特許 7414757 インクジェットプリンタシステム

(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】2024-01-05

(45)【発行日】2024-01-16

(54)【発明の名称】インクジェットプリンタシステム

(51)【国際特許分類】

   B41J 2/01 20060101AFI20240109BHJP

【ＦＩ】

B41J2/01 201

B41J2/01 451

B41J2/01 207

【請求項の数】 8

(21)【出願番号】P 2021035305

(22)【出願日】2021-03-05

(65)【公開番号】P2022135477

(43)【公開日】2022-09-15

【審査請求日】2023-05-19

(73)【特許権者】

【識別番号】502129933

【氏名又は名称】株式会社日立産機システム

(74)【代理人】

【識別番号】110000350

【氏名又は名称】ポレール弁理士法人

(72)【発明者】

【氏名】青野 正裕

(72)【発明者】

【氏名】大川 佳祐

(72)【発明者】

【氏名】ヴティア ヴォン

【審査官】小宮山 文男

(56)【参考文献】

【文献】特開平１１－１９８３６０（ＪＰ，Ａ）

【文献】特開２０１６－１８５６８８（ＪＰ，Ａ）

【文献】特開２０２０－２６０５７（ＪＰ，Ａ）

【文献】特開２０２１－５２６６（ＪＰ，Ａ）

【文献】特開２０２１－２４１５３（ＪＰ，Ａ）

【文献】特開２０２０－１８９４２５（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１７／０１９０１９４（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｂ４１Ｊ ２／０１－２／２１５

(57)【特許請求の範囲】

【請求項1】

印字対象物に印字を行うインクジェットプリンタと、前記インクジェットプリンタによって印字された印字文字を撮像し、撮像された印字画像の検査を行う印字検査装置とを備えたインクジェットプリンタシステムであって、
前記印字検査装置は、ニューラルネットワークによる機械学習機能部を備えており、前記機械学習機能部は、
前記印字対象物の印字領域に印字される種々の文字に基づいた無作為の複数のドットからなるドット配列パターンを印字する機能を有するランダムテスト印字機能部と、
印字された前記ドット配列パターンを撮像した印字画像を基に、この印字画像を検査するための前記ニューラルネットワークの評価関数を最適化する機能を有する評価関数訓練機能部を備える
ことを特徴とするインクジェットプリンタシステム。

【請求項2】

請求項1に記載のインクジェットプリンタシステムであって、
前記ニューラルネットワークは、畳み込みニューラルネットワークである
ことを特徴とするインクジェットプリンタシステム。

【請求項3】

請求項２に記載のインクジェットプリンタシステムであって、
前記ランダムテスト印字機能部は、前記ドット配列パターンを前記インクジェットプリンタに送信し、
前記インクジェットプリンタは、前記ドット配列パターンに基づいてテスト印字を実行する
ことを特徴とするインクジェットプリンタシステム。

【請求項4】

請求項３に記載のインクジェットプリンタシステムであって、
無作為の前記ドット配列パターンは、ドットが正規の位置に存在する正規ドット配列パターンと、前記ドットが正規の位置に存在しない誤りドット配列パターンである
ことを特徴とするインクジェットプリンタシステム。

【請求項5】

請求項４に記載のインクジェットプリンタシステムであって、
前記誤りドット配列パターンは、
（１)無作為に１つの前記ドットが選択され、無作為に与えられた距離、角度だけ前記正規ドット配列パターンからずれた、ドットずれ誤りドット配列パターン、
(２)無作為に１つの行が選択され、無作為に与えられた距離、上下にだけ前記正規ドット配列パターンからずれた、行ずれ誤りドット配列パターン、
(３)無作為に１つの前記ドットが選択され、選択された前記ドットを前記正規ドット配列パターンから削除された、ドット抜け誤りドット配列パターン
の１つ以上からなっている
ことを特徴とするインクジェットプリンタシステム。

【請求項6】

請求項１に記載のインクジェットプリンタシステムであって、
前記ランダムテスト印字機能部は、前記ドット配列パターンを動的に生成することを特徴とするインクジェットプリンタシステム。

【請求項7】

請求項６に記載のインクジェットプリンタシステムであって、
前記ドット配列パターンを動的に生成するために、疑似乱数を用いて前記ドット配列パターンを生成する
を特徴とするインクジェットプリンタシステム。

