特許 7091731 画像形成装置及び画像形成システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-06-20

(45)【発行日】2022-06-28

(54)【発明の名称】画像形成装置及び画像形成システム

(51)【国際特許分類】

   B41J 29/38 20060101AFI20220621BHJP

   H04N 1/00 20060101ALI20220621BHJP

【ＦＩ】

B41J29/38 501

H04N1/00 127A

【請求項の数】 7

(21)【出願番号】P 2018044803

(22)【出願日】2018-03-12

(65)【公開番号】P2019155700

(43)【公開日】2019-09-19

【審査請求日】2020-12-11

(73)【特許権者】

【識別番号】000006747

【氏名又は名称】株式会社リコー

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(72)【発明者】

【氏名】久保田 新

【審査官】加藤 昌伸

(56)【参考文献】

【文献】特開２０１５－１６１７４５（ＪＰ，Ａ）

【文献】特開２０１７－０３４３０４（ＪＰ，Ａ）

【文献】特開２００５－２６６４２１（ＪＰ，Ａ）

【文献】特開２０１７－１７５２２２（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１７／０３３００５６（ＵＳ，Ａ１）

【文献】米国特許第０６９１２５３３（ＵＳ，Ｂ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ４１Ｊ ２９／００ － ２９／７０

Ｈ０４Ｎ １／００

Ｇ０６Ｆ ３／０９ － ３／１２

Ｇ０６Ｆ ９／００ － ９／０６

Ｇ０６Ｎ ３／００ － ３／１２

Ｇ０６Ｎ ７／０８ － ９９／００

(57)【特許請求の範囲】

【請求項1】

学習データを収集するデータ収集部と、
サーバと通信する通信部と、
前記データ収集部が収集した学習データから学習モデルを生成するモデル生成部と、
前記サーバによって前記学習モデルを生成するか否か判定する判定部と、
を備え、
前記学習データは、設定データ及びジョブ履歴データの少なくとも一方を含み、
前記モデル生成部は、前記設定データ及び前記ジョブ履歴データの少なくとも一方に基づいて、前記学習モデルを生成する
画像形成装置。

【請求項2】

前記判定部は、ユーザの認証方式、ハードウェア資源の仕様、及び前記サーバとの接続方法の少なくとも１つに応じて、前記モデル生成部によって前記学習モデルを生成するか、前記サーバによって前記学習モデルを生成するか判定する
請求項１に記載の画像形成装置。

【請求項3】

前記判定部が前記モデル生成部によって前記学習モデルを生成すると判定した場合、前記モデル生成部は、前記学習モデルを生成し、
前記判定部が前記サーバによって前記学習モデルを生成すると判定した場合、前記通信部は、前記学習データを前記サーバに送信する
請求項１又は請求項２に記載の画像形成装置。

【請求項4】

前記学習データは、設定データ及びジョブ履歴データの少なくとも一方と、省エネモードの開始時刻及び終了時刻と、を含み、
前記モデル生成部は、前記省エネモードの開始時刻及び終了時刻に基づいて、前記学習モデルを生成する
請求項１に記載の画像形成装置。

【請求項5】

前記判定部は、前記学習モデルに基づいて、前記サーバによって、前記設定データ及び前記ジョブ履歴データの少なくとも一方に基づいて前記学習モデルを生成するか否か判定する
請求項４に記載の画像形成装置。

【請求項6】

前記判定部が前記サーバによって前記学習モデルを生成すると判定した場合、前記通信部は、前記設定データ及び前記ジョブ履歴データの少なくとも一方を前記サーバに送信する
請求項４又は請求項５に記載の画像形成装置。

【請求項7】

画像形成装置と、サーバと、を備える画像形成システムであって、
前記画像形成装置は、
学習データを収集するデータ収集部と、
前記サーバと通信する通信部と、
前記データ収集部が収集した学習データから学習モデルを生成するモデル生成部と、
前記サーバによって前記学習モデルを生成するか否か判定する判定部と、
を備え、
前記学習データは、設定データ及びジョブ履歴データの少なくとも一方を含み、
前記モデル生成部は、前記設定データ及び前記ジョブ履歴データの少なくとも一方に基づいて、前記学習モデルを生成する
画像形成システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像形成装置及び画像形成システムに関する。

【背景技術】

【0002】

従来、学習機能を備えた画像形成装置が知られている。このような画像形成装置として、例えば、装置からの音を学習し、正常音と異常音を自動的に判別する機能を備えたもの提案されている。画像形成装置に学習機能を搭載することにより、画像形成装置の設定や動作を自動的に改善することができる。

