ステップでは、前記平均２乗誤差が前記閾値よりも大きければ、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれていると判定されることを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項13】
前記学習用画像準備ステップでは、それぞれが１個のノズルからインクが吐出されることによって形成される前記複数の学習用画像が用意され、
前記画像切り出しステップでは、それぞれが１個のノズルに対応する前記複数の部分画像が前記撮像画像から切り出されることを特徴とする、請求項１に記載の吐出不良検出方法。
前記画像切り出しステップでは、それぞれが１個のノズルに対応する前記複数の部分画像が前記撮像画像から切り出されることを特徴とする、請求項１に記載の吐出不良検出方法。
【請求項14】
前記複数のノズルからのインクの吐出を制御するための印刷データを前記吐出不良判定ステップで得られた結果に基づきノズルの吐出不良が補償されるように補正する印刷データ補正ステップを更に含むことを特徴とする、請求項１から１３までのいずれか１項に記載の吐出不良検出方法。
【請求項15】
所定の搬送方向に搬送される印刷媒体にインクを吐出する複数のノズルを含むヘッドユニットと、印刷画像を撮像する撮像装置と、前記複数のノズルからのインクの吐出および前記撮像装置による前記印刷画像の撮像を制御する制御部とを備えた印刷装置であって、
前記制御部は、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成部と、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンの印刷画像を前記撮像装置が撮像することによって得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出し部と、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かの判定を行う吐出不良判定部と
を含み、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする、印刷装置。
前記制御部は、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成部と、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンの印刷画像を前記撮像装置が撮像することによって得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出し部と、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かの判定を行う吐出不良判定部と
を含み、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする、印刷装置。
【請求項16】
前記ヘッドユニットは、前記搬送方向の上流側に配置された上流側インク吐出ヘッドと前記搬送方向の下流側に配置された下流側インク吐出ヘッドとを含み、
前記モデル生成部は、前記上流側インク吐出ヘッドに含まれるノズルに対応する画像と前記下流側インク吐出ヘッドに含まれるノズルに対応する画像とで別々に教師なし学習を行うことによって、前記上流側インク吐出ヘッドに対応する学習済みモデルと前記下流側インク吐出ヘッドに対応する学習済みモデルとを生成し、
前記画像切り出し部によって切り出される前記複数の部分画像のそれぞれは、１個のノズルに対応し、
前記吐出不良判定部は、
前記入力データに対応するノズルが前記上流側インク吐出ヘッドに含まれていれば、前記上流側インク吐出ヘッドに対応する前記学習済みモデルを構成する前記オートエンコーダに前記入力データを与え、
前記入力データに対応するノズルが前記下流側インク吐出ヘッドに含まれていれば、前記下流側インク吐出ヘッドに対応する前記学習済みモデルを構成する前記オートエンコーダに前記入力データを与えることを特徴とする、請求項１５に記載の印刷装置。
前記モデル生成部は、前記上流側インク吐出ヘッドに含まれるノズルに対応する画像と前記下流側インク吐出ヘッドに含まれるノズルに対応する画像とで別々に教師なし学習を行うことによって、前記上流側インク吐出ヘッドに対応する学習済みモデルと前記下流側インク吐出ヘッドに対応する学習済みモデルとを生成し、
前記画像切り出し部によって切り出される前記複数の部分画像のそれぞれは、１個のノズルに対応し、
前記吐出不良判定部は、
前記入力データに対応するノズルが前記上流側インク吐出ヘッドに含まれていれば、前記上流側インク吐出ヘッドに対応する前記学習済みモデルを構成する前記オートエンコーダに前記入力データを与え、
前記入力データに対応するノズルが前記下流側インク吐出ヘッドに含まれていれば、前記下流側インク吐出ヘッドに対応する前記学習済みモデルを構成する前記オートエンコーダに前記入力データを与えることを特徴とする、請求項１５に記載の印刷装置。
【請求項17】
前記制御部は、更に、前記複数の学習用画像を生成する学習用画像生成部を含み、
前記テストパターンの印刷画像と前記複数のノズルからインクが吐出されることによって形成されるべき全体が一定濃度であるチントパターンの印刷画像とを前記撮像装置が撮像することにより、前記チントパターンに対応する撮像画像である第１の部分撮像画像と前記テストパターンに対応する撮像画像である第２の部分撮像画像とが得られ、
前記学習用画像生成部は、前記第１の部分撮像画像のうちの異常部分を除く部分をチント正常部として、前記第２の部分撮像画像のうちの前記チント正常部に対応する部分から前記複数の学習用画像を抽出することを特徴とする、請求項１５に記載の印刷装置。
前記テストパターンの印刷画像と前記複数のノズルからインクが吐出されることによって形成されるべき全体が一定濃度であるチントパターンの印刷画像とを前記撮像装置が撮像することにより、前記チントパターンに対応する撮像画像である第１の部分撮像画像と前記テストパターンに対応する撮像画像である第２の部分撮像画像とが得られ、
前記学習用画像生成部は、前記第１の部分撮像画像のうちの異常部分を除く部分をチント正常部として、前記第２の部分撮像画像のうちの前記チント正常部に対応する部分から前記複数の学習用画像を抽出することを特徴とする、請求項１５に記載の印刷装置。
【請求項18】
前記入力データおよび前記出力データは、複数の画素のデータによって構成され、
前記吐出不良判定部は、
前記複数の部分画像のそれぞれを前記入力データとして受け取って前記出力データを出力する、前記オートエンコーダからなる自己符号化部と、
前記入力データと前記出力データとの平均２乗誤差を算出する誤差算出部と、
前記平均２乗誤差と前記閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する比較判定部と
を含み、
前記比較判定部は、前記平均２乗誤差が前記閾値よりも大きければ、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれていると判定することを特徴とする、請求項１５に記載の印刷装置。
前記吐出不良判定部は、
前記複数の部分画像のそれぞれを前記入力データとして受け取って前記出力データを出力する、前記オートエンコーダからなる自己符号化部と、
前記入力データと前記出力データとの平均２乗誤差を算出する誤差算出部と、
前記平均２乗誤差と前記閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する比較判定部と
を含み、
前記比較判定部は、前記平均２乗誤差が前記閾値よりも大きければ、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれていると判定することを特徴とする、請求項１５に記載の印刷装置。
【請求項19】
前記制御部は、更に、前記複数のノズルからのインクの吐出を制御するための印刷データを前記吐出不良判定部によって行われた判定の結果に基づきノズルの吐出不良が補償されるように補正する印刷データ補正部を含むことを特徴とする、請求項１５から１８までのいずれか１項に記載の印刷装置。
【請求項20】
所定の搬送方向に搬送される印刷媒体にインクを吐出する複数のノズルを含むヘッドユニットと印刷画像を撮像する撮像装置とを備えた印刷装置におけるノズルの吐出不良を検出する吐出不良検出プログラムであって、
前記印刷装置に含まれるコンピュータに、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成ステップと、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンを前記印刷装置に印刷させるテストパターン印刷ステップと、
前記テストパターン印刷ステップで得られた印刷画像を前記撮像装置に撮像させる撮像ステップと、
前記撮像ステップで得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出しステップと、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する吐出不良判定ステップと
を実行させ、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする、吐出不良検出プログラム。
前記印刷装置に含まれるコンピュータに、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成ステップと、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンを前記印刷装置に印刷させるテストパターン印刷ステップと、
前記テストパターン印刷ステップで得られた印刷画像を前記撮像装置に撮像させる撮像ステップと、
前記撮像ステップで得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出しステップと、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する吐出不良判定ステップと
を実行させ、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする、吐出不良検出プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、インクを吐出する多数のノズルが設けられたインク吐出ヘッド（印刷ヘッド）を有する印刷装置に関し、より詳しくは、そのような印刷装置において吐出不良状態のノズル（以下、「吐出不良ノズル」という。）を検出するための技術に関する。
【背景技術】
【0002】
印刷用紙などの印刷媒体にインクを吐出することにより印刷を行うインクジェット印刷装置が広く知られている。インクジェット印刷装置では、吐出間隔が長くなると、印刷が行われている期間中に、ノズル近傍における溶媒の蒸発によるインクの乾燥、ノズル内部への気泡の混入、ノズルへの塵埃の付着などが生じることがある。すなわち、ノズルの吐出不良が生じることがある。吐出不良が生じると、印刷画像において、吐出不良ノズルに対応するドットの欠落すなわちドット抜けが生じる。この場合、吐出不良ノズルの機能を回復させるための動作（クリーニングやフラッシング）や、吐出不良ノズルが吐出すべきインク滴を他のノズルに吐出させる代替打滴が行われる。
【0003】
ノズルの吐出不良に関しては大まかには３つの種類に分類することができ、これについて図４１～図４３を参照しつつ説明する。なお、図４１～図４３は階段状の規則的なパターン（テストパターン）を印刷することによって得られる印刷画像の一部を表しており、黒色の網掛け部分が、インクが塗られている部分である。図４１において符号９１を付した点線部分については、インクが塗られるべき部分にインクが全く塗られていない。以下、このような吐出不良を「不吐出」という。図４２において符号９２を付した点線部分については、インクが塗られている部分の形状が本来の形状とは異なっている。以下、このような吐出不良を「形状不良」という。濃度不足によりかすれた状態の吐出不良やインクが塗られている部分が主走査方向（印刷用紙の搬送方向とは直交する方向）に広がっている状態の吐出不良も形状不良に含まれる。図４３において符号９３を付した点線部分については、インクが本来塗られるべき部分から主走査方向にずれた部分にインクが塗られている。以下、このような吐出不良を「横飛び」という。
【0004】
横飛びについて更に説明する。図４４において符号９４を付した点線部分に着目すると、Ｗ２の長さはＷ１の長さよりも長くなっている。すなわち、主走査方向に関して、インク吐出部分の間隔が一定とはなっていない。このような横飛びを「寸法的な横飛び」という。また、図４５において符号９５を付した部分に着目すると、インク吐出部分９５２の位置は、インク吐出部分９５１およびインク吐出部分９５３の位置との関係で明らかに異常である。このような横飛びを「品質に影響を与える横飛び」という。
【0005】
従来のインクジェット印刷装置においては、上記のような吐出不良は、所定のテストパターンを印刷した画像を撮像装置で撮像することによって得られる撮像データに基づいて数値的解析を行うことによって検出されている。これに関し、例えば特開２０１１－１９４７３４号公報には、インクの実際の着弾位置を上記撮像データに基づいて求めて当該着弾位置から基準位置までの距離に応じて判定対象のノズルが吐出不良ノズルであるか否かを判定することが記載されている。
【0006】
ノズルの吐出不良の検出に関し、近年では、機械学習を利用した技術も提案されている。例えば、特開２０１９－１３７０４８号公報には、テストパターンを印刷した画像の撮像データを評価することによって得られる位相（目標位置からの偏差）および振幅（印刷の一貫性）の情報と良否を表すラベルとに基づき教師あり学習が行われたサポートベクターマシンを用いて良好なノズルと吐出不良ノズルとの分類を行う技術が開示されている。また、特開２０２１－０９４８５３号公報には、不良情報に基づき教師あり学習が行われた畳み込みニューラルネットワークなどのディープニューラルネットワーク（ＤＮＮ）にテストチャートを印刷した画像の撮像データを入力することによってノズルを吐出不良の種類で分類する技術が開示されている。
【先行技術文献】
【特許文献】
【0007】
【特許文献1】特開２０１１－１９４７３４号公報
【特許文献2】特開２０１９－１３７０４８号公報
【特許文献3】特開２０２１－０９４８５３号公報
【発明の概要】
【発明が解決しようとする課題】
【0008】
ところが、数値的解析を用いる従来の手法によれば、様々なパラメータを設定する必要がある。例えば、不吐出や形状不良の検出に用いる濃度の閾値や横飛びの検出に用いる距離の閾値などを印刷条件を考慮して設定する必要がある。印刷条件によって印刷媒体へのインクの着弾や浸透の状態が変化するので、印刷条件を考慮して様々なパラメータを適宜に設定することは困難であり多大な手間を要する。また、教師あり学習を用いる手法によれば、吐出不良が生じている状態の画像の撮像データ（以下、「不良データ」という。）を多数用意する必要があるが、吐出不良はまれにしか生じないため、学習データとして十分な数の不良データを収集することは極めて困難である。
【0009】
そこで、本発明は、インクジェット印刷装置に関し、学習データの生成・収集やパラメータの設定のために多大な手間を要することなくノズルの吐出不良を精度良く検出できるようにすることを目的とする。
【課題を解決するための手段】
【0010】
第１の発明は、所定の搬送方向に搬送される印刷媒体にインクを吐出する複数のノズルを含むヘッドユニットを備えた印刷装置におけるノズルの吐出不良を検出する吐出不良検出方法であって、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像を用意する学習用画像準備ステップと、
前記複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成ステップと、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンを前記印刷装置に印刷させるテストパターン印刷ステップと、
前記テストパターン印刷ステップで得られた印刷画像を撮像する撮像ステップと、
前記撮像ステップで得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出しステップと、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する吐出不良判定ステップと
を含み、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする。
