特許 7512674 画像処理システム、画像処理装置、プログラム、制御管理システムおよび装置

(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】2024-07-01

(45)【発行日】2024-07-09

(54)【発明の名称】画像処理システム、画像処理装置、プログラム、制御管理システムおよび装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240702BHJP

   G03G 21/00 20060101ALI20240702BHJP

【ＦＩ】

G06N20/00

G03G21/00 388

【請求項の数】 15

(21)【出願番号】P 2020089958

(22)【出願日】2020-05-22

(65)【公開番号】P2021184211

(43)【公開日】2021-12-02

【審査請求日】2023-03-17

(73)【特許権者】

【識別番号】000001270

【氏名又は名称】コニカミノルタ株式会社

(74)【代理人】

【識別番号】110001807

【氏名又は名称】弁理士法人磯野国際特許商標事務所

(72)【発明者】

【氏名】東内 宏和

【審査官】新井 則和

(56)【参考文献】

【文献】特許第５９６９６７６（ＪＰ，Ｂ１）

【文献】特開２０１８－１２６７９６（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２０／０１５０５９９（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０２０／０１３３２２６（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０２０／０１３３２０８（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１８／０２４００２２（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｇ０３Ｇ ２１／００

(57)【特許請求の範囲】

【請求項1】

画像処理装置とサーバとを備える画像処理システムであって、
前記画像処理装置は、
画像形成部と、
前記画像形成部の所定の制御パラメータの値の決定に係る機械学習を実行する機械学習実行部と、
前記機械学習後の学習モデルを仮決定学習モデルとして前記サーバに送信する通信部とを備え、
前記サーバは、
前記仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定して前記画像処理装置に送信する判定部を備え、
前記画像処理装置はさらに、
前記合否に応じて前記仮決定学習モデルを更新して前記画像処理装置で実行する学習モデルとする更新部を備える
ことを特徴とする画像処理システム。

【請求項2】

前記サーバには、前記画像処理装置と同型の画像処理装置が接続されており、
前記判定部は、当該同型の画像処理装置の学習モデルを前記仮決定学習モデルに変更し、当該同型の画像処理装置を使って前記規格試験の合否を判定する
ことを特徴とする請求項１に記載の画像処理システム。

【請求項3】

前記同型の画像処理装置を使った前記規格試験の合否の判定は、
異なる条件の下で前記規格試験を実施して判定する
ことを特徴とする請求項２に記載の画像処理システム。

【請求項4】

前記異なる条件とは、印字動作モード、印刷枚数、用紙サイズ、用紙種類、および設置環境のなかの少なくとも１つ含む
ことを特徴とする請求項３に記載の画像処理システム。

【請求項5】

前記サーバの記憶部には、前記規格試験に合格した学習モデルが記憶され、
前記判定部は、前記仮決定学習モデルが前記合格した学習モデルに含まれる場合には、前記規格試験に合格と判定する
ことを特徴とする請求項１に記載の画像処理システム。

【請求項6】

前記学習モデルには、前記規格試験の合否に影響する制御パラメータに係る学習モデルと、前記規格試験に影響しない制御パラメータに係る学習モデルとが含まれ、
前記更新部は、
前記規格試験の合否に影響する制御パラメータに係る学習モデルについては、前記合否に応じて前記仮決定学習モデルを更新して前記画像処理装置で実行する学習モデルとし、
前記規格試験の合否に影響しない制御パラメータに係る学習モデルについては、前記合否結果によらず前記画像処理装置で実行する学習モデルとする
ことを特徴とする請求項１に記載の画像処理システム。

【請求項7】

前記画像処理装置の通信部は、前記仮決定学習モデルとともに前記サーバに環境情報および使用履歴情報の何れか１つまたは両方を送信し、
前記サーバの記憶部には、前記環境情報と前記使用履歴情報と関連付けて前記規格試験に合格したときの学習モデルが記憶され、
前記判定部は、前記仮決定学習モデルが、前記画像処理装置が送信した環境情報および使用履歴情報の何れか１つまたは両方に関連付けられた前記規格試験に合格したときの学習モデルに対応する場合には、前記規格試験に合格と判定する
ことを特徴とする請求項１に記載の画像処理システム。

【請求項8】

前記学習モデルは、前記学習モデルの係数によって構築される
ことを特徴とする請求項１に記載の画像処理システム。

【請求項9】

前記規格試験の規格は、法規制および安全規制の少なくとも一方に対応する規格である
ことを特徴とする請求項１に記載の画像処理システム。

【請求項10】

前記機械学習により決定する制御パラメータは、
画像形成で使用する高圧出力パラメータ、定着ヒータ出力パラメータである
ことを特徴とする請求項１に記載の画像処理システム。

【請求項11】

前記機械学習は、所定の報酬判定を伴う強化学習である
ことを特徴とする請求項１に記載の画像処理システム。

【請求項12】

画像処理装置とサーバとを備える画像処理システムの画像処理装置であって、
画像形成部と、
前記画像形成部の所定の制御パラメータの値の決定に係る機械学習を実行する機械学習実行部と、
前記機械学習後の学習モデルを仮決定学習モデルとして前記サーバに送信する通信部と、
前記サーバが、前記仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定して、前記画像処理装置に送信した当該合否に応じて前記仮決定学習モデルを更新して前記画像処理装置で実行する学習モデルとする更新部とを備える
ことを特徴とする画像処理装置。

【請求項13】

コンピュータである画像処理装置に実行させるためのプログラムであって、
画像を形成するステップと、
前記画像の形成に係る制御パラメータの値の決定に係る機械学習を実行するステップと、
前記機械学習後の学習モデルを仮決定学習モデルとしてサーバに送信するステップと、
前記サーバが、前記仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定して、前記画像処理装置に送信した当該合否に応じて前記仮決定学習モデルを更新して前記画像処理装置で実行する学習モデルとするステップと
を実行させるためのプログラム。

【請求項14】

制御パラメータを備える装置の前記制御パラメータの変更を管理する制御管理システムであって、
前記装置は、
前記制御パラメータの値の決定に係る機械学習を実行する機械学習実行部と、
前記機械学習後の学習モデルを仮決定学習モデルとしてサーバに送信する通信部と、を備え、
前記サーバは、
前記機械学習後の学習モデルである仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定する合否判定部と、を備え、
前記装置はさらに、
前記合否に応じて前記仮決定学習モデルを更新して前記装置で実行する学習モデルとする更新部と
を備える制御管理システム。

【請求項15】

制御パラメータの値の決定に係る機械学習を実行する機械学習実行部と、
前記機械学習後の学習モデルを仮決定学習モデルとしてサーバに送信する通信部と、
前記サーバが、前記仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定して、返信した当該合否に応じて前記仮決定学習モデルを更新して実行する学習モデルとする更新部と
を備える装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像処理システム、画像処理装置、プログラム、制御管理システムおよび装置に関する。

