特許 7172587 画像形成装置

(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】2022-11-08

(45)【発行日】2022-11-16

(54)【発明の名称】画像形成装置

(51)【国際特許分類】

   G03G 15/00 20060101AFI20221109BHJP

   B41J 29/38 20060101ALI20221109BHJP

   B41J 2/52 20060101ALI20221109BHJP

   G03G 21/00 20060101ALI20221109BHJP

   H04N 1/00 20060101ALI20221109BHJP

   H04N 1/60 20060101ALI20221109BHJP

【ＦＩ】

G03G15/00 303

B41J29/38

B41J2/52

G03G21/00 396

H04N1/00 002A

H04N1/60

【請求項の数】 5

(21)【出願番号】P 2018245452

(22)【出願日】2018-12-27

(65)【公開番号】P2020106677

(43)【公開日】2020-07-09

【審査請求日】2021-11-30

(73)【特許権者】

【識別番号】000006150

【氏名又は名称】京セラドキュメントソリューションズ株式会社

(74)【代理人】

【識別番号】110001933

【氏名又は名称】弁理士法人 佐野特許事務所

(72)【発明者】

【氏名】山田 眞一郎

【審査官】市川 勝

(56)【参考文献】

【文献】特開平０７－０６４３８３（ＪＰ，Ａ）

【文献】特開平０９－０１８７１６（ＪＰ，Ａ）

【文献】特開平０７－２４５７０２（ＪＰ，Ａ）

【文献】特開平０９－０３４１８８（ＪＰ，Ａ）

【文献】特開平０５－１９７２７０（ＪＰ，Ａ）

【文献】特開平０７－２９５３１２（ＪＰ，Ａ）

【文献】特開平０８－２４８７４９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０３Ｇ １５／００

Ｂ４１Ｊ ２９／３８

Ｂ４１Ｊ ２／５２

Ｇ０３Ｇ ２１／００

Ｈ０４Ｎ １／００

Ｈ０４Ｎ １／６０

(57)【特許請求の範囲】

【請求項1】

画像データに基づく画像を用紙に印刷する印刷部と、
前記印刷部を制御するとともに、前記画像データの画素値を補正する濃度補正処理を行う制御部と、
環境情報に基づき濃度変化を予測するニューラルネットワークを構築するためのニューラルネットワークデータを記憶する記憶部と、を備え、
前記制御部は、前記画像データに基づく画像を複数枚の用紙に連続して印刷する連続印刷ジョブの実行中、前記環境情報に基づき入力データを生成し、前記入力データを前記ニューラルネットワークに入力することにより、前記印刷部によって用紙に印刷される印刷画像の濃度と目標濃度とのズレに関する情報である補正情報を求め、前記補正情報に基づき前記濃度補正処理を行い、
前記制御部は、前記連続印刷ジョブの実行中、１ページ分の印刷ごとに、階調パターン画像を形成するパターン形成処理を前記印刷部に行わせ、前記階調パターン画像の濃度を測定し、当該測定した測定濃度を示す測定濃度情報と前記環境情報とを含む学習情報を前記記憶部に記憶させ、
前記制御部は、
前記学習情報の前記環境情報に基づき学習用入力データを生成し、
前記学習情報の前記測定濃度情報で示される前記測定濃度と前記目標濃度とのズレを判定するとともに、当該判定した結果に基づき教師データを生成し、
前記学習用入力データおよび前記教師データを含むトレーニングデータセットを生成し、
前記トレーニングデータセットに基づき前記ニューラルネットワークの学習を行うことを特徴とする画像形成装置。

【請求項2】

前記制御部は、前記補正情報として、前記印刷画像の濃度が前記目標濃度よりも濃くなる確率、前記印刷画像の濃度が前記目標濃度よりも薄くなる確率、および、前記印刷画像の濃度が前記目標濃度と同じになる確率のうち、最も高い確率を求め、
前記印刷画像の濃度が前記目標濃度よりも濃くなる確率が最も高い場合には、前記制御部は、前記濃度補正処理として、前記印刷画像の濃度が前記濃度補正処理前よりも薄くなるよう前記画像データの画素値を補正する処理を行い、
前記印刷画像の濃度が前記目標濃度よりも薄くなる確率が最も高い場合には、前記制御部は、前記濃度補正処理として、前記印刷画像の濃度が前記濃度補正処理前よりも濃くなるよう前記画像データの画素値を補正する処理を行い、
前記印刷画像の濃度が前記目標濃度と同じになる確率が最も高い場合には、前記制御部は、前記画像データの画素値を補正しないことを特徴とする請求項１に記載の画像形成装置。

【請求項3】

前記制御部は、前記連続印刷ジョブの実行中、１ページ分の印刷ごとに、前記環境情報を検知する環境検知処理を行い、
前記制御部は、前記環境検知処理の実行回数が所定回数に達すると、前記所定回数分の前記環境検知処理で検知した前記環境情報に基づき前記入力データを生成して前記補正情報を求め、当該求めた前記補正情報に基づき、次ページの印刷で用いる前記画像データを対象に前記濃度補正処理を行い、
前記制御部は、前記環境検知処理の実行回数が前記所定回数に達した後は、前記環境検知処理を行うごとに、直近の前記所定回数分の前記環境検知処理で検知した前記環境情報に基づき前記入力データを生成して前記補正情報を求め、当該求めた前記補正情報に基づき、次ページの印刷で用いる前記画像データを対象に前記濃度補正処理を行うことを特徴とする請求項１または２に記載の画像形成装置。

【請求項4】

前記環境情報は、画像形成装置の機内温度を含み、
前記機内温度を検知するための温度センサーを備え、
前記制御部は、前記温度センサーの出力に基づき前記機内温度を検知する処理を前記環境検知処理として行うことを特徴とする請求項３に記載の画像形成装置。

【請求項5】

前記環境情報は、画像形成装置の機内湿度を含み、
前記機内湿度を検知するための湿度センサーを備え、
前記制御部は、前記湿度センサーの出力に基づき前記機内湿度を検知する処理を前記環境検知処理として行うことを特徴とする請求項３または４に記載の画像形成装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、印刷ジョブを実行する画像形成装置に関する。

【背景技術】

【0002】

従来の画像形成装置は、印刷ジョブの実行に際し、印刷ジョブの設定をユーザーから受け付ける。そして、画像形成装置は、ユーザーにより設定された設定内容で印刷ジョブを実行する。印刷ジョブの設定を事前に行うことにより、ユーザー所望の設定内容で印刷ジョブを実行させることができる。しかし、ユーザーによっては、印刷ジョブの設定を行うのが煩わしい場合がある。

