ホーム > 特許ランキング > セイコーエプソン株式会社
知財求人 - 知財ポータルサイト「IP Force」
特許7589540機械学習モデルを用いて印刷媒体の判別処理を実行する方法、及び、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】2024-11-18
(45)【発行日】2024-11-26
(54)【発明の名称】機械学習モデルを用いて印刷媒体の判別処理を実行する方法、及び、システム
(51)【国際特許分類】
B65H 7/02 20060101AFI20241119BHJP
G06F 3/12 20060101ALI20241119BHJP
B41J 29/38 20060101ALI20241119BHJP
G06N 20/00 20190101ALI20241119BHJP
G06N 3/08 20230101ALI20241119BHJP
G01N 21/27 20060101ALI20241119BHJP
【ＦＩ】
B65H7/02
G06F3/12 305
G06F3/12 329
G06F3/12 353
B41J29/38 202
G06N20/00 130
G06N3/08
G01N21/27 B
【請求項の数】
12
(21)【出願番号】P 2020213538
(22)【出願日】2020-12-23
(65)【公開番号】P2022099647
(43)【公開日】2022-07-05
【審査請求日】2023-11-28
(73)【特許権者】
【識別番号】000002369
【氏名又は名称】セイコーエプソン株式会社
(74)【代理人】
【識別番号】110000028
【氏名又は名称】弁理士法人明成国際特許事務所
(72)【発明者】
【氏名】鎌田 崇廣
(72)【発明者】
【氏名】渡邊 亮基
(72)【発明者】
【氏名】松坂 健治
(72)【発明者】
【氏名】大野 典
【審査官】畔津 圭介
(56)【参考文献】
【文献】特開２０２０－１２１５０３（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｂ６５Ｈ ７／０２
Ｇ０６Ｆ ３／１２
Ｂ４１Ｊ ２９／３８
Ｇ０６Ｎ ２０／００
Ｇ０６Ｎ ３／０８
Ｇ０１Ｎ ２１／２７
(57)【特許請求の範囲】
【請求項1】
機械学習モデルを用いて印刷媒体の判別処理を実行する方法であって、（ａ）Ｎを１以上の整数とするとき、Ｎ個の機械学習モデルを準備する工程であって、前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成される、工程と、
（ｂ）対象印刷媒体の分光反射率である対象分光データを取得する工程と、
（ｃ）前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する工程と、
を含み、
前記Ｎは２以上の整数であり、
前記Ｎ個の機械学習モデルのそれぞれは、前記Ｎ個の機械学習モデルのうちの他の機械学習モデルと異なる少なくとも１つのクラスを有するように構成される、方法。
【請求項2】
請求項１に記載の方法であって、前記工程（ｃ）は、
前記対象分光データのクラス分類処理の結果に応じて、前記対象印刷媒体の種類を示す媒体識別子を判別する工程と、
を含み、
前記方法は、更に、
前記媒体識別子に応じて、前記対象印刷媒体を使用して印刷を実行するための印刷設定を選択する工程と、
前記印刷設定に従って、前記対象印刷媒体を使用して印刷を実行する工程と、
を含む、方法。
【請求項3】
請求項１又は２に記載の方法であって、前記Ｎ個の機械学習モデルは、対応するＮ個の教師データ群を用いて学習が実行されており、
前記Ｎ個の教師データ群を構成するＮ個の分光データ群は、クラスタリング処理によってＮ個の組にグループ分けされた状態と等価な状態にある、方法。
【請求項4】
機械学習モデルを用いて印刷媒体の判別処理を実行する方法であって、（ａ）Ｎを１以上の整数とするとき、Ｎ個の教師データ群を用いて学習が実行されたＮ個の機械学習モデルを準備する工程であって、前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成される、工程と、
（ｂ）対象印刷媒体の分光反射率である対象分光データを取得する工程と、
（ｃ）前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する工程と、
を含み、
各教師データ群は、各教師データ群を構成する分光データ群の中心を代表する代表点を有し、
任意の１個の機械学習モデルにより分類できるクラスの数には上限値が設定されており、
前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっている複数種類の印刷媒体は、ユーザーの除外指示がなければ前記クラス分類処理の対象から除外できない必須印刷媒体と、ユーザーの除外指示がなくても前記クラス分類処理の対象から除外できる任意印刷媒体と、のいずれかに分類されており、
前記工程（ａ）は、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっていない新たな追加印刷媒体を前記クラス分類処理の対象とする媒体追加工程を含み、
前記媒体追加工程は、
（ａ１）前記追加印刷媒体の分光反射率を追加分光データとして取得する工程と、