【背景技術】

【0002】

家庭やオフィスで利用される電気製品や電子機器、工場に設置される製造装置、医療機器などに対して、安全確保や環境保護などに係る規制（規格）がある。一例として、電磁妨害波の規制がある。複合機などの電子写真方式の画像処理装置に備わる現像器には、高電圧の直流成分と、高周波矩形波の交流成分とを含む電圧が掛かっている。交流成分は矩形波であるため多くの高周波成分を含み、電圧が高いため電磁妨害波が発生しやすい。このため、画像処理装置の製造者は、電磁妨害波の規制をクリアしていること（電磁妨害波の電波強度が規制の限度値以下であること）を試験して確認した後に出荷している。

【0003】

一方、画像処理装置に対しては、画像の高画質化、高耐久化、多くの紙種への対応が求められており、出荷後も電圧や周波数の調整が求められている。さらに、画像処理装置が設置された環境（温度や湿度など）に対応するための調整も求められる。なお、高耐久化とは、画像処理装置が経年変化を起こしても、電圧や周波数などの制御パラメータを調整することで、使用期間を長くすることを意味する。このような出荷後の制御パラメータの調整は、画像処理装置に限らず、製造装置や医療機器などを含めさまざまな装置や機器で求められる。

【0004】

一般には、装置や機器の製造ないしは販売業者が、保守サービスの一環として制御パラメータの調整を行っている。また、機械学習技術の進展にともない、装置や機器がその状態に応じて制御パラメータを調整する技術が現れている。例えば、特許文献１に記載の発明は、工作機械において、加工誤差量、機械稼働率の観点から工具補正間隔を、強化学習を用いて最適化している。また、特許文献２に記載の発明は、ロボットの制御装置において、動作時間、目標位置からの乖離、振動などの観点からロボットの動作パラメータを、強化学習を用いて最適化している。

【先行技術文献】

【特許文献】

【0005】

【文献】特許第５９６９６７６号公報

【文献】特開２０１８－１２６７９６号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

特許文献１，２に記載の発明では、機械の動作精度や動作時間、効率などの観点から制御パラメータの最適化が行われている。一方、装置や機器には、国や業界の規制、規格への準拠が求められる。例えば、電磁妨害波に関する情報処理装置等電波障害自主規制協議会（略称ＶＣＣＩ（Voluntary Control Council for Interference by Information Technology Equipment））が定める規制やＥＵのＥＭＣ（ElectroMagnetic Compatibility）指令、電気製品の安全性に関するＥＵの低電圧指令などを遵守する必要がある。

【0007】

制御パラメータが変更されると、規制の対象となる値（例えば、ＥＭＣ指令における装置が発する電磁妨害波の電波強度）が変化し、限度値を超える可能性がある。しかしながら、上記発明には規制に関する記載はなく、考慮されていない。

【0008】

本発明は、このような背景を鑑みてなされたものであり、機械学習で算出された制御パラメータの規格に準拠した範囲内での変更を可能とする画像処理システム、画像処理装置、プログラム、制御管理システムおよび装置を提供することを課題とする。

【課題を解決するための手段】

【0009】

（１）画像処理装置とサーバとを備える画像処理システムであって、前記画像処理装置は、画像形成部と、前記画像形成部の所定の制御パラメータの値の決定に係る機械学習を実行する機械学習実行部と、前記機械学習後の学習モデルを仮決定学習モデルとして前記サーバに送信する通信部とを備え、前記サーバは、前記仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定して前記画像処理装置に送信する判定部を備え、前記画像処理装置はさらに、前記合否に応じて前記仮決定学習モデルを更新して前記画像処理装置で実行する学習モデルとする更新部を備えることを特徴とする画像処理システム。

【0010】

（２）前記サーバには、前記画像処理装置と同型の画像処理装置が接続されており、前記判定部は、当該同型の画像処理装置の学習モデルを前記仮決定学習モデルに変更し、当該同型の画像処理装置を使って前記規格試験の合否を判定することを特徴とする（１）に記載の画像処理システム。

【0011】

（３）前記同型の画像処理装置を使った前記規格試験の合否の判定は、異なる条件の下で前記規格試験を実施して判定することを特徴とする（２）に記載の画像処理システム。

【0012】

（４）前記異なる条件とは、印字動作モード、印刷枚数、用紙サイズ、用紙種類、および設置環境のなかの少なくとも１つ含むことを特徴とする（３）に記載の画像処理システム。

【0013】

（５）前記サーバの記憶部には、前記規格試験に合格した学習モデルが記憶され、前記判定部は、前記仮決定学習モデルが前記合格した学習モデルに含まれる場合には、前記規格試験に合格と判定することを特徴とする（１）に記載の画像処理システム。

【0014】

（６）前記学習モデルには、前記規格試験の合否に影響する制御パラメータに係る学習モデルと、前記規格試験に影響しない制御パラメータに係る学習モデルとが含まれ、前記更新部は、前記規格試験の合否に影響する制御パラメータに係る学習モデルについては、前記合否に応じて前記仮決定学習モデルを更新して前記画像処理装置で実行する学習モデルとし、前記規格試験の合否に影響しない制御パラメータに係る学習モデルについては、前記合否結果によらず前記画像処理装置で実行する学習モデルとすることを特徴とする（１）に記載の画像処理システム。

【0015】

（７）前記画像処理装置の通信部は、前記仮決定学習モデルとともに前記サーバに環境情報および使用履歴情報の何れか１つまたは両方を送信し、前記サーバの記憶部には、前記環境情報と前記使用履歴情報と関連付けて前記規格試験に合格したときの学習モデルが記憶され、前記判定部は、前記仮決定学習モデルが、前記画像処理装置が送信した環境情報および使用履歴情報の何れか１つまたは両方に関連付けられた前記規格試験に合格したときの学習モデルに対応する場合には、前記規格試験に合格と判定することを特徴とする（１）に記載の画像処理システム。

【0016】

（８）前記学習モデルは、前記学習モデルの係数によって構築されることを特徴とする（１）に記載の画像処理システム。

【0017】

（９）前記規格試験の規格は、法規制および安全規制の少なくとも一方に対応する規格であることを特徴とする（１）に記載の画像処理システム。

【0018】

（１０）前記機械学習により決定する制御パラメータは画像形成で使用する高圧出力パラメータ、定着ヒータ出力パラメータであることを特徴とする（１）に記載の画像処理システム。

【0019】

（１１）前記機械学習は、所定の報酬判定を伴う強化学習であることを特徴とする（１）に記載の画像処理システム。

【0020】

（１２）画像処理装置とサーバとを備える画像処理システムの画像処理装置であって、画像形成部と、前記画像形成部の所定の制御パラメータの値の決定に係る機械学習を実行する機械学習実行部と、前記機械学習後の学習モデルを仮決定学習モデルとして前記サーバに送信する通信部と、前記サーバが、前記仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定して、前記画像処理装置に送信した当該合否に応じて前記仮決定学習モデルを更新して前記画像処理装置で実行する学習モデルとする更新部とを備えることを特徴とする画像処理装置。