【発明の概要】

【発明が解決しようとする課題】

【0003】

しかしながら、従来の画像形成装置では、機械学習による学習モデルの生成が画像形成装置の内部で行われていたため、画像形成装置の負荷が大きくなるという問題があった。また、機械学習をサーバで実行する場合、サーバに接続された画像形成装置が増えるほど、サーバの負荷が大きくなるという問題もあった。

【0004】

本発明は、上記の課題に鑑みてなされたものであり、画像形成システムにおける機械学習による負荷を分散させることを目的とする。

【課題を解決するための手段】

【0005】

一実施形態に係る画像形成装置は、学習データを収集するデータ収集部と、サーバと通信する通信部と、前記データ収集部が収集した学習データから学習モデルを生成するモデル生成部と、前記サーバによって前記学習モデルを生成するか否か判定する判定部と、を備える。

【発明の効果】

【0006】

本発明の各実施形態によれば、画像形成システムにおける機械学習による負荷を分散させることができる。

【図面の簡単な説明】

【0007】

【図1】画像形成システムの一例を示す図。

【図2】操作部の機能構成の一例を示す図。

【図3】画像形成システムの動作の一例を示すフローチャート。

【図4】画像形成システムの動作の一例を示すフローチャート。

【図5】画像形成システムの動作の一例を示すフローチャート。

【図6】画像形成システムの動作の一例を示すフローチャート。

【図7】画像形成システムの動作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】

【0008】

以下、本発明の各実施形態について、添付の図面を参照しながら説明する。なお、各実施形態に係る明細書及び図面の記載に関して、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重畳した説明を省略する。

【0009】

＜第１実施形態＞
第１実施形態に係る画像形成システムについて、図１～図５を参照して説明する。図１は、本実施形態に係る画像形成システムの一例を示す図である。図１の画像形成システムは、ネットワーク３０を介して接続された、画像形成装置１と、サーバ２と、を備える。図１の例では、画像形成システムには１つの画像形成装置１が含まれるが、複数の画像形成装置１が含まれてもよい。

【0010】

画像形成装置１は、画像形成機能を有する任意の装置であり、ＭＦＰ（Multifunction Peripheral）、コピー機、プリンタ、ＦＡＸ、又はスキャナであるが、これに限られない。以下、画像形成装置１はＭＦＰであるものとする。

【0011】

まず、ＭＦＰ１のハードウェア構成について説明する。図１のＭＦＰ１は、コピー機能、スキャナ機能、ファックス機能、及びプリンタ機能などの各種の機能を実現可能な本体１０と、ユーザの操作を受け付ける操作部２０と、を備える。なお、ユーザの操作を受け付けるとは、ユーザの操作に応じて入力される情報（画面の座標値を示す信号等を含む）を受け付けることを含む概念である。本体１０及び操作部２０は、専用の通信路３００を介して相互に通信可能に接続されている。通信路３００の規格は、例えば、ＵＳＢ（Universal Serial Bus）であるが、これに限られない。通信路３００の規格として、有線又は無線の任意の規格を利用できる。なお、本体１０は、操作部２０で受け付けた操作に応じた動作を行うことができる。また、本体１０は、ＰＣ等の外部装置とも通信可能であり、外部装置から受信した指示に応じた動作を行うこともできる。

【0012】

本体１０は、ＣＰＵ（Central Processing Unit）１１と、ＲＯＭ（Read Only Memory）１２と、ＲＡＭ（Random Access Memory）１３と、ＨＤＤ（Hard Disk Drive）１４と、を備える。また、本体１０は、通信Ｉ／Ｆ（Interface）１５と、接続Ｉ／Ｆ１６と、エンジン部１７と、システムバス１８と、を備える。

【0013】

ＣＰＵ１１は、本体１０の動作を統括的に制御する。ＣＰＵ１１は、ＲＡＭ１３をワークエリアとしてＲＯＭ１２又はＨＤＤ１４等に格納されたプログラムを実行することで、本体１０全体の動作を制御し、上述したコピー機能、スキャナ機能、ファックス機能、プリンタ機能などの各種機能を実現する。

【0014】

通信Ｉ／Ｆ１５は、本体１０を、インターネットやＬＡＮ（Local Area Network）などのネットワーク３０と接続するためのインタフェースである。接続Ｉ／Ｆ１６は、本体１０を、通信路３００を介して操作部２０と接続するためのインタフェースである。エンジン部１７は、コピー機能、スキャナ機能、ファックス機能、及びプリンタ機能を実現させるための、汎用的な情報処理と、通信以外の処理と、を行うハードウェアである。エンジン部１７は、原稿の画像を読み取るスキャナ（画像読取部）、用紙等のシート材へ画像を印刷するプロッタ（画像形成部）、及びファクス通信を行うファクス部などを含む。また、エンジン部１７は、印刷済みのシート材を仕分けるフィニッシャや、原稿を自動給送するＡＤＦ（自動原稿給送装置）などを含んでもよい。システムバス１８は、ＣＰＵ１１、ＲＯＭ１２、ＲＡＭ１３、ＨＤＤ１４、通信Ｉ／Ｆ１５、接続Ｉ／Ｆ１６、及びエンジン部１７を相互に接続する。