【請求項8】

請求項５に記載のインクジェットプリンタシステムであって、
前記ランダムテスト印字機能部は、前記正規ドット配列パターンと前記ドット抜け誤りドット配列パターンを重ね合わせた複合ドット配列パターンを生成する
ことを特徴とするインクジェットプリンタシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明はインクジェットプリンタシステムに係り、特に機械学習機能を有する印字検査装置を組み合わせたインクジェットプリンタシステムに関するものである。

【背景技術】

【0002】

生産工場等で使用されている一般的な連続噴射式荷電制御型のインクジェットプリンタは、本体にインクを貯留するインク容器を設けており、そのインク容器のインクをインク供給ポンプによって印字ヘッドへ供給している。印字ヘッドに供給されたインクは、インクノズルから連続的に噴出され、インク液滴化される。

【0003】

インク液滴のうち、印字に使用するインク液滴には、帯電・偏向処理を行い所望の印字対象物の印字位置へ飛翔させ、印字に使用しないインク液滴には、帯電・偏向処理を行わず、ガターで捕集してインク回収ポンプによりインク容器へ戻す構成とされている。

【0004】

そして、食品を収納した包装容器、飲料を充填したペットボトル等の製品を製造する生産工場の製造ライン等にインクジェットプリンタが設置され、製品の表面に賞味期限、製造工場、製造番号等を印字している。

【0005】

また、生産工場の製造ラインにおいては、インクジェットプリンタによる印字が正しく実施されているか否かを検査する場合もあり、そのために、印字検査装置が組み合わされたインクジェットプリンタシステムが導入されている製造ラインがある。

【0006】

印字検査装置は、撮像装置により製品の印字領域を撮像し、その画像に対して印字の「良」、「不良」を判定する装置である。印字検査装置には予め正常な印字と異常な印字の画像が登録されており、その画像と撮像した画像を比較して「良」、「不良」の判定を行っている。

【0007】

そして、最近では印字文字の検査精度を更に向上させることが望まれている。この検査精度を向上させる方法として、機械学習を用いる方法が有効である。インクジェットプリンタの印字検査装置に機械学習を用いる方法としては、例えば特開２００７－２８１７２３号公報(特許文献１)に記載されている方法が知られている。

【0008】

この特許文献１においては、複数のテストインク量セットに従ってカラーパッチの印刷を行い、同カラーパッチをスキャナにて画像入力し、テストインク量セットと画像データの解析により得られる粒状性指数を対応させたデータセットを教師信号として、機械学習を行う方法が記載されている。このように、印字検査装置に機械学習機能を備えることは一般的に良く行われている。

【先行技術文献】

【特許文献】

【0009】

【文献】特開２００７-２８１７２３号公報

【発明の概要】

【発明が解決しようとする課題】

【0010】

上述したように、機械学習を用いて検査精度を向上させることは有効な方法である。しかしながら、連続噴射式荷電制御型のインクジェットプリンタにおいては、印字対象物には日本語を始めとした多種の文字や記号(以下、代表して文字と表記する)が印字される。そのため全ての文字に対して個別に学習を行うのは難しい。また、賞味期限や製造番号のように印字対象物の１つ１つに異なる文字を印字する場合には、印字対象物毎に検査対象の文字が変化する。このため、定型文字を学習する手法も採用できない。したがって、検査精度を高めて効率的に検査作業を行うことができるインクジェットプリンタシステムが求められている。

【0011】

本発明の目的は、機械学習を前提に印字検査装置の検査精度を高めて効率的に検査作業を行うことができる新規なインクジェットプリンタシステムを提供することにある。

【課題を解決するための手段】

【0012】

上記課題を解決するために、例えば特許請求の範囲に記載の構成を採用する。本発明は、上述の課題を解決する手段を複数含んでいるが、その一例を挙げるならば、印字検査装置は、ニューラルネットワークによる機械学習機能部を備えており、機械学習機能部は、印字対象物の印字領域に印字される種々の文字に基づいた無作為の複数のドットからなるドット配列パターンを印字する機能を有するランダムテスト印字機能部と、印字されたドット配列パターンを撮像した印字画像を基に、この印字画像を検査するためのニューラルネットワークの評価関数を最適化する機能を有する評価関数訓練機能部を備える、ことを特徴とする。