【0003】

そこで、従来、ユーザーの好みに適した設定を自動的に行う画像形成装置が提案されている（たとえば、特許文献１参照）。特許文献１の画像形成装置は、過去の印刷履歴に基づき、ユーザーの好みに適した設定を判断する。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１２－１５８０６１号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

複数枚の用紙に連続して印刷する連続印刷ジョブでは、ジョブの開始から完了までにかかる時間（ジョブ時間）が長くなる。ジョブ時間が長いほど、画像形成装置の内部環境（たとえば、温度や湿度）の変化が大きくなる。連続印刷ジョブの実行中に内部環境が大きく変化すると、ジョブで用いる画像データが同じであっても、連続印刷ジョブの開始時点付近で印刷された画像濃度と印刷ジョブの完了時点付近で印刷された画像濃度との差が大きくなることがある。場合によっては、ユーザーが認識できるほどの濃度差が生じる。その結果、ユーザーの不満につながる。

【0006】

このような不都合を解消する方法として、連続印刷ジョブを中断してキャリブレーションを行い、キャリブレーションの終了後、連続印刷ジョブを再開することが考えられる。しかし、連続印刷ジョブを中断してキャリブレーションを行うと、生産性が低下する。また、キャリブレーションを行うタイミングによっては、キャリブレーションの前後でユーザーが認識できるほどの濃度差が生じる恐れがある。

【0007】

本発明は、上記課題を解決するためになされたものであり、連続印刷ジョブの実行中に画像形成装置の内部環境が変化しても、印刷画像の濃度が変化するのを抑制することが可能な画像形成装置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】

【0008】

上記目的を達成するため、本発明の画像形成装置は、画像データに基づく画像を用紙に印刷する印刷部と、印刷部を制御するとともに、画像データの画素値を補正する濃度補正処理を行う制御部と、環境情報に基づき濃度変化を予測するニューラルネットワークを構築するためのニューラルネットワークデータを記憶する記憶部と、を備える。制御部は、画像データに基づく画像を複数枚の用紙に連続して印刷する連続印刷ジョブの実行中、環境情報に基づき入力データを生成し、入力データをニューラルネットワークに入力することにより、印刷部によって用紙に印刷される印刷画像の濃度と目標濃度とのズレに関する情報である補正情報を求め、補正情報に基づき濃度補正処理を行う。

【発明の効果】

【0009】

本発明の構成では、連続印刷ジョブの実行中に画像形成装置の内部環境が変化しても、印刷画像の濃度が変化するのを抑制することができる。

【図面の簡単な説明】

【0010】

【図1】本発明の一実施形態による画像形成装置の全体構成を示すブロック図

【図2】本発明の一実施形態による画像形成装置の記憶部の記憶内容を示す図

【図3】本発明の一実施形態による画像形成装置の印刷部の一部を示す図

【図4】本発明の一実施形態による画像形成装置の制御部が用いるニューラルネットワークを示す図

【図5】本発明の一実施形態による画像形成装置の記憶部に記憶されるジョブリスト（環境情報）を示す図

【図6】本発明の一実施形態による画像形成装置の制御部が行う予測処理および濃度補正処理の流れを示すフローチャート

【図7】本発明の一実施形態による画像形成装置の記憶部に記憶される目標濃度データについて説明するための図

【図8】本発明の一実施形態による画像形成装置の印刷部が形成する階調パターン画像の形成位置を示す図

【図9】本発明の一実施形態による画像形成装置の記憶部に記憶される濃度リスト（測定濃度情報）を示す図

【図10】本発明の一実施形態による画像形成装置の記憶部に記憶される学習情報を示す図

【図11】本発明の一実施形態による画像形成装置の制御部が行う処理（トレーニングデータセットを生成する処理）の流れを示すフローチャート

【図12】本発明の一実施形態による画像形成装置の制御部が行う学習処理の流れを示すフローチャート

【発明を実施するための形態】

【0011】

＜画像形成装置の構成＞
図１に示すように、本実施形態の画像形成装置１００は、制御部１を備える。制御部１は、制御回路１１、画像処理回路１２および演算処理装置１３を含む。

【0012】

制御回路１１は、画像形成装置１００の全体制御（画像形成装置１００の各部の制御）を行う。たとえば、制御回路１１は、ＣＰＵである。画像処理回路１２は、印刷ジョブで用いる画像データに対して画像処理を行う。

【0013】

演算処理装置１３は、行列計算を高速で行うための回路を含む。演算処理装置１３は、制御回路１１よりも単精度浮動小数点演算を高速で行える。演算処理装置１３として、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を用いることができる。

【0014】

演算処理装置１３は、ニューラルネットワークＮＮ（図４参照）を用いて予測処理を行う。また、演算処理装置１３は、ニューラルネットワークＮＮの学習のための学習処理を行う。ニューラルネットワークＮＮは、畳み込みニューラルネットワークである。ニューラルネットワークＮＮについては、後に詳細に説明する。

【0015】

また、画像形成装置１００は、記憶部２を備える。記憶部２は、ＲＯＭ、ＲＡＭおよびＨＤＤを含む。記憶部２は、制御用のプログラムおよびデータを記憶する。記憶部２は、制御部１に接続される。制御部１は、記憶部２からの情報の読み出しおよび記憶部２への情報の書き込みを行う。

【0016】

ここで、記憶部２は、図２に示すように、ニューラルネットワークＮＮを構築するためのニューラルネットワークデータＮＤを記憶する。また、記憶部２は、ニューラルネットワークＮＮに関する情報やデータを記憶する。

【0017】

図１に戻り、画像形成装置１００は、画像読取部３を備える。画像読取部３は、原稿を読み取って読取データを生成する。画像読取部３は、図示しないが、光源およびイメージセンサーを含む。光源は、原稿に光を照射する。イメージセンサーは、原稿で反射された反射光を受光し光電変換する。画像読取部３は、制御部１に接続される。制御部１は、画像読取部３の読取動作を制御する。

【0018】

また、画像形成装置１００は、印刷部４を備える。印刷部４は、印刷を行う。印刷部４は、制御部１に接続される。制御部１は、印刷部４の印刷動作を制御する。制御部１は、印刷ジョブで用いる画像データを生成し、当該生成した画像データに基づく画像の用紙への印刷を印刷部４に行わせる。印刷ジョブとしてのコピージョブでは、画像読取部３が生成した読取データに基づき印刷ジョブで用いる画像データが生成される。