（ａ２）前記Ｎ個の教師データ群のうち、前記追加分光データに最も近い代表点を有する教師データ群を近接教師データ群として選択するとともに、前記近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する工程と、
（ａ３）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値未満である場合には、前記近接教師データ群に前記追加分光データを追加して前記近接教師データ群を更新し、更新後の前記近接教師データ群を用いて前記特定の機械学習モデルの再学習を実行する工程と、
を含む、方法。
【請求項5】
請求項４に記載の方法であって、前記工程（ａ３）は、
前記工程（ａ３）の実行前の時点において前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数と前記任意印刷媒体に相当するクラス数との合計が前記上限値に等しい場合には、前記近接教師データ群から前記任意印刷媒体に関する任意分光データを削除する工程、
を含む、方法。
【請求項6】
請求項４又は５に記載の方法であって、前記媒体追加工程は、更に、
（ａ４）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値に等しい場合には、新たな機械学習モデルを作成するとともに、前記追加分光データと１つ以上の任意印刷媒体に関する任意分光データとを含む新たな教師データ群を用いて前記新たな機械学習モデルの学習を実行する工程、
を含む、方法。
【請求項7】
機械学習モデルを用いて印刷媒体の判別処理を実行する方法であって、（ａ）Ｎを１以上の整数とするとき、Ｎ個の機械学習モデルを準備する工程であって、前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成される、工程と、
（ｂ）対象印刷媒体の分光反射率である対象分光データを取得する工程と、
（ｃ）前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する工程と、
を含み、
前記Ｎは２以上の整数であり、前記方法は、更に、
前記Ｎ個の機械学習モデルのうちから選ばれた１つの対象機械学習モデルによる前記クラス分類処理の対象から、１つの除外対象印刷媒体を除外する媒体除外工程を含み、
前記媒体除外工程は、
（ｉ）前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除することによって、前記教師データ群を更新する工程と、
（ｉｉ）更新された前記教師データ群を用いて、前記対象機械学習モデルの再学習を実行する工程と、
を含む、方法。
【請求項8】
請求項７に記載の方法であって、前記工程（ｉ）は、前記対象機械学習モデルによる前記クラス分類処理の対象から前記除外対象印刷媒体を除外することによって前記対象機械学習モデルが有するクラス数が予め設定された下限値未満となる場合には、前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除すると共に、１つ以上の任意印刷媒体に関する任意分光データを追加することによって前記教師データ群を更新する、方法。
【請求項9】
請求項７又は８に記載の方法であって、各機械学習モデルの学習に使用される１個の教師データ群と、当該教師データ群から除去される分光データ、及び、当該教師データ群に追加される分光データは、同一の分光データグル－プを構成するものとして管理され、
当該教師データ群から除去される前記分光データは、前記分光データグループの待避用エリアに待避された状態となり、
当該教師データ群に追加される前記分光データは、前記分光データグループの前記待避用エリアに待避されていた分光データから選択される、方法。
【請求項10】
機械学習モデルを用いて印刷媒体の判別処理を実行するシステムであって、Ｎを１以上の整数とするとき、Ｎ個の機械学習モデルを記憶するメモリーと、
前記Ｎ個の機械学習モデルを用いて前記判別処理を実行するプロセッサーと、
を備え、
前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成されており、
前記プロセッサーは、
対象印刷媒体の対象分光データを取得する第１処理と、
前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する第２処理と、
を実行するように構成されており、
前記Ｎは２以上の整数であり、
前記Ｎ個の機械学習モデルのそれぞれは、前記Ｎ個の機械学習モデルのうちの他の機械学習モデルと異なる少なくとも１つのクラスを有するように構成される、システム。
【請求項11】
機械学習モデルを用いて印刷媒体の判別処理を実行するシステムであって、Ｎを１以上の整数とするとき、Ｎ個の教師データ群を用いて学習が実行されたＮ個の機械学習モデルを記憶するメモリーと、
前記Ｎ個の機械学習モデルを用いて前記判別処理を実行するプロセッサーと、
を備え、
前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成されており、
前記プロセッサーは、
対象印刷媒体の対象分光データを取得する第１処理と、