【0015】

操作部２０は、ＣＰＵ２１と、ＲＯＭ２２と、ＲＡＭ２３と、フラッシュメモリ２４と、外部接続Ｉ／Ｆ２５と、接続Ｉ／Ｆ２６と、操作パネル２７と、通信Ｉ／Ｆ２８と、システムバス２９と、を備える。

【0016】

ＣＰＵ２１は、操作部２０の動作を統括的に制御する。ＣＰＵ２１は、ＲＡＭ２３をワークエリア（作業領域）としてＲＯＭ２２またはフラッシュメモリ２４等に格納されたプログラムを実行することで、操作部２０全体の動作を制御し、ユーザから受け付けた入力に応じた情報（画像）の表示などの後述する各種機能を実現する。

【0017】

外部接続Ｉ／Ｆ２５は、操作部２０を周辺機３１（カメラなどの画像処理装置、マイクやスピーカなどの音声入出力装置、カードリーダ及びカードライターなど）と接続するためのインタフェースである。接続Ｉ／Ｆ２６は、操作部２０を、通信路３００を介して本体１０と接続するためのインタフェースである。通信Ｉ／Ｆ２８は、ネットワーク３０と接続するためのインタフェースである。システムバス２９は、ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、フラッシュメモリ２４、外部接続Ｉ／Ｆ２５、接続Ｉ／Ｆ２６、操作パネル２７、及び通信Ｉ／Ｆ２８を相互に接続する。

【0018】

操作パネル２７は、ユーザの操作に応じた各種の入力を受け付けるとともに、各種の情報（例えば受け付けた操作に応じた情報、ＭＦＰ１の動作状況を示す情報、設定状態などを示す情報など）を表示する。操作パネル２７は、例えば、タッチパネルを搭載した液晶表示装置（ＬＣＤ）や、タッチパネルを搭載した有機ＥＬ（Electro Luminescence）表示装置であるが、これに限られない。また、操作部２０は、タッチパネルに加えて、又はタッチパネルに替えて、ハードウェアキー等の操作部やランプ等の表示部を備えてもよい。

【0019】

なお、サーバ２は、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、及び通信Ｉ／Ｆを備える任意のコンピュータで有り得る。サーバ２は、通信Ｉ／Ｆを介して、ネットワーク３０に接続されたＭＦＰ１と通信する。ＣＰＵがＲＡＭをワークエリアとしてＲＯＭ又はＨＤＤに格納されたプログラムを実行することにより、サーバ２の機能が実現される。

【0020】

次に、操作部２０（ＭＦＰ１）の機能構成について説明する。図２は、操作部２０の機能構成の一例を示す図である。図２の操作部２０は、データ収集部１０１と、学習データ記憶部１０２と、認証部１０３と、通信部１０４と、判定部１０５と、モデル生成部１０６と、学習モデル記憶部１０７と、を備える。これらの各機能構成は、ＣＰＵ２１がプログラムを実行し、他のハードウェアと協働することにより実現される。学習データ記憶部１０２は、ＲＯＭ２２、ＲＡＭ２３、又はフラッシュメモリ２４上に設けられる。学習モデル記憶部１０７は、フラッシュメモリ２４上に設けられる。

【0021】

データ収集部１０１は、ＭＦＰ１の各構成から、学習データを収集する。学習データは、ＭＦＰ１の設定や動作を改善するための機械学習の対象となる任意のデータである。学習データは、ＭＦＰ１の設定データ及びジョブ履歴データを含む。設定データは、ＭＦＰ１の設定に関するデータであり、ジョブの実行時のパラメータの設定を示すデータや、操作パネル２７におけるアイコンなどの表示設定を示すデータを含む。ジョブ履歴データは、ジョブの実行履歴に関するデータであり、ジョブ実行日時、ログインユーザ、ジョブ種類などを示すデータを含む。データ収集部１０１は、定期的に、又は所定のタイミングで、学習データを収集する。所定のタイミングは、例えば、操作部２０の起動時、学習データの更新時、ユーザのログイン時、又はユーザのログアウト時であるが、これに限られない。