【0019】

印刷部４は、印刷ジョブの実行時、用紙搬送路に沿って用紙を搬送するとともに、画像データに基づく画像を形成し、搬送中の用紙に画像を印刷する。印刷部４は、図３に示すように、画像形成部４１および定着部４２を含む。

【0020】

画像形成部４１は、ブラック（Ｋ）、イエロー（Ｙ）、シアン（Ｃ）およびマゼンタ（Ｍ）の各色にそれぞれ対応する画像形成ユニット４１Ｋ、４１Ｙ、４１Ｃおよび４１Ｍを含む。画像形成ユニット４１Ｋ、４１Ｙ、４１Ｃおよび４１Ｍには、それぞれ、感光体ドラム４１１が設けられる。画像形成ユニット４１Ｋ、４１Ｙ、４１Ｃおよび４１Ｍは、それぞれ、対応する色の画像を感光体ドラム４１１に形成する。

【0021】

また、画像形成部４１は、中間転写ベルト４１２、１次転写ローラー４１３および２次転写ローラー４１４を含む。中間転写ベルト４１２は、駆動ローラー４１５および従動ローラー４１６によって張架される。駆動ローラー４１５が回転することにより、中間転写ベルト４１２が周回する。１次転写ローラー４１３は、感光体ドラム４１１との間で中間転写ベルト４１２を挟み込む。２次転写ローラー４１４は、中間転写ベルト４１２との間で転写ニップＮＰを形成する。搬送中の用紙は転写ニップＮＰに進入する。

【0022】

画像形成部４１は、搬送中の用紙に画像を印刷するとき、感光体ドラム４１１に形成した画像を中間転写ベルト４１２に１次転写する。その後、画像形成部４１は、中間転写ベルト４１２に転写された画像を用紙に２次転写する。画像が転写された用紙は定着部４２向けて搬送される。図３では、用紙の搬送経路を破線矢印で示す。

【0023】

定着部４２は、定着ローラー対４２１を含む。定着ローラー対４２１は、加熱ローラーと加圧ローラーとによって構成される。加熱ローラーは、ヒーターを内蔵する。加圧ローラーは、加熱ローラーに圧接し、加熱ローラーとの間で定着ニップを形成する。定着部４２は、定着ニップに進入した用紙を加熱および加圧することにより、用紙に画像を定着させる。

【0024】

図１に戻り、画像形成装置１００は、通信部５を備える。通信部５は、画像形成装置１００をＬＡＮなどの通信ネットワークＣＮに接続するためのインターフェースである。通信部５は、通信用回路、通信用メモリーおよび通信用コネクターを含む。

【0025】

通信部５は、制御部１に接続される。制御部１は、通信部５を用いて、通信ネットワークＣＮに接続されたユーザー端末２００と通信する。ユーザー端末２００は、画像形成装置１００のユーザーにより使用される。ユーザー端末２００は、たとえば、パーソナルコンピューターである。

【0026】

画像形成装置１００がプリンターとして使用される場合、ユーザー端末２００から画像形成装置１００に対して、ＰＤＬ（ページ記述言語）データなどのジョブデータが送信される。制御部１は、通信部５がジョブデータを受信すると、ユーザーから印刷ジョブの実行要求を受け付けたと判断する。すなわち、この場合には、通信部５が印刷ジョブの実行要求を受け付ける受付部となる。制御部１は、印刷ジョブの実行要求を受け付けたと判断すると、ジョブデータに基づき画像データを生成し、当該生成した画像データに基づく印刷を印刷部４に行わせる。

【0027】

また、画像形成装置１００は、操作パネル６を備える。操作パネル６は、タッチスクリーンおよびハードウェアボタンを含む。タッチスクリーンは、ソフトウェアボタンやメッセージを配した画面を表示し、タッチ操作をユーザーから受け付ける。ハードウェアボタンは、操作パネル６に複数設けられる。ハードウェアボタンとしては、印刷ジョブの実行要求をユーザーから受け付けるためのスタートボタンなどがある。

【0028】

画像読取部３による原稿の読み取りを伴う印刷ジョブ（コピージョブ）では、操作パネル６が印刷ジョブの実行要求を受け付ける受付部となる。操作パネル６が印刷ジョブの実行要求を受け付けると（スタートボタンが操作されると）、制御部１は、画像読取部３に原稿の読み取りを行わせる。そして、制御部１は、画像読取部３による原稿の読み取りで得られた読取データに基づき画像データを生成し、当該生成した画像データに基づく印刷を印刷部４に行わせる。

【0029】

また、画像形成装置１００は、画像形成装置１００の内部の温度（以下、機内温度と称する）を検知するための温度センサー７を備える。さらに、画像形成装置１００は、画像形成装置１００の内部の湿度（以下、機内湿度と称する）を検知するための湿度センサー８を備える。温度センサー７と湿度センサー８とが一体化された温湿度センサーを画像形成装置１００に設置してもよい。

【0030】

温度センサー７は、機内温度に応じた電圧を出力する。温度センサー７は、制御部１に接続される。制御部１は、温度センサー７の出力に基づき、機内温度を検知する。湿度センサー８は、機内湿度に応じた電圧を出力する。湿度センサー８は、制御部１に接続される。制御部１は、湿度センサー８の出力に基づき、機内湿度を検知する。

【0031】

また、画像形成装置１００は、中間転写ベルト４１２に形成された画像（トナー像）の濃度を測定するための濃度センサー９を備える。濃度センサー９は、たとえば、反射型の光センサーであり、発光部および受光部を有する。発光部は、中間転写ベルト４１２に向けて光を発光する。受光部は、中間転写ベルト４１２に形成された画像で反射された光を受光する。濃度センサー９は、受光部の受光量（測定対象の画像の濃度）に応じた電圧を出力する。濃度センサー９は、制御部１に接続される。制御部１は、濃度センサー９の出力に基づき、中間転写ベルト４１２に形成された画像の濃度を測定する。

【0032】

＜予測処理＞
画像データに基づく画像を複数枚の用紙に連続して印刷する印刷ジョブ（以下、連続印刷ジョブと称する）では、連続印刷ジョブの開始から完了までの間に、機内温度や機内湿度が徐々に変化していく。機内温度については、定着部４２が発熱することによって上昇していく。機内湿度については、用紙に含まれる水分が蒸発し水蒸気として滞留することによって上昇していく。