【0021】

（１３）コンピュータである画像処理装置に実行させるためのプログラムであって、画像を形成するステップと、前記画像の形成に係る制御パラメータの値の決定に係る機械学習を実行するステップと、前記機械学習後の学習モデルを仮決定学習モデルとしてサーバに送信するステップと、前記サーバが、前記仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定して、前記画像処理装置に送信した当該合否に応じて前記仮決定学習モデルを更新して前記画像処理装置で実行する学習モデルとするステップとを実行させるためのプログラム。

【0022】

（１４）制御パラメータを備える装置の前記制御パラメータの変更を管理する制御管理システムであって、前記装置は、前記制御パラメータの値の決定に係る機械学習を実行する機械学習実行部と、前記機械学習後の学習モデルを仮決定学習モデルとしてサーバに送信する通信部と、を備え、前記サーバは、前記機械学習後の学習モデルである仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定する合否判定部と、を備え、前記装置はさらに、前記合否に応じて前記仮決定学習モデルを更新して前記装置で実行する学習モデルとする更新部とを備える制御管理システム。

【0023】

（１５）制御パラメータの値の決定に係る機械学習を実行する機械学習実行部と、前記機械学習後の学習モデルを仮決定学習モデルとしてサーバに送信する通信部と、前記サーバが、前記仮決定学習モデルが選択した制御パラメータにおける規格試験の合否を判定して、返信した当該合否に応じて前記仮決定学習モデルを更新して実行する学習モデルとする更新部とを備える装置。

【発明の効果】

【0024】

本発明によれば、機械学習で算出された制御パラメータの規格に準拠した範囲内での変更を可能とする画像処理システム、画像処理装置、プログラム、制御管理システムおよび装置を提供することができる。

【図面の簡単な説明】

【0025】

【図1】本実施形態に係る画像処理システムの全体構成図である。

【図2】本実施形態に係る画像処理装置の内部構成図である。

【図3】本実施形態に係る画像処理装置の機能ブロック図である。

【図4】本実施形態に係る画像処理装置の現像器に加わる電圧を例示する図である。

【図5】電磁妨害波の規格限度値の一例を説明するための図である。

【図6】本実施形態に係るサーバの機能ブロック図である。

【図7】本実施形態に係るサーバが記憶する試験用画像処理装置データベースのデータ構成図である。

【図8】本実施形態に係る画像処理システムの学習モデル更新処理のシーケンス図である。

【図9】本実施形態に係る画像処理装置（ユーザ機）の印刷処理のフローチャートである。

【図10】本実施形態に係る画像処理装置（試験対象機）のテスト印刷処理のフローチャートである。

【図11】本実施形態の変形例１に係るサーバの機能ブロック図である。

【図12】本実施形態の変形例１に係るサーバが記憶する合格学習モデルデータベースのデータ構成図である。

【図13】本実施形態の変形例１に係る画像処理システムの学習モデル変更処理のシーケンス図である。

【図14】本実施形態の変形例２に係る画像処理装置が記憶するパラメータ種別データベースのデータ構成図である。

【図15】本実施形態の変形例３に係るサーバが記憶する合格学習モデルデータベースのデータ構成図である。

【発明を実施するための形態】

【0026】

以下に、本発明を実施するための形態（実施形態）における画像処理システムについて説明する。画像処理システムは、ユーザが利用する画像処理装置（ユーザ機）、サーバ、および試験室に設置される画像処理装置（試験対象機）を含む。ユーザ機は、機械学習技術を用いて、制御パラメータを更新する。詳しくは、ユーザ機は、テストチャートを印刷し、印刷結果を読み取って、現在の制御パラメータにおける画像を評価し、機械学習モデルを更新して、更新された機械学習モデルをサーバに送信する。サーバは、試験対象機に機械学習モデルを設定して、機械学習モデルが決定する制御パラメータが電磁妨害波の規制を満たすか否かを試験して、合否をユーザ機に通知する。ユーザ機は、合格なら機械学習モデルを正の報酬で更新し、更新された機械学習モデルが決定した制御パラメータを設定する。ユーザ機は、不合格なら機械学習モデルを負の報酬で更新する。

【0027】

機械学習技術の一つとして、強化学習がある。制御パラメータの設定値を状態とし、設定値の変更を行動として、テストチャートの印刷結果、および電磁妨害波の試験結果に基づいて報酬を定めることで、強化学習による画像品質を向上するための制御パラメータの変更（最適化）が可能となる。強化学習以外の機械学習技術を用いてもよい。
試験対象機で制御パラメータの電磁妨害波の規制を満たすか否かの試験（規格試験）を実行することで、ユーザ機においても規制を満たすことが保証できるようなり、規制を満たす範囲内でのユーザ機ごとの画像品質向上が可能となる。画像処理装置（ユーザ機）の部品のばらつきやユーザ機が設置されている環境、経年変化まで考慮した制御パラメータの最適化が可能となる。
なお、以下の実施形態では、規制（規格）として電磁妨害波を例（安全規制の例）にして説明するが、他の法律や条約、各種団体による規制や規格、基準など（法規制とも記す）であってもよい。

【0028】

≪画像処理システムの全体構成≫
図１は、本実施形態に係る画像処理システム１００の全体構成図である。画像処理システム１００は、画像処理装置２００（ユーザ機）、サーバ３００、および画像処理装置６００（試験対象機）を含んで構成される。画像処理装置２００は、ユーザが利用する画像処理装置であって、ネットワーク８００を介してサーバ３００と通信可能である。

【0029】

画像処理装置６００（試験対象機）は、試験室５００（電波暗室）に設置され、規格試験器５５０により画像処理装置６００が発する電磁妨害波の強度が測定される。規格試験器５５０の測定結果は、サーバ３００に送信される。なお、試験室５００は、空調設備を備えており、室内の温度や湿度が調整可能であって、画像処理装置６００の設置環境を変えながら規格試験を行うことが可能である。

【0030】

図１では、１つの試験室５００に１つの画像処理装置６００と１つの規格試験器５５０が設置されているが、これに限らず、複数の画像処理装置６００や複数の規格試験器５５０が設置されてもよい。また、１つのサーバ３００に複数の試験室５００が接続されているが、１つの試験室５００であってもよい。