前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する第２処理と、
を実行するように構成されており、
各教師データ群は、各教師データ群を構成する分光データ群の中心を代表する代表点を有し、
任意の１個の機械学習モデルにより分類できるクラスの数には上限値が設定されており、
前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっている複数種類の印刷媒体は、ユーザーの除外指示がなければ前記クラス分類処理の対象から除外できない必須印刷媒体と、ユーザーの除外指示がなくても前記クラス分類処理の対象から除外できる任意印刷媒体と、のいずれかに分類されており、
前記プロセッサーは、更に、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっていない新たな追加印刷媒体を前記クラス分類処理の対象とする媒体追加処理を実行可能に構成されており、
前記媒体追加処理は、
（ａ１）前記追加印刷媒体の分光反射率を追加分光データとして取得する処理と、
（ａ２）前記Ｎ個の教師データ群のうち、前記追加分光データに最も近い代表点を有する教師データ群を近接教師データ群として選択するとともに、前記近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する処理と、
（ａ３）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値未満である場合には、前記近接教師データ群に前記追加分光データを追加して前記近接教師データ群を更新し、更新後の前記近接教師データ群を用いて前記特定の機械学習モデルの再学習を実行する処理と、
を含む、システム。
【請求項12】
機械学習モデルを用いて印刷媒体の判別処理を実行するシステムであって、Ｎを１以上の整数とするとき、Ｎ個の機械学習モデルを記憶するメモリーと、
前記Ｎ個の機械学習モデルを用いて前記判別処理を実行するプロセッサーと、
を備え、
前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成されており、
前記プロセッサーは、
対象印刷媒体の対象分光データを取得する第１処理と、
前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する第２処理と、
を実行するように構成されており、
前記Ｎは２以上の整数であり、前記プロセッサーは、更に、
前記Ｎ個の機械学習モデルのうちから選ばれた１つの対象機械学習モデルによる前記クラス分類処理の対象から、１つの除外対象印刷媒体を除外する媒体除外処理を実行可能に構成されており、
前記媒体除外処理は、
（ｉ）前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除することによって、前記教師データ群を更新する処理と、
（ｉｉ）更新された前記教師データ群を用いて、前記対象機械学習モデルの再学習を実行する処理と、
を含む、システム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、機械学習モデルを用いて印刷媒体の判別処理を実行する方法、及び、システムに関する。
【背景技術】
【0002】
特許文献１には、メディア検知センサーを用いて印刷媒体を検知し、メディア検知センサーで取得できる属性情報と紐づいているメディアの印刷設定を選択する技術が開示されている。メディア検知センサーは、光学式センサーで構成されている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１９－５５５５４号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、上述の技術では、光学式のメディア検知センサーを使用しているので、光学特性が類似する印刷媒体同士を判別できないという問題があった。
【課題を解決するための手段】
【0005】
本開示の第１の形態によれば、機械学習モデルを用いて印刷媒体の判別処理を実行する方法が提供される。この方法は、（ａ）Ｎを１以上の整数とするとき、Ｎ個の機械学習モデルを準備する工程であって、前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成される、工程と、（ｂ）対象印刷媒体の分光反射率である対象分光データを取得する工程と、（ｃ）前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する工程と、を含む。
第１の形態の第１構成では、前記Ｎは２以上の整数であり、前記Ｎ個の機械学習モデルのそれぞれは、前記Ｎ個の機械学習モデルのうちの他の機械学習モデルと異なる少なくとも１つのクラスを有するように構成される。