【0033】

連続印刷ジョブの実行中に機内温度や機内湿度が変化すると、連続印刷ジョブで用いる画像データが同じであっても、或るページの印刷画像の濃度と他のページの印刷画像の濃度との間に差が生じる。先頭ページの印刷画像と最終ページの印刷画像とを見比べると、ユーザーが認識できるほどの濃度差が生じる場合がある。その結果、ユーザーの不満につながる。

【0034】

このため、制御部１は、連続印刷ジョブの実行中、環境情報に基づき濃度変化を予測するニューラルネットワークＮＮ（図４参照）を用いて、連続印刷ジョブで用いる画像データ（ＣＭＹＫ形式に変換されたＣＭＹデータ）のＣＭＹの３色の画素値（濃度値、階調値）を補正する濃度補正処理を行う。なお、環境情報は、機内温度および機内湿度を含む。

【0035】

ＣＭＹデータが８ビット（０～２５５の２５６階調）である場合を例にとると、最も明るい画素の画素値（Ｃ，Ｍ、Ｙ）は（０，０，０）となり、最も暗い画素の画素値（Ｃ，Ｍ，Ｙ）は（２５５，２５５，２５５）となる。制御部１による濃度補正処理では、各画素のＣＭＹの画素値が色ごとに補正される。

【0036】

ニューラルネットワークＮＮは、図４に示すように、入力層Ｎ１、隠れ層Ｎ２および出力層Ｎ３を含む。隠れ層Ｎ２は複数ある。入力層Ｎ１、隠れ層Ｎ２および出力層Ｎ３は、それぞれ、複数のユニット（図４では、丸印で示す）を含む。図４において、ユニットとユニットとを繋ぐ破線は、前段のユニットから後段のユニットへの関数を示す。入力層Ｎ１の各ユニットには、入力データが入力される。入力データは制御部１が生成する。

【0037】

隠れ層Ｎ２は、畳み込み層を含む。隠れ層Ｎ２にプーリング層を含めてもよいし含めなくてもよい。制御部１は、フィルターによる畳み込み処理を行う。隠れ層Ｎ２の複数のユニットの各フィルターは互いに異なる。フィルターは所定サイズとされる。単一の隠れ層Ｎ２に十数～数十のフィルターを含めてもよい。制御部１は、畳み込み処理を行うことにより、特徴マップを生成する。

【0038】

制御部１は、入力データにフィルターを重ねる。入力データの各要素とフィルターの各要素との積の和が特徴マップの１つのセルの値となる。フィルターの位置を１つまたは複数ずらして、畳み込み処理が行われる。特徴マップの周りにゼロを付し、特徴マップのサイズを調整してもよい（ゼロパディング）。

【0039】

たとえば、ニューラルネットワークＮＮを構築するためのニューラルネットワークデータＮＤは、層数、各層（各ユニット）の入力サイズ、および、各層（各ユニット）の出力サイズを定義したデータを含む。また、ニューラルネットワークデータＮＤは、各ユニットの活性化関数、損失関数、重みの更新方法、および、学習係数などを定義したデータを含む。また、ニューラルネットワークデータＮＤは、各フィルターの重み（フィルター内の数値）を定義したデータを含む。各ユニットの演算結果に活性化関数を乗じた値がユニットの出力となる。活性化関数は適宜設定される。たとえば、ＲｅＬＵ関数、恒等写像、シグモイド関数およびｔａｎｈ関数を活性化関数に用いることができる。また、出力層Ｎ３にはソフトマックス関数を用いることができる。

【0040】

以下に、制御部１により行われる予測処理（ニューラルネットワークＮＮを用いた濃度変化の予測）について具体的に説明する。

【0041】

制御部１は、連続印刷ジョブの実行中、１ページ分の印刷ごとに、環境情報を検知する環境検知処理を行う。制御部１は、温度センサー７の出力に基づき機内温度を検知する処理を環境検知処理として行う。さらに、制御部１は、湿度センサー８の出力に基づき機内湿度を検知する処理も環境検知処理として行う。すなわち、制御部１は、連続印刷ジョブの実行中、１ページ分の印刷ごとに、機内温度および機内湿度を検知する。

【0042】

制御部１は、連続印刷ジョブの実行中に検知した環境情報に対して、検知順にＩＤ（通し番号）を割り当てる。そして、制御部１は、図５に示すようなジョブリスト２０を生成し、記憶部２に記憶させる（図２参照）。以下、環境情報に符号２１を付して説明する。制御部１は、連続印刷ジョブの実行中、環境検知処理を行うごとに、新たに検知した環境情報２１にＩＤを割り当て、ジョブリスト２０に追加していく。

【0043】

制御部１は、連続印刷ジョブの開始からの環境検知処理の実行回数が所定回数（たとえば、数回～数十回）に達すると、ニューラルネットワークＮＮを用いた予測処理を行う。そして、制御部１は、予測処理の結果に基づき次ページの印刷で用いる画像データに対して濃度補正処理を行う。このときに制御部１が行う処理（予測処理および濃度補正処理）の流れについて、図６に示すフローチャートに基づき説明する。

【0044】

図６に示すフローチャートは、連続印刷ジョブの開始からの環境検知処理の実行回数が所定回数に達したときにスタートする。

【0045】

ステップＳ１において、制御部１は、ニューラルネットワークＮＮに入力する入力データを生成する。そして、ステップＳ２において、制御部１は、ステップＳ１の処理で生成した入力データをニューラルネットワークＮＮに入力する。ニューラルネットワークＮＮに入力される入力データはマトリクス状のデータであり、マトリクスのサイズは予め定められている。

【0046】

ニューラルネットワークＮＮに入力する入力データを生成するとき、制御部１は、ジョブリスト２０から、所定回数分の環境検知処理で検知した環境情報２１を抽出する。そして、制御部１は、ジョブリスト２０から抽出した環境情報２１に基づき入力データを生成する。たとえば、所定回数が１０回であれば、ＩＤの通し番号が１番から１０番までの環境情報２１に基づき入力データが生成される。すなわち、ニューラルネットワークＮＮには、連続印刷ジョブの開始時点から現時点までの機内温度および機内湿度の各推移を示す温湿度推移データに基づき生成された入力データが入力される。