【発明の効果】

【0013】

本発明においては、印字される種々の文字に基づいた無作為の複数のドットからなるドット配列パターン(ランダムなドット配列パターン)を印字対象物にテスト印字し、これに基づいてニューラルネットワークの評価関数を最適化するので、検査精度を高めて効率的な検査作業を行うことができる。

【図面の簡単な説明】

【0014】

【図1】インクジェット記録装置による印字方法を説明する概略図である。

【図2】インクジェット記録装置の印字原理を説明する構成図である。

【図3】インクジェットプリンタシステムの全体の構成の概略を示す概略構成図である。

【図4】本発明の第１の実施形態になる機械学習の全体工程を示すフローチャートである。

【図5】図４に示すデータセット作成用テスト工程を示すフローチャートである。

【図6】図５に示すテスト印字工程を示すフローチャートである。

【図7A】基準となる正規の無作為のドット配列パターンを示す説明図である。

【図7B】図７Ａの正規の無作為のドット配列パターンに対して、意図的に第１の誤りを与えた無作為のドット配列パターンの第１の例を示す説明図である。

【図7C】図７Ａの正規の無作為のドット配列パターンに対して、意図的に第２の誤りを与えた無作為のドット配列パターンの第２の例を示す説明図である。

【図7D】図７Ａの正規の無作為のドット配列パターンに対して、意図的に第３の誤りを与えた無作為のドット配列パターンの第３の例を示す説明図である。

【図8】本発明の実施形態になる機械学習で使用されるニューラルネットワークの構成を示す構成図である。

【図9】本発明の第２の実施形態におけるテスト印字工程を示すフローチャートである。

【図10】本発明の第３の実施形態におけるドット抜けを学習するため、ドット抜けパターンとドット抜けがないパターンを重ね合わせたドット配列パターンを示す説明図である。

【発明を実施するための形態】

【0015】

以下、本発明の実施形態について図面を用いて詳細に説明するが、本発明は以下の実施形態に限定されることなく、本発明の技術的な概念の中で種々の変形例や応用例をもその範囲に含むものである
先ず、一般的な連続噴射式荷電制御型のインクジェットプリンタの構成と動作について簡単に説明する。尚、本発明の考え方は、以下に説明する連続噴射式荷電制御型のインクジェットプリンタだけではなく、必要に応じて一般的な事務機用プリンタにおいても適用できるものである。

【0016】

図１に、インクジェットプリンタの外観構成を示している。図１において、インクジェットプリンタの本体１には表示用のディスプレイ２が備えられている。印字ヘッド４にはケーブル３を介してインクが供給されており、また決定された印字内容は、ケーブル３を介して印字ヘッド４に送られ、これに基づいてインク液滴が連続的に噴出されることで、ベルトコンベア等の搬送ライン５で搬送される印字対象物６に印字される。

【0017】

図２には、インクジェットプリンタの構成を模式的に示している。図２において、インク容器７に貯留されているインク液８は、インク供給ポンプ９で加圧されてインクノズル１０に供給される。インクノズル１０に設置された圧電素子１１に、周期的に電圧を加えることで、インクノズル１０内のインクが励振される。励振されたインクは、インクノズル１０よりインク柱１２として噴出された後にインク液滴となる。

【0018】

印字に使用するインクに対しては、インクの液滴化と同時に、帯電電極１３によってインク液滴への帯電が行われる。帯電されたインク液滴１４は、偏向電極正極１５、及び偏向電極負極１６の間の偏向空間に生じる電場によって偏向された後に印字対象物６に着滴する。また、印字に使用しないインク液滴１７は帯電されず、偏向が行われないためガター１８にて回収される。

【0019】

尚、図１のインクジェットプリンタの本体１には、図２に示すインク容器７、及びインク供給ポンプ９等が格納されている。また、図１の印字ヘッド４には、図２に示すインクノズル１０、帯電電極１３、偏向電極正極１５、偏向電極負極１６、及びガター１８等が格納されている。

【実施例1】

【0020】

次に、本発明の第１の実施形態について説明する。図３は、本実施形態を構成する機械学習機能を備えたインクジェットプリンタシステムの構成を示しており、印字検査装置１９には、機械学習演算装置２０が接続されている。ここで、印字検査装置１９と機械学習演算装置２０を合わせて、印字検査装置１９と見做せるものである。この機械学習演算装置２０の構成と動作は、以下の実施形態で詳細に説明する。尚、機械学習演算装置２０は、破線で示すように、印字検査装置１９と一体化することも可能である。