第１の形態の第２構成では、各教師データ群は、各教師データ群を構成する分光データ群の中心を代表する代表点を有し、任意の１個の機械学習モデルにより分類できるクラスの数には上限値が設定されており、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっている複数種類の印刷媒体は、ユーザーの除外指示がなければ前記クラス分類処理の対象から除外できない必須印刷媒体と、ユーザーの除外指示がなくても前記クラス分類処理の対象から除外できる任意印刷媒体と、のいずれかに分類されている。前記工程（ａ）は、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっていない新たな追加印刷媒体を前記クラス分類処理の対象とする媒体追加工程を含む。前記媒体追加工程は、（ａ１）前記追加印刷媒体の分光反射率を追加分光データとして取得する工程と、（ａ２）前記Ｎ個の教師データ群のうち、前記追加分光データに最も近い代表点を有する教師データ群を近接教師データ群として選択するとともに、前記近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する工程と、（ａ３）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値未満である場合には、前記近接教師データ群に前記追加分光データを追加して前記近接教師データ群を更新し、更新後の前記近接教師データ群を用いて前記特定の機械学習モデルの再学習を実行する工程と、を含む。
第１の形態の第３構成では、前記Ｎは２以上の整数であり、前記方法は、更に、前記Ｎ個の機械学習モデルのうちから選ばれた１つの対象機械学習モデルによる前記クラス分類処理の対象から、１つの除外対象印刷媒体を除外する媒体除外工程を含む。前記媒体除外工程は、（ｉ）前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除することによって、前記教師データ群を更新する工程と、（ｉｉ）更新された前記教師データ群を用いて、前記対象機械学習モデルの再学習を実行する工程と、を含む。
第１の形態の第１構成では、前記Ｎは２以上の整数であり、前記Ｎ個の機械学習モデルのそれぞれは、前記Ｎ個の機械学習モデルのうちの他の機械学習モデルと異なる少なくとも１つのクラスを有するように構成される。
第１の形態の第２構成では、各教師データ群は、各教師データ群を構成する分光データ群の中心を代表する代表点を有し、任意の１個の機械学習モデルにより分類できるクラスの数には上限値が設定されており、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっている複数種類の印刷媒体は、ユーザーの除外指示がなければ前記クラス分類処理の対象から除外できない必須印刷媒体と、ユーザーの除外指示がなくても前記クラス分類処理の対象から除外できる任意印刷媒体と、のいずれかに分類されている。前記工程（ａ）は、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっていない新たな追加印刷媒体を前記クラス分類処理の対象とする媒体追加工程を含む。前記媒体追加工程は、（ａ１）前記追加印刷媒体の分光反射率を追加分光データとして取得する工程と、（ａ２）前記Ｎ個の教師データ群のうち、前記追加分光データに最も近い代表点を有する教師データ群を近接教師データ群として選択するとともに、前記近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する工程と、（ａ３）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値未満である場合には、前記近接教師データ群に前記追加分光データを追加して前記近接教師データ群を更新し、更新後の前記近接教師データ群を用いて前記特定の機械学習モデルの再学習を実行する工程と、を含む。
第１の形態の第３構成では、前記Ｎは２以上の整数であり、前記方法は、更に、前記Ｎ個の機械学習モデルのうちから選ばれた１つの対象機械学習モデルによる前記クラス分類処理の対象から、１つの除外対象印刷媒体を除外する媒体除外工程を含む。前記媒体除外工程は、（ｉ）前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除することによって、前記教師データ群を更新する工程と、（ｉｉ）更新された前記教師データ群を用いて、前記対象機械学習モデルの再学習を実行する工程と、を含む。
【0006】
本開示の第２の形態によれば、機械学習モデルを用いて印刷媒体の判別処理を実行するシステムが提供される。このシステムは、Ｎを１以上の整数とするとき、Ｎ個の機械学習モデルを記憶するメモリーと、前記Ｎ個の機械学習モデルを用いて前記判別処理を実行するプロセッサーと、を備える。前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成されている。前記プロセッサーは、対象印刷媒体の対象分光データを取得する第１処理と、前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する第２処理と、を実行するように構成されている。
第２の形態の第１構成では、前記Ｎは２以上の整数であり、前記Ｎ個の機械学習モデルのそれぞれは、前記Ｎ個の機械学習モデルのうちの他の機械学習モデルと異なる少なくとも１つのクラスを有するように構成される。