【0031】

≪画像処理装置（ユーザ機）の構成≫
図２は、本実施形態に係る画像処理装置２００の内部構成図である。画像処理装置２００は、給紙トレイ２８１，２８２，２８３、搬送路２７０、画像形成部２６０、スキャナ２９１、および排紙トレイ２９２を含んで構成される。給紙トレイ２８１，２８２，２８３には、用紙（記録媒体）がセットされる。用紙は、搬送路２７０上を搬送され、画像形成部２６０で印刷（画像が形成）されて、排紙トレイ２９２に排出される。画像形成部２６０と排紙トレイ２９２との間の搬送路２７０上にスキャナ２９１が備えられ、印刷された用紙上の画像を読み取る。

【0032】

画像形成部２６０は、レーザ２６４、感光体２６１、現像器２６３、帯電極２６５、一次転写ローラ２６２、一次転写ベルト２６８、二次転写ローラ２６７、および定着器２６６を含んで構成される。レーザ２６４、感光体２６１、現像器２６３、帯電極２６５、および一次転写ローラ２６２は、ＹＭＣＫ４色に対応して、それぞれ４つずつ備わる。

【0033】

画像形成部２６０は、電子写真方式により搬送路２７０を搬送される用紙に画像を形成する。詳しくは、感光体２６１が帯電極２６５で帯電され、レーザ２６４で感光体２６１上に潜像が形成されて、現像器２６３によりトナーが感光体２６１にのる。感光体２６１上のトナーは、一次転写ローラ２６２により一次転写ベルト２６８に転写されて、一次転写ベルト２６８上で４色のトナーが重なり、トナー像が形成される。一次転写ベルト２６８上のトナー像は、二次転写ローラ２６７により搬送路２７０上の用紙に転写される。

【0034】

図３は、本実施形態に係る画像処理装置２００の機能ブロック図である。画像処理装置２００は、全体制御ＣＰＵ（Central Processing Unit）２１１、記憶部２１２、プリンタ制御部２２０、ネットワークインタフェース２１９（図３では「ネットＩ／Ｆ」と記載、通信部とも記す）、レーザ２６４、およびスキャナ２９１を備える。

【0035】

全体制御ＣＰＵ２１１は、記憶部２１２が記憶するプログラム２１４を実行することで、画像処理装置２００全体を制御する制御部として機能する。また、全体制御ＣＰＵ２１１は、レーザ２６４のＯＮ／ＯＦＦを制御して、感光体２６１上に潜像を形成する。他の制御として、画質に係る制御パラメータの変更（調整）がある。画像処理装置２００を含む画像処理システム１００の制御パラメータ変更処理については、後記する図８を用いて説明する。

【0036】

記憶部２１２は、プログラム２１４の他に、後記する学習モデル２１３（機械学習モデル）を記憶する。ネットワークインタフェース２１９（通信部）は、画像処理システム１００の構成要素であるサーバ３００との間で通信データを送受信する。また、ネットワークインタフェース２１９は、パソコンなどの他の装置との通信データを送受信し、印刷ジョブのデータを受信する。スキャナ２９１は、搬送路２７０上の用紙に形成された画像を読み取り、全体制御ＣＰＵ２１１に出力する。

【0037】

プリンタ制御部２２０は、プリンタ制御ＣＰＵ２２１、ＲＯＭ（Read Only Memory）２２２、ＲＡＭ（Random Access Memory）２２４、Ｉ／Ｏ部２２５、Ｄ／Ａ部２２６を備えて構成される。プリンタ制御ＣＰＵ２２１は、ＲＯＭ２２２に記憶されるファームウェア２２３に従って動作して画像形成部２６０（図２参照）を制御し、制御に必要な一時的なデータはＲＡＭ２２４に記憶する。プリンタ制御ＣＰＵ２２１は、Ｉ／Ｏ部２２５を介して搬送路２７０に備わる搬送ローラ２７１と定着器２６６とを制御する。また、プリンタ制御ＣＰＵ２２１は、Ｄ／Ａ部２２６を介して、レーザ２６４、帯電極２６５、現像器２６３、一次転写ベルト２６８、および二次転写ローラ２６７を制御する。

【0038】

≪現像電圧と画像との関係≫
図４は、本実施形態に係る画像処理装置２００の現像器２６３に加わる電圧を例示する図である。現像器２６３のトナーに電圧を印加することで、感光体２６１上の潜像にトナーが移動する。印加する電圧には、直流成分と交流成分とがある。

【0039】

図４における直流成分の電圧（現像電圧）Ｖ１は８００Ｖである。交流成分は矩形波であり、振幅Ｖ２は２００Ｖ、周波数ｆは３ＫＨｚである。時刻ｔ１以前、および時刻ｔ２以後は、アイドリング状態であり、電圧は印加されない。時刻ｔ１と時刻ｔ２との間は、印刷状態であり、図示する電圧が現像器２６３に印加される。
直流成分の電圧Ｖ１を調整することによって、画像の最高濃度が変化する。また、交流成分の振幅Ｖ２を調整することで中間濃度が変化し、周波数ｆを調整することで画像ノイズ、ムラが変化する。これらの電圧や周波数を調整することで、画質を調整、向上させることができる。しかしながら、矩形波は高周波成分を含み電圧が高いので、電磁妨害波が発生しやすく、ＶＣＣＩなどの規制の範囲内で、調整する必要がある。

【0040】

図５は、電磁妨害波の規格限度値の一例を説明するための図である。図５のなかで、ＰＫ（peak）、ＱＰ（quasi-peak）、ＡＶ（average）は、それぞれ電磁妨害波の尖頭値、準尖頭値、平均値を示し、単位はｄＢμＶ／ｍである。図５において一番下の行は、３ＧＨｚ～６ＧＨｚの電磁妨害波の測定距離３ｍでの限度値は、平均値で５４ｄＢμＶ／ｍであり、尖頭値で７４ｄＢμＶ／ｍであることを示している。

【0041】

≪画像処理装置（試験対象機）の構成≫
画像処理装置６００（試験対象機）の基本的な構成は、画像処理装置２００（ユーザ機）と同様である（図２および図３参照）。画像処理装置２００が、ユーザが指示した印刷ジョブを処理する（ユーザが送信した印刷データを印刷する）のに対して、画像処理装置６００は、サーバ３００が送信した学習モデルを自身の学習モデル２１３として設定し、テストチャートの印刷を行う。詳しくは、画像処理装置６００は、自身の学習モデル２１３が決定した制御パラメータを設定して、環境や印刷条件を変えながらテストチャートを印刷する（後記する図１０参照）。規格試験器５５０は、印刷時の画像処理装置６００が発する電磁妨害波を測定して、測定結果をサーバ３００に送信する。