【0022】

学習データ記憶部１０２は、データ収集部１０１が収集した学習データを記憶する。

【0023】

認証部１０３は、操作部２０（ＭＦＰ１）へのユーザのログイン時に、ユーザから入力されたユーザ情報に基づいて、ユーザの認証を行う。ユーザ情報には、ユーザの識別情報（ユーザＩＤ）、ユーザ名、及びパスワードなどが含まれる。ユーザ情報は、操作パネル２７から入力されてもよいし、カードリーダなどの周辺機３１から入力されてもよい。認証方式として、サーバ認証や本体認証を利用できる。サーバ認証とは、入力されたユーザ情報と、認証サーバに登録されたユーザ情報と、を比較することによりユーザを認証する認証方式であり、画像形成システムに含まれる複数のＭＦＰ１を利用するユーザの認証に適用される。本実施形態では、サーバ２が認証サーバの機能を有してもよいし、ＭＦＰ１が、サーバ２とは別に用意された認証サーバと通信可能であってもよい。一方、本体認証とは、入力されたユーザ情報と、操作部２０に登録されたユーザ情報と、を比較することによりユーザを認証する認証方式であり、ユーザ情報が入力されたＭＦＰ１のみを利用するユーザの認証に適用される。

【0024】

通信部１０４は、サーバ２と通信し、データをやり取りする。

【0025】

判定部１０５は、ユーザのログイン時の認証方式、操作部２０のハードウェア資源の仕様、及びＭＦＰ１とサーバ２との間の接続方法の少なくとも１つに基づいて、学習モデルをモデル生成部１０６によって生成するか、サーバ２によって生成するか判定する。判定部１０５は、定期的に、又は所定のタイミングで、学習モデルをどちらで生成するか判定する。所定のタイミングは、例えば、操作部２０の起動時、学習データの更新時、ユーザのログイン時、又はユーザのログアウト時であるが、これに限られない。判定方法については後述する。

【0026】

モデル生成部１０６は、機械学習により、学習データから学習モデルを生成可能する。モデル生成部１０６は、サポートベクターマシン（ＳＶＭ）、クラスタリング、ニューラルネットワーク、及び決定木などの、任意の学習方法を利用できる。学習モデルは、例えば、ユーザに応じたジョブの実行時の最適なパラメータの設定を推定するモデルや、ユーザに応じた操作パネル２７におけるアイコンなどの最適な配置を推定するモデルであるが、これに限られない。

【0027】

学習モデル記憶部１０７は、モデル生成部１０６が生成した学習モデルを記憶する。ＭＦＰ１は、学習モデル記憶部１０７に記憶された学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0028】

なお、本実施形態に係るサーバ２は、モデル生成部１０６と同様の機能を有する。すなわち、サーバ２は、機械学習により、学習データから学習モデルを生成することができる。モデル生成部１０６が利用する学習方法と、サーバ２が利用する学習方法と、は同一であってもよいし、異なってもよい。

【0029】

次に、本実施形態に係る画像形成システムの動作について説明する。図３～図５は、画像形成システムの動作の一例を示すフローチャートである。

【0030】

図３は、判定部１０５が、ユーザのログイン時の認証方式に基づいて、学習モデルをどちらで生成するか判定する場合の操作部２０の動作の一例を示すフローチャートである。

【0031】

まず、操作部２０のデータ収集部１０１は、学習データを収集する（ステップＳ１０１）。データ収集部１０１は、収集した学習データを学習データ記憶部１０２に保存する。データ収集部１０１は、判定部１０５による判定タイミングが到来するまで（ステップＳ１０２：ＮＯ）、学習データの収集を、定期的に、又は所定のタイミングで繰り返す。図３の例では、判定タイミングがユーザのログアウト時である場合を想定している。

【0032】

判定タイミングが到来すると（ステップＳ１０２：ＹＥＳ）、判定部１０５は、認証部１０３からユーザのログイン時の認証方式を取得し、取得した認証方式が本体認証であるか確認する（ステップＳ１０３）。

【0033】

判定部１０５は、認証方式が本体認証でない場合（ステップＳ１０３：ＮＯ）、すなわち、認証方式がサーバ方式である場合、サーバ２で学習モデルを生成すると判定し（ステップＳ１０４）、通信部１０４に学習データの送信を要求する。通信部１０４は、学習データの送信を要求されると、学習データ記憶部１０２から学習データを読み出し、当該学習データをサーバ２に送信する（ステップＳ１０５）。

【0034】

サーバ２は、学習データを受信すると、当該学習データから所定の学習方法によって学習モデルを生成し（ステップＳ１０６）、生成した学習モデルを記憶する。これにより、例えば、複数のＭＦＰ１を利用するユーザに適用する学習モデルを、サーバ２に記憶された、複数のＭＦＰ１から受信した学習データを利用して生成することができる。

【0035】

以降、操作部２０は、ユーザがサーバ認証を利用して操作部２０にログインした際、サーバ２から学習モデルを受信し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0036】