第２の形態の第２構成では、各教師データ群は、各教師データ群を構成する分光データ群の中心を代表する代表点を有し、任意の１個の機械学習モデルにより分類できるクラスの数には上限値が設定されており、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっている複数種類の印刷媒体は、ユーザーの除外指示がなければ前記クラス分類処理の対象から除外できない必須印刷媒体と、ユーザーの除外指示がなくても前記クラス分類処理の対象から除外できる任意印刷媒体と、のいずれかに分類されている。前記プロセッサーは、更に、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっていない新たな追加印刷媒体を前記クラス分類処理の対象とする媒体追加処理を実行可能に構成されている。前記媒体追加処理は、（ａ１）前記追加印刷媒体の分光反射率を追加分光データとして取得する処理と、（ａ２）前記Ｎ個の教師データ群のうち、前記追加分光データに最も近い代表点を有する教師データ群を近接教師データ群として選択するとともに、前記近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する処理と、（ａ３）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値未満である場合には、前記近接教師データ群に前記追加分光データを追加して前記近接教師データ群を更新し、更新後の前記近接教師データ群を用いて前記特定の機械学習モデルの再学習を実行する処理と、を含む。
第２の形態の第３構成では、前記Ｎは２以上の整数であり、前記プロセッサーは、更に、前記Ｎ個の機械学習モデルのうちから選ばれた１つの対象機械学習モデルによる前記クラス分類処理の対象から、１つの除外対象印刷媒体を除外する媒体除外処理を実行可能に構成されている。前記媒体除外処理は、（ｉ）前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除することによって、前記教師データ群を更新する処理と、（ｉｉ）更新された前記教師データ群を用いて、前記対象機械学習モデルの再学習を実行する処理と、を含む。
第２の形態の第１構成では、前記Ｎは２以上の整数であり、前記Ｎ個の機械学習モデルのそれぞれは、前記Ｎ個の機械学習モデルのうちの他の機械学習モデルと異なる少なくとも１つのクラスを有するように構成される。
第２の形態の第２構成では、各教師データ群は、各教師データ群を構成する分光データ群の中心を代表する代表点を有し、任意の１個の機械学習モデルにより分類できるクラスの数には上限値が設定されており、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっている複数種類の印刷媒体は、ユーザーの除外指示がなければ前記クラス分類処理の対象から除外できない必須印刷媒体と、ユーザーの除外指示がなくても前記クラス分類処理の対象から除外できる任意印刷媒体と、のいずれかに分類されている。前記プロセッサーは、更に、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっていない新たな追加印刷媒体を前記クラス分類処理の対象とする媒体追加処理を実行可能に構成されている。前記媒体追加処理は、（ａ１）前記追加印刷媒体の分光反射率を追加分光データとして取得する処理と、（ａ２）前記Ｎ個の教師データ群のうち、前記追加分光データに最も近い代表点を有する教師データ群を近接教師データ群として選択するとともに、前記近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する処理と、（ａ３）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値未満である場合には、前記近接教師データ群に前記追加分光データを追加して前記近接教師データ群を更新し、更新後の前記近接教師データ群を用いて前記特定の機械学習モデルの再学習を実行する処理と、を含む。
第２の形態の第３構成では、前記Ｎは２以上の整数であり、前記プロセッサーは、更に、前記Ｎ個の機械学習モデルのうちから選ばれた１つの対象機械学習モデルによる前記クラス分類処理の対象から、１つの除外対象印刷媒体を除外する媒体除外処理を実行可能に構成されている。前記媒体除外処理は、（ｉ）前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除することによって、前記教師データ群を更新する処理と、（ｉｉ）更新された前記教師データ群を用いて、前記対象機械学習モデルの再学習を実行する処理と、を含む。
【図面の簡単な説明】
【0007】
【図1】実施形態における印刷システムのブロック図。
【図2】制御装置のブロック図。
【図3】第１機械学習モデルの構成を示す説明図。
【図4】第２機械学習モデルの構成を示す説明図。
【図5】準備工程の処理手順を示すフローチャート。
【図6】媒体識別子リストを示す説明図。
【図7】印刷設定テーブルを示す説明図。
【図8】クラスタリング処理された分光データを示す説明図。
【図9】グループ管理テーブルを示す説明図。
【図10】特徴スペクトルを示す説明図。
【図11】既知特徴スペクトル群の構成を示す説明図。
【図12】媒体判別／印刷工程の処理手順を示すフローチャート。
【図13】媒体追加処理の処理手順を示すフローチャート。
【図14】分光データ群の管理状態を示す説明図。
【図15】印刷媒体の追加に応じて更新された媒体識別子リストを示す説明図。
【図16】印刷媒体の追加に応じて更新されたグループ管理テーブルを示す説明図。