【0042】

≪サーバの構成≫
図６は、本実施形態に係るサーバ３００の機能ブロック図である。サーバ３００は、コンピュータであって、制御部３１０、記憶部３２０、および通信部３４０を備える。サーバ３００は、画像処理装置２００（ユーザ機）から学習モデル２１３を受信し、画像処理装置６００（試験対象機）を利用して学習モデル２１３が規制（規格）に準拠するか否かを試験する。詳しくは、サーバ３００の制御部３１０（判定部）は、画像処理装置６００に学習モデル２１３を設定してテスト印刷の実行を指示する。制御部３１０は、規格試験器５５０から電磁妨害波の強度の測定結果を受信して、規格試験の合否を判定して、判定結果を画像処理装置２００に通知する。サーバ３００を含む画像処理システム１００の制御パラメータ変更処理については、後記する図８を用いて説明する。
通信部３４０は、画像処理装置２００，６００や規格試験器５５０との通信データを送受信する。記憶部３２０は、試験用画像処理装置データベース３３０（後記する図７参照）を記憶する。

【0043】

図７は、本実施形態に係るサーバ３００が記憶する試験用画像処理装置データベース３３０のデータ構成図である。試験用画像処理装置データベース３３０は、表形式のデータであり、１つの行（レコード）は、１つの画像処理装置６００（試験対象機）を示す。試験用画像処理装置データベース３３０のレコードは、識別情報３３１、機種３３２、アドレス３３３、試験室３３４、および試験器３３５の列（属性）を含んで構成される。
識別情報３３１、機種３３２、およびアドレス３３３は、画像処理装置６００の識別情報、機種、ネットワークアドレスである。試験室３３４は、画像処理装置６００が設置されている試験室５００（図１参照）の識別情報である。試験器３３５は、画像処理装置６００が発する電磁妨害波の強度を測定する規格試験器５５０（図１参照）の識別情報である。

【0044】

機種３３２に含まれる機種（機種名）は、１つとは限らず、電磁妨害波の試験について同等と見なせるならば、複数の機種を含んでも構わない。また、試験器３３５に含まれる規格試験器５５０の識別情報は、１つとは限らず、複数の規格試験器５５０で電磁妨害波を測定する場合には、複数の識別情報が含まれる。
レコード３３９は、識別情報３３１が「Ｔ１２３４」である画像処理装置６００の情報であって、機種は「Ｃ１２３４」であり、ネットワークアドレスは「１１１．２２．３．４」である。また、この画像処理装置６００は、「Ｒ３４」の試験室５００に設置され、識別情報が「Ａ１２３４」である規格試験器５５０により電磁妨害波が測定される。

【0045】

≪学習モデル更新処理≫
学習モデル２１３（図３参照）の更新処理を説明する前に、画像処理装置２００（ユーザ機）の全体制御ＣＰＵ２１１（制御部）が実行する制御パラメータの強化学習について説明する。本実施形態における強化学習の対象である制御パラメータは、直流成分の電圧Ｖ１、交流成分の振幅Ｖ２および周波数ｆ（図４参照）を設定する制御パラメータであって、それぞれ別の強化学習によって最適になるように調整される。

【0046】

最適な状態とは、テストチャートの印刷結果が最良であるということである。詳しくは、テストチャートを印刷して、印刷結果の画像をスキャナ２９１が読み取り、読み取った画像における最高濃度の誤差、中間調濃度の誤差、および画像ノイズがないことが最適な状態である。画像処理装置２００は、強化学習を実行して、最適となる電圧Ｖ１、振幅Ｖ２、周波数ｆの設定値（制御パラメータ値）を求める。

【0047】

電圧Ｖ１の強化学習（強化学習Ａとも記す）における状態は電圧Ｖ１の設定値（制御パラメータ値）であり、行動は設定値の変更であって、報酬は変更前後における最高濃度の誤差の減少量（改善量）である。振幅Ｖ２の強化学習（強化学習Ｂとも記す）における状態は振幅Ｖ２の設定値であり、行動は設定値の変更であって、報酬は変更前後における中間調濃度の誤差の減少量である。周波数ｆの強化学習（強化学習Ｃとも記す）における状態は周波数ｆの設定値であり、行動は設定値の変更であって、報酬は変更前後における画像ノイズの減少量である。

【0048】

画像処理装置２００（全体制御ＣＰＵ２１１、機械学習実行部）は、最高濃度の誤差改善の強化学習Ａ（電圧Ｖ１に対応）、中間調濃度の誤差改善の強化学習Ｂ（振幅Ｖ２に対応）、画像ノイズ改善の強化学習Ｃ（周波数ｆに対応）の３つの強化学習を同時並行して実行する。詳しくは、画像処理装置２００（全体制御ＣＰＵ２１１）は、現在設定されている電圧Ｖ１（現像バイアスの直流成分）近傍の複数の電圧による複数のテストパッチ、振幅Ｖ２（現像バイアスの交流成分）近傍の複数の振幅による複数のテストパッチ、および周波数ｆ近傍の複数の周波数による複数のテストパッチを含むテストチャートを印刷して（後記する図９のステップＳ３５参照）、印刷結果をスキャナ２９１で読み取る（ステップＳ３６参照）。

【0049】

続いて、画像処理装置２００は、読み取った画像においける最高濃度の誤差の減少量、中間調濃度の誤差の減少量、画像ノイズの減少量から、報酬を算出し、上記強化学習Ａ，Ｂ，Ｃの学習モデル２１３を更新する（ステップＳ３７参照）。なお、減少量が大きいほど報酬は大きい。強化学習として、例えばＱ学習を採用し、画像処理装置２００は、報酬に基づいて状態（設定値）における行動（設定値の変更）の価値（行動価値）を更新するようにしてもよい。この報酬に基づき、画質向上のための学習モデル２１３が更新される。学習モデル２１３は、この行動価値を示すデータである。

【0050】

次に、画像処理装置２００は、更新された学習モデル２１３を、より画質を向上させるための制御パラメータの変更値（ステップＳ４４参照）を選択する学習モデル２１３（仮決定学習モデルとも記す）と仮決定する（ステップＳ３８参照）。画像処理装置２００は、仮決定した学習モデル２１３をサーバ３００に送信して（ステップＳ３９参照）電磁妨害波の試験を依頼する。
続いて、画像処理装置２００（全体制御ＣＰＵ２１１、更新部）は、サーバ３００から受信した電磁妨害波の試験の合否結果に応じた報酬で、学習モデル２１３を更新する（ステップＳ４２，Ｓ４３参照）。次に、画像処理装置２００は、更新された学習モデル２１３によって選択された制御パラメータの変更値に変更する（ステップＳ４４参照）。この変更値は、次回のテストチャートの印刷（ステップＳ３５参照）で評価される。

【0051】

≪学習モデル更新処理：画像処理システム全体の動作≫
図８は、本実施形態に係る画像処理システム１００の学習モデル更新処理のシーケンス図である。図８を参照しながら、画像処理システム１００が実行する学習モデル２１３の更新処理を説明する。なお、画像処理装置２００（ユーザ機）が実行する強化学習については、後記する図９を参照して説明する。