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像を用意する学習用画像準備ステップと、
前記複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成ステップと、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンを前記印刷装置に印刷させるテストパターン印刷ステップと、
前記テストパターン印刷ステップで得られた印刷画像を撮像する撮像ステップと、
前記撮像ステップで得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出しステップと、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する吐出不良判定ステップと
を含み、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする。
【0011】
第２の発明は、第１の発明において、
前記モデル生成ステップでは、印刷条件毎に教師なし学習が行われることによって印刷条件毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときの印刷条件に対応する前記学習済みモデルが使用されることを特徴とする。
前記モデル生成ステップでは、印刷条件毎に教師なし学習が行われることによって印刷条件毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときの印刷条件に対応する前記学習済みモデルが使用されることを特徴とする。
【0012】
第３の発明は、第１の発明において、
前記モデル生成ステップでは、１または２以上の印刷条件を印刷条件グループとして、印刷条件グループ毎に教師なし学習が行われることによって印刷条件グループ毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときの印刷条件を含む印刷条件グループに対応する前記学習済みモデルが使用されることを特徴とする。
前記モデル生成ステップでは、１または２以上の印刷条件を印刷条件グループとして、印刷条件グループ毎に教師なし学習が行われることによって印刷条件グループ毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときの印刷条件を含む印刷条件グループに対応する前記学習済みモデルが使用されることを特徴とする。
【0013】
第４の発明は、第１の発明において、
前記モデル生成ステップでは、インクの種類毎に教師なし学習が行われることによってインクの種類毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときに使用されたインクの種類に対応する前記学習済みモデルが使用されることを特徴とする。
前記モデル生成ステップでは、インクの種類毎に教師なし学習が行われることによってインクの種類毎に前記学習済みモデルが生成され、
前記吐出不良判定ステップでは、前記テストパターン印刷ステップで前記テストパターンが印刷されたときに使用されたインクの種類に対応する前記学習済みモデルが使用されることを特徴とする。
【0014】
第５の発明は、第１の発明において、
前記画像切り出しステップでは、前記テストパターンの設計情報に基づき各ノズルからインクが吐出されることが想定される位置を暫定吐出位置として、前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記暫定吐出位置を基準にして前記撮像画像から切り出されることを特徴とする。
前記画像切り出しステップでは、前記テストパターンの設計情報に基づき各ノズルからインクが吐出されることが想定される位置を暫定吐出位置として、前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記暫定吐出位置を基準にして前記撮像画像から切り出されることを特徴とする。
【0015】
第６の発明は、第５の発明において、
前記画像切り出しステップでは、
前記撮像画像に含まれる２つの位置マークの位置と当該２つの位置マークの間に相当する領域にインクを吐出すべきノズルの数とに基づいて前記搬送方向とは直交する方向についての隣接する２つのノズル間の距離であるノズルピッチが求められ、
各ノズルについての前記暫定吐出位置が前記ノズルピッチを用いて求められることを特徴とする。
前記画像切り出しステップでは、
前記撮像画像に含まれる２つの位置マークの位置と当該２つの位置マークの間に相当する領域にインクを吐出すべきノズルの数とに基づいて前記搬送方向とは直交する方向についての隣接する２つのノズル間の距離であるノズルピッチが求められ、
各ノズルについての前記暫定吐出位置が前記ノズルピッチを用いて求められることを特徴とする。
【0016】
第７の発明は、第１の発明において、
前記画像切り出しステップでは、
前記撮像画像に基づいて各ノズルから実際にインクが吐出されている実吐出位置が求められ、
前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記実吐出位置を基準にして前記撮像画像から切り出されることを特徴とする。
前記画像切り出しステップでは、
前記撮像画像に基づいて各ノズルから実際にインクが吐出されている実吐出位置が求められ、
前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記実吐出位置を基準にして前記撮像画像から切り出されることを特徴とする。
【0017】
第８の発明は、第７の発明において、
前記画像切り出しステップは、
Ｋを２以上の整数として、各分割画像が前記搬送方向に関して１個のノズルに対応するよう、前記撮像画像を前記搬送方向にＫ個に分割する撮像画像分割ステップと、
前記撮像画像分割ステップで得られたＫ個の分割画像のそれぞれについて、前記搬送方向に含まれる複数の画素のデータの平均値を算出する平均値算出ステップと、
前記平均値算出ステップで算出された平均値に基づいて各ノズルについての前記実吐出位置を求める実吐出位置特定ステップと
を含むことを特徴とする。
前記画像切り出しステップは、
Ｋを２以上の整数として、各分割画像が前記搬送方向に関して１個のノズルに対応するよう、前記撮像画像を前記搬送方向にＫ個に分割する撮像画像分割ステップと、
前記撮像画像分割ステップで得られたＫ個の分割画像のそれぞれについて、前記搬送方向に含まれる複数の画素のデータの平均値を算出する平均値算出ステップと、
前記平均値算出ステップで算出された平均値に基づいて各ノズルについての前記実吐出位置を求める実吐出位置特定ステップと
を含むことを特徴とする。
【0018】
第９の発明は、第１の発明において、
前記画像切り出しステップでは、各ノズルからインクが吐出される理想的な位置を理想吐出位置として、前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記理想吐出位置を基準にして前記撮像画像から切り出されることを特徴とする。
前記画像切り出しステップでは、各ノズルからインクが吐出される理想的な位置を理想吐出位置として、前記複数の部分画像のそれぞれが、対応するＮ個のノズルのうちの所定の１つについての前記理想吐出位置を基準にして前記撮像画像から切り出されることを特徴とする。
【0019】
第１０の発明は、第９の発明において、
前記複数のノズルのうち前記理想吐出位置を求める対象のノズルを着目ノズルとして、前記画像切り出しステップは、
前記テストパターンの設計情報に基づき前記着目ノズルおよび前記着目ノズルの近傍の所定数のノズルからインクが吐出されることが想定される位置を暫定吐出位置として求める暫定吐出位置算出ステップと、
前記撮像画像に基づいて、前記着目ノズルの近傍の前記所定数のノズルから実際にインクが吐出されている実吐出位置を求める実吐出位置算出ステップと、
前記着目ノズルの近傍の前記所定数のノズルのそれぞれについて前記暫定吐出位置と前記実吐出位置との差分を算出する差分算出ステップと、
前記差分算出ステップで算出された差分の平均値を算出する差分平均算出ステップと、
前記着目ノズルについての前記暫定吐出位置に前記差分平均算出ステップで算出された平均値を加算することによって前記着目ノズルについての前記理想吐出位置を求める理想吐出位置特定ステップと
を含むことを特徴とする。
前記複数のノズルのうち前記理想吐出位置を求める対象のノズルを着目ノズルとして、前記画像切り出しステップは、
前記テストパターンの設計情報に基づき前記着目ノズルおよび前記着目ノズルの近傍の所定数のノズルからインクが吐出されることが想定される位置を暫定吐出位置として求める暫定吐出位置算出ステップと、
前記撮像画像に基づいて、前記着目ノズルの近傍の前記所定数のノズルから実際にインクが吐出されている実吐出位置を求める実吐出位置算出ステップと、
前記着目ノズルの近傍の前記所定数のノズルのそれぞれについて前記暫定吐出位置と前記実吐出位置との差分を算出する差分算出ステップと、
前記差分算出ステップで算出された差分の平均値を算出する差分平均算出ステップと、
前記着目ノズルについての前記暫定吐出位置に前記差分平均算出ステップで算出された平均値を加算することによって前記着目ノズルについての前記理想吐出位置を求める理想吐出位置特定ステップと
を含むことを特徴とする。
【0020】
第１１の発明は、第１の発明において、
前記学習用画像準備ステップは、
前記テストパターンと前記複数のノズルからインクが吐出されることによって形成されるべき全体が一定濃度であるチントパターンとを前記印刷装置に印刷させる学習前印刷ステップと、
前記チントパターンに対応する撮像画像である第１の部分撮像画像と前記テストパターンに対応する撮像画像である第２の部分撮像画像とが得られるよう、前記学習前印刷ステップで得られた印刷画像を撮像する学習前撮像ステップと、
前記学習前撮像ステップで得られた前記第１の部分撮像画像のうちの異常部分を除く部分をチント正常部として、前記第２の部分撮像画像のうちの前記チント正常部に対応する部分から前記複数の学習用画像を抽出する学習用画像抽出ステップと
を含むことを特徴とする。
前記学習用画像準備ステップは、
前記テストパターンと前記複数のノズルからインクが吐出されることによって形成されるべき全体が一定濃度であるチントパターンとを前記印刷装置に印刷させる学習前印刷ステップと、
前記チントパターンに対応する撮像画像である第１の部分撮像画像と前記テストパターンに対応する撮像画像である第２の部分撮像画像とが得られるよう、前記学習前印刷ステップで得られた印刷画像を撮像する学習前撮像ステップと、
前記学習前撮像ステップで得られた前記第１の部分撮像画像のうちの異常部分を除く部分をチント正常部として、前記第２の部分撮像画像のうちの前記チント正常部に対応する部分から前記複数の学習用画像を抽出する学習用画像抽出ステップと
を含むことを特徴とする。
【0021】
第１２の発明は、第１の発明において、
前記入力データおよび前記出力データは、複数の画素のデータによって構成され、
前記吐出不良判定ステップは、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを前記入力データとして与えて前記出力データを得る自己符号化ステップと、
前記入力データと前記出力データとの平均２乗誤差を算出する誤差算出ステップと、
前記平均２乗誤差と前記閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する比較判定ステップと
を含み、
前記比較判定ステップでは、前記平均２乗誤差が前記閾値よりも大きければ、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれていると判定されることを特徴とする。
前記入力データおよび前記出力データは、複数の画素のデータによって構成され、
前記吐出不良判定ステップは、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを前記入力データとして与えて前記出力データを得る自己符号化ステップと、
前記入力データと前記出力データとの平均２乗誤差を算出する誤差算出ステップと、
前記平均２乗誤差と前記閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する比較判定ステップと
を含み、
前記比較判定ステップでは、前記平均２乗誤差が前記閾値よりも大きければ、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれていると判定されることを特徴とする。
【0022】
第１３の発明は、第１の発明において、
前記学習用画像準備ステップでは、それぞれが１個のノズルからインクが吐出されることによって形成される前記複数の学習用画像が用意され、
前記画像切り出しステップでは、それぞれが１個のノズルに対応する前記複数の部分画像が前記撮像画像から切り出されることを特徴とする。
前記学習用画像準備ステップでは、それぞれが１個のノズルからインクが吐出されることによって形成される前記複数の学習用画像が用意され、
前記画像切り出しステップでは、それぞれが１個のノズルに対応する前記複数の部分画像が前記撮像画像から切り出されることを特徴とする。
【0023】
第１４の発明は、第１から第１３までのいずれかの発明において、
前記吐出不良検出方法は、前記複数のノズルからのインクの吐出を制御するための印刷データを前記吐出不良判定ステップで得られた結果に基づきノズルの吐出不良が補償されるように補正する印刷データ補正ステップを更に含むことを特徴とする。
前記吐出不良検出方法は、前記複数のノズルからのインクの吐出を制御するための印刷データを前記吐出不良判定ステップで得られた結果に基づきノズルの吐出不良が補償されるように補正する印刷データ補正ステップを更に含むことを特徴とする。
【0024】
第１５の発明は、所定の搬送方向に搬送される印刷媒体にインクを吐出する複数のノズルを含むヘッドユニットと、印刷画像を撮像する撮像装置と、前記複数のノズルからのインクの吐出および前記撮像装置による前記印刷画像の撮像を制御する制御部とを備えた印刷装置であって、
前記制御部は、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成部と、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンの印刷画像を前記撮像装置が撮像することによって得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出し部と、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かの判定を行う吐出不良判定部と
を含み、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする。
前記制御部は、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成部と、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンの印刷画像を前記撮像装置が撮像することによって得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出し部と、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かの判定を行う吐出不良判定部と
を含み、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする。
【0025】
第１６の発明は、第１５の発明において、
前記ヘッドユニットは、前記搬送方向の上流側に配置された上流側インク吐出ヘッドと前記搬送方向の下流側に配置された下流側インク吐出ヘッドとを含み、
前記モデル生成部は、前記上流側インク吐出ヘッドに含まれるノズルに対応する画像と前記下流側インク吐出ヘッドに含まれるノズルに対応する画像とで別々に教師なし学習を行うことによって、前記上流側インク吐出ヘッドに対応する学習済みモデルと前記下流側インク吐出ヘッドに対応する学習済みモデルとを生成し、
前記画像切り出し部によって切り出される前記複数の部分画像のそれぞれは、１個のノズルに対応し、
前記吐出不良判定部は、
前記入力データに対応するノズルが前記上流側インク吐出ヘッドに含まれていれば、前記上流側インク吐出ヘッドに対応する前記学習済みモデルを構成する前記オートエンコーダに前記入力データを与え、