【0047】

ステップＳ３において、制御部１は、ニューラルネットワークＮＮを用いて、印刷部４によって用紙に印刷される印刷画像の濃度と目標濃度とのズレに関する情報である補正情報を求める。言い換えると、制御部１は、予測処理を行う。ここで、予測処理によって得られる補正情報について説明する。

【0048】

制御部１は、補正情報として、階調ごとおよび色ごとに、印刷画像の濃度が目標濃度よりも濃くなる確率、印刷画像の濃度が目標濃度よりも薄くなる確率、および、印刷画像の濃度が目標濃度と同じになる確率のうち、最も高くなる確率を求める。すなわち、ニューラルネットワークＮＮに入力データを入力することにより、階調ごとおよび色ごとに、最も高くなる確率を示すデータが補正情報として出力される。

【0049】

また、制御部１は、補正情報として、印刷画像の濃度と目標濃度とのズレ（以下、濃度差分と称する）を求める。すなわち、ニューラルネットワークＮＮに入力データを入力することにより、階調ごとおよび色ごとに、濃度差分を示すデータが補正情報として出力される。

【0050】

ここで、ＣＭＹの３色ごとに、画像データの画素値と目標濃度との対応関係を示す目標濃度データ１０が予め準備される。目標濃度データ１０は記憶部２に記憶される（図２参照）。

【0051】

たとえば、ユーザーは所望濃度で印刷を行える画像形成装置から、ＣＭＹの３色分の階調パターン画像が印刷された用紙（ここでは、パターン印刷用紙と称する）を出力し、パターン印刷用紙を取得する。そして、ユーザーは画像形成装置１００（画像読取部３）を用いて、パターン印刷用紙をスキャンする。

【0052】

制御部１は、画像読取部３によってパターン印刷用紙の読み取りが行われると、パターン印刷用紙の読み取りによって得られた読取データに基づき、３色分の階調パターン画像の濃度を測定する。そして、当該測定した結果に基づき、制御部１は、目標濃度データ１０を生成する。或る色の目標濃度データ１０の一例を図７に示す。

【0053】

図７において、横軸は、画像データの画素値を示し、縦軸は、目標濃度を示す。ＣＭＹデータが８ビット（０～２５５の２５６階調）である場合のＮは２５５となる。目標濃度は複数段階（０～１００）の濃度レベルに分類される。

【0054】

たとえば、図７に示す目標濃度データ１０に対応する色の画素値３（ここでは、注目画素値と称する）の目標濃度はレベル５であるが、印刷画像の濃度がレベル７になると予測されたとする。この例では、注目画素値に対応する補正情報として、印刷画像の濃度が目標濃度よりも濃くなる確率が最も高いことを示す情報、および、濃度差分が「２」であることを示す情報がニューラルネットワークＮＮから出力される。

【0055】

なお、後に詳細に説明するが、ニューラルネットワークＮＮの学習は目標濃度データ１０に基づき行われる。したがって、ニューラルネットワークＮＮを用いることにより、印刷画像の濃度と目標濃度とのズレを予測することができる。

【0056】

図６に戻り、ステップＳ３の処理後、ステップＳ４に移行する。ステップＳ４に移行すると、制御部１は、ステップＳ３の処理で求めた補正情報に基づき、次ページの印刷で用いる画像データ（次に中間転写ベルト４１２に形成する画像の基となる画像データ）の画素値を補正する。すなわち、制御部１は、濃度補正処理を行う。

【0057】

具体的には、制御部１は、印刷画像の濃度が目標濃度よりも濃くなると予測した色の画素値を認識するとともに、濃度差分を認識する。そして、制御部１は、印刷画像の濃度が目標濃度よりも濃くなると予測した色の画素値については、印刷画像の濃度が濃度補正処理前の濃度よりも濃度差分だけ薄くなるように補正する。すなわち、制御部１は、印刷画像の濃度が目標濃度よりも濃くなる確率が最も高い場合、濃度補正処理として、印刷画像の濃度が濃度補正処理前の濃度よりも濃度差分だけ薄くなるように画像データの画素値を補正する処理を行う。

【0058】

たとえば、或る色の或る画素値（ここでは、注目画素値と称する）の濃度変化を予測したところ、印刷画像の濃度が目標濃度よりも濃くなり、かつ、濃度差分が「２」であるという結果が得られたとする。この場合、注目画素値に対応する印刷画像の濃度レベルが２段階だけ薄くなるように注目画素値が補正される（注目画素値が小さくなる）。

【0059】

また、制御部１は、印刷画像の濃度が目標濃度よりも薄くなると予測した色の画素値を認識するとともに、濃度差分を認識する。そして、制御部１は、印刷画像の濃度が目標濃度よりも薄くなると予測した色の画素値については、印刷画像の濃度が濃度補正処理前の濃度よりも濃度差分だけ濃くなるように補正する。すなわち、制御部１は、印刷画像の濃度が目標濃度よりも薄くなる確率が最も高い場合、濃度補正処理として、印刷画像の濃度が濃度補正処理前の濃度よりも濃度差分だけ濃くなるように画像データの画素値を補正する処理を行う。

【0060】

また、制御部１は、印刷画像の濃度が目標濃度と同じになると予測した色の画素値を認識する。そして、制御部１は、印刷画像の濃度が目標濃度と同じになると予測した色の画素値については補正しない。

【0061】

制御部１は、図６に示すフローチャートに沿った処理が終了すると、濃度補正処理後の画像データに基づく印刷を印刷部４に行わせる。印刷部４は、濃度補正処理後の画像データに基づく画像を中間転写ベルト４１２に形成する。これにより、濃度補正処理後の画像データに基づく画像が用紙に印刷される。

【0062】

以降も制御部１は、連続印刷ジョブが完了するまで、１ページ分の印刷ごとに、環境情報２１を検知する環境検知処理を行う。制御部１は、環境検知処理を行うと、新たに検知した環境情報２１にＩＤを割り当て、ジョブリスト２０に追加していく。

【0063】

そして、制御部１は、環境検知処理を行うごとに、図６に示すフローチャートに沿った処理を行う。すなわち、制御部１は、新たな入力データを生成してニューラルネットワークＮＮに入力することによって予測処理を行い、当該行った予測処理の結果に基づき次ページの印刷で用いる画像データを対象に濃度補正処理を行う、という一連の処理を繰り返す。その結果、１回目の濃度補正処理が行われた後は、１ページ分の画像の中間転写ベルト４１２への形成前に毎回、中間転写ベルト４１２に新たに形成する画像に対応する画像データの画素値の補正が行われる。