【0052】

ステップＳ１１において画像処理装置２００（制御部または機械学習実行部として機能する全体制御ＣＰＵ２１１）は、強化学習を実行する。このとき、画像処理装置２００は、学習モデル２１３を更新する。
ステップＳ１２において画像処理装置２００は、ステップＳ１１で更新された学習モデル２１３を、より画質を向上させるための制御パラメータの変更値を選択する（ステップＳ２３参照）学習モデルと仮決定する。なお、ステップＳ１１～Ｓ１２の処理の詳細は、後記する図９を参照して説明する。

【0053】

ステップＳ１３において画像処理装置２００は、自身の機種と学習モデル２１３をサーバ３００に送信する。
ステップＳ１４においてサーバ３００（制御部３１０（判定部））は、学習モデルを画像処理装置６００（試験対象機）に送信して、画像処理装置６００自身の学習モデルに設定するように指示する。詳しくは、サーバ３００は、試験用画像処理装置データベース３３０（図７参照）のなかで機種３３２にステップＳ１３で受信した機種を含むレコードを検索して、画像処理装置２００（ユーザ機）と同一機種の画像処理装置６００（試験対象機）を特定する。次に、サーバ３００は、特定した画像処理装置６００に学習モデルを送信して、画像処理装置６００の学習モデルをステップＳ１３で受信した学習モデルに変更するように指示する。

【0054】

ステップＳ１５においてサーバ３００（制御部３１０（判定部））は、画像処理装置６００と規格試験器５５０とに試験を指示する。なお、規格試験器５５０は、ステップＳ１４で特定された画像処理装置６００に対応する試験器３３５（図７参照）に示される規格試験器５５０（図１参照）である。
ステップＳ１６において画像処理装置６００（試験対象機）は、テスト印刷処理を実行する。テスト印刷処理の詳細は、後記する図１０を参照して説明する。
ステップＳ１７において規格試験器５５０は、上記テスト印刷処理時の電磁妨害波を測定する。
ステップＳ１８において規格試験器５５０は、電磁妨害波の測定結果をサーバ３００に送信する。
ステップＳ１９においてサーバ３００は、測定結果と規制の規格限度値（図５参照）とを比較して合否を判定し、画像処理装置２００に送信する。

【0055】

ステップＳ２０において画像処理装置２００は、試験に合格ならば（ステップＳ２０→ＹＥＳ）ステップＳ２１に進み、不合格ならば（ステップＳ２０→ＮＯ）ステップＳ２２に進む。
ステップＳ２１において画像処理装置２００は、画質が向上する制御パラメータの選択に対して正の報酬を与えてステップＳ１２で仮決定された学習モデル２１３を更新する。
ステップＳ２２において画像処理装置２００は、画質が向上する制御パラメータの選択に対して負の報酬を与えてステップＳ１２で仮決定された学習モデル２１３を更新する。
ステップＳ２３において画像処理装置２００は、ステップＳ２１，Ｓ２２で更新された学習モデル２１３を用いて、画質が向上する制御パラメータの変更値を選択して設定する。

【0056】

≪学習モデル更新処理：画像処理装置の動作≫
図９は、本実施形態に係る画像処理装置２００（ユーザ機）の印刷処理のフローチャートである。図９を参照しながら、図８のステップＳ１１～Ｓ１３，Ｓ１９～Ｓ２３に対応する画像処理装置２００（図３に記載の全体制御ＣＰＵ２１１（機械学習実行部、更新部））が実行する印刷処理を説明する。
ステップＳ３１において画像処理装置２００は、印刷指示があれば（ステップＳ３１→ＹＥＳ）ステップＳ３２に進み、印刷指示がなければ（ステップＳ３１→ＮＯ）ステップＳ３１に戻る。

【0057】

ステップＳ３２において画像処理装置２００は、現在の制御パラメータの設定値に基づく設定電圧（現像電圧）を現像器２６３に加える。
ステップＳ３３において画像処理装置２００は、前回のテストチャート印刷から所定枚数印刷していれば（ステップＳ３３→ＹＥＳ）ステップＳ３５に進み、印刷していなければ（ステップＳ３３→ＮＯ）ステップＳ３４に進む。
ステップＳ３４において画像処理装置２００は、１枚印刷してステップＳ３１に戻る。

【0058】

ステップＳ３５において画像処理装置２００は、テストチャートを印刷する。
ステップＳ３６において画像処理装置２００は、スキャナ２９１が読み取ったテストチャート印刷の印刷結果を取得し、最高濃度の誤差、中間調濃度の誤差、および画像ノイズ量を算出する。
ステップＳ３７において画像処理装置２００は、学習モデル２３１を更新する。詳しくは、画像処理装置２００は、ステップＳ３６で算出した値から、前回の制御パラメータの変更（ステップＳ４４、図８のステップＳ２３参照）における誤差やノイズ量の減少量（改善量）を報酬として算出し、行動価値（図３の学習モデル２１３）を更新する。

【0059】

ステップＳ３８において画像処理装置２００は、ステップＳ３７で更新された学習モデル２３１をより画質を向上させるための制御パラメータの変更値（ステップＳ４４参照）を選択する学習モデルと仮決定する。
ステップＳ３９において画像処理装置２００は、仮決定した学習モデル２３１と自身の機種をサーバ３００に送信する。
ステップＳ４０以降は、図８のステップＳ１９以降と同様である。

【0060】

図１０は、本実施形態に係る画像処理装置６００（試験対象機）のテスト印刷処理（図８のステップＳ１６参照）のフローチャートである。図１０を参照して、テスト印刷処理の詳細を説明する。
ステップＳ５１において画像処理装置６００は、制御パラメータを設定する。詳しくは、画像処理装置６００は、ステップＳ１４（図８参照）で設定された学習モデルを用いて画質が向上する制御パラメータを選択して設定する（強化学習における行動）。

【0061】

ステップＳ５２において画像処理装置６００は、環境ごとにステップＳ５３～Ｓ５５を繰り返す処理を開始する。環境とは、画像処理装置６００の設置環境であり、温度（高温、普通、低温）および湿度（高湿度、普通、低湿度）の９つの組み合わせである。画像処理装置６００は、試験室５００（図１参照）の空調設備に指示して、試験室５００の温度および湿度が組み合わせの温度および湿度になってからステップＳ５３～Ｓ５５の処理を繰り返し実行する。
ステップＳ５３において画像処理装置６００は、印刷条件ごとにステップＳ５４を繰り返す処理を開始する。印刷条件とは、印字動作モード、印刷枚数、用紙サイズ、用紙種類の組み合わせであり、組み合わせごとにステップＳ５４の処理を繰り返し実行する。

【0062】

ステップＳ５４において画像処理装置６００は、テストチャートを印刷する。
ステップＳ５５において画像処理装置６００は、全ての印刷条件ごとにステップＳ５４を実行したならばステップＳ５５に進み、未実行の印刷条件があれば、当該印刷条件でステップＳ５４を実行する。
ステップＳ５６において画像処理装置６００は、全ての環境ごとにステップＳ５３～Ｓ５５を実行したならばテスト印刷処理を終了し、未実行の環境があれば、試験室５００の環境が当該環境になってからステップＳ５３～Ｓ５５を実行する。