【0021】

以下に説明する本実施形態では、機械学習演算装置２０と印字検査装置１９とは一体化されている。そして、印字検査装置１９とインクジェットプリンタ1とは双方向で制御情報を送信可能となっており、機械学習演算装置２０から機械学習の訓練のための無作為の複数のドットからなるドット配列パターンが、インクジェットプリンタ１に送信される構成とされている。

【0022】

インジェットプリンタ１は、送られてきた無作為の複数のドットからなるドット配列パターンにしたがってテスト印字を行い、印字検査装置１９に設けられた撮像装置によって、印字されたドット配列パターンを撮像し、その印字画像は機械学習に利用される。

【0023】

本発明の第１の実施形態では、印字対象物の印字領域に印字される種々の文字に基づいた無作為の複数のドットからなるドット配列パターンを印字する機能を有するランダムテスト印字機能部と、印字されたドット配列パターンを撮像した印字画像を基に、この印字画像を検査するためのニューラルネットワークの評価関数を最適化する機能を有する評価関数訓練機能部を備えたインクジェットプリンタシステムを特徴とするものである。特に本実施形態では、その機械学習において使用される無作為の複数のドットからなるドット配列パターンによるテスト画像に特徴を有するものである。

【0024】

図４には、印字検査装置の機械学習による検査作業の全体の処理工程のフローチャートを示している。機械学習自体は良く知られているが、本実施形態では畳み込みニューラルネットワーク（Convolution Neural Network：ＣＮＮ)を利用して機械学習を行う構成である。

【0025】

印字検査装置の機械学習を用いた検査作業の全体の処理工程は、先ずデータセット作成用テスト工程３０１において、機械学習の教師用データセットを作成し、次に機械学習工程３０２において、データセット作成用テスト工程３０１で作成した教師用データセットを用いて、誤差逆伝搬法(バックプロパゲーション)による検査用のニューラルネットワークの学習を行い、その後に運用工程３０３において、機械学習工程３０２で作成した検査用のニューラルネットワークを用いて実際の印字の検査作業を行うものである。

【0026】

次に、本実施形態の特徴であるランダムテスト印字機能部と評価関数訓練機能部について説明する。ランダムテスト印字機能部はデータセット作成用テスト工程３０１での機能であり、評価関数訓練機能部は機械学習工程３０２での機能である。

【0027】

図５に、データセット作成用テスト工程３０１のフローチャートを示している。先ず、テスト印字工程４０１において、印字予定の印字対象物の印字領域に、インクジェットプリンタ１(図３参照)によりテスト印字を実行する。次にテスト印字撮像工程４０２において、印字検査装置１９(図３参照)を用いて印字対象物に印字されたテスト印字を撮像する。次にデータセット作成工程４０３において、学習用の教師用データセットを作成する。

【0028】

図６に、テスト印字工程４０１のフローチャートを示している。先ず、無作為ドットパターン取得工程５０１で、予め定められた複数のドットからなるドット配列パターンを取得する。尚、ドット配列パターンについては後述する。

【0029】

ドット配列パターンは、１文字を形成するドットマトリックスで表される。例えば、５列７行のドットマトリックスでは、３５個の桝のいずれかに一個のインク滴が印字されて、インク液滴の集合で要求される文字を形成する。当然、無作為に選ばれた桝にインク滴が印字されれば、無作為の複数のドットからなるドット配列パターンを形成できる。

【0030】

ここで、ドット配列パターンの種類により教師データの数は決定される。そのため、ドット配列パターンが多いほど後の機械学習の精度は向上するが、その分だけテスト工程に費やす時間も増大する。本実施形態では、１００種類のドット配列パターンを用意して学習を実行している。取得するドット配列パターンは、無作為にドットの有無(ドットの配置位置)が決定された、複数のドットからなるドット配列パターンである。その例を図７Ａ～図7Ｄに示している。

【0031】

図7Ａにあるように、正規の無作為のドット配列パターン(正規ドット配列パターン)７０１は、複数のドットが無作為に配置されている。ただ、図7Ａに示す夫々のドットは正規の位置に存在している。また、正規ドット配列パターン７０１のドットの有無の割合(全体の総桝数に対するドットの割合)は自由に設定できるが、本実施形態では５０％に設定されている。つまり総桝数の半分に、無作為に複数のドットが存在する。また、ドットの縦横(列と行)の数は印字する文字サイズによって決定され、本実施形態では、縦横共に１１ドットである。