【0064】

制御部１は、新たな入力データを生成するとき、ジョブリスト２０（図５参照）から、直近の所定回数分の環境検知処理で検知した環境情報２１を抽出する。そして、制御部１は、ジョブリスト２０から今回抽出した環境情報２１に基づき入力データを新たに生成する。

【0065】

たとえば、所定回数が１０回であるとする。ここでは、便宜上、入力データを生成する処理をデータ生成処理と称する。所定回数が１０回である場合、連続印刷ジョブの開始からの環境検知処理の実行回数が１０回に達したとき、１回目のデータ生成処理が行われ、１回目のデータ生成処理で生成された入力データがニューラルネットワークＮＮに入力されることによって１回目の予測処理（１回目の濃度補正処理）が行われる。１回目のデータ生成処理では、ジョブリスト２０から、ＩＤの通し番号が１番から１０番までの環境情報２１が抽出され、当該抽出された１０個の環境情報２１に基づき入力データが生成される。

【0066】

その後、連続印刷ジョブの開始からの環境検知処理の実行回数が１１回に達したとき、データ生成処理が再度行われ、新たな入力データが生成される。このとき、直近の１０回分の環境検知処理で検知されたのはＩＤの通し番号が２番から１１番までの環境情報２１であるので、ＩＤの通し番号が２番から１１番までの環境情報２１がジョブリスト２０から抽出される。そして、当該抽出された１０個の環境情報２１に基づき入力データが生成される。続いて、連続印刷ジョブの開始からの環境検知処理の実行回数が１２回に達したときに行われるデータ生成処理では、ＩＤの通し番号が３番から１２番までの環境情報２１（直近の１０回分の環境検知処理で検知された環境情報２１）に基づき入力データが生成される。以降も同様に、環境検知処理が行われるごとに、直近の１０回分の環境検知処理で検知された環境情報２１に基づき入力データが生成される。

【0067】

これにより、ニューラルネットワークＮＮを用いた予測を行うときには、毎回、最新の温湿度推移データに基づき生成された入力データが入力されることになる。また、ニューラルネットワークＮＮに入力される入力データのサイズ（マトリクスのサイズ）は毎回同じになる。

【0068】

＜学習処理＞
ニューラルネットワークＮＮの学習を行うことにより、補正情報の正確性を高めることができる。このため、制御部１は、ニューラルネットワークＮＮの学習のための学習処理を行う。制御部１は、学習処理を行うことにより、ニューラルネットワークＮＮに含まれる各フィルターの重み（係数）を更新する。すなわち、制御部１による学習処理では、ニューラルネットワークデータＮＤが更新される。

【0069】

制御部１は、学習処理の実行に先立ち、トレーニングデータセットを生成する。制御部１は、トレーニングデータセットに基づき学習処理を行う。

【0070】

制御部１は、トレーニングデータセットを生成するため、連続印刷ジョブの実行中、１ページ分の印刷ごとに、階調パターン画像を形成するパターン形成処理を印刷部４に行わせる。階調パターン画像は、複数のパッチ画像を含む。たとえば、８ビット２５６階調（０～２５５）の階調パターン画像には、画素値１（下限値）～画素値２５５（上限値）にそれぞれ対応する複数のパッチ画像が階調パターン画像に含められる。

【0071】

印刷部４は、連続印刷ジョブの実行中、１ページ分の画像を中間転写ベルト４１２に形成するごとに、ＣＭＹの３色分の階調パターン画像を中間転写ベルト４１２に形成する。すなわち、印刷部４は、連続印刷ジョブの実行中、パターン形成処理を所定間隔で繰り返し行う。たとえば、図８に示すように、印刷部４は、中間転写ベルト４１２のうち、用紙に印刷すべき画像の形成領域Ａ１間の領域Ａ２（紙間領域）に階調パターン画像を形成する。

【0072】

制御部１は、連続印刷ジョブの実行中、環境検知処理に加え、濃度センサー９の出力に基づき濃度測定処理を行う。濃度測定処理では、中間転写ベルト４１２に形成された階調パターン画像に含まれる複数のパッチ画像の各濃度（以下、パッチ濃度と称する）の測定が行われる。制御部１は、濃度測定処理で測定したパッチ濃度を複数段階（０～１００）の濃度レベルに分類する。

【0073】

また、制御部１は、連続印刷ジョブの実行中に測定した階調パターン画像の測定濃度を示す測定濃度情報に対して、測定順にＩＤ（通し番号）を割り当てる。そして、制御部１は、図９に示すような濃度リスト３０を生成する。以下、測定濃度情報に符号３１を付して説明する。制御部１は、連続印刷ジョブの実行中、濃度測定処理を行うごとに、新たに測定した測定濃度情報３１にＩＤを割り当て、濃度リスト３０に追加していく。

【0074】

制御部１は、ジョブリスト２０（環境情報２１）および濃度リスト３０（測定濃度情報３１）を含む学習情報４０を記憶部２に記憶させる（図２参照）。制御部１は、トレーニングデータセットを生成するとき、学習情報４０を用いる。学習情報４０の一例を図１０に示す。図１０に示す学習情報４０は、図５に示すジョブリスト２０と図９に示す濃度リスト３０とを含む。

【0075】

なお、変形例として、連続印刷ジョブの実行中、階調パターン画像を用紙に印刷してもよい。この場合には、用紙に印刷された階調パターン画像を画像読取部３が読み取る。そして、制御部１は、画像読取部３による読み取りで得られた画像データに基づき、階調パターン画像の濃度を測定する。

【0076】

変形例において、階調パターン画像が印刷されたパターン印刷用紙を画像形成装置１００（画像読取部３）でスキャンするには、ユーザー自身がパターン印刷用紙を画像読取部３の読取位置にセットする作業を行わなければならないので、ユーザーにとっては煩わしい。そこで、パターン印刷用紙が自動的に読取位置に搬送されるよう構成してもよい。

【0077】

制御部１は、連続印刷ジョブが完了して以降、予め定められた学習タイミングになったか否かを判断する。学習タイミングになったと判断したとき、制御部１は、トレーニングデータを生成する。たとえば、制御部１は、連続印刷ジョブが完了したとき、学習タイミングになったと判断する。あるいは、制御部１は、操作パネル６がユーザーから所定操作を受け付けたとき、学習タイミングになったと判断する。