【0063】

≪学習モデル更新処理の特徴≫
学習モデル更新処理において、画像処理装置２００は、テストチャートの印刷結果を評価して学習モデル２１３を更新して仮決定（図９のステップＳ３５～Ｓ３８参照）する。サーバ３００は、仮決定された学習モデルが選択した制御パラメータを用いたテスト印刷処理（図８のステップＳ１６、および図１０参照）における電磁妨害波を測定することで学習モデルの規格試験の合否を判定する（ステップＳ１７～Ｓ１９参照）。画像処理装置２００は、合否に応じた報酬で仮決定された学習モデル２１３を更新して（ステップＳ２１，Ｓ２２参照）、この更新された学習モデル２１３を用いて、画質が向上する制御パラメータを選択して設定する（ステップＳ２３参照）。
更新された学習モデル２１３が選択した画質が向上する制御パラメータは、画像処理装置６００において規格試験に合格済みである。このため、画像処理装置２００は、規格（規制）を守ったうえで、画像の品質向上（最高濃度の誤差や中間調濃度の誤差、画像ノイズの削減）を行うことができる。

【0064】

なお、上記した実施形態では、直流成分の電圧Ｖ１、交流成分の振幅Ｖ２、および周波数ｆに係る制御パラメータ（高圧出力パラメータ）の変更処理を説明した。画像処理装置２００の制御パラメータには、この３つに限らず、搬送路２７０に備わる搬送モータの速度や加減速タイミングなどの制御パラメータ、定着器２６６のヒータに係る制御パラメータ（定着ヒータ出力パラメータ）も存在しており、強化学習による最適化の対象としてもよい。報酬については、画質に限らず、例えば、処理時間の短さ、騒音の低さ、消費電力の低さ、消費トナー量の少なさなどから算出されてもよい。

【0065】

≪変形例１：サーバが合格学習モデルを保持≫
上記した実施形態において、サーバ３００は、画像処理装置２００（ユーザ機）から送信された学習モデルを画像処理装置６００（試験対象機）に設定し試験して合否を通知している（図８のステップＳ１４～Ｓ１９参照）。これに対して、サーバ３００は、合格した学習モデルを記憶しておき、合格実績のある学習モデルに対しては、試験なしに合格を通知してもよい。詳しくは、サーバ３００は、画像処理装置２００から送信された学習モデルが、試験に合格実績のある学習モデルと同等である（例えば、学習モデルのパラメータ（係数）が一致する）場合には、試験なしに合格を通知する。

【0066】

図１１は、本実施形態の変形例１に係るサーバ３００Ａの機能ブロック図である。サーバ３００（図６参照）と比較して、サーバ３００Ａは、合格学習モデルデータベース４１０（後記する図１２参照）をさらに記憶する。

【0067】

図１２は、本実施形態の変形例１に係るサーバ３００Ａが記憶する合格学習モデルデータベース４１０のデータ構成図である。合格学習モデルデータベース４１０は、表形式のデータであり、機種別に規格試験に合格した学習モデルを記憶する。合格学習モデルデータベース４１０の列（属性）は、機種４１１、および学習モデル４１２を含む。機種４１１は画像処理装置２００の機種であって、学習モデル４１２は合格した学習モデルを示す。

【0068】

図１３は、本実施形態の変形例１に係る画像処理システムの学習モデル変更処理のシーケンス図である。
ステップＳ６１～Ｓ６３は、ステップＳ１１～Ｓ１３（図８参照）と同様である。
ステップＳ６４においてサーバ３００Ａ（制御部３１０（判定部））は、受信した学習モデルが合格済みであるか否かを判断する。詳しくは、サーバ３００Ａは、合格学習モデルデータベース４１０（図１２参照）のレコードであって、ステップＳ６３で受信した機種が機種４１１に一致するレコードの学習モデル４１２が、受信した学習モデルを含むか否かを判断する。サーバ３００Ａは、含んでいれば（ステップＳ６４→ＹＥＳ）ステップＳ６５に進み、含まなければ（ステップＳ６４→ＮＯ）ステップＳ６６に進む。

【0069】

ステップＳ６５においてサーバ３００Ａは、合格を通知する。合格を受信した画像処理装置２００は、ステップＳ７４に進む。
ステップＳ６６～Ｓ７０は、ステップＳ１４～Ｓ１８（図８参照）と同様である。
ステップＳ７１においてサーバ３００Ａは、測定結果と規制の規格限度値（図５参照）とを比較して、合否を判断し、合格ならば（ステップＳ７１→ＹＥＳ）ステップＳ７２に進み、不合格ならば（ステップＳ７１→ＮＯ）ステップＳ７３に進む。

【0070】

ステップＳ７２においてサーバ３００Ａは、合格した学習モデルを合格学習モデルデータベース４１０に追加する。詳しくは、サーバ３００Ａは、合格学習モデルデータベース４１０のステップＳ６３で受信した機種が機種４１１に一致するにレコードを特定する。次に、サーバ３００Ａは、特定したレコードの学習モデル４１２に学習モデルを追加する。
ステップＳ７３以降は、図８のステップＳ１９以降と同様である。

【0071】

サーバ３００Ａが、合格学習モデルデータベース４１０を備えることで、サーバ３００Ａの応答が速くなる。詳しくは、画像処理装置２００が送信した学習モデルが、過去に合格した学習モデルであれば、サーバ３００Ａは、試験することなく合格を通知する（ステップＳ６５参照）。このため、画像処理装置２００の印刷処理（図９参照）において、ステップＳ３９～Ｓ４０における、学習モデルを送信してから合否を受信するまでの待ち時間が短縮される。また、合格実績がある無駄な試験を削減することができ、試験に必要な電力が削減される。また、同じ機種の複数の画像処理装置２００（ユーザ機）から連続して学習モデルを受信した場合でも、サーバ３００Ａは、合格実績のある学習モデルの試験を省略できるために合格実績のない試験を早く開始することができ、画像処理システム１００全体の性能が向上する。

【0072】

≪変形例２：画像処理装置のパラメータ種別データベース≫
本実施形態の変形例１では、サーバ３００Ａが合格学習モデルデータベース４１０を記憶しており、記憶している学習モデルに関する試験を行うことなく合格を通知している。これに対して、画像処理装置２００（ユーザ機）が試験不要な制御パラメータを記憶して、当該制御パラメータに係る学習モデルの規格試験（図１３のステップＳ６３～Ｓ７３参照）を削減するようにしてもよい。