前記入力データに対応するノズルが前記下流側インク吐出ヘッドに含まれていれば、前記下流側インク吐出ヘッドに対応する前記学習済みモデルを構成する前記オートエンコーダに前記入力データを与えることを特徴とする。
前記ヘッドユニットは、前記搬送方向の上流側に配置された上流側インク吐出ヘッドと前記搬送方向の下流側に配置された下流側インク吐出ヘッドとを含み、
前記モデル生成部は、前記上流側インク吐出ヘッドに含まれるノズルに対応する画像と前記下流側インク吐出ヘッドに含まれるノズルに対応する画像とで別々に教師なし学習を行うことによって、前記上流側インク吐出ヘッドに対応する学習済みモデルと前記下流側インク吐出ヘッドに対応する学習済みモデルとを生成し、
前記画像切り出し部によって切り出される前記複数の部分画像のそれぞれは、１個のノズルに対応し、
前記吐出不良判定部は、
前記入力データに対応するノズルが前記上流側インク吐出ヘッドに含まれていれば、前記上流側インク吐出ヘッドに対応する前記学習済みモデルを構成する前記オートエンコーダに前記入力データを与え、
前記入力データに対応するノズルが前記下流側インク吐出ヘッドに含まれていれば、前記下流側インク吐出ヘッドに対応する前記学習済みモデルを構成する前記オートエンコーダに前記入力データを与えることを特徴とする。
【0026】
第１７の発明は、第１５の発明において、
前記制御部は、更に、前記複数の学習用画像を生成する学習用画像生成部を含み、
前記テストパターンの印刷画像と前記複数のノズルからインクが吐出されることによって形成されるべき全体が一定濃度であるチントパターンの印刷画像とを前記撮像装置が撮像することにより、前記チントパターンに対応する撮像画像である第１の部分撮像画像と前記テストパターンに対応する撮像画像である第２の部分撮像画像とが得られ、
前記学習用画像生成部は、前記第１の部分撮像画像のうちの異常部分を除く部分をチント正常部として、前記第２の部分撮像画像のうちの前記チント正常部に対応する部分から前記複数の学習用画像を抽出することを特徴とする。
前記制御部は、更に、前記複数の学習用画像を生成する学習用画像生成部を含み、
前記テストパターンの印刷画像と前記複数のノズルからインクが吐出されることによって形成されるべき全体が一定濃度であるチントパターンの印刷画像とを前記撮像装置が撮像することにより、前記チントパターンに対応する撮像画像である第１の部分撮像画像と前記テストパターンに対応する撮像画像である第２の部分撮像画像とが得られ、
前記学習用画像生成部は、前記第１の部分撮像画像のうちの異常部分を除く部分をチント正常部として、前記第２の部分撮像画像のうちの前記チント正常部に対応する部分から前記複数の学習用画像を抽出することを特徴とする。
【0027】
第１８の発明は、第１５の発明において、
前記入力データおよび前記出力データは、複数の画素のデータによって構成され、
前記吐出不良判定部は、
前記複数の部分画像のそれぞれを前記入力データとして受け取って前記出力データを出力する、前記オートエンコーダからなる自己符号化部と、
前記入力データと前記出力データとの平均２乗誤差を算出する誤差算出部と、
前記平均２乗誤差と前記閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する比較判定部と
を含み、
前記比較判定部は、前記平均２乗誤差が前記閾値よりも大きければ、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれていると判定することを特徴とする。
前記入力データおよび前記出力データは、複数の画素のデータによって構成され、
前記吐出不良判定部は、
前記複数の部分画像のそれぞれを前記入力データとして受け取って前記出力データを出力する、前記オートエンコーダからなる自己符号化部と、
前記入力データと前記出力データとの平均２乗誤差を算出する誤差算出部と、
前記平均２乗誤差と前記閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する比較判定部と
を含み、
前記比較判定部は、前記平均２乗誤差が前記閾値よりも大きければ、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれていると判定することを特徴とする。
【0028】
第１９の発明は、第１５から第１８までのいずれかの発明において、
前記制御部は、更に、前記複数のノズルからのインクの吐出を制御するための印刷データを前記吐出不良判定部によって行われた判定の結果に基づきノズルの吐出不良が補償されるように補正する印刷データ補正部を含むことを特徴とする。
前記制御部は、更に、前記複数のノズルからのインクの吐出を制御するための印刷データを前記吐出不良判定部によって行われた判定の結果に基づきノズルの吐出不良が補償されるように補正する印刷データ補正部を含むことを特徴とする。
【0029】
第２０の発明は、所定の搬送方向に搬送される印刷媒体にインクを吐出する複数のノズルを含むヘッドユニットと印刷画像を撮像する撮像装置とを備えた印刷装置におけるノズルの吐出不良を検出する吐出不良検出プログラムであって、
前記印刷装置に含まれるコンピュータに、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成ステップと、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンを前記印刷装置に印刷させるテストパターン印刷ステップと、
前記テストパターン印刷ステップで得られた印刷画像を前記撮像装置に撮像させる撮像ステップと、
前記撮像ステップで得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出しステップと、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する吐出不良判定ステップと
を実行させ、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする。
前記印刷装置に含まれるコンピュータに、
Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像をオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、前記オートエンコーダにより構成された学習済みモデルを生成するモデル生成ステップと、
前記複数のノズルからインクが吐出されることによって形成されるべきテストパターンを前記印刷装置に印刷させるテストパターン印刷ステップと、
前記テストパターン印刷ステップで得られた印刷画像を前記撮像装置に撮像させる撮像ステップと、
前記撮像ステップで得られた撮像画像からそれぞれがＮ個のノズルに対応する複数の部分画像を切り出す画像切り出しステップと、
前記学習済みモデルを構成する前記オートエンコーダに前記複数の部分画像のそれぞれを入力データとして与え、前記オートエンコーダからの出力データと前記入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、前記入力データに対応するＮ個のノズルの中に吐出不良状態のノズルが含まれているか否かを判定する吐出不良判定ステップと
を実行させ、
前記複数の学習用画像には、ノズルの吐出不良を表す画像が含まれていないことを特徴とする。
【発明の効果】
【0030】
上記第１の発明によれば、良好な吐出状態を表す画像のみを用いてオートエンコーダによる教師なし学習を行うことによって、ノズルの吐出不良を検出するための学習済みモデルが生成される。これにより、学習済みモデルを構成するオートエンコーダに与える入力データが吐出不良が生じていない画像であれば入力データと出力データとの誤差（入力データと出力データとに基づき求められる値）は小さくなり、学習済みモデルを構成するオートエンコーダに与える入力データが吐出不良が生じている画像であれば入力データと出力データとの誤差は大きくなる。従って、誤差と比較するための閾値をパラメータとして設定すれば、他のパラメータの設定を要することなく、オートエンコーダに入力データとして与えられた各部分画像に対応するＮ個のノズル（１個以上のノズル）の中に吐出不良状態のノズルが含まれているか否かを判定することができる。また、吐出不良はまれにしか生じないが、学習データ（学習用画像）として必要とされるのは良好な吐出状態を表す画像のみである（複数の学習用画像には、ノズルの吐出不良を表す画像は含まれない）ので、十分な数の学習データを容易に収集することができる。以上より、インクを吐出する複数のノズルを含むヘッドユニットを備えた印刷装置に関し、学習データの生成・収集やパラメータの設定のために多大な手間を要することなくノズルの吐出不良を精度良く検出することが可能となる。また、パラメータの設定の不十分さに起因して吐出不良の検出漏れが生じるということが抑制されるので、再印刷による印刷媒体やインクの無駄な消費が抑制される。このように、ＳＤＧｓ（持続可能な開発目標）の達成に貢献することができる。
【0031】
上記第２の発明によれば、ノズルの吐出不良の有無の判断の際に印刷条件が考慮されるので、より精度良くノズルの吐出不良を検出することが可能となる。
【0032】
上記第３の発明によれば、上記第２の発明と同様の効果が得られる。
【0033】
上記第４の発明によれば、ノズルの吐出不良の有無の判断の際にインクの種類が考慮されるので、より精度良くノズルの吐出不良を検出することが可能となる。
【0034】
上記第５の発明によれば、撮像画像から部分画像を切り出す際に基準とする位置を比較的容易に設定することができる。
【0035】
上記第６の発明によれば、上記第５の発明と同様の効果が得られる。
【0036】
上記第７の発明によれば、比較的少ない数の学習データで吐出不良のうちの形状不良を精度良く検出することが可能となる。
【0037】
上記第８の発明によれば、上記第７の発明と同様の効果が得られる。
【0038】
上記第９の発明によれば、撮像画像から部分画像を切り出す際の切り出し範囲に関わらず、吐出不良としての不吐出、形状不良、および横飛びを検出することが可能となる。
【0039】
上記第１０の発明によれば、上記第９の発明と同様の効果が得られる。
【0040】
上記第１１の発明によれば、学習データを効率的に収集することが可能となる。
【0041】
上記第１２の発明によれば、例えば過去の検査等で得られた平均２乗誤差のデータを参照して閾値を設定しておけば、ノズルの吐出不良が精度良く検出される。
【0042】
上記第１３の発明によれば、複数のノズルに対応する画像を学習用画像として用いる場合に比べて、オートエンコーダの入出力データのサイズ（画像サイズ）が小さくなるので、処理負荷が小さくなる。また、撮像画像から部分画像を切り出す際に基準とする位置が定められていなくても、ノズルの吐出不良を比較的精度良く検出することが可能となる。
【0043】
上記第１４の発明によれば、たとえ吐出不良状態のノズルが存在していても、吐出不良が補償されるように印刷データが補正されるので、高品質の印刷物が得られる。
【0044】
上記第１５の発明によれば、上記第１の発明と同様の効果が得られる。
【0045】
上記第１６の発明によれば、上流側インク吐出ヘッドと下流側インク吐出ヘッドとを含むヘッドユニットを備えた印刷装置において、ノズルの吐出不良の有無の判断の際に上流側インク吐出ヘッドと下流側インク吐出ヘッドとの状態の違いが考慮されるので、より精度良くノズルの吐出不良を検出することが可能となる。
【0046】
上記第１７の発明によれば、学習データを効率的に収集することが可能となる。
【0047】
上記第１８の発明によれば、例えば過去の検査等で得られた平均２乗誤差のデータを参照して閾値を設定しておけば、ノズルの吐出不良が精度良く検出される。
【0048】
上記第１９の発明によれば、たとえ吐出不良状態のノズルが存在していても、吐出不良が補償されるように印刷データが補正されるので、高品質の印刷物が得られる。
【0049】
上記第２０の発明によれば、上記第１の発明と同様の効果が得られる。
【図面の簡単な説明】
【0050】
【図1】本発明の考え方について説明するための図である。
【図2】本発明の考え方について説明するための図である。
【図3】本発明の考え方について説明するための図である。
【図4】本発明の一実施形態に係る印刷システムの全体構成図である。
【図5】上記実施形態におけるインクジェット印刷装置の一構成例を示す模式図である。
【図6】上記実施形態における記録部の一構成例を示す平面図である。
【図7】上記実施形態において、インク吐出ヘッドにおけるノズルの配置について説明するための図である。
【図8】上記実施形態における印刷制御装置のハードウェア構成を示すブロック図である。
【図9】上記実施形態において、印刷制御装置で印刷制御プログラムが実行されることによって実現される制御部の機能的構成を示すブロック図である。
【図10】上記実施形態において、学習処理時に印刷される検査チャートの一例を示す図である。
【図11】上記実施形態において、推論処理時に印刷される検査チャートの一例を示す図である。
【図12】上記実施形態における吐出不良検出部の詳細な構成を示すブロック図である（各部分画像が１個のノズルに対応するケース）。
【図13】上記実施形態において、吐出不良ノズルが存在している場合の検査チャートの印刷画像の一例を示す図である。
【図14】上記実施形態における吐出不良検出部の詳細な構成を示すブロック図である（各部分画像が２個以上のノズルに対応するケース）。
【図15】上記実施形態におけるオートエンコーダの構造の一例を示す図である。
【図16】上記実施形態において、吐出不良ノズルを検出する一連の処理の手順を示すフローチャートである。
【図17】上記実施形態において、学習データ（学習用画像）の準備についての詳細な手順を示すフローチャートである。
【図18】上記実施形態において、パラメータとしての閾値の設定について説明するための図である。
【図19】上記実施形態において、パラメータとしての閾値の設定について説明するための図である。
【図20】上記実施形態において、主走査方向に連続する複数のノズルに対応する範囲の画像を切り出す例について説明するための図である。
【図21】上記実施形態において、副走査方向に連続する複数のノズルに対応する範囲の画像を切り出す例について説明するための図である。
【図22】上記実施形態において、主走査方向および副走査方向の双方について連続する複数のノズルに対応する範囲の画像を切り出す例について説明するための図である。
【図23】上記実施形態において、暫定吐出位置の求め方について説明するための図である。
【図24】上記実施形態において、実吐出位置を求める手順を示すフローチャートである。
【図25】上記実施形態において、撮像画像の分割について説明するための図である。
【図26】上記実施形態において、撮像画像を分割する際のトリミングについて説明するための図である。
【図27】上記実施形態において、分割画像のそれぞれについての複数の画素のデータの平均値の算出について説明するための図である。
【図28】上記実施形態において、不吐出ノズルが存在する場合における実吐出位置の求め方について説明するための図である。
【図29】上記実施形態において、不吐出ノズルが存在する場合における実吐出位置の求め方について説明するための図である。
【図30】上記実施形態において、理想吐出位置を求める手順を示すフローチャートである。
【図31】上記実施形態において、テストチャートの撮像画像のうちの最上段および最下段の画像の複写について説明するための図である。
【図32】上記実施形態において、処理時間優先切り出し手法について説明するための図である。
【図33】上記実施形態において、部分画像を複数のノズル単位画像に分割することについて説明するための図である。
【図34】上記実施形態において、精度優先切り出し手法について説明するための図である。
【図35】上記実施形態において、精度優先切り出し手法が採用されている場合の吐出不良ノズルの特定について説明するための図である。
【図36】上記実施形態において、精度優先切り出し手法が採用されている場合の吐出不良ノズルの特定について説明するための図である。
【図37】上記実施形態において、画像の切り出し範囲と切り出し基準位置との組み合わせと検出可能な吐出不良の種類との関係について説明するための図である。
【図38】上記実施形態の第３の変形例における記録部の一構成例を示す平面図である。
【図39】上記第３の変形例におけるヘッドユニットの詳細な構成を示す図である。
【図40】上記第３の変形例における教師なし学習の実行について説明するための図である。
【図41】不吐出について説明するための図である。
【図42】形状不良について説明するための図である。
【図43】横飛びについて説明するための図である。