一方、判定部１０５は、認証方式が本体認証である場合（ステップＳ１０３：ＹＥＳ）、モデル生成部１０６で学習モデルを生成すると判定し（ステップＳ１０７）、モデル生成部１０６に学習モデルの生成を要求する。モデル生成部１０６は、学習モデルの生成を要求されると、学習データ記憶部１０２から学習データを読み出し、当該学習データから所定の学習方法によって学習モデルを生成する（ステップＳ１０８）。モデル生成部１０６は、生成した学習モデルを学習モデル記憶部１０７に保存する。

【0037】

以降、操作部２０は、ユーザが本人認証を利用して操作部２０にログインした際、学習モデル記憶部１０７から学習モデルを読み出し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0038】

このように、図３の例では、ユーザのログイン時の認証方式に基づいて、学習モデルをどちらで生成するか判定し、学習モデルの生成処理を操作部２０及びサーバ２の間で分散する。

【0039】

なお、図３の例では、サーバ２は、学習モデルを生成した後、当該学習モデルを操作部２０に送信してもよい。この場合、操作部２０の通信部１０４は、サーバ２から受信した学習モデルを学習モデル記憶部１０７に保存すればよい。これにより、ユーザがサーバ認証を利用してログインした際に、サーバ２から学習モデルを受信する手間を省略できるため、ログイン処理を簡略化できる。

【0040】

図４は、判定部１０５が、操作部２０のハードウェア資源の仕様に基づいて、学習モデルをどちらで生成するか判定する場合の操作部２０の動作の一例を示すフローチャートである。

【0041】

まず、操作部２０のデータ収集部１０１は、学習データを収集する（ステップＳ２０１）。データ収集部１０１は、収集した学習データを学習データ記憶部１０２に保存する。データ収集部１０１は、判定部１０５による判定タイミングが到来するまで（ステップＳ２０２：ＮＯ）、学習データの収集を、定期的に、又は所定のタイミングで繰り返す。図４の例では、判定タイミングは任意である。

【0042】

判定タイミングが到来すると（ステップＳ２０２：ＹＥＳ）、判定部１０５は、ＲＯＭ２２やフラッシュメモリ２４から、ハードウェア資源の仕様を読み出し、読み出したハードウェア資源の仕様が所定の条件を満たすか確認する（ステップＳ２０３）。ハードウェア資源の仕様は、例えば、ＣＰＵ２１の処理速度（クロック数）、コア数、又は種類や、ＲＡＭ２３の容量であるが、これに限られない。所定の条件は、学習モデルの生成処理の実行に十分な仕様の条件であり、例えば、ＣＰＵ２１の処理速度、コア数、ＲＡＭ２３の容量が閾値以上であることや、ＣＰＵ２１の種類が所定の種類であることであるが、これに限られない。

【0043】

判定部１０５は、ハードウェア資源の仕様が条件を満たさない場合（ステップＳ２０３：ＮＯ）、すなわち、操作部２０のハードウェア資源の仕様が学習モデルの生成処理に不十分である場合、サーバ２で学習モデルを生成すると判定し（ステップＳ２０４）、通信部１０４に学習データの送信を要求する。通信部１０４は、学習データの送信を要求されると、学習データ記憶部１０２から学習データを読み出し、当該学習データをサーバ２に送信する（ステップＳ２０５）。

【0044】

サーバ２は、学習データを受信すると、当該学習データから所定の学習方法によって学習モデルを生成し（ステップＳ２０６）、生成した学習モデルを記憶する。これにより、例えば、複数のＭＦＰ１を利用するユーザに適用する学習モデルを、サーバ２に記憶された、複数のＭＦＰ１から受信した学習データを利用して生成することができる。

【0045】

また、通信部１０４は、学習データをサーバ２に送信した後、ＲＯＭ２２やフラッシュメモリ２４から、ハードウェア資源の仕様を読み出し、操作部２０が条件を満たす補助記憶装置（ＨＤＤやフラッシュメモリなど）を備えるか確認する（ステップＳ２０７）。条件は、空き容量が閾値以上であることであるが、これに限られない。

【0046】

通信部１０４は、操作部２０が条件を満たす補助記憶装置を備えない場合（ステップＳ２０７：ＮＯ）、処理を終了する。これにより、補助記憶装置に十分な空き容量がない場合に、学習モデルの保存による補助記憶装置の空き容量の圧迫を抑制することができる。以降、操作部２０は、サーバ２から学習モデルを受信し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0047】

一方、通信部１０４は、操作部２０が条件を満たす補助記憶装置を備える場合（ステップＳ２０７：ＹＥＳ）、サーバ２に学習モデルを要求する。サーバ２は、学習モデルを要求されると、学習モデルを操作部２０に送信する。操作部２０の通信部１０４は、サーバ２が学習モデルを送信すると、当該学習モデルを受信し（ステップＳ２０８）、学習モデル記憶部１０７に保存する。これにより、操作部２０が学習モデルを利用する際に、サーバ２から学習モデルを受信する手間を省略できるため、処理を簡略化できる。以降、操作部２０は、学習モデル記憶部１０７から学習モデルを読み出し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0048】