【0078】

以下に、図１１に示すフローチャートを参照し、学習タイミングになって以降に制御部１が行う処理の流れについて説明する。図１１に示すフローチャートは、学習タイミングになったと制御部１が判断したときにスタートする。

【0079】

ステップＳ１１において、制御部１は、学習用入力データを生成する。このとき、制御部１は、学習情報４０のジョブリスト２０から、所定回数分の環境検知処理で検知した環境情報２１を抽出し、当該抽出した環境情報２１に基づき学習用入力データを生成する。学習用入力データのサイズは、予測処理を行うときにニューラルネットワークＮＮに入力する入力データのサイズと同じである。

【0080】

たとえば、まず、制御部１は、学習情報４０のジョブリスト２０のうち、ＩＤの通し番号が１番の環境情報２１を対象に設定するとともに、対象の環境情報２１から数えて前記所定回数に相当する個数分の環境情報２１を抽出し、当該抽出した環境情報２１に基づき学習用入力データを生成する。所定回数が１０回であれば、ＩＤの通し番号が１番から１０番までの環境情報２１に基づき学習用入力データが生成される。

【0081】

次に、制御部１は、学習情報４０のジョブリスト２０のうち、ＩＤの通し番号が２番の環境情報２１を対象に設定するとともに、対象の環境情報２１から数えて前記所定回数に相当する個数分の環境情報２１を抽出し、当該抽出した環境情報２１に基づき学習用入力データを生成する。所定回数が１０回であれば、ＩＤの通し番号が２番から１１番までの環境情報２１に基づき学習用入力データが生成される。

【0082】

以降も同様に、制御部１は、対象を１つずつずらして学習用入力データを生成する。所定回数が１０回であり、ＩＤの最終の通し番号が２０番であれば、合計１０個の学習用入力データが生成される。１０個目の学習用入力データは、ＩＤの通し番号が１０番から１９番までの環境情報２１に基づき生成される。ＩＤの通し番号が１１番から２０番までの環境情報２１に基づく学習用入力データは生成されない。

【0083】

ステップＳ１１の処理後、ステップＳ１２に移行する。ステップＳ１２に移行すると、制御部１は、複数の学習用入力データにそれぞれ対応する複数の教師データを生成する。以下に、図１０に示した学習情報４０のうち、ＩＤの通し番号が１番から１０番までの環境情報２１に基づき生成された学習用入力データに着目して教師データの生成方法について説明する。

【0084】

制御部１は、階調ごとおよび色ごとに、教師データを生成する。或る色の或る画素値（ここでは、注目画素値と称する）の教師データを生成するとき、制御部１は、ＩＤの通し番号が１１番の測定濃度情報３１のうち、注目画素値に対応する測定濃度の濃度レベルを認識する。

【0085】

また、制御部１は、目標濃度データ１０に基づき、注目画素値に対応する目標濃度の濃度レベルを認識する。そして、制御部１は、それぞれが注目画素値に対応する測定濃度および目標濃度の各濃度レベルを比較する比較処理を行う。比較処理では、測定濃度と目標濃度とが同じであるか否かの判定が行われ、一方の濃度が他方の濃度よりも濃い場合（薄い場合）には濃度差分の判定が行われる。そして、制御部１は、比較処理の結果（判定結果）を教師データとして生成する。

【0086】

このように、ＩＤの通し番号が或る番号までの環境情報２１に基づく学習用入力データに対応する教師データは、当該番号の次の番号が割り当てられた測定濃度情報３１に基づき生成される。これにより、ＩＤの通し番号が１１番から２０番までの環境情報２１に基づく学習用入力データに対応する教師データを生成することはできない。したがって、ＩＤの通し番号が１１番から２０番までの環境情報２１に基づく学習用入力データは生成されない。

【0087】

ステップＳ１２の処理後、ステップＳ１３に移行する。ステップＳ１３に移行すると、制御部１は、トレーニングデータセットを生成する。或る学習用入力データと当該学習用入力データに対応する教師データとを１セットにしたものがトレーニングデータセットとなる。そして、ステップＳ１４において、制御部１は、トレーニングデータセットを記憶部２に記憶させる（図２参照）。以下、トレーニングデータセットに符号５０を付して説明する。

【0088】

制御部１は、トレーニングデータセット５０を記憶させた後、ニューラルネットワークＮＮの学習を行う（学習処理を行う）。以下に、図１２に示すフローチャートを参照し、制御部１が行う学習処理の流れについて説明する。

【0089】

ステップＳ２１において、制御部１は、学習処理で未だ使用していないトレーニングデータセット５０を読み出す。また、ステップＳ２２において、制御部１は、未使用のトレーニングデータセット５０のうち、学習用入力データをニューラルネットワークＮＮに入力する。そして、制御部１は、ニューラルネットワークＮＮに学習用入力データを入力することによって得られた補正情報を取得する。

【0090】

その後、ステップＳ２４において、制御部１は、ステップＳ２２の処理で用いた学習用入力データとステップＳ２３の処理で取得した補正情報とに基づき、ニューラルネットワークＮＮの各フィルターの重みを更新する。言い換えると、制御部１は、ニューラルネットワークＮＮの各フィルターの係数を更新する。このとき、制御部１は、誤差逆伝搬法および確率的勾配降下法を用いる。

【0091】

誤差逆伝搬法では、出力層Ｎ３側から入力層Ｎ１側に向けて誤差を求めていく。言い換えると、逆向きに誤差を伝搬していく。このため、制御部１は、まず、補正情報と教師データとの誤差Ｅを求める。

【0092】

制御部１は、損失関数を用いて、誤差Ｅを求める。損失関数には二乗誤差を用いてもよい。１つのサンプルデータ（トレーニングデータセット５０）の誤差Ｅは、以下の（式１）で求めることができる。
（式１） Ｅｎ＝１／２（Ｙｎ－Ｔｎ）²
ｎ：サンプル番号
Ｙｎ：出力データ（０～１）
Ｔｎ：教師データ（０または１）

【0093】

次に、制御部１は、重みｗに対する誤差Ｅの勾配ΔＥ（誤差Ｅの重みｗでの微分）を求める。勾配ΔＥが正のとき、制御部１は、重みｗを負の方向に更新する。勾配ΔＥが負のとき、制御部１は、重みｗを正の方向に更新する。制御部１は、繰り返し少しずつ重みｗを更新する。重みｗの更新式を（式２）に示す。
（式２） ｗ ← ｗ－εΔＥ
εは学習係数であり、１回の更新幅を抑えるための学習係数εを掛けている。学習係数εは、たとえば、０．１～０．００１に設定される。