【図44】寸法的な横飛びについて説明するための図である。
【図45】品質に影響を与える横飛びについて説明するための図である。
【発明を実施するための形態】
【0051】
＜１．本発明の考え方＞
本発明の実施形態について説明する前に、本発明の考え方について説明する。機械学習に用いるニューラルネットワークの１つとしてオートエンコーダが知られている。オートエンコーダを用いた学習は、出力データができるだけ入力データに近づくように行われる。ここで、正常なデータと異常なデータとが存在する場合において多数の正常なデータのみを用いてオートエンコーダの学習が行われると、学習済みのオートエンコーダからは次のように出力データが出力される。正常なデータが入力データとしてオートエンコーダに与えられると、オートエンコーダからは正常なデータが出力データとして出力される。このとき、入力データと出力データとの誤差は極めて小さい。これに対して、異常なデータが入力データとしてオートエンコーダに与えられると、オートエンコーダからは異常なデータを正常なデータに近づけたデータが出力データとして出力される。このとき、入力データと出力データとの誤差は大きい。このような誤差の違いを考慮すると、異常なデータの検出にオートエンコーダを利用することができる。
本発明の実施形態について説明する前に、本発明の考え方について説明する。機械学習に用いるニューラルネットワークの１つとしてオートエンコーダが知られている。オートエンコーダを用いた学習は、出力データができるだけ入力データに近づくように行われる。ここで、正常なデータと異常なデータとが存在する場合において多数の正常なデータのみを用いてオートエンコーダの学習が行われると、学習済みのオートエンコーダからは次のように出力データが出力される。正常なデータが入力データとしてオートエンコーダに与えられると、オートエンコーダからは正常なデータが出力データとして出力される。このとき、入力データと出力データとの誤差は極めて小さい。これに対して、異常なデータが入力データとしてオートエンコーダに与えられると、オートエンコーダからは異常なデータを正常なデータに近づけたデータが出力データとして出力される。このとき、入力データと出力データとの誤差は大きい。このような誤差の違いを考慮すると、異常なデータの検出にオートエンコーダを利用することができる。
【0052】
ここで、例えば、１ノズル分のテストパターンの正常な印刷画像が図１で符号１７０を付した矩形部分に示すような画像であると仮定する。なお、図１において黒色の網掛け部分がインクで塗られた部分である。図２で符号１８１を付した矩形部分に示すような画像（吐出不良が生じていない画像）が入力データとして学習済みのオートエンコーダに与えられると、当該学習済みのオートエンコーダからは図２で符号１８２を付した矩形部分に示すような画像に相当する出力データが出力される。このとき、入力データと出力データとの誤差は極めて小さい。これに対して、図３で符号１９１を付した矩形部分に示すような画像（吐出不良が生じている画像）が入力データとして学習済みのオートエンコーダに与えられると、当該学習済みのオートエンコーダからは例えば図３で符号１９２を付した矩形部分に示すような画像に相当する出力データが出力される。このとき、入力データと出力データとの誤差は大きい。以上のように、吐出不良が生じているときには入力データと出力データとの誤差が大きくなる。これを利用して、吐出不良ノズルを検出することができる。
【0053】
そこで、以下の実施形態では、各ノズルからのインクの吐出状態を検査するためのテストパターンの印刷画像を撮像装置で撮像することによって得られた撮像画像のうち正常な画像（吐出不良が生じていない画像）のみを用いてオートエンコーダの学習を行い、その後、学習済みのオートエンコーダに検査対象の画像を入力データとして与える。そして、学習済みのオートエンコーダへの入力データと当該学習済みのオートエンコーダからの出力データとの誤差に基づいて、検査対象の画像に対応する１個以上のノズルの中に吐出不良ノズルが含まれているか否かを判断する。
【0054】
上記を踏まえ、以下、添付図面を参照しつつ本発明の一実施形態について説明する。
【0055】
＜２．印刷システムの全体構成＞
図４は、本発明の一実施形態に係る印刷システムの全体構成図である。この印刷システムは、インクジェット印刷装置１０と印刷データ生成装置３０とによって構成されている。インクジェット印刷装置１０と印刷データ生成装置３０とはＬＡＮ４によって互いに接続されている。印刷データ生成装置３０は、ＰＤＦファイルなどの入稿データに対してＲＩＰ処理等を施して印刷データを生成する。印刷データ生成装置３０で生成された印刷データは、ＬＡＮ４を介してインクジェット印刷装置１０に送信される。インクジェット印刷装置１０は、印刷機本体２００と、印刷機本体２００の動作を制御する印刷制御装置１００とによって構成されている。インクジェット印刷装置１０は、印刷版を用いることなく、印刷データ生成装置３０から送信された印刷データに基づいて、印刷媒体としての印刷用紙に印刷画像を出力する。なお、印刷用紙以外の印刷媒体（例えば、フィルム）が使用される場合にも本発明を適用することができる。
図４は、本発明の一実施形態に係る印刷システムの全体構成図である。この印刷システムは、インクジェット印刷装置１０と印刷データ生成装置３０とによって構成されている。インクジェット印刷装置１０と印刷データ生成装置３０とはＬＡＮ４によって互いに接続されている。印刷データ生成装置３０は、ＰＤＦファイルなどの入稿データに対してＲＩＰ処理等を施して印刷データを生成する。印刷データ生成装置３０で生成された印刷データは、ＬＡＮ４を介してインクジェット印刷装置１０に送信される。インクジェット印刷装置１０は、印刷機本体２００と、印刷機本体２００の動作を制御する印刷制御装置１００とによって構成されている。インクジェット印刷装置１０は、印刷版を用いることなく、印刷データ生成装置３０から送信された印刷データに基づいて、印刷媒体としての印刷用紙に印刷画像を出力する。なお、印刷用紙以外の印刷媒体（例えば、フィルム）が使用される場合にも本発明を適用することができる。
【0056】
＜３．インクジェット印刷装置の印刷機本体の構成＞
図５は、インクジェット印刷装置１０の一構成例を示す模式図である。上述したように、このインクジェット印刷装置１０は、印刷制御装置１００と印刷機本体２００とによって構成されている。
図５は、インクジェット印刷装置１０の一構成例を示す模式図である。上述したように、このインクジェット印刷装置１０は、印刷制御装置１００と印刷機本体２００とによって構成されている。
【0057】
印刷機本体２００は、印刷用紙（この例では、ロール状の印刷用紙）５を印刷機構２０１に供給する用紙送出部２０２と、印刷用紙５への印刷を行う印刷機構２０１と、印刷後の印刷用紙５をロール状に巻き取る用紙巻取部２０８とを備えている。
【0058】
印刷機構２０１は、印刷用紙５を内部へと搬送するための第１の駆動ローラ２０３と、印刷機構２０１の内部で印刷用紙５を搬送するための複数個の支持ローラ２０４と、印刷用紙５に印刷画像を記録する記録部２０５と、印刷画像が記録された印刷用紙５を乾燥させる乾燥機構２０６と、印刷用紙５を印刷機構２０１の内部から出力するための第２の駆動ローラ２０７とを備えている。記録部２０５は、Ｋ色（黒色）のインクを吐出するＫ色用ヘッドユニット２５Ｋと、Ｃ色（シアン色）のインクを吐出するＣ色用ヘッドユニット２５Ｃと、Ｍ色（マゼンタ色）のインクを吐出するＭ色用ヘッドユニット２５Ｍと、Ｙ色（黄色）のインクを吐出するＹ色用ヘッドユニット２５Ｙとによって構成されている。また、印刷機構２０１の内部には、記録部２０５により印刷用紙５に記録された印刷画像を撮像する撮像装置としてのインラインスキャナ４０が含まれている。インラインスキャナ４０により得られた撮像データは、印刷制御装置１００に送られる。なお、以下においては、ヘッドユニットから吐出されるインクの色を区別しない場合、ヘッドユニットには符号２５を付す。
【0059】
図６は、記録部２０５の一構成例を示す平面図である。図６に示すように、記録部２０５は、印刷用紙５の搬送方向（副走査方向）に列置されたＫ色用ヘッドユニット２５Ｋ、Ｃ色用ヘッドユニット２５Ｃ、Ｍ色用ヘッドユニット２５Ｍ、およびＹ色用ヘッドユニット２５Ｙから構成されている。各ヘッドユニット２５は、千鳥状に配置された複数個のインク吐出ヘッド（印刷ヘッド）２５１により構成されている。各インク吐出ヘッド２５１には、インクを吐出する多数のノズル（図６では不図示）が含まれている。Ｋ色用ヘッドユニット２５Ｋに含まれるインク吐出ヘッド２５１の各ノズルはＫ色のインクを吐出し、Ｃ色用ヘッドユニット２５Ｃに含まれるインク吐出ヘッド２５１の各ノズルはＣ色のインクを吐出し、Ｍ色用ヘッドユニット２５Ｍに含まれるインク吐出ヘッド２５１の各ノズルはＭ色のインクを吐出し、Ｙ色用ヘッドユニット２５Ｙに含まれるインク吐出ヘッド２５１の各ノズルはＹ色のインクを吐出する。
【0060】
図７は、インク吐出ヘッド２５１におけるノズルの配置について説明するための図である。典型的には、インク吐出ヘッド２５１には、それぞれが主走査方向（印刷用紙５の搬送方向とは直交する方向）に並べて配置された複数のノズルからなる複数列のノズル群が含まれている。図７に示す例では、４列のノズル群がインク吐出ヘッド２５１に含まれている。図７において符号４１を付した部分には、各ノズルから吐出されたインクの印刷用紙５上における着弾位置を模式的に示している。１列目のノズル群に含まれるノズルから吐出されるインクの着弾位置と２列目のノズル群に含まれるノズルから吐出されるインクの着弾位置と３列目のノズル群に含まれるノズルから吐出されるインクの着弾位置と４列目のノズル群に含まれるノズルから吐出されるインクの着弾位置とは互いに異なる位置となるように、インク吐出ヘッド２５１内の複数のノズルは配置されている。例えば、１列目のノズル群に含まれる各ノズルから吐出されるインクの着弾位置は、３列目のノズル群に含まれるノズルから吐出されるインクの着弾位置と４列目のノズル群に含まれるノズルから吐出されるインクの着弾位置との間の位置である。図７に示す例では、符号２５２（ｐ）を付したノズルから吐出されるインクの着弾位置４２は、符号２５２（ｑ）を付したノズルから吐出されるインクの着弾位置４３と符号２５２（ｒ）を付したノズルから吐出されるインクの着弾位置４４との間の位置である。
【0061】
＜４．印刷制御装置の構成＞
＜４．１ ハードウェア構成＞
図８は、印刷制御装置１００のハードウェア構成を示すブロック図である。図８に示すように、印刷制御装置１００は、本体１１０、補助記憶装置１２１、光ディスクドライブ１２２、表示部１２３、キーボード１２４、およびマウス１２５などを備えている。本体１１０は、ＣＰＵ１１１、メモリ１１２、第１ディスクインタフェース部１１３、第２ディスクインタフェース部１１４、表示制御部１１５、入力インタフェース部１１６、および通信インタフェース部１１７を含んでいる。ＣＰＵ１１１、メモリ１１２、第１ディスクインタフェース部１１３、第２ディスクインタフェース部１１４、表示制御部１１５、入力インタフェース部１１６、および通信インタフェース部１１７は、システムバスを介して互いに接続されている。第１ディスクインタフェース部１１３には補助記憶装置１２１が接続されている。第２ディスクインタフェース部１１４には光ディスクドライブ１２２が接続されている。表示制御部１１５には、表示部（表示装置）１２３が接続されている。入力インタフェース部１１６には、キーボード１２４およびマウス１２５が接続されている。通信インタフェース部１１７には、通信ケーブルを介して印刷機本体２００が接続されている。また、通信インタフェース部１１７はＬＡＮ４に接続されている。補助記憶装置１２１は磁気ディスク装置などである。光ディスクドライブ１２２には、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭなどのコンピュータ読み取り可能な記録媒体としての光ディスク１９が挿入される。表示部１２３は液晶ディスプレイなどである。表示部１２３は、オペレータが所望する情報を表示するために使用される。キーボード１２４およびマウス１２５は、この印刷制御装置１００に対して作業者が指示を入力するために使用される。
＜４．１ ハードウェア構成＞
図８は、印刷制御装置１００のハードウェア構成を示すブロック図である。図８に示すように、印刷制御装置１００は、本体１１０、補助記憶装置１２１、光ディスクドライブ１２２、表示部１２３、キーボード１２４、およびマウス１２５などを備えている。本体１１０は、ＣＰＵ１１１、メモリ１１２、第１ディスクインタフェース部１１３、第２ディスクインタフェース部１１４、表示制御部１１５、入力インタフェース部１１６、および通信インタフェース部１１７を含んでいる。ＣＰＵ１１１、メモリ１１２、第１ディスクインタフェース部１１３、第２ディスクインタフェース部１１４、表示制御部１１５、入力インタフェース部１１６、および通信インタフェース部１１７は、システムバスを介して互いに接続されている。第１ディスクインタフェース部１１３には補助記憶装置１２１が接続されている。第２ディスクインタフェース部１１４には光ディスクドライブ１２２が接続されている。表示制御部１１５には、表示部（表示装置）１２３が接続されている。入力インタフェース部１１６には、キーボード１２４およびマウス１２５が接続されている。通信インタフェース部１１７には、通信ケーブルを介して印刷機本体２００が接続されている。また、通信インタフェース部１１７はＬＡＮ４に接続されている。補助記憶装置１２１は磁気ディスク装置などである。光ディスクドライブ１２２には、ＣＤ－ＲＯＭやＤＶＤ－ＲＯＭなどのコンピュータ読み取り可能な記録媒体としての光ディスク１９が挿入される。表示部１２３は液晶ディスプレイなどである。表示部１２３は、オペレータが所望する情報を表示するために使用される。キーボード１２４およびマウス１２５は、この印刷制御装置１００に対して作業者が指示を入力するために使用される。
【0062】
補助記憶装置１２１には、印刷制御プログラム（印刷機本体２００による印刷処理の実行を制御するためのプログラム）１３が格納されている。本実施形態における印刷制御プログラム１３には、サブプログラムとして、ノズルの吐出不良を検出するための吐出不良検出プログラムが含まれている。ＣＰＵ１１１は、補助記憶装置１２１に格納された印刷制御プログラム１３をメモリ１１２に読み出して実行することにより、印刷制御装置１００の各種機能を実現する。メモリ１１２は、ＲＡＭ（Random Access Memory）およびＲＯＭ（Read Only Memory）を含んでいる。メモリ１１２は、補助記憶装置１２１に格納された印刷制御プログラム１３をＣＰＵ１１１が実行するためのワークエリアとして機能する。なお、印刷制御プログラム１３は、上記コンピュータ読み取り可能な記録媒体（非一過性の記録媒体）に格納されて提供される。すなわち、ユーザーは、例えば、印刷制御プログラム１３の記録媒体としての光ディスク１９を購入して光ディスクドライブ１２２に挿入し、光ディスク１９から印刷制御プログラム１３を読み出して補助記憶装置１２１にインストールする。
【0063】
＜４．２ 機能的構成＞
図９は、印刷制御装置１００で印刷制御プログラム１３が実行されることによって実現される制御部１５０の機能的構成を示すブロック図である。制御部１５０は、搬送制御部１５１とインク吐出制御部１５２と乾燥制御部１５３と撮像制御部１５４とデータ保持部１５５と吐出不良検出部１５６と印刷データ補正部１５７とを含んでいる。
図９は、印刷制御装置１００で印刷制御プログラム１３が実行されることによって実現される制御部１５０の機能的構成を示すブロック図である。制御部１５０は、搬送制御部１５１とインク吐出制御部１５２と乾燥制御部１５３と撮像制御部１５４とデータ保持部１５５と吐出不良検出部１５６と印刷データ補正部１５７とを含んでいる。
【0064】
搬送制御部１５１は、搬送機構２９が印刷用紙５を搬送する速度（搬送速度）を制御する。なお、搬送機構２９は、用紙送出部２０２と第１の駆動ローラ２０３と複数個の支持ローラ２０４と第２の駆動ローラ２０７と用紙巻取部２０８とによって実現される（図５参照）。乾燥制御部１５３は、乾燥機構２０６が印刷後の印刷用紙５を乾燥させる際の温度（乾燥温度）を制御する。撮像制御部１５４は、インラインスキャナ４０による印刷画像の撮像タイミングを制御する。
【0065】