一方、判定部１０５は、ハードウェア資源の仕様が条件を満たす場合（ステップＳ２０９：ＹＥＳ）、モデル生成部１０６で学習モデルを生成すると判定し（ステップＳ２０９）、モデル生成部１０６に学習モデルの生成を要求する。モデル生成部１０６は、学習モデルの生成を要求されると、学習データ記憶部１０２から学習データを読み出し、当該学習データから所定の学習方法によって学習モデルを生成する（ステップＳ２１０）。モデル生成部１０６は、生成した学習モデルを学習モデル記憶部１０７に保存する。

【0049】

以降、操作部２０は、学習モデル記憶部１０７から学習モデルを読み出し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0050】

このように、図４の例では、操作部２０のハードウェア資源の仕様に基づいて、学習モデルをどちらで生成するか判定し、学習モデルの生成処理を操作部２０及びサーバ２の間で分散する。

【0051】

図５は、判定部１０５が、ＭＦＰ１とサーバ２との間の接続方法に基づいて、学習モデルをどちらで生成するか判定する場合の操作部２０の動作の一例を示すフローチャートである。

【0052】

まず、操作部２０のデータ収集部１０１は、学習データを収集する（ステップＳ３０１）。データ収集部１０１は、収集した学習データを学習データ記憶部１０２に保存する。データ収集部１０１は、判定部１０５による判定タイミングが到来するまで（ステップＳ３０２：ＮＯ）、学習データの収集を、定期的に、又は所定のタイミングで繰り返す。図５の例では、判定タイミングは任意である。

【0053】

判定タイミングが到来すると（ステップＳ３０２：ＹＥＳ）、判定部１０５は、通信部１０４からサーバ２との間の接続方法を取得し、取得した接続方法が無線接続であるか確認する（ステップＳ３０３）。

【0054】

判定部１０５は、接続方法が無線接続でない場合（ステップＳ３０３：ＮＯ）、すなわち、接続方法が有線接続である場合、サーバ２で学習モデルを生成すると判定し（ステップＳ３０４）、通信部１０４に学習データの送信を要求する。通信部１０４は、学習データの送信を要求されると、学習データ記憶部１０２から学習データを読み出し、当該学習データをサーバ２に送信する（ステップＳ３０５）。

【0055】

サーバ２は、学習データを受信すると、当該学習データから所定の学習方法によって学習モデルを生成し（ステップＳ３０６）、生成した学習モデルを記憶する。これにより、例えば、複数のＭＦＰ１を利用するユーザに適用する学習モデルを、サーバ２に記憶された、複数のＭＦＰ１から受信した学習データを利用して生成することができる。

【0056】

以降、操作部２０は、ユーザがサーバ認証を利用して操作部２０にログインした際、サーバ２から学習モデルを受信し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0057】

一方、判定部１０５は、接続方法が無線接続である場合（ステップＳ３０３：ＹＥＳ）、モデル生成部１０６で学習モデルを生成すると判定し（ステップＳ３０７）、モデル生成部１０６に学習モデルの生成を要求する。モデル生成部１０６は、学習モデルの生成を要求されると、学習データ記憶部１０２から学習データを読み出し、当該学習データから所定の学習方法によって学習モデルを生成する（ステップＳ３０８）。モデル生成部１０６は、生成した学習モデルを学習モデル記憶部１０７に保存する。

【0058】

以降、操作部２０は、ユーザが本人認証を利用して操作部２０にログインした際、学習モデル記憶部１０７から学習モデルを読み出し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0059】

このように、図５の例では、ＭＦＰ１とサーバ２との間の接続方法に基づいて、学習モデルをどちらで生成するか判定し、学習モデルの生成処理を操作部２０及びサーバ２の間で分散する。

【0060】

なお、図５の例では、サーバ２は、学習モデルを生成した後、当該学習モデルを操作部２０に送信してもよい。この場合、操作部２０の通信部１０４は、サーバ２から受信した学習モデルを学習モデル記憶部１０７に保存すればよい。これにより、操作部２０が学習モデルを利用する際に、サーバ２から学習モデルを受信する手間を省略できるため、処理を簡略化できる。

【0061】

以上説明した通り、本実施形態によれば、学習モデルの生成処理を操作部２０及びサーバ２の間で分散することができる。したがって、学習モデルを生成する際に実行する機械学習による負荷を操作部２０及びサーバ２の間で分散させ、操作部２０及びサーバ２の負荷を低減することができる。