【0094】

誤差Ｅは、重み（関数）、活性化関数および損失関数に基づき求まる。したがって、勾配ΔＥは、合成関数の微分により求められる。重みは行列で表現できるので、勾配ΔＥも行列で求められる。制御部１は、出力層Ｎ３とその前段の隠れ層Ｎ２（ｎ層目）の重みに対する勾配ΔＥを求める。制御部１は、勾配ΔＥと学習係数εを乗じた値をｎ層目の隠れ層Ｎ２の現在の重みに加えるまたは減じる。これにより、出力層Ｎ３の前段の隠れ層Ｎ２の重みの更新が完了する。

【0095】

次に、制御部１は、ｎ－１番目の隠れ層Ｎ２とｎ番目の隠れ層Ｎ２との間の重みを更新する。制御部１は、ｎ番目の隠れ層Ｎ２の正しい出力と、ｎ番目の隠れ層Ｎ２の実際の出力との誤差Ｅを求める。このとき、ｎ番目の隠れ層Ｎ２の重み更新の計算結果の一部を用いて、誤差Ｅを求めることができる。制御部１は、ｎ－１番目の隠れ層Ｎ２の重みの勾配ΔＥを求め、当該求めた勾配ΔＥに基づき、ｎ－１番目の隠れ層Ｎ２の重みを更新する。

【0096】

制御部１は、出力層Ｎ３に最も近い隠れ層Ｎ２から先頭（入力側）の隠れ層Ｎ２まで、勾配ΔＥに基づく更新を繰り返す。すなわち、制御部１は、ニューラルネットワークデータＮＤのフィルターの係数の更新を繰り返す。これにより、ニューラルネットワークデータＮＤの更新が完了する。

【0097】

本実施形態の画像形成装置１００は、上記のように、画像データに基づく画像を用紙に印刷する印刷部４と、印刷部４を制御するとともに、画像データの画素値を補正する濃度補正処理を行う制御部１と、環境情報２１に基づき濃度変化を予測するニューラルネットワークＮＮを構築するためのニューラルネットワークデータＮＤを記憶する記憶部２と、を備える。制御部１は、画像データに基づく画像を複数枚の用紙に連続して印刷する連続印刷ジョブの実行中、環境情報２１に基づき入力データを生成し、当該生成した入力データをニューラルネットワークＮＮに入力することにより、印刷部４によって用紙に印刷される印刷画像の濃度と目標濃度とのズレに関する情報である補正情報を求め、補正情報に基づき濃度補正処理を行う。

【0098】

本実施形態の構成では、連続印刷ジョブの実行中、環境情報２１に基づき生成された入力データがニューラルネットワークＮＮに入力され、それによってニューラルネットワークＮＮから出力される補正情報に基づき濃度補正処理が行われる。ここで、連続印刷ジョブの実行中には画像形成装置１００の内部環境（機内温度および機内湿度）が測定され、当該測定によって得られる機内温度および機内湿度の各推移（変化）を示す情報が環境情報２１とされる。このため、ニューラルネットワークＮＮから出力される補正情報は連続印刷ジョブの実行中の機内温度および機内湿度の各推移に応じた情報となる。その結果、連続印刷ジョブの実行中に画像形成装置１００の内部環境が変化しても、連続印刷ジョブの実行中の機内温度および機内湿度の各推移に応じた補正情報に基づき濃度補正処理が行われるので、印刷画像の濃度が変化するのを抑制することができる。

【0099】

なお、本実施形態の構成では、キャリブレーションを行うために連続印刷ジョブを中断する必要はない。濃度補正処理は連続印刷ジョブを中断せずに行われる。このため、生産性が低下するのを抑制することができる。また、連続印刷ジョブの実行中に濃度補正処理が自動的に行われるので、ユーザーの利便性が向上する（濃度補正処理の実行指示をユーザーが行わなくてもよい）。

【0100】

また、本実施形態では、上記のように、補正情報として、印刷画像の濃度が目標濃度よりも濃くなる確率、印刷画像の濃度が目標濃度よりも薄くなる確率、および、印刷画像の濃度が目標濃度と同じになる確率のうち、最も高くなる確率が求められる。さらに、補正情報として、印刷画像の濃度と目標濃度とのズレが求められる。これにより、容易に、画像データの画素値を薄くなる方向に補正すれば良いか濃くなる方向に補正すれば良いかを制御部１に認識させることができる。

【0101】

また、本実施形態では、上記のように、連続印刷ジョブが開始されてからの環境検知処理の実行回数が所定回数に達すると濃度補正処理が行われる。以降、環境検知処理が行われるごとに濃度補正処理が行われる。これにより、機内温度および機内湿度の各推移を細かく反映させることができる。

【0102】

また、本実施形態では、上記のように、制御部１は、連続印刷ジョブの実行中、１ページ分の印刷ごとに、階調パターン画像を形成する処理を印刷部４に行わせ、階調パターン画像の濃度を測定し、当該測定した測定濃度を示す測定濃度情報３１と環境情報２１とを含む学習情報４０を記憶部２に記憶させる。それ以降、制御部１は、学習情報４０の環境情報２１に基づき学習用入力データを生成する。また、制御部１は、学習情報４０の測定濃度情報３１で示される測定濃度と目標濃度とのズレを判定するとともに、当該判定した結果に基づき教師データを生成する。さらに、制御部１は、学習用入力データおよび教師データを含むトレーニングデータセット５０を生成する。そして、制御部１は、トレーニングデータセット５０に基づきニューラルネットワークＮＮの学習を行う。このような学習を行うことにより、画像形成装置１００の設置環境や経年劣化などを反映したニューラルネットワークＮＮを構築することができる。また、ニューラルネットワークＮＮの学習を行うことにより、補正情報の正確性を高めることができる。

【0103】

今回開示された実施形態は、すべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記実施形態の説明ではなく特許請求の範囲によって示され、さらに、特許請求の範囲と均等の意味および範囲内+でのすべての変更が含まれる。

【符号の説明】

【0104】

１ 制御部
２ 記憶部
４ 印刷部
７ 温度センサー
８ 湿度センサー
２１ 環境情報
３１ 測定濃度情報
４０ 学習情報
５０ トレーニングデータセット
１００ 画像形成装置
ＮＮ ニューラルネットワーク
ＮＤ ニューラルネットワークデータ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】