データ保持部１５５は、印刷データ生成装置３０から送信されたＲＩＰ処理後の印刷データ（印刷ジョブに基づく印刷データ）５０を一時的に保持する。なお、印刷データ５０は、各ヘッドユニット２５に含まれている複数のノズルからのインクの吐出を制御するためのデータである。データ保持部１５５は、また、吐出不良ノズルを検出するための検査チャートを表す検査チャートデータを保持する。本実施形態においては、検査チャートデータとして、１つのヘッドユニット２５内の全てのノズルからインクが吐出されることによって形成されるべき階段状のパターンであるテストパターンを表すテストパターンデータ５１ａと、１つのヘッドユニット２５内の全てのノズルからインクが吐出されることによって形成されるべき全体が一定濃度のチントパターンを表すチントパターンデータ５１ｂとがデータ保持部１５５に保持される。
【0066】
吐出不良検出部１５６は、検査チャートの印刷画像をインラインスキャナ４０で撮像することによって得られる撮像データ（撮像画像）に基づいて、吐出不良ノズルを検出する。そして、吐出不良ノズルを特定する吐出不良情報５２が吐出不良検出部１５６から出力される。吐出不良検出部１５６による吐出不良ノズルの検出には、オートエンコーダが用いられる。吐出不良検出部１５６の処理は、概略的には、学習データを準備して当該学習データを用いてオートエンコーダの学習を行う処理（以下、単に「学習処理」という。）と、学習済みのオートエンコーダを用いて吐出不良ノズルの存在の有無や吐出不良ノズルの位置の推論を行う処理（以下、単に「推論処理」という。）とに分けられる。なお、吐出不良検出部１５６についての詳しい説明は後述する。
【0067】
印刷データ補正部１５７は、吐出不良情報５２に基づいて、データ保持部１５５に保持されているＲＩＰ処理後の印刷データ５０をノズルの吐出不良が補償されるように補正する。詳しくは、印刷データ補正部１５７は、吐出不良情報５２に基づいて、吐出不良検出部１５６によって吐出不良状態であると判定されたノズルの吐出不良が補償されるように、各ヘッドユニット２５に含まれている複数のノズルからのインクの吐出を制御するための印刷データ５０を補正する。より具体的には、例えば、吐出不良状態であると判定されたノズルの周辺のノズルからのインクの吐出量が増加するように印刷データ５０が補正される。そして、補正後の印刷データ５３が印刷データ補正部１５７から出力される。
【0068】
インク吐出制御部１５２は、データ保持部１５５に保持されている検査チャートデータ（テストパターンデータ５１ａ、チントパターンデータ５１ｂ）あるいは印刷データ補正部１５７による補正が施された後の印刷データ５３に基づいて、記録部２０５を構成する４つのヘッドユニット２５Ｋ，２５Ｃ，２５Ｍ，および２５Ｙに含まれている各ノズルからのインクの吐出を制御する。例えば、インクの吐出タイミングやインクの吐出量の制御が行われる。検査チャートデータに基づき各ノズルからのインクの吐出が制御されることによって検査チャートが印刷用紙５に印刷され、印刷データ５３に基づき各ノズルからのインクの吐出が制御されることによって印刷ジョブに基づく画像が印刷用紙５に印刷される。
【0069】
ところで、本実施形態においては、学習処理時および推論処理時に検査チャートが印刷されるが、学習処理時と推論処理時とで異なる検査チャートが印刷される。具体的には、学習処理時にはチントパターン７２とテストパターン（階段状のパターン）７３とからなる模式的には図１０に示すような検査チャート７１が印刷されるのに対して、推論処理時にはテストパターン（階段状のパターン）７３のみからなる模式的には図１１に示すような検査チャート７１が印刷される。すなわち、学習処理時にはインク吐出制御部１５２はチントパターンデータ５１ｂおよびテストパターンデータ５１ａに基づいて各ノズルからのインクの吐出を制御し、推論処理時にはインク吐出制御部１５２はテストパターンデータ５１ａに基づいて各ノズルからのインクの吐出を制御する。なお、規則性のあるパターンであれば、階段状のパターン以外のパターンをテストパターンとして採用することもできる。
【0070】
検査チャート７１に関し、チントパターン７２は上述したように全体が一定濃度のパターンであって、テストパターン７３は複数の線状パターン７３１によって構成されている。各線状パターン７３１は、対応する１つのノズルからインクが吐出されることによって形成されるパターンである。なお、実際にはテストパターン７３は図１０や図１１に示したものよりも多くの線状パターン７３１によって構成されている。例えば、１つのヘッドユニット２５に２４，０００個のノズルが含まれていれば、１色分のテストパターン７３は２４，０００個の線状パターン７３１によって構成される。
【0071】
テストパターン７３に関し、以下において、主走査方向に一列に並ぶ一群の線状パターン７３１のことを「段」という。図１０に示す例では、テストパターン７３は５つの段によって構成されている。
【0072】
図１２は、吐出不良検出部１５６の詳細な構成を示すブロック図である。吐出不良検出部１５６は、学習用画像生成部６１０とモデル生成部６２０と画像切り出し部６３０と吐出不良判定部６４０と吐出不良情報出力部６５０とを含んでいる。吐出不良判定部６４０には、自己符号化部６４１と誤差算出部６４２と比較判定部６４３とが含まれている。
【0073】
学習用画像生成部６１０は、オートエンコーダの学習に用いる学習データとしての複数の学習用画像５４を生成する。ところで、吐出不良ノズルが存在していなければ、検査チャート７１の印刷画像は図１０に示したようなものとなる。これに対して、吐出不良ノズルが存在している場合、検査チャート７１の印刷画像は例えば図１３に示すようなものとなる。図１３に示す例では、符号７４１を付した部分および符号７５１を付した部分において線状パターンが正常に印刷されていない。また、符号７４１を付した部分の吐出不良に対応して符号７４２を付した部分でチントパターン７２が正常に印刷されておらず、符号７５１を付した部分の吐出不良に対応して符号７５２を付した部分でチントパターン７２が正常に印刷されていない。このように、吐出不良ノズルが存在している場合、当該吐出不良ノズルに対応する部分においてチントパターン７２が正常に印刷されない。そこで、本実施形態における学習用画像生成部６１０は、チントパターン７２の印刷画像をインラインスキャナ４０が撮像することによって得られた撮像画像のうちの異常部分（吐出不良が生じている部分）を除く部分をチント正常部として、テストパターン７３の印刷画像をインラインスキャナ４０が撮像することによって得られた撮像画像のうちのチント正常部に対応する部分から学習用画像とする複数の画像を切り出して抽出する。これにより、オートエンコーダの学習に用いる学習データとしての複数の学習用画像５４が生成される。学習用画像５４は、１個のノズルからインクが吐出されることによって形成されている画像であっても良いし、２個以上のノズルからインクが吐出されることによって形成されている画像であっても良い。以下、Ｎを１以上の整数として、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像５４が学習用画像生成部６１０によって生成されるものとする。なお、チントパターン７２の印刷画像をインラインスキャナ４０が撮像することによって得られた撮像画像が第１の部分撮像画像に相当し、テストパターン７３の印刷画像をインラインスキャナ４０が撮像することによって得られた撮像画像が第２の部分撮像画像に相当する。
【0074】
モデル生成部６２０は、学習用画像生成部６１０によって生成された複数の学習用画像５４を入力データとしてオートエンコーダに与えて機械学習としての教師なし学習を行うことによって、オートエンコーダにより構成された学習済みモデル５５を生成する。この学習済みモデル５５は、吐出不良判定部６４０に含まれる自己符号化部６４１として使用される。
【0075】
画像切り出し部６３０は、推論処理時に、テストパターン７３の印刷画像をインラインスキャナ４０が撮像することによって得られた撮像画像５６から、それぞれがＮ個のノズル（１個以上のノズル）に対応する複数の部分画像５７を切り出す。
【0076】
吐出不良判定部６４０は、モデル生成部６２０によって生成された学習済みモデル５５を構成するオートエンコーダに画像切り出し部６３０によって切り出された複数の部分画像５７のそれぞれを入力データとして与え、オートエンコーダからの出力データと入力データとに基づき求められる値とパラメータとして設定される閾値とを比較した結果に基づいて、入力データ（部分画像５７）に対応するＮ個のノズルの中に吐出不良ノズルが含まれているか否かの判定を行う。そして、判定結果６０が吐出不良判定部６４０から出力される。
【0077】
自己符号化部６４１は、モデル生成部６２０によって生成された学習済みモデル５５であって、画像切り出し部６３０によって切り出された複数の部分画像５７のそれぞれを入力データとして受け取り、オートエンコーダ内での順伝播の処理で得られる出力データ５８を出力する。誤差算出部６４２は、自己符号化部６４１への入力データ（画像切り出し部６３０によって切り出された部分画像５７）と自己符号化部６４１からの出力データ５８との平均２乗誤差５９を算出する。比較判定部６４３は、平均２乗誤差５９と上述した閾値とを比較した結果に基づいて、自己符号化部６４１への入力データに対応するＮ個のノズルの中に吐出不良ノズルが含まれているか否かを判定する。これに関し、平均２乗誤差５９が閾値よりも大きければ、比較判定部６４３は、入力データに対応するＮ個のノズルの中に吐出不良ノズルが含まれていると判定する。なお、本実施形態においては、自己符号化部６４１の処理によって自己符号化ステップが実現され、誤差算出部６４２の処理によって誤差算出ステップが実現され、比較判定部６４３の処理によって比較判定ステップが実現される。
【0078】
吐出不良情報出力部６５０は、吐出不良判定部６４０から出力された判定結果６０に基づいて、吐出不良ノズルを特定する吐出不良情報５２を出力する。ところで、各部分画像５７が１個のノズルに対応する場合には、結局のところ、吐出不良判定部６４０から出力される判定結果６０は、各部分画像５７に対応するノズルが吐出不良状態であるか否かを表している。従って、吐出不良判定部６４０から出力される判定結果６０に基づいて、吐出不良ノズルが特定される。しかしながら、各部分画像５７が２個以上のノズルに対応する場合には、各部分画像５７に対応する判定結果６０は、対応する２個以上のノズルの中に吐出不良ノズルが含まれているか否かを表しているにすぎない。そこで、各部分画像５７が２個以上のノズルに対応する場合には、図１４に示すように、複数の部分画像５７のそれぞれについての判定結果６０（吐出不良判定部６４０から出力された判定結果６０）を考慮して吐出不良ノズルを特定する吐出不良ノズル特定部６５１が吐出不良情報出力部６５０内に設けられる。なお、吐出不良ノズル特定部６５１がどのようにして吐出不良ノズルを特定するのかについては後述する。
【0079】
＜４．３ オートエンコーダ＞
図１５は、本実施形態で用いられるオートエンコーダＡＥの構造の一例を示す図である。このオートエンコーダＡＥは、入力層と隠れ層（中間層）と出力層とによって構成されている。入力層は、入力データとされる検査対象の画像を構成する画素の数に等しい数のユニット（ニューロン）によって構成されている。隠れ層は、入力層を構成するユニットの数よりも少ない数のユニットによって構成されている。出力層は、入力層を構成するユニットの数に等しい数のユニットによって構成されている。入力層－隠れ層間の結合および隠れ層－出力層間の結合は、全結合である。隠れ層および出力層の活性化関数には例えばシグモイド関数が採用される。以上のような構造により、図１５で符号７を付した部分（入力層と隠れ層とからなる部分）はエンコーダとして機能し、図１５で符号８を付した部分（隠れ層と出力層とからなる部分）はデコーダとして機能する。また、入力層および出力層は検査対象の画像を構成する画素の数に等しい数のユニットによって構成されることから、オートエンコーダＡＥへの入力データおよびオートエンコーダＡＥからの出力データは複数の画素のデータによって構成されることが把握される。
図１５は、本実施形態で用いられるオートエンコーダＡＥの構造の一例を示す図である。このオートエンコーダＡＥは、入力層と隠れ層（中間層）と出力層とによって構成されている。入力層は、入力データとされる検査対象の画像を構成する画素の数に等しい数のユニット（ニューロン）によって構成されている。隠れ層は、入力層を構成するユニットの数よりも少ない数のユニットによって構成されている。出力層は、入力層を構成するユニットの数に等しい数のユニットによって構成されている。入力層－隠れ層間の結合および隠れ層－出力層間の結合は、全結合である。隠れ層および出力層の活性化関数には例えばシグモイド関数が採用される。以上のような構造により、図１５で符号７を付した部分（入力層と隠れ層とからなる部分）はエンコーダとして機能し、図１５で符号８を付した部分（隠れ層と出力層とからなる部分）はデコーダとして機能する。また、入力層および出力層は検査対象の画像を構成する画素の数に等しい数のユニットによって構成されることから、オートエンコーダＡＥへの入力データおよびオートエンコーダＡＥからの出力データは複数の画素のデータによって構成されることが把握される。
【0080】
このオートエンコーダＡＥを用いた学習は、例えば次のように行われる。オートエンコーダＡＥに入力データが与えられると、オートエンコーダＡＥ内で順伝播の処理が行われる。その後、入力データとオートエンコーダＡＥから出力された出力データとの２乗誤差の総和が求められる。そして、誤差の逆伝播の処理で得られる結果に基づいて勾配降下法を用いることによって、オートエンコーダＡＥのパラメータ（重み係数、バイアス）が更新される。以上のようにして学習が繰り返されることによって、上記パラメータが最適化される。以上より、このオートエンコーダＡＥを用いた学習は、出力データができるだけ入力データに近づくように行われる。すなわち、入力データと出力データとの誤差が最小化されるように学習が行われる。
【0081】
ところで、上記のように、学習処理時にオートエンコーダＡＥから出力された出力データと比較されるのは当該オートエンコーダＡＥへの入力データである。すなわち、教師データは用いられない。このように、本実施形態においては、オートエンコーダＡＥを用いて、機械学習としての教師なし学習が行われる。
【0082】
＜５．吐出不良ノズル検出の処理手順（吐出不良検出方法）＞
図１６に示すフローチャートを参照しつつ、吐出不良ノズルを検出する一連の処理の手順について説明する。まず、上述したオートエンコーダＡＥを用いた学習に使用する学習データの準備が行われる（ステップＳ１０）。このステップＳ１０では、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像５４が学習データとして用意される。
図１６に示すフローチャートを参照しつつ、吐出不良ノズルを検出する一連の処理の手順について説明する。まず、上述したオートエンコーダＡＥを用いた学習に使用する学習データの準備が行われる（ステップＳ１０）。このステップＳ１０では、それぞれがＮ個のノズルからインクが吐出されることによって形成される複数の学習用画像５４が学習データとして用意される。
【0083】
ここで、図１７に示すフローチャートを参照しつつ、学習データの準備についての詳細な手順を説明する。まず、検査チャート７１の印刷が行われる（ステップＳ１１０）。詳しくは、データ保持部１５５に保持されている検査チャートデータ（テストパターンデータ５１ａ、チントパターンデータ５１ｂ）に基づいてインク吐出制御部１５２が各ノズルからのインクの吐出を制御することによって、チントパターン７２とテストパターン（階段状のパターン）７３とからなる模式的には図１０に示したような検査チャート７１が印刷される。検査チャート７１の印刷後、撮像制御部１５４による制御に基づきインラインスキャナ４０が検査チャート７１の印刷画像（ステップＳ１１０で得られた印刷画像）を撮像する（ステップＳ１２０）。次に、ステップＳ１２０で得られた撮像画像のうちのチントパターン７２についての撮像画像の検査が行われる（ステップＳ１３０）。そして、ステップＳ１３０での検査の結果に基づき、ステップＳ１２０で得られた撮像画像のうちのテストパターン７３についての撮像画像から学習データとする複数の学習用画像５４が抽出される（ステップＳ１４０）。なお、ステップＳ１４０では、テストパターン７３についての撮像画像のうちの上述したチント正常部に対応する部分から複数の学習用画像５４が抽出される。従って、学習データとして抽出される複数の学習用画像５４には、ノズルの吐出不良を表す画像は含まれない。ステップＳ１４０の終了後、処理は図１６のステップＳ２０に進む。
【0084】
学習データの準備後、オートエンコーダＡＥを用いた教師なし学習が行われる（ステップＳ２０）。このステップＳ２０では、ステップＳ１０で学習データとして用意された複数の学習用画像５４を順次にオートエンコーダＡＥに与えることによって、機械学習としての教師なし学習が行われる。多数の学習用画像５４を用いて教師なし学習が行われることにより、オートエンコーダＡＥのパラメータ（重み係数、バイアス）が最適化される。このようにして、オートエンコーダＡＥにより構成された学習済みモデル５５が生成される。