【0062】

＜第２実施形態＞
第２実施形態に係る画像形成システムについて、図６及び図７を参照して説明する。以下、第１実施形態との相違点を中心に説明する。

【0063】

本実施形態において、操作部２０は、ユーザからの操作を所定期間受け付けない場合、自動的に省エネモードに移行する。省エネモードは、操作部２０の消費電力が低い動作状態である。操作部２０は、省エネモードの間、ユーザからの操作の受け付けだけを行う。操作部２０は、省エネモードの間にユーザからの操作を受け付けた場合、通常モードに移行する。通常モードは、操作部２０の通常の動作状態であり、ユーザからの操作に応じた処理を実行する。

【0064】

データ収集部１０１は、学習データとして、省エネモードの開始時刻及び終了時刻（以下「省エネデータ」という。）と、ＭＦＰ１の設定データ及びジョブ履歴データなどの他のデータ（以下「他の学習データ」という。）と、を収集する。モデル生成部１０６は、省エネデータに基づいて、省エネモードの期間を推定する学習モデル（以下「省エネモデル」という。）を生成し、学習モデル記憶部１０７に保存する。サーバ２は、他の学習データに基づいて、省エネモデルとは異なる、ＭＦＰ１の設定や動作を改善するための学習モデル（以下「他の学習モデル」という。）を生成する。ここでいう他の学習モデルは、第１実施形態で生成される学習モデルと同様である。モデル生成部１０６が利用する学習方法と、サーバ２が利用する学習方法と、は同一であってもよいし、異なってもよい。また、判定部１０５は、省エネモデルに基づいて、サーバ２で他の学習モデルを生成するか否か判定する。

【0065】

ここで、本実施形態に係る画像形成システムの動作について説明する。図６及び図７は、画像形成システムの動作の一例を示すフローチャートである。

【0066】

図６は、通信部１０４が省エネモードの期間に他の学習データをサーバ２に送信する場合の操作部２０の動作の一例を示すフローチャートである。

【0067】

まず、操作部２０のデータ収集部１０１は、省エネデータ及び他の学習データを含む学習データを収集する（ステップＳ４０１）。データ収集部１０１は、収集した学習データを学習データ記憶部１０２に保存する。データ収集部１０１は、判定部１０５による判定タイミングが到来するまで（ステップＳ４０４：ＮＯ）、学習データの収集を、定期的に、又は所定のタイミングで繰り返す。図６の例では、判定タイミングは任意である。

【0068】

判定タイミングが到来するまでの間に、省エネモデルの生成タイミングが到来すると（ステップＳ４０２：ＹＥＳ）、モデル生成部１０６は、学習データ記憶部１０２から省エネデータを読み出し、当該省エネデータから所定の学習方法によって省エネモデルを生成する（ステップＳ４０３）。モデル生成部１０６は、生成した省エネモデルを学習モデル記憶部１０７に保存する。

【0069】

また、判定タイミングが到来すると（ステップＳ４０４：ＹＥＳ）、判定部１０５は、学習モデル記憶部１０７から省エネモデルを読み出し、現在時刻が省エネモードの期間であるか判定する（ステップＳ４０５）。

【0070】

判定部１０５は、現在時刻が省エネモードの期間でないと判定した場合（ステップＳ４０５：ＮＯ）、他の学習モデルをサーバ２で生成しないと判定し（ステップＳ４０９）、処理を終了する。これにより、ユーザが操作部２０を利用している間に、操作部２０からサーバ２に他の学習データが送信されることを抑制できる。

【0071】

一方、判定部１０５は、現在時刻が省エネモードの期間であると判定した場合（ステップＳ４０５：ＹＥＳ）、他の学習モデルをサーバ２で生成すると判定し（ステップＳ４０６）、通信部１０４に他の学習データの送信を要求する。通信部１０４は、他の学習データの送信を要求されると、学習データ記憶部１０２から他の学習データを読み出し、当該他の学習データをサーバ２に送信する（ステップＳ４０７）。

【0072】

サーバ２は、他の学習データを受信すると、当該他の学習データから所定の学習方法によって他の学習モデルを生成し（ステップＳ４０８）、生成した他の学習モデルを記憶する。これにより、ユーザが操作部２０を利用していない間に、操作部２０からサーバ２に他の学習データを送信し、他の学習モデルを生成することができる。

【0073】

以降、操作部２０は、サーバ２から学習モデルを受信し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0074】

このように、図６の例では、省エネモデルの生成処理と、他の学習モデルの生成処理と、が操作部２０及びサーバ２の間で分散される。また、省エネモデルに基づいて、現在時刻が省エネモードの期間であるか判定し、省エネモードの期間（ユーザが操作部２０を利用していない期間）に、操作部２０からサーバ２に他の学習データが送信される。