【0032】

更に、ドット配列パターンには、故意に誤りが付加されている、誤りドット配列パターンも存在する。これは検査工程における「不良」の判定のための教師データになる。一般的に、インクジェットプリンタにはいくつか特徴的な「誤り」があり、それを模擬した「誤り」を付加するのが効果的である。本実施例では３種類の誤りドット配列パターンを併用するようにしている。図７Ｂ～図７Ｄに誤りドット配列パターンを例示している。

【0033】

図７Ｂは、ドットずれ誤りドット配列パターン７０２である。これは、破線の四角で囲む或る特定のドット７０２eのみ少しずれた位置に印字されてしまう誤りである。１ドットずれのサイズはドット間の距離の２分の１以下となる。１ドットずれを付加する際は、無作為に１つのドットを選択し、無作為に与えた距離、角度だけ正規ドット配列パターン７０１からずれを与える。

【0034】

図７Ｃは、行ずれ誤りドット配列パターン７０３である。これは、破線の四角で囲む或る特定の１行７０３eが上下にずれる誤りである。１行ずれを付加する際には、無作為に１つの行を選択し、無作為に与えた距離、上下に正規ドット配列パターン７０１からずれを与える。

【0035】

図７Ｄは、ドット抜け誤りドット配列パターン７０４である。これは、破線の四角で囲む或る特定の１つのドット７０４eが欠損する誤りである。ドットを欠損する際は、無作為に１つのドットを選択し、そのドットを正規ドット配列パターン７０１から削除する。

【0036】

このような３つの誤りドット配列パターンを予め無作為のドット配列パターンに付加しておく。つまり、正規のドット配列パターン、或いは1つの誤りドット配列パターンが1つのドット配列パターンに付与され、これが複数のドット配列パターンとして準備される。したがって、本実施形態では、１００種類の異なったドット配列パターンが得られることになる。

【0037】

図６に戻って、無作為ドットパターン印字工程５０２では、このドット配列パターンを印字対象物に対してテスト印字する。この場合は、実際に印字する１文字に対して１つのドット配列パッターンを割り当てる。例えば実際に印字する文字が「ＡＢＣ」であるとすれば、ここに３つのドット配列パターンを順番に印字する。

【0038】

次に、図５において、テスト印字撮像工程４０２では、図６の無作為ドットパターン印字工程５０２でテスト印字した、ドット配列パターンを印字検査装置１９で撮像する。次に、撮像が完了するとデータセット作成工程４０３を実行する。

【0039】

データセット作成工程４０３では、撮像した画像を用いてデータセットを作成する。データセットとして使用するためには、各画像にラベル(正解情報)を付加する必要がある。本実施例で使用するものは２値のラベルである。これは印字されたドット配列パターンに対して「良」、或いは「不良」に対応するものである。

【0040】

このラベルの付加は、予め準備されている無作為のドット配列パターンによって行われる。これはインクジェットプリンタが、テスト印字を行う際に用いるものと同じものが予め共有されている。そのため、印字検査装置は撮像した画像と、元になった無作為のドット配列パターンを紐づけることが可能である。

【0041】

画像に対するラベルは、元になったドット配列パターンに「誤り」が付加されているか否かで決定される。「誤り」が付加されていなければ、画像には「良」のラベル(正解情報)を与え、「誤り」が付加されていれば、「不良」のラベル(正解情報)を与える。これによりデータセットの作成が可能である。

【0042】

次に、図４に戻って、機械学習工程３０２について詳しく説明する。ここでは、図図５のデータセット作成工程４０３で作成したデータセットを用いて印字検査用のニューラルネットワークを訓練する。本実施形態では、上述したようにニューラルネットとして、畳み込みニューラルネットワーク(ＣＮＮ)を利用して機械学習を行う。図８に、畳み込みニューラルネットワークを示している。この畳み込みニューラルネットワークは良く知られた構成である。