【0085】
ところで、ノズルからインクが吐出されることによって印刷用紙５上に形成される画像の形状は、印刷条件によって変わり得る。そこで、本実施形態においては、オートエンコーダＡＥを用いた教師なし学習は、印刷条件毎に行われる。これに関し、例えば、印刷媒体の種類と印刷速度と印刷解像度との組み合わせによって１つの印刷条件が規定される。仮に或る印刷会社における印刷システムで１０個の印刷条件が使用されるのであれば、それら１０個の印刷条件のそれぞれについてオートエンコーダＡＥを用いた教師なし学習が行われる。この場合、ステップＳ２０では、１０個の印刷条件に対応する１０個の学習済みモデル５５が生成される。
【0086】
学習済みモデル５５が生成された後、データ保持部１５５に保持されているテストパターンデータ５１ａに基づいてインク吐出制御部１５２が各ノズルからのインクの吐出を制御することによって、テストパターン（階段状のパターン）７３のみからなる模式的には図１１に示したような検査チャート７１の印刷が行われる（ステップＳ３０）。そして、撮像制御部１５４による制御に基づきインラインスキャナ４０がテストパターン７３の印刷画像（ステップＳ３０で得られた印刷画像）を撮像する（ステップＳ４０）。次に、画像切り出し部６３０が、ステップＳ４０で得られた撮像画像５６から、それぞれがＮ個のノズルに対応する複数の部分画像５７を切り出す（ステップＳ５０）。
【0087】
撮像画像５６から複数の部分画像５７が切り出された後、当該複数の部分画像５７のそれぞれが検査対象の画像として、学習済みモデル５５を構成するオートエンコーダＡＥに入力データとして与えられる（ステップＳ６０）。これにより、各部分画像５７に対応する出力データがオートエンコーダＡＥから出力される。なお、このステップＳ６０では、ステップＳ３０でテストパターン７３が印刷されたときの印刷条件に対応する学習済みモデル５５が使用される。
【0088】
その後、誤差算出部６４２によって、複数の部分画像５７のそれぞれについて、オートエンコーダＡＥへの入力データとオートエンコーダＡＥからの出力データ５８との平均２乗誤差５９が算出される（ステップＳ７０）。
【0089】
最後に、比較判定部６４３によって、ステップＳ７０で算出された平均２乗誤差５９とパラメータとして予め設定されている上述した閾値とが比較され、比較結果に基づいて各部分画像５７（各入力データ）に対応するＮ個のノズルの中に吐出不良ノズルが含まれているか否かが判定される（ステップＳ８０）。このステップＳ８０では、平均２乗誤差５９が閾値よりも大きければ、部分画像５７（入力データ）に対応するＮ個のノズルの中に吐出不良ノズルが含まれていると判定される。なお、各部分画像５７が１個のノズルに対応する場合には、このステップＳ８０の処理によって吐出不良ノズルが特定されることになる。これに対して、各部分画像５７が２個以上のノズルに対応する場合には、ステップＳ８０の後に、ステップＳ８０の処理で得られた結果を考慮して吐出不良ノズルを特定する処理が吐出不良ノズル特定部６５１によって行われる（図１６では不図示）。
【0090】
上記の手順で吐出不良ノズルを検出する処理が行われた後、吐出不良ノズルとして特定されたノズルの吐出不良が補償されるように、印刷データが補正される（印刷データ補正ステップ）。これにより、たとえ吐出不良ノズルが存在していても、高品質の印刷物が得られる。
【0091】
図１６に示した手順で行われる一連の処理に関し、ステップＳ１０～Ｓ２０の処理は学習処理であって、ステップＳ３０～Ｓ８０の処理は推論処理である。学習処理が終了して学習済みモデル５５が生成されると、推論処理のみを繰り返すこともできる。また、一旦学習済みモデル５５が生成されても、学習処理を更に繰り返すことによって、ノズルの吐出不良の検出精度を高めることができる。
【0092】
なお、本実施形態においては、ステップＳ１０によって学習用画像準備ステップが実現され、ステップＳ２０によってモデル生成ステップが実現され、ステップＳ３０によってテストパターン印刷ステップが実現され、ステップＳ４０によって撮像ステップが実現され、ステップＳ５０によって画像切り出しステップが実現され、ステップＳ６０～Ｓ８０によって吐出不良判定ステップが実現されている。また、ステップＳ１１０によって学習前印刷ステップが実現され、ステップＳ１２０によって学習前撮像ステップが実現され、ステップＳ１３０，Ｓ１４０によって学習用画像抽出ステップが実現されている。
【0093】
ここで、図１８および図１９を参照しつつ、パラメータとしての閾値の設定について説明する。一定の数値範囲毎の平均２乗誤差の出現回数（度数）を図１８に示し、図１８で符号４６を付した部分の詳細を図１９に示している。図１８において符号４９を付した点線部分に存在するデータは、吐出不良ノズルに対応するデータである。図１８において符号４７を付した点線は、（正常なデータの）平均２乗誤差の平均値を表している。正規分布において、各データが平均値から４σ（σ：標準偏差）の範囲（但し、片側）を超える確率は３０，０００分の１である。これは、２０インチのヘッドユニットにおいて吐出不良ノズルが１本存在するというレベルである。例えば、これを考慮して、平均２乗誤差の平均値に４σを加算することによって得られる値（図１８において符号４８を付した実線で表される値）を閾値に設定することができる。なお、ここで示したのは一例であって、閾値をどのように設定するのかについては特に限定されない。
【0094】
＜６．画像の切り出し＞
本実施形態においては、学習処理の際および推論処理の際に、撮像画像からの画像（学習用画像５４、部分画像５７）の切り出しが行われる。これに関し、オートエンコーダＡＥの学習が効率的に行われ、かつ、オートエンコーダＡＥを用いて吐出不良ノズルが精度良く検出されるようにするためには、切り出した画像内に含める線状パターンの数や撮像画像から画像を切り出すときの基準位置（例えば、中心位置）を予め定めておくことが好ましい。そこで、以下、撮像画像から切り出す１つの画像の範囲（画像の切り出し範囲）および画像を切り出すときの基準位置（以下、「切り出し基準位置」という。）などについて説明する。
本実施形態においては、学習処理の際および推論処理の際に、撮像画像からの画像（学習用画像５４、部分画像５７）の切り出しが行われる。これに関し、オートエンコーダＡＥの学習が効率的に行われ、かつ、オートエンコーダＡＥを用いて吐出不良ノズルが精度良く検出されるようにするためには、切り出した画像内に含める線状パターンの数や撮像画像から画像を切り出すときの基準位置（例えば、中心位置）を予め定めておくことが好ましい。そこで、以下、撮像画像から切り出す１つの画像の範囲（画像の切り出し範囲）および画像を切り出すときの基準位置（以下、「切り出し基準位置」という。）などについて説明する。
【0095】
＜６．１ 画像の切り出し範囲＞
画像の切り出し範囲に関しては、大まかには、例えば図１に示したように１ノズル分の範囲の画像を切り出すという手法と、複数ノズル分の範囲の画像を切り出すという手法とが考えられる。換言すれば、切り出した画像内に線状パターンが１本だけ含まれるように画像を切り出すという手法と、切り出した画像内に複数本の線状パターンが含まれるように画像を切り出すという手法とが考えられる。１ノズル分の範囲の画像を切り出すという手法が採用された場合には、学習処理の際にも推論処理の際にも、それぞれが１個のノズルに対応する複数の画像（学習用画像５４、部分画像５７）がテストパターン７３の撮像画像から切り出される。複数ノズル分の範囲の画像を切り出すという手法が採用された場合には、学習処理の際にも推論処理の際にも、それぞれが２個以上のノズルに対応する複数の画像（学習用画像５４、部分画像５７）がテストパターン７３の撮像画像から切り出される。
画像の切り出し範囲に関しては、大まかには、例えば図１に示したように１ノズル分の範囲の画像を切り出すという手法と、複数ノズル分の範囲の画像を切り出すという手法とが考えられる。換言すれば、切り出した画像内に線状パターンが１本だけ含まれるように画像を切り出すという手法と、切り出した画像内に複数本の線状パターンが含まれるように画像を切り出すという手法とが考えられる。１ノズル分の範囲の画像を切り出すという手法が採用された場合には、学習処理の際にも推論処理の際にも、それぞれが１個のノズルに対応する複数の画像（学習用画像５４、部分画像５７）がテストパターン７３の撮像画像から切り出される。複数ノズル分の範囲の画像を切り出すという手法が採用された場合には、学習処理の際にも推論処理の際にも、それぞれが２個以上のノズルに対応する複数の画像（学習用画像５４、部分画像５７）がテストパターン７３の撮像画像から切り出される。
【0096】
１ノズル分の範囲の画像を切り出すという手法によれば、複数ノズル分の範囲の画像を切り出すという手法に比べてオートエンコーダＡＥの入出力データのサイズ（画像サイズ）が小さくなるので、モデル生成部６２０や吐出不良判定部６４０の処理負荷が小さくなる。また、たとえ切り出し基準位置が定められていなくても（すなわち、入力データ毎に検査対象の画像内における線状パターンの位置が異なっていても）、オートエンコーダＡＥへの入力データに対応するノズルが吐出不良状態であるか否かを比較的精度良く判定することができる。但し、切り出し基準位置として後述する理想吐出位置を採用しなければ、横飛びを検出することはできない。
【0097】
複数ノズル分の範囲の画像を切り出すという手法によれば、複数の線状パターン間の位置関係が学習されるので、切り出し基準位置として後述する３つの位置のいずれを採用した場合にも横飛びを検出することが可能となる。また、不吐出および形状不良についても検出することができるので、ノズルの吐出不良をその種類に関わらず検出することが可能となる。
【0098】
複数ノズル分の範囲の画像を切り出すことに関し、主走査方向に連続する複数のノズルに対応する範囲の画像を切り出すようにしても良いし、副走査方向に連続する複数のノズルに対応する範囲の画像を切り出すようにしても良いし、主走査方向および副走査方向の双方について連続する複数のノズルに対応する範囲の画像を切り出すようにしても良い。例えば、切り出した画像に主走査方向に連続する３つの線状パターン（図２０で符号７６を付した太点線部分を参照）が含まれるように撮像画像からの画像の切り出しが行われても良い。画像の切り出しがこのように行われた場合、図４４から把握されるように、寸法的な横飛びを検出することが可能となる。また、例えば、切り出した画像に副走査方向に連続する３つの線状パターン（図２１で符号７７を付した太点線部分を参照）が含まれるように撮像画像からの画像の切り出しが行われても良い。画像の切り出しがこのように行われた場合、図４５から把握されるように、品質に影響を与える横飛びを検出することが可能となる。また、例えば、切り出した画像に３行×３列の９個の線状パターン（図２２で符号７８を付した太点線部分を参照）が含まれるように撮像画像からの画像の切り出しが行われても良い。画像の切り出しがこのように行われた場合、複合的な観点から横飛びを検出することが可能となる。
【0099】
＜６．２ 切り出し基準位置＞
切り出し基準位置としては、３つの位置が考えられる。以下、その３つの位置に対応する３つの切り出し手法（第１～第３の切り出し手法）について説明する。なお、１ノズル分の範囲の画像を切り出すという手法を採用した場合（すなわち、上記Ｎ個のノズルが１個のノズルである場合）には、図１６のステップＳ５０や図１７のステップＳ１４０において、この切り出し基準位置を中心として所定範囲の画像（学習用画像５４、部分画像５７）が撮像画像から切り出される。一方、複数ノズル分の範囲の画像を切り出すという手法を採用した場合（すなわち、上記Ｎ個のノズルが２個以上のノズルである場合）には、図１６のステップＳ５０や図１７のステップＳ１４０において、対応する２個以上のノズルのうちの所定の１つについてのこの切り出し基準位置を中心として所定範囲の画像（学習用画像５４、部分画像５７）が撮像画像から切り出される。
切り出し基準位置としては、３つの位置が考えられる。以下、その３つの位置に対応する３つの切り出し手法（第１～第３の切り出し手法）について説明する。なお、１ノズル分の範囲の画像を切り出すという手法を採用した場合（すなわち、上記Ｎ個のノズルが１個のノズルである場合）には、図１６のステップＳ５０や図１７のステップＳ１４０において、この切り出し基準位置を中心として所定範囲の画像（学習用画像５４、部分画像５７）が撮像画像から切り出される。一方、複数ノズル分の範囲の画像を切り出すという手法を採用した場合（すなわち、上記Ｎ個のノズルが２個以上のノズルである場合）には、図１６のステップＳ５０や図１７のステップＳ１４０において、対応する２個以上のノズルのうちの所定の１つについてのこの切り出し基準位置を中心として所定範囲の画像（学習用画像５４、部分画像５７）が撮像画像から切り出される。
【0100】
第１の切り出し手法は、テストパターン７３の設計情報に基づき各ノズルからインクが吐出されることが想定される位置（以下、「暫定吐出位置」という。）を基準にして撮像画像から画像を切り出すという手法である。これに関し、暫定吐出位置は、例えば次のようにして求められる。まず、テストパターン７３の印刷の際に、例えば図２３に示すように、暫定吐出位置を求めるための位置マーク７９１，７９２も印刷される。そして、印刷画像の撮像画像に基づき、２つの位置マーク７９１，７９２の間に相当する領域に存在する線状パターンの数がカウントされる。これによって得られたカウント値（すなわち、２つの位置マーク７９１，７９２の間に相当する領域にインクを吐出すべきノズルの数）と２つの位置マーク７９１，７９２の位置（座標）とに基づいて、ノズルピッチ（主走査方向に隣接する２つのノズル間の距離）が求められる。そして、一方の位置マーク７９１の位置（座標）とノズルピッチとに基づいて、２つの位置マーク７９１，７９２の間に相当する領域にインクを吐出する各ノズルについての暫定吐出位置が求められる。
【0101】
第２の切り出し手法は、テストパターン７３の印刷画像の撮像画像に基づいて求められる実際に各ノズルからインクが吐出されている位置（以下、「実吐出位置」という。）を基準にして撮像画像から画像を切り出すという手法である。第２の切り出し手法に関し、図２４に示すフローチャートを参照しつつ、実吐出位置を求める手順について以下に説明する。
【0102】
まず、Ｋを２以上の整数として撮像画像が副走査方向にＫ個の部分（分割画像）に分割される（ステップＳ２１０）。ステップＳ２１０では、テストパターン７３の設計情報あるいは撮像画像の画素値に基づいて段と段との境界が求められ、分割画像が１つの段に対応するように（換言すれば、分割画像が副走査方向に関して１個のノズルに対応するように）撮像画像が分割される。例えば、図２５のＡ部に示すような撮像画像８０が得られていれば、当該撮像画像８０は図２５のＢ部に示すような４つの分割画像８０１～８０４に分割される。なお、或る段と次の段との境界部分にはノイズが多く含まれている。例えば、図２６で符号８１を付した部分に示すように、インク吐出ヘッド２５１の調整に起因する隙間が生じることがある。そこで、分割画像の上端部分および下端部分（すなわち、段と段との境界部分）をトリミングによって取り除くことが好ましい。
【0103】
次に、ステップＳ２１０で得られたＫ個の分割画像のそれぞれについて、副走査方向に含まれる複数の画素のデータ（画素値）の平均値が算出される（ステップＳ２２０）。これは、例えば図２７のＡ部に示すような撮像画像を模式的には図２７のＢ部に示すような１次元化したデータに変換することに相当する。なお、ステップＳ２２０で得られた平均値のデータに対して例えば紙白部分を０かつ最大濃度部分を２５５とする正規化が施されることが好ましい。
【0104】
最後に、ステップＳ２２０で算出された平均値（好ましくは、正規化が施された後の平均値）に基づいて、各ノズルについての実吐出位置が求められる（ステップＳ２３０）。これについては、平均値のピークが得られているピクセル（例えば、図２７のＢ部で符号ＰＥ１～ＰＥ５を付したピクセル）の値およびその近傍ピクセルの値に基づき（例えば、合計３つのピクセルの値に基づき）重心算出、等角直線フィッティング、スプライン補間、ガウシアンフィッティングなどの手法を用いて実数でピーク位置が算出され、当該ピーク位置が実吐出位置に定められる。
【0105】
なお、本実施形態においては、ステップＳ２１０によって撮像画像分割ステップが実現され、ステップＳ２２０によって平均値算出ステップが実現され、ステップＳ２３０によって実吐出位置特定ステップが実現されている。
【0106】