【0075】

なお、図６の例では、サーバ２は、他の学習モデルを生成した後、当該他の学習モデルを操作部２０に送信してもよい。この場合、操作部２０の通信部１０４は、サーバ２から受信した他の学習モデルを学習モデル記憶部１０７に保存すればよい。これにより、操作部２０が学習モデルを利用する際に、サーバ２から学習モデルを受信する手間を省略できるため、処理を簡略化できる。

【0076】

図７は、通信部１０４が省エネモードの期間に他の学習データをサーバ２に送信する場合の操作部２０の動作の一例を示すフローチャートである。ステップＳ５０１～Ｓ５０６，Ｓ５１１は、図６のステップＳ４０１～Ｓ４０６，Ｓ４０９と同様であるため、説明を省略する。

【0077】

判定部１０５は、現在時刻が省エネモードの期間であると判定した場合（ステップＳ５０５：ＹＥＳ）、他の学習モデルをサーバ２で生成すると判定し（ステップＳ５０６）、通信部１０４に他の学習データの送信を要求する。通信部１０４は、他の学習データの送信を要求されると、学習データ記憶部１０２から他の学習データを読み出し、学習モデル記憶部１０７から省エネモデルを読み出し、当該他の学習データ及び省エネモデルをサーバ２に送信する（ステップＳ５０７）。

【0078】

サーバ２は、他の学習データを受信すると、当該他の学習データから所定の学習方法によって他の学習モデルを生成し（ステップＳ５０８）、生成した他の学習モデルを記憶する。これにより、ユーザが操作部２０を利用していない間に、操作部２０からサーバ２に他の学習データを送信し、他の学習モデルを生成することができる。以降、操作部２０は、サーバ２から学習モデルを受信し、当該学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0079】

他の学習モデルの生成後、サーバ２は、通信部１０４から受信した省エネモデルに基づいて、現在時刻が省エネモードの期間であるか判定する（ステップＳ５０９）。

【0080】

判定部１０５は、現在時刻が省エネモードの期間でないと判定した場合（ステップＳ５０９：ＮＯ）、処理を終了する。

【0081】

一方、判定部１０５は、現在時刻が省エネモードの期間であると判定した場合（ステップＳ５０９：ＹＥＳ）、生成した他の学習モデルを操作部２０に送信する。操作部２０の通信部１０４は、サーバ２が他の学習モデルを送信すると、当該他の学習モデルを受信し（ステップＳ５１０）、学習モデル記憶部１０７に保存する。これにより、操作部２０が他の学習モデルを利用する際に、サーバ２から他の学習モデルを受信する手間を省略できるため、処理を簡略化できる。以降、操作部２０は、学習モデル記憶部１０７から他の学習モデルを読み出し、当該他の学習モデルに従って、パラメータを設定したり、動作を実行したりする。

【0082】

このように、図７の例では、省エネモデルの生成処理と、他の学習モデルの生成処理と、が操作部２０及びサーバ２の間で分散される。また、省エネモデルに基づいて、現在時刻が省エネモードの期間であるか判定し、省エネモードの期間（ユーザが操作部２０を利用していない期間）に、操作部２０からサーバ２に他の学習データが送信され、サーバ２から操作部２０に他の学習モデルが送信される。

【0083】

以上説明した通り、本実施形態によれば、学習モデルの生成処理を操作部２０及びサーバ２の間で分散することができる。したがって、学習モデルを生成する際に実行する機械学習による負荷を操作部２０及びサーバ２の間で分散させ、操作部２０及びサーバ２の負荷を低減することができる。

【0084】

また、本実施形態によれば、操作部２０とサーバ２との間の通信を、省エネモードの期間に実行することができる。したがって、ユーザが操作部２０を利用している間に、操作部２０の負荷が上昇し、処理が遅延することを抑制できる。

【0085】

なお、上記で説明した実施形態の各機能は、一又は複数の処理回路によって実現可能である。ここで、本明細書における「処理回路」とは、電子回路により実装されるプロセッサのようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサや、上記で説明した各機能を実行するよう設計されたＡＳＩＣ(Application Specific Integrated Circuit)、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）や従来の回路モジュール等のデバイスを含むものとする。

【0086】

また、上記実施形態に挙げた構成等に、その他の要素との組み合わせなど、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更可能であり、その応用形態に応じて適切に定めることができる。

【符号の説明】

【0087】

１：画像形成装置（ＭＦＰ）
２：サーバ
１０：本体
２０：操作部
３０：ネットワーク
１０１：データ収集部
１０２：学習データ記憶部
１０３：認証部
１０４：通信部
１０５：判定部
１０６：モデル生成部
１０７：学習モデル記憶部

【先行技術文献】

【特許文献】

【0088】

【文献】特開２０１５－１６１７４５号公報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】