【0073】

図１４は、本実施形態の変形例２に係る画像処理装置２００が記憶するパラメータ種別データベース４２０のデータ構成図である。パラメータ種別データベース４２０は、制御パラメータ値の変更が、電磁妨害波の強度に影響がある制御パラメータと影響がない制御パラメータとを記憶する。図１４では、電磁妨害波の強度に影響があるパラメータとして交流成分の周波数ｆである「ＡＣ周波数」や直流成分の電圧Ｖ１である「ＤＣ電圧」が記憶されている。また、電磁妨害波の強度に影響がないパラメータとして定着器２６６（図２参照）に備わる定着ローラモータの回転数が記憶されている。

【0074】

画像処理装置２００は、学習モデルを仮決定したとき（図８のステップＳ１２参照）に、当該学習モデルが電磁妨害波の強度に影響があるパラメータに係る強化学習の学習モデルならば、サーバ３００に規格試験を依頼し（ステップＳ１３参照）、影響がないパラメータに係る強化学習の学習モデルならばサーバに依頼しない。このように、電磁妨害波の強度に影響がない場合には、規格試験を実施しないことで、画像処理装置２００の学習モデルの更新処理が高速化できる。また、サーバ３００の負荷を減らすことができる。

【0075】

≪変形例３：サーバが設置環境や使用履歴と関連付けた合格学習モデルを保持≫
合格学習モデルデータベース４１０（図１２参照）は、規格試験に合格した学習モデルを記憶している。サーバ３００Ａは、画像処理装置２００の設置環境や使用履歴と関連付けて合格した学習モデルを記憶するようにしてもよい。

【0076】

図１５は、本実施形態の変形例３に係るサーバ３００Ａが記憶する合格学習モデルデータベース４１０Ａのデータ構成図である。合格学習モデルデータベース４１０Ａは、合格学習モデルデータベース４１０（図１２参照）に環境４１３、および使用履歴４１４の属性が追加された表形式のデータである。環境４１３は、画像処理装置２００の設置環境を示し、例えば、「高温，高湿度」や「普通，普通」などがある。使用履歴４１４は、累計の印刷枚数を示す。

【0077】

画像処理装置２００は、規格試験依頼（図１３のステップＳ６３参照）の際に、機種に加えて自身の設置環境（環境情報）や使用履歴（使用履歴情報）を含めて学習モデルを送信する。サーバ３００Ａは、機種４１１、環境４１３、および使用履歴４１４が受信した機種、設置環境、および使用履歴に対応する学習モデル４１２に、受信した学習モデルが含まれるならば合格を通知し、含まれないならば試験を実行する。規格試験を行う場合には、試験室５００（図１参照）の環境を画像処理装置２００が送信した設置環境に合致するようにして規格試験を行う。

【0078】

なお、画像処理装置２００は、設置環境および使用履歴の一方のみを送信してもよい。また、合格学習モデルデータベース４１０Ａは、合格学習モデルデータベース４１０（図１２参照）に環境４１３および使用履歴４１４の一方のみの属性が追加されたデータであってもよい。

【0079】

≪変形例４：複数の制御パラメータについての強化学習≫
上記した実施形態において、強化学習の対象は、直流成分の電圧Ｖ１、交流成分の振幅Ｖ２および周波数ｆ（図４参照）であり、それぞれの制御パラメータごとに強化学習を実行している。これは、直流成分の電圧Ｖ１、交流成分の振幅Ｖ２および周波数ｆは独立しており、１つの制御パラメータの変更が他に影響を及ぼさないからである。例えば、電圧Ｖ１を変更しても、中間調濃度への影響がない。

【0080】

他の制御パラメータにおいて、複数の制御パラメータ間で相互影響がある場合には、これらの制御パラメータをセットとして強化学習を実行してもよい。この場合には、状態は制御パラメータ値のセットであり、行動は複数の制御パラメータ値の変更となる。

【0081】

≪変形例５：規格試験時の環境≫
規格試験を実施するとき、画像処理装置６００は、環境および印刷条件を変えながらテスト印刷を行っている（図１０のステップＳ５２参照）。詳しくは、画像処理装置６００は、全ての環境（温度および湿度の組み合わせ）それぞれにおいて、全ての印刷条件でテストチャートを印刷している。
これに替えて、全ての印刷条件でテストチャートを印刷するのは、通常の温度と通常の湿度とを組み合わせた環境のみに限定し、他の環境の組み合わせにおいては、代表的な印刷条件のみでテストチャートを印刷して、規格試験を実施するようにしてもよい。このようにすることで、規格試験の時間を短縮することができる。

【0082】

≪その他の変形例≫
上記した実施形態では、画像処理装置２００は、所定枚数出力するごとにテストチャートを印刷して、強化学習を実行している（図９のステップＳ３３→ＹＥＳ，Ｓ３５～Ｓ３７参照）。画像処理装置２００は、別のタイミングで強化学習を実行してもよい。例えば、画像処理装置２００は、実行する印刷ジョブがないアイドリング時間中に制御パラメータ変更処理を実行してもよい。

【0083】

上記した実施形態は、画像処理装置２００を含む画像処理システム１００の実施例である。画像処理装置２００に限らず、制御パラメータを有する製造装置や医療機器、家電製品などの装置であっても、同様に規制の範囲内で装置の制御パラメータの最適化が可能である。詳しくは、装置とサーバとを含んで構成される制御管理システムにおいて、装置の制御パラメータの変更値を選択する強化学習の学習モデルをサーバに送信する。サーバは、装置と同型の装置に学習モデルを設定し、学習モデルを用いて決定された制御パラメータを設定して規格試験を実行して、合否を装置に通知する。装置は、合否に応じた報酬で学習モデルを更新して、更新された学習モデルを用いて制御パラメータを選択して設定を変更する。

【0084】

以上、本発明の実施形態やその変形例について説明したが、これらの実施形態は、例示に過ぎず、本発明の技術的範囲を限定するものではない。本発明はその他のさまざまな実施形態を取ることが可能であり、さらに、本発明の要旨を逸脱しない範囲で、省略や置換等種々の変更を行うことができる。これら実施形態やその変形は、本明細書等に記載された発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【符号の説明】

【0085】

１００ 画像処理システム（制御管理システム）
２００ 画像処理装置（ユーザ機、装置）
２１１ 全体制御ＣＰＵ（制御部、機械学習実行部、更新部、機械学習処実行段、更新手段）
２１２ 記憶部
２１３ 学習モデル
２１４ プログラム
２１９ ネットワークインタフェース（通信部、通信手段）
２２３ ファームウェア
２６０ 画像形成部
３００，３００Ａ サーバ
３１０ 制御部（判定部、合否判定手段）
３２０ 記憶部
３３０ 試験用画像処理装置データベース
３４０ 通信部
４１０，４１０Ａ 合格学習モデルデータベース
４２０ パラメータ種別データベース
５５０ 規格試験器
６００ 画像処理装置（試験対象機）

【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】