ここで、不吐出ノズル（不吐出を生じているノズル）が存在する場合における実吐出位置の求め方について説明する。不吐出ノズルが存在する場合には、例えば図１３に示したような“テストパターン７３の印刷画像”が得られる。このテストパターン７３の印刷画像を撮像することによって得られた撮像画像について図２４のステップＳ２１０の処理（撮像画像の分割処理）を実行することにより、分割画像を取得する。不吐出ノズルが存在する部分については、図２８に示すように線状パターンが著しく狭い幅で印刷された異常部分７４１ａを含む分割画像８０５、または、図２９に示すように線状パターンが全く印刷されていない異常部分７４１ｂを含む分割画像８０６が得られる。
【0107】
分割画像８０５および分割画像８０６について図２４のステップＳ２２０の処理（副走査方向についての平均値の算出処理）を実行した場合、異常部分７４１ａ，７４１ｂを除く正常部分については平均値のピークが検出される。一方、異常部分７４１ａ，７４１ｂについては、平均値のピークは検出されない。このように平均値のピークが検出されない部分については、不吐出ノズルが存在すると判断し、図２４のステップＳ２３０の処理（実吐出位置の特定処理）の対象外とする。その結果、異常部分７４１ａ，７４１ｂに対応するノズルの位置を切り出し基準位置として部分画像の切り出し（図１６のステップＳ５０）を実行することはできず、不吐出ノズルが存在することが確定する。
【0108】
第３の切り出し手法は、各ノズルからインクが吐出される理想的な位置（以下、「理想吐出位置」という。）を基準にして撮像画像から画像を切り出すという手法である。第３の切り出し手法に関し、図３０に示すフローチャートを参照しつつ、或る１つのノズル（以下、「着目ノズル」という。）の理想吐出位置を求める手順について以下に説明する。
【0109】
まず、テストパターン７３の設計情報に基づき、着目ノズルおよび当該着目ノズルの近傍の所定数のノズルのそれぞれについての暫定吐出位置（インクが吐出されることが想定される位置）が上述したような手順で求められる（ステップＳ３１０）。以下、着目ノズルの近傍の所定数のノズルを「近傍ノズル群」という。主走査方向のことを「左右方向」と言うと、例えば、着目ノズルを基準にして左方向に５つ先までのノズルおよび着目ノズルを基準にして右方向に５つ先までのノズルが近傍ノズル群とされる。但し、着目ノズルが左端部に位置している場合には、着目ノズルを基準にして右方向に例えば５つ先までのノズルが近傍ノズル群とされ、着目ノズルが右端部に位置している場合には、着目ノズルを基準にして例えば左方向に５つ先までのノズルが近傍ノズル群とされる。暫定吐出位置が求められた後、撮像画像に基づいて、近傍ノズル群に含まれる複数個のノズルのそれぞれの実吐出位置（実際にインクが吐出されている位置）が上述したような手順で求められる（ステップＳ３２０）。次に、近傍ノズル群に含まれる複数個のノズルのそれぞれについて、暫定吐出位置と実吐出位置との差分が算出される（ステップＳ３３０）。その後、ステップＳ３３０で算出された差分の平均値が算出される（ステップＳ３４０）。最後に、着目ノズルについての暫定吐出位置にステップＳ３４０で算出された平均値を加算することによって着目ノズルについての理想吐出位置が求められる（ステップＳ３５０）。
【0110】
なお、本実施形態においては、ステップＳ３１０によって暫定吐出位置算出ステップが実現され、ステップＳ３２０によって実吐出位置算出ステップが実現され、ステップＳ３３０によって差分算出ステップが実現され、ステップＳ３４０によって差分平均算出ステップが実現され、ステップＳ３５０によって理想吐出位置特定ステップが実現されている。
【0111】
ここで、不吐出ノズルが存在する場合における理想吐出位置の求め方について説明する。不吐出ノズルは、図３０のステップＳ３２０の処理（実吐出位置の算出処理）で検出される。このケースでは、近傍ノズル群に含まれる複数個のノズルの例えば１つが不吐出ノズルとして検出される。そして、近傍ノズル群から当該不吐出ノズルを除外して、図３０のステップＳ３３０の処理（差分の算出処理）が実行される。これにより、近傍ノズル群から不吐出ノズルを除外した例えば９個のノズルのそれぞれについて、暫定吐出位置と実吐出位置との差分が算出される。これ以降のステップＳ３４０，Ｓ３５０の処理については、不吐出ノズルが検出されない場合と同じである。以上のようにして、上述した着目ノズルについての理想吐出位置が決定される。
【0112】
＜６．３ 副走査方向に複数ノズル分の範囲を切り出すケースについて＞
例えば図２１や図２２に示したように副走査方向に連続する複数のノズルに対応する範囲を画像の切り出し範囲とする場合、画像の切り出しに先立って以下のようにして撮像画像の再構成を行うようにしても良い。
例えば図２１や図２２に示したように副走査方向に連続する複数のノズルに対応する範囲を画像の切り出し範囲とする場合、画像の切り出しに先立って以下のようにして撮像画像の再構成を行うようにしても良い。
【0113】
まず、複数の段を含む撮像画像を段ごとの複数の分割画像に分割する。次に、上述したように或る段と次の段との境界部分にはノイズが多く含まれているので、トリミングによって境界部分を取り除く。詳しくは、複数の分割画像のそれぞれについて、副走査方向の上流側および下流側の端部をトリミングによって削除する。最後に、上記のようにして境界部分が取り除かれた複数の分割画像（すなわち、副走査方向の上流側および下流側の端部が削除された後の複数の分割画像）を結合する。以上のようにして、撮像画像が再構成される。
【0114】
ところで、副走査方向に連続する３つのノズルに対応する範囲を画像の切り出し範囲とする場合、最上段に対応するノズルあるいは最下段に対応するノズルを中心として所望の切り出しを行うことはできない。そこで、最上段の画像（図３１において符号８２ａを付した位置の画像）を最下段の画像の下方の位置（図３１において符号８２ｂを付した位置）に複写するとともに最下段の画像（図３１において符号８３ａを付した位置の画像）を最上段の画像の上方の位置（図３１において符号８３ｂを付した位置）に複写すれば良い。換言すれば、撮像画像からの画像（学習用画像５４、部分画像５７）の切り出しが行われる前に、撮像画像において副走査方向の最上流側に位置する段の画像が副走査方向の最下流側に位置する段の更に下流側に複写されるとともに、撮像画像において副走査方向の最下流側に位置する段の画像が副走査方向の最上流側に位置する段の更に上流側に複写されると良い。なお、このような複写後の画像に相当する印刷画像が得られるよう、テストパターン７３の印刷の際に最上段に対応するノズルおよび最下段に対応するノズルのそれぞれからインクの吐出が行われるようにしても良い。
【0115】
＜６．４ 撮像画像のエッジ部分について＞
複数ノズル分の範囲の画像を切り出すという手法を採用した場合において、撮像画像のエッジ部分については他の部分に比べて吐出不良の検出精度が低くなることが考えられる。そこで、エッジ部分については次のような処理を行うようにしても良い。学習処理時には、例えば撮像画像の４隅のそれぞれを切り出し基準位置として撮像画像からの学習用画像５４の切り出しを行い、当該学習用画像５４を用いてオートエンコーダＡＥによる教師なし学習を実行することによりエッジ部分用の学習済みモデル５５を生成する。推論処理時には、学習処理時と同様にして撮像画像からの部分画像５７の切り出しを行い、当該部分画像５７を入力データとしてエッジ部分用の学習済みモデル５５を構成するオートエンコーダＡＥに与えることによって吐出不良ノズルの検出を行う。
複数ノズル分の範囲の画像を切り出すという手法を採用した場合において、撮像画像のエッジ部分については他の部分に比べて吐出不良の検出精度が低くなることが考えられる。そこで、エッジ部分については次のような処理を行うようにしても良い。学習処理時には、例えば撮像画像の４隅のそれぞれを切り出し基準位置として撮像画像からの学習用画像５４の切り出しを行い、当該学習用画像５４を用いてオートエンコーダＡＥによる教師なし学習を実行することによりエッジ部分用の学習済みモデル５５を生成する。推論処理時には、学習処理時と同様にして撮像画像からの部分画像５７の切り出しを行い、当該部分画像５７を入力データとしてエッジ部分用の学習済みモデル５５を構成するオートエンコーダＡＥに与えることによって吐出不良ノズルの検出を行う。
【0116】
＜６．５ 推論処理時の画像（部分画像）の切り出し方および吐出不良ノズルの特定＞
複数ノズル分の範囲の画像を切り出すケース（すなわち、上記Ｎ個のノズルが２個以上のノズルであるケース）に関する推論処理時の撮像画像５６からの部分画像５７の切り出し方および吐出不良ノズルの特定について説明する。複数ノズル分の範囲の画像を切り出すケースに関しては、各ノズルに対応する画像が１回だけ切り出されるように撮像画像５６から複数の部分画像５７を切り出す（換言すれば、各ノズルに対応する線状パターンがいずれか１つだけの部分画像５７に含まれるように撮像画像５６から複数の部分画像５７を切り出す）という手法（以下、便宜上「処理時間優先切り出し手法」という。）を採用しても良いし、全てのノズル（但し、撮像画像５６の端部に位置する線状パターンに対応するノズルを除く）のそれぞれに対応する画像が１回ずつ中心（切り出し後の画像の中心）に位置するように撮像画像５６から複数の部分画像５７を切り出すという手法（以下、便宜上「精度優先切り出し手法」という。）を採用しても良い。精度優先切り出し手法によれば、撮像画像５６において副走査方向の最上流側に位置する段に含まれる線状パターンに対応するノズル、撮像画像５６において副走査方向の最下流側に位置する段に含まれる線状パターンに対応するノズル、および各段の両端に位置する線状パターンに対応するノズルを端部ノズルとして、撮像画像５６からの複数の部分画像５７の切り出しが行われる際に、ヘッドユニット２５に含まれる複数のノズルのうちの端部ノズルを除く全てのノズルのそれぞれに対応する位置が１回ずつ基準とされる。
複数ノズル分の範囲の画像を切り出すケース（すなわち、上記Ｎ個のノズルが２個以上のノズルであるケース）に関する推論処理時の撮像画像５６からの部分画像５７の切り出し方および吐出不良ノズルの特定について説明する。複数ノズル分の範囲の画像を切り出すケースに関しては、各ノズルに対応する画像が１回だけ切り出されるように撮像画像５６から複数の部分画像５７を切り出す（換言すれば、各ノズルに対応する線状パターンがいずれか１つだけの部分画像５７に含まれるように撮像画像５６から複数の部分画像５７を切り出す）という手法（以下、便宜上「処理時間優先切り出し手法」という。）を採用しても良いし、全てのノズル（但し、撮像画像５６の端部に位置する線状パターンに対応するノズルを除く）のそれぞれに対応する画像が１回ずつ中心（切り出し後の画像の中心）に位置するように撮像画像５６から複数の部分画像５７を切り出すという手法（以下、便宜上「精度優先切り出し手法」という。）を採用しても良い。精度優先切り出し手法によれば、撮像画像５６において副走査方向の最上流側に位置する段に含まれる線状パターンに対応するノズル、撮像画像５６において副走査方向の最下流側に位置する段に含まれる線状パターンに対応するノズル、および各段の両端に位置する線状パターンに対応するノズルを端部ノズルとして、撮像画像５６からの複数の部分画像５７の切り出しが行われる際に、ヘッドユニット２５に含まれる複数のノズルのうちの端部ノズルを除く全てのノズルのそれぞれに対応する位置が１回ずつ基準とされる。
【0117】
処理時間優先切り出し手法を採用した場合には、例えば、図３２で符号８５１を付した点線部分の部分画像が切り出された後、図３２で符号８５２を付した点線部分の部分画像が切り出される。この手法によれば、撮像画像５６からの複数の部分画像５７の切り出しに要する処理時間が短くなる。この手法により部分画像５７の切り出しが行われる場合、推論処理における吐出不良ノズルの検出・特定は次のように行われる。まず、吐出不良判定部６４０が、部分画像全体でオートエンコーダＡＥへの入力データとオートエンコーダＡＥからの出力データとの平均２乗誤差に基づいて、吐出不良ノズルの存在の有無を判定する。その結果、吐出不良ノズルが存在する旨の判定が行われると（換言すれば、平均２乗誤差が所定の閾値よりも大きければ）、吐出不良ノズル特定部６５１が、入力データおよび出力データの双方について該当の部分画像全体を１ノズル毎のＮ個の画像（以下、「ノズル単位画像」という。）に分割し、ノズル単位画像毎に入力データと出力データとの平均２乗誤差を求め、当該平均２乗誤差と閾値（ノズル単位画像毎の比較用の閾値）（この閾値もパラメータとして設定される。）とを比較した結果に基づいて吐出不良ノズルを特定する。その際、平均２乗誤差が閾値よりも大きいという結果が得られたノズル単位画像に対応するノズルが吐出不良ノズルとして特定される。例えば、図３３で符号７０を付した太実線部分の画像が部分画像として切り出されていた場合、まず、部分画像全体に基づいて、吐出不良ノズルの存在の有無が判定される。その結果、吐出不良ノズルが存在する旨の判定が行われると、入力データおよび出力データの双方について部分画像７０が９個のノズル単位画像７０１～７０９に分割される。そして、９個のノズル単位画像７０１～７０９のそれぞれについて、入力データと出力データとの平均２乗誤差と閾値とが比較される。平均２乗誤差と閾値との比較の結果、仮にノズル単位画像７０６について平均２乗誤差が閾値よりも大きいという結果が得られた場合、ノズル単位画像７０６に対応するノズルが吐出不良ノズルとして特定される。また、仮にノズル単位画像７０１およびノズル単位画像７０９について平均２乗誤差が閾値よりも大きいという結果が得られた場合、ノズル単位画像７０１に対応するノズルとノズル単位画像７０９に対応するノズルとが吐出不良ノズルとして特定される。
【0118】
精度優先切り出し手法を採用した場合には、例えば、図３４で符号８６１を付した太実線部分の部分画像が切り出されていても図３４で符号８６２を付した点線部分の部分画像も切り出され、図３４で符号８６３を付した太点線部分の部分画像が切り出されていても図３４で符号８６４を付した実線部分の部分画像も切り出される。この手法によれば、吐出不良ノズルの位置を精度良く特定することが可能となる。例えば、推論処理時に主走査方向に連続する５つのノズルに対応する範囲の部分画像の切り出しが行われた場合において図３５で符号８７を付した点線部分に示すような吐出不良が生じていると、５回の検査結果において、吐出不良が生じている部分が図３５に示すように徐々に移動する。このとき、平均２乗誤差が閾値よりも大きいという結果が５回連続で得られる。これに基づいて、吐出不良ノズル特定部６５１によって、吐出不良ノズルが特定される。また、推論処理時に３行×３列の９個の線状パターンを含む部分画像の切り出しが行われた場合において、９個の線状パターンを含む部分画像毎の検査結果を各部分画像の中心に位置する線状パターンに対応付けて表したときに図３６に示すような結果が得られたと仮定する。なお、図３６に関し、「〇」は吐出不良が検出されなかった旨を表し、「×」は吐出不良が検出された旨を表している。このとき、吐出不良ノズル特定部６５１は、図３６で符号８８を付した結果に対応する線状パターンを記録したノズルが吐出不良状態であると判定することができる。以上のことから、図１６のステップＳ８０で対応するＮ個のノズルの中に吐出不良ノズルが含まれていると判定された２以上の部分画像の相互の重なり状態に基づいて吐出不良ノズルが特定されることが把握される。
【0119】
＜６．６ 画像の切り出し範囲と切り出し基準位置との組み合わせ毎の検出可能な吐出不良の種類＞
画像の切り出し範囲と切り出し基準位置との組み合わせと検出可能な吐出不良の種類との関係を図３７に示す。形状不良については、いずれの組み合わせでも検出可能である。実吐出位置を切り出し基準位置に採用した場合、不吐出は条件付きで検出可能となる。これに関し、詳しくは、図２４のステップＳ２３０で平均値のピークが得られなかったときに図１６のステップＳ６０～Ｓ８０の処理によることなく該当のノズルは不吐出であるとの判断をできるようにすれば、不吐出の検出は可能である。横飛びについては、画像の切り出し範囲が複数ノズル分の範囲であれば、オートエンコーダＡＥによって複数の線状パターン間の位置関係が学習されるので、いずれの切り出し基準位置を採用した場合にも検出可能である。しかしながら、画像の切り出し範囲が１ノズル分の範囲であれば、横飛びは、理想吐出位置を切り出し基準位置に採用した場合にのみ検出可能である。これに関し、理想吐出位置を切り出し基準位置に採用している場合には、或るノズルについて横飛びが生じていても、当該ノズルに対応する部分画像を撮像画像から切り出す際の切り出し位置にずれ（横飛びに起因するずれ）が生じることはない。それ故、画像の切り出し範囲が１ノズル分の範囲であっても、横飛びの検出が可能である。