【0043】

先ず、撮像された無作為のドット配列パターンである入力画像は、入力層８０１で「３２ｘ３２」のドットの画像に圧縮される。１ドットあたり白黒２値のモノクロ画像である。

【0044】

続いてＣＮＮ層８０２を使用する。入力は「３２ｘ３２ｘ１」で、フィルターは「３ｘ３ｘ１」のサイズであり、３個のフィルターが用いられている。フィルターの重みは「１ｏｎｇ」のサイズであり、「Ｈｅの初期値」により初期化される。以降の層も同様である。また、ストライドサイズは「１」、パディングサイズは「１」であり、出力は「３２ｘ３２ｘ３」となる。ストライド、パディングは以降のＣＮＮ層でも同様である。活性化関数にはＲｅｌｕ関数を用いており、以降のＣＮＮ層も同様である。

【0045】

３つ目の層もＣＮＮ層８０３である。入力は「３２ｘ３２ｘ３」である。フィルターのサイズは「３ｘ３ｘ３」であり、３個のフィルターが用いられている。これらのフィルターの出力は「３２ｘ３２ｘ３」である。

【0046】

４つめの層はＭａｘ Ｐｏｏｌｉｎｇ層８０４である。Ｐｏｏｌｉｎgのサイズは「２ｘ２」であり、出力は「１６ｘ１６ｘ３」である。Ｍａｘ Ｐｏｏｌｉｎｇ層８０４の以降は、同様の層が設けられている。

【0047】

５つ目の層はＣＮＮ層８０５である。入力は「１６ｘ１６ｘ３」である。フィルターのサイズは「３ｘ３ｘ３」であり、出力は「１６ｘ１６ｘ３」である。同様に、６つ目の層ＣＮＮ層８０６、７つ目の層ＣＮＮ層８０７、８つ目の層ＣＮＮ層８０８は、いずれもＣＮＮ層８０５と同様である。

【0048】

９つ目の層はＭａｘ Ｐｏｏｌｉｎｇ層８０９であり、Ｐｏｏｌｉｎｇのサイズは「２ｘ２」であり、出力は「８ｘ８ｘ３」である。最後の出力層８１０は全結合層となっており、出力は２値である。これが検査結果の「良」、或いは「不良」に対応する。

【0049】

そして出力層８１０の出力結果がラベル(正解情報)と異なると、出力結果がラベルと一致するように、誤差逆伝搬法(バックプロパゲーション)によって、ニューラルネットワークのフィルターの重み、及び/又はバイアスを調整して訓練を実行する。訓練には誤差逆伝搬法を用いており、データ数は「１００」なので、バッチサイズは「１」、エポック数は「１００」としている。訓練は、図３にあるように、データセットを外部の機械学習演算装置２０で実行しても良いし、印字検査装置１９やインクジェットプリンタ１の内部にある演算装置で実行しても良い。

【0050】

尚、この訓練は、損失関数(クロスエントロピー誤差、２乗和誤差など)を使って重み、及び/又はバイアスを更新していくものである。ここで、重み、及び/又はバイアスは、無作為のドット配列パターンの印字結果を撮像した印字画像を基に、実際に検査すべき印字画像を検査するための評価関数とされている。

【0051】

次に、図４に示す運用工程３０３では、訓練して作成したニューラルネットワークを用いて検査を実行する。この場合は、印字検査装置１９で撮像された印字対象物に印字された印字文字の画像を入力すると、訓練されたニューラルネットワークによって印字文字の「良」、或いは「不良」の判定が出力される。

【0052】

このように本実施形態では、印字検査装置にニューラルネットワークによる機械学習機能部を備えており、機械学習機能部は、印字対象物の印字領域に印字される種々の文字に基づいた無作為の複数のドットからなるドット配列パターンを印字する機能を有するランダムテスト印字機能部と、印字されたドット配列パターンを撮像した印字画像を基に、この印字画像を検査するためのニューラルネットワークの評価関数を最適化する機能を有する評価関数訓練機能部を備える構成とした。

【0053】

これによれば、印字される種々の文字に基づいた無作為のドット配列パターンを印字対象物にテスト印字し、これに基づいてニューラルネットワークの評価関数を最適化するので、検査精度を高めて効率的な検査作業を行うことができる。

【実施例2】

【0054】

次に本発明の第２の実施形態について説明する。本実施形態では、第１の実施形態に比べて、更に検査精度を高めるニューラルネットワークの訓練方法を提案するものである。

【0055】

第１の実施形態では、予め準備されたドット配列パターンを使用したが、これではドット配列パターンの数が有限で、また同様のドット配列パターンを毎回使用する必要がある。このため本実施形態では、更に精度の高い訓練が必要な場合は、無作為なドット配列パターンを生成しながらテスト印字する方法を提案するものである。