画像の切り出し範囲と切り出し基準位置との組み合わせと検出可能な吐出不良の種類との関係を図３７に示す。形状不良については、いずれの組み合わせでも検出可能である。実吐出位置を切り出し基準位置に採用した場合、不吐出は条件付きで検出可能となる。これに関し、詳しくは、図２４のステップＳ２３０で平均値のピークが得られなかったときに図１６のステップＳ６０～Ｓ８０の処理によることなく該当のノズルは不吐出であるとの判断をできるようにすれば、不吐出の検出は可能である。横飛びについては、画像の切り出し範囲が複数ノズル分の範囲であれば、オートエンコーダＡＥによって複数の線状パターン間の位置関係が学習されるので、いずれの切り出し基準位置を採用した場合にも検出可能である。しかしながら、画像の切り出し範囲が１ノズル分の範囲であれば、横飛びは、理想吐出位置を切り出し基準位置に採用した場合にのみ検出可能である。これに関し、理想吐出位置を切り出し基準位置に採用している場合には、或るノズルについて横飛びが生じていても、当該ノズルに対応する部分画像を撮像画像から切り出す際の切り出し位置にずれ（横飛びに起因するずれ）が生じることはない。それ故、画像の切り出し範囲が１ノズル分の範囲であっても、横飛びの検出が可能である。
【0120】
＜７．効果＞
本実施形態によれば、良好な吐出状態を表す画像のみを用いてオートエンコーダＡＥによる教師なし学習を行うことによって、ノズルの吐出不良を検出するための学習済みモデル５５が生成される。これにより、学習済みモデル５５を構成するオートエンコーダＡＥに与える入力データが吐出不良が生じていない画像であれば入力データと出力データとの誤差は小さくなり、学習済みモデル５５を構成するオートエンコーダＡＥに与える入力データが吐出不良が生じている画像であれば入力データと出力データとの誤差は大きくなる。従って、誤差と比較するための閾値をパラメータとして設定すれば、他のパラメータの設定を要することなく、オートエンコーダＡＥに入力データとして与えられた各部分画像５７に対応するＮ個のノズル（１個以上のノズル）の中に吐出不良ノズルが含まれているか否かを判定することができる。また、インクジェット印刷装置１０においては吐出不良はまれにしか生じないが、学習データ（学習用画像５４）として必要とされるのは良好な吐出状態を表す画像のみである（換言すれば、不良データを収集する必要がない）ので、十分な数の学習データを容易に収集することができる。以上より、本実施形態によれば、インクジェット印刷装置１０に関し、学習データの生成・収集やパラメータの設定のために多大な手間を要することなくノズルの吐出不良を精度良く検出することが可能となる。また、パラメータの設定の不十分さに起因して吐出不良の検出漏れが生じるということが抑制されるので、再印刷による印刷用紙５やインクの無駄な消費が抑制される。このように、ＳＤＧｓ（持続可能な開発目標）の達成に貢献することができる。
本実施形態によれば、良好な吐出状態を表す画像のみを用いてオートエンコーダＡＥによる教師なし学習を行うことによって、ノズルの吐出不良を検出するための学習済みモデル５５が生成される。これにより、学習済みモデル５５を構成するオートエンコーダＡＥに与える入力データが吐出不良が生じていない画像であれば入力データと出力データとの誤差は小さくなり、学習済みモデル５５を構成するオートエンコーダＡＥに与える入力データが吐出不良が生じている画像であれば入力データと出力データとの誤差は大きくなる。従って、誤差と比較するための閾値をパラメータとして設定すれば、他のパラメータの設定を要することなく、オートエンコーダＡＥに入力データとして与えられた各部分画像５７に対応するＮ個のノズル（１個以上のノズル）の中に吐出不良ノズルが含まれているか否かを判定することができる。また、インクジェット印刷装置１０においては吐出不良はまれにしか生じないが、学習データ（学習用画像５４）として必要とされるのは良好な吐出状態を表す画像のみである（換言すれば、不良データを収集する必要がない）ので、十分な数の学習データを容易に収集することができる。以上より、本実施形態によれば、インクジェット印刷装置１０に関し、学習データの生成・収集やパラメータの設定のために多大な手間を要することなくノズルの吐出不良を精度良く検出することが可能となる。また、パラメータの設定の不十分さに起因して吐出不良の検出漏れが生じるということが抑制されるので、再印刷による印刷用紙５やインクの無駄な消費が抑制される。このように、ＳＤＧｓ（持続可能な開発目標）の達成に貢献することができる。
【0121】
＜８．変形例＞
上記実施形態においては印刷条件毎にオートエンコーダＡＥを用いた教師なし学習が実行されていたが、本発明はこれに限定されない。そこで、教師なし学習の実行に関する４つの変形例（第１～第４の変形例）について以下に説明する。
上記実施形態においては印刷条件毎にオートエンコーダＡＥを用いた教師なし学習が実行されていたが、本発明はこれに限定されない。そこで、教師なし学習の実行に関する４つの変形例（第１～第４の変形例）について以下に説明する。
【0122】
＜８．１ 第１の変形例＞
上記実施形態のように全ての印刷条件のそれぞれについて教師なし学習が行われると、処理の負荷が過大となることが考えられる。そこで、互いに類似する複数の印刷条件を１つにまとめて教師なし学習を行うようにしても良い。すなわち、本変形例においては、１または２以上の印刷条件を印刷条件グループとして、オートエンコーダＡＥを用いた教師なし学習が印刷条件グループ毎に行われる。これにより、図１６のステップＳ２０では、印刷条件グループ毎に学習済みモデル５５が生成される。そして、図１６のステップＳ６０では、図１６のステップＳ３０でテストパターン７３が印刷されたときの印刷条件を含む印刷条件グループに対応する学習済みモデル５５が使用される。
上記実施形態のように全ての印刷条件のそれぞれについて教師なし学習が行われると、処理の負荷が過大となることが考えられる。そこで、互いに類似する複数の印刷条件を１つにまとめて教師なし学習を行うようにしても良い。すなわち、本変形例においては、１または２以上の印刷条件を印刷条件グループとして、オートエンコーダＡＥを用いた教師なし学習が印刷条件グループ毎に行われる。これにより、図１６のステップＳ２０では、印刷条件グループ毎に学習済みモデル５５が生成される。そして、図１６のステップＳ６０では、図１６のステップＳ３０でテストパターン７３が印刷されたときの印刷条件を含む印刷条件グループに対応する学習済みモデル５５が使用される。
【0123】
＜８．２ 第２の変形例＞
ノズルからインクが吐出されることによって印刷用紙５上に形成される画像の形状は、インクの種類によって変わり得る。そこで、本変形例においては、オートエンコーダＡＥを用いた教師なし学習がインクの種類毎に行われる。これにより、図１６のステップＳ２０では、インクの種類毎に学習済みモデル５５が生成される。そして、図１６のステップＳ６０では、図１６のステップＳ３０でテストパターン７３が印刷されたときに使用されたインクの種類に対応する学習済みモデル５５が使用される。
ノズルからインクが吐出されることによって印刷用紙５上に形成される画像の形状は、インクの種類によって変わり得る。そこで、本変形例においては、オートエンコーダＡＥを用いた教師なし学習がインクの種類毎に行われる。これにより、図１６のステップＳ２０では、インクの種類毎に学習済みモデル５５が生成される。そして、図１６のステップＳ６０では、図１６のステップＳ３０でテストパターン７３が印刷されたときに使用されたインクの種類に対応する学習済みモデル５５が使用される。
【0124】
＜８．３ 第３の変形例＞
図３８は、本変形例における記録部２０５の一構成例を示す平面図である。上記実施形態とは異なり、各色用のヘッドユニット２５は、副走査方向の上流側に配置された第１ヘッド群と副走査方向の下流側に配置された第２ヘッド群とによって構成されている。例えば、Ｋ色用ヘッドユニット２５Ｋは、副走査方向の上流側に配置されたＫ色用第１ヘッド群２５Ｋ（１）と副走査方向の下流側に配置されたＫ色用第２ヘッド群２５Ｋ（２）とによって構成されている。図３８に示す例では、第１ヘッド群についても第２ヘッド群についても、千鳥状に配置された５個のインク吐出ヘッド２５１により構成されている。例えば、第１ヘッド群に含まれているインク吐出ヘッド２５１も第２ヘッド群に含まれているインク吐出ヘッド２５１も６００ｄｐｉの印字が可能であって、両者によって１２００ｄｐｉの印字が可能である。なお、第１ヘッド群に含まれているインク吐出ヘッド２５１が上流側インク吐出ヘッドに相当し、第２ヘッド群に含まれているインク吐出ヘッド２５１が下流側インク吐出ヘッドに相当する。
図３８は、本変形例における記録部２０５の一構成例を示す平面図である。上記実施形態とは異なり、各色用のヘッドユニット２５は、副走査方向の上流側に配置された第１ヘッド群と副走査方向の下流側に配置された第２ヘッド群とによって構成されている。例えば、Ｋ色用ヘッドユニット２５Ｋは、副走査方向の上流側に配置されたＫ色用第１ヘッド群２５Ｋ（１）と副走査方向の下流側に配置されたＫ色用第２ヘッド群２５Ｋ（２）とによって構成されている。図３８に示す例では、第１ヘッド群についても第２ヘッド群についても、千鳥状に配置された５個のインク吐出ヘッド２５１により構成されている。例えば、第１ヘッド群に含まれているインク吐出ヘッド２５１も第２ヘッド群に含まれているインク吐出ヘッド２５１も６００ｄｐｉの印字が可能であって、両者によって１２００ｄｐｉの印字が可能である。なお、第１ヘッド群に含まれているインク吐出ヘッド２５１が上流側インク吐出ヘッドに相当し、第２ヘッド群に含まれているインク吐出ヘッド２５１が下流側インク吐出ヘッドに相当する。
【0125】
図３９は、本変形例におけるヘッドユニット２５の詳細な構成を示す図である。図３９に示されている部分に関し、インク吐出ヘッド２５１（１）とインク吐出ヘッド２５１（３）とは第１ヘッド群に含まれ、インク吐出ヘッド２５１（２）とインク吐出ヘッド２５１（４）とは第２ヘッド群に含まれている。図３９から、第１ヘッド群に含まれているノズルから吐出されたインクの着弾位置と第２ヘッド群に含まれているノズルから吐出されたインクの着弾位置とが主走査方向に交互に並ぶことが把握される。印刷が行われる際には、印刷用紙５上の各領域に対して、まず、第１ヘッド群に含まれているノズルからインクが吐出され、その後、第２ヘッド群に含まれているノズルからインクが吐出される。そこで、以下においては、第１ヘッド群に含まれているノズルを「先打ちノズル」といい、第２ヘッド群に含まれているノズルを「後打ちノズル」という。
【0126】
本変形例においては、以上のような構成のヘッドユニット２５を用いて、図４０に示すようなテストパターン７３が印刷される。図４０に関し、符号８９１，８９３，８９５，および８９７を付した部分の線状パターンは先打ちノズルに対応し、符号８９２，８９４，８９６，および８９８を付した部分の線状パターンは後打ちノズルに対応している。なお、ここでは、撮像画像から画像（学習用画像５４、部分画像５７）を切り出す際の切り出し範囲は１ノズル分の範囲であると仮定する。
【0127】
以上のような前提下、先打ちノズルに対応する画像（図４０において符号８９１，８９３，８９５，および８９７を付した部分に含まれている画像）と後打ちノズルに対応する画像（図４０において符号８９２，８９４，８９６，および８９８を付した部分に含まれている画像）とで、別々に、オートエンコーダＡＥを用いた教師なし学習が行われる。これにより、図１６のステップＳ２０では、第１ヘッド群に対応する学習済みモデル５５と第２ヘッド群に対応する学習済みモデル５５とが生成される。そして、図１６のステップＳ６０では、入力データに対応するノズルが第１ヘッド群に含まれていれば（すなわち、入力データに対応するノズルが先打ちノズルであれば）、第１ヘッド群に対応する学習済みモデル５５を構成するオートエンコーダＡＥに当該入力データが与えられ、入力データに対応するノズルが第２ヘッド群に含まれていれば（すなわち、入力データに対応するノズルが後打ちノズルであれば）、第２ヘッド群に対応する学習済みモデル５５を構成するオートエンコーダＡＥに当該入力データが与えられる。
【0128】
なお、切り出した画像に主走査方向に連続する複数の線状パターンが含まれるように撮像画像からの画像の切り出しが行われる場合（図２０で符号７６を付した太点線部分を参照）にも、上記のようにして先打ちノズルに対応する画像と後打ちに対応する画像とで別々に教師なし学習が行われるようにしても良い。
【0129】
＜８．４ 第４の変形例＞
本変形例においては、上記第３の変形例と同様の構成のヘッドユニット２５（図３８および図３９を参照）が採用される。また、本変形例においては、切り出しによって得られる画像（切り出し画像）に３行×３列の９個の線状パターンが含まれるように撮像画像からの画像（学習用画像５４、部分画像５７）の切り出しが行われる（図２２で符号７８を付した太点線部分を参照）。
本変形例においては、上記第３の変形例と同様の構成のヘッドユニット２５（図３８および図３９を参照）が採用される。また、本変形例においては、切り出しによって得られる画像（切り出し画像）に３行×３列の９個の線状パターンが含まれるように撮像画像からの画像（学習用画像５４、部分画像５７）の切り出しが行われる（図２２で符号７８を付した太点線部分を参照）。
【0130】
以上の前提下、先打ちノズルに対応する画像が中心に位置する切り出し画像（以下、「第１タイプの切り出し画像」という。）と後打ちノズルに対応する画像が中心に位置する切り出し画像（以下、「第２タイプの切り出し画像」という。）とで、別々に、オートエンコーダＡＥを用いた教師なし学習が行われる。これにより、図１６のステップＳ２０では、第１タイプの切り出し画像に対応する学習済みモデル５５と第２タイプの切り出し画像に対応する学習済みモデル５５とが生成される。そして、図１６のステップＳ６０では、入力データとしての部分画像５７が第１タイプの切り出し画像または第２タイプの切り出し画像のいずれであるのかに応じて、使用する学習済みモデル５５が選択される。
【0131】
＜９．その他＞
上記実施形態（変形例を含む）においては、カラー印刷を行うインクジェット印刷装置１０が採用されていた。しかしながら、本発明はこれに限定されず、モノクロ印刷を行うインクジェット印刷装置が採用されていても良い。
上記実施形態（変形例を含む）においては、カラー印刷を行うインクジェット印刷装置１０が採用されていた。しかしながら、本発明はこれに限定されず、モノクロ印刷を行うインクジェット印刷装置が採用されていても良い。
【0132】
また、上記実施形態（変形例を含む）においては水性インクを用いるインクジェット印刷装置１０が採用されていた。しかしながら、本発明はこれに限定されず、例えばラベル印刷向けインクジェット印刷装置のようにＵＶインク（紫外線硬化インク）を用いるインクジェット印刷装置が採用されていても良い。この場合、印刷機構２０１の内部（図５参照）には、乾燥機構２０６に代えて、印刷用紙５上のＵＶインクを紫外線照射により硬化させる紫外線照射機構が設けられる。
【符号の説明】
【0133】
１０…インクジェット印刷装置
１３…印刷制御プログラム
４０…インラインスキャナ
５５…学習済みモデル
７１…検査チャート
７２…チントパターン
７３…テストパターン
１００…印刷制御装置
１５６…吐出不良検出部
１５７…印刷データ補正部
２００…印刷機本体
２０１…印刷機構
２０５…記録部
２５１…インク吐出ヘッド
６１０…学習用画像生成部
６２０…モデル生成部
６３０…画像切り出し部
６４０…吐出不良判定部
６４１…自己符号化部
６４２…誤差算出部
６４３…比較判定部
６５０…吐出不良情報出力部
６５１…吐出不良ノズル特定部
ＡＥ…オートエンコーダ
１３…印刷制御プログラム
４０…インラインスキャナ
５５…学習済みモデル
７１…検査チャート
７２…チントパターン
７３…テストパターン
１００…印刷制御装置
１５６…吐出不良検出部
１５７…印刷データ補正部
２００…印刷機本体
２０１…印刷機構
２０５…記録部
２５１…インク吐出ヘッド
６１０…学習用画像生成部
６２０…モデル生成部
６３０…画像切り出し部
６４０…吐出不良判定部
６４１…自己符号化部
６４２…誤差算出部
６４３…比較判定部
６５０…吐出不良情報出力部
６５１…吐出不良ノズル特定部
ＡＥ…オートエンコーダ
【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】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】
【図34】
【図35】
【図36】
【図37】
【図38】
【図39】
【図40】
【図41】
【図42】
【図43】
【図44】
【図45】