【0056】

図９には、図５に示すテスト印字工程４０１のフローチャートを示している。本実施形態では、無作為のドット配列パターンは動的に作成されることを特徴としている。

【0057】

まず、無作為ドットパターン作成工程９０１では、全ドットに対してドットの有無を無作為に選択する。ドットの有無の確率は自由に決定できるが、本実施例では第1の実施形態と同様に５０％とされている。。無作為に選択する方法としては、疑似乱数を用いる。例えばメルセンヌツイスター法などで疑似乱数を作成する方法が知られている。

【0058】

次に、作成したドット配列パターンに対して、誤り付加工程９０２で誤りを付加する。誤りの付加確率は５０％であり、誤りドット配列パターンの付加方法は、図７Ｂ～図７Ｄにあるように第１の実施形態と同様である。ドット配列パターンが決まると、無作為ドットパターン印字工程９０３では、第１の実施形態と同様にドット配列パターンを印字する。

【0059】

次に、無作為ドットパターン共有工程９０４では、ドット配列パターンを印字検査装置１９と共有する。これはデータセットを作成するために必要である。また、同時に誤り付加の有無も共有する。以後の工程は第１の実施形態と同様であるが、テストデータの数は自由に決定できる。例えば、テストデータが１００個で訓練したネットワークの精度が不足している場合は、追加でテスト印字を行うことが可能である。

【0060】

このように本実施形態によれば、更に検査精度を高めることができるニューラルネットワークの訓練が可能となる。

【実施例3】

【0061】

次に本発明の第３の実施形態について説明する。本実施形態では、第１の実施形態に比べて、更に検査精度を高めるニューラルネットワークの訓練方法を提案するものである。

【0062】

第１の実施形態においては、ドット欠損の誤りに対する学習の効率が充分でない場合がある。これはドットの欠損と無作為のドット有無との区別がつかないためである。

【0063】

そこで、図５のデータセット作成工程４０３で、ドット誤りを付加しない正規ドット配列パターン７０１とデータとドット抜け誤りドット配列パターン７０４を重ね合わせた複合ドット配列パターンデータ１００１を作成する。

【0064】

図１０に重ね合わせた複合ドット配列パターン１００１の例を示してるが、重ね合わせることで、破線の四角で囲まれた欠損部分のドット１００１ｅが強調され、より効率よくニューラルネットワークを訓練することが可能となる。

【0065】

このように本実施形態によれば、更に検査精度を高めることができるニューラルネットワークの訓練が可能となる。

【0066】

以上に説明した通り本発明は、印字検査装置にニューラルネットワークによる機械学習機能部を備えており、機械学習機能部は、印字対象物の印字領域に印字される種々の文字に基づいた無作為の複数のドットからなるドット配列パターンを印字する機能を有するランダムテスト印字機能部と、印字されたドット配列パターンを撮像した印字画像を基に、この印字画像を検査するためのニューラルネットワークの評価関数を最適化する機能を有する評価関数訓練機能部を備える、ことを特徴としている。

【0067】

これによれば、印字される種々の文字に基づいた無作為のドット配列パターン(ランダムなドット配列パターン)を印字対象物にテスト印字し、これに基づいてニューラルネットワークの評価関数を最適化するので、検査精度を高めて効率的な検査作業を行うことができる。

【0068】

尚、本発明は上記したいくつかの実施例に限定されるものではなく、様々な変形例が含まれる。上記の実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、ある実施例の構成に他の実施例の構成を加えることも可能である。各実施例の構成について、他の構成の追加、削除、置換をすることも可能である。

【符号の説明】

【0069】

１…インクジェットプリンタ、１９…印字検査装置、２０…機械学習演算装置、３０１…データセット作成用テスト工程、３０２…機械学習工程、３０３…運用工程、４０１…テスト印字工程、４０２…テスト印字撮像工程、４０３…データセット作成工程、５０１…無作為ドットパターン取得工程、５０２…無作為ドットパターン取得工程、８０１…入力層、８０２、８０３、８０５～８０８…ＣＮＮ層、８０４、８０９…ＭａｘＰｏｏｌｉｎｇ層、８１０…出力層。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図7C】

【図7D】

【図8】

【図9】

【図10】