【図17】機械学習モデルの追加に応じて更新されたグループ管理テーブルを示す説明図。
【図18】媒体除外工程の処理手順を示すフローチャート。
【発明を実施するための形態】
【0008】
Ａ．実施形態：
図１は、一実施形態における印刷システムを示すブロック図である。この印刷システムは、プリンター１０と、情報処理装置２０と、分光測定器３０とを有する。分光測定器３０は、プリンター１０で使用される印刷媒体ＰＭについて、未印刷の状態で分光測定を行って、分光反射率を取得することが可能である。本開示において、分光反射率を「分光データ」とも呼ぶ。分光測定器３０は、例えば、波長可変干渉分光フィルターと、モノクロイメージセンサーとを備える。分光測定器３０で得られた分光データは、後述する機械学習モデルへの入力データとして使用される。後述するように、情報処理装置２０は、機械学習モデルを用いて分光データのクラス分類処理を実行し、印刷媒体ＰＭが複数のクラスのいずれに該当するかを分類する。「印刷媒体ＰＭのクラス」とは、印刷媒体ＰＭの種類を意味する。情報処理装置２０は、印刷媒体ＰＭの種類に応じた適切な印刷条件で印刷を実行するようにプリンター１０を制御する。
図１は、一実施形態における印刷システムを示すブロック図である。この印刷システムは、プリンター１０と、情報処理装置２０と、分光測定器３０とを有する。分光測定器３０は、プリンター１０で使用される印刷媒体ＰＭについて、未印刷の状態で分光測定を行って、分光反射率を取得することが可能である。本開示において、分光反射率を「分光データ」とも呼ぶ。分光測定器３０は、例えば、波長可変干渉分光フィルターと、モノクロイメージセンサーとを備える。分光測定器３０で得られた分光データは、後述する機械学習モデルへの入力データとして使用される。後述するように、情報処理装置２０は、機械学習モデルを用いて分光データのクラス分類処理を実行し、印刷媒体ＰＭが複数のクラスのいずれに該当するかを分類する。「印刷媒体ＰＭのクラス」とは、印刷媒体ＰＭの種類を意味する。情報処理装置２０は、印刷媒体ＰＭの種類に応じた適切な印刷条件で印刷を実行するようにプリンター１０を制御する。
【0009】
図２は、情報処理装置２０の機能を示すブロック図である。情報処理装置２０は、プロセッサー１１０と、メモリー１２０と、インターフェイス回路１３０と、インターフェイス回路１３０に接続された入力デバイス１４０及び表示部１５０と、を有している。インターフェイス回路１３０には、分光測定器３０とプリンター１０も接続されている。限定されないが例えば、プロセッサー１１０は、以下で詳述される処理を実行する機能を有するだけでなく、表示部１５０に、当該処理によって得られるデータ、および当該処理の過程で生成されるデータを表示する機能も有する。
【0010】
プロセッサー１１０は、プリンター１０を用いた印刷処理を実行する印刷処理部１１２として機能し、また、印刷媒体ＰＭの分光データのクラス分類処理を実行するクラス分類処理部１１４として、更に、印刷媒体ＰＭに適した印刷設定を作成する印刷設定作成部１１６として機能する。これらの各部１１２，１１４，１１６は、メモリー１２０に格納されたコンピュータープログラムをプロセッサー１１０が実行することによって実現される。但し、これらの各部１１２，１１４，１１６をハードウェア回路で実現してもよい。本明細書のプロセッサーは、このようなハードウェア回路をも含む用語である。また、クラス分類処理を実行するプロセッサーは、ネットワークを介して情報処理装置２０に接続されたリモートコンピューターに含まれるプロセッサーであってもよい。
【0011】
メモリー１２０には、複数の機械学習モデル２０１，２０２と、複数の分光データ群ＳＤ１，ＳＤ２と、媒体識別子リストＩＤＬと、複数のグループ管理テーブルＧＴ１，ＧＴ２と、複数の既知特徴スペクトル群ＫＳ１，ＫＳ２と、印刷設定テーブルＰＳＴと、が格納される。機械学習モデル２０１，２０２は、クラス分類処理部１１４による演算に使用される。機械学習モデル２０１，２０２の構成例や動作については後述する。分光データ群ＳＤ１，ＳＤ２は、機械学習モデル２０１，２０２の学習に使用されるラベル付きの分光データの集合である。媒体識別子リストＩＤＬは、各印刷媒体について、媒体識別子と分光データとが登録されたリストである。複数のグループ管理テーブルＧＴ１，ＧＴ２は、分光データ群ＳＤ１，ＳＤ２の管理状態を示すテーブルである。既知特徴スペクトル群ＫＳ１，ＫＳ２は、学習済みの機械学習モデル２０１，２０２に教師データを再度入力した際に得られる特徴スペクトルの集合である。特徴スペクトルについては後述する。印刷設定テーブルＰＳＴは、各印刷媒体に適した印刷設定が登録されたテーブルである。
【0012】
図３は、第１の機械学習モデル２０１の構成を示す説明図である。この機械学習モデル２０１は、入力データＩＭの側から順に、畳み込み層２１１と、プライマリーベクトルニューロン層２２１と、第１畳み込みベクトルニューロン層２３１と、第２畳み込みベクトルニューロン層２４１と、分類ベクトルニューロン層２５１とを備える。これらの５つの層２１１～２５１のうち、畳み込み層２１１が最も下位の層であり、分類ベクトルニューロン層２５１が最も上位の層である。以下の説明では、層２１１～２５１を、それぞれ「Conv層２１１」、「PrimeVN層２２１」、「ConvVN1層２３１」、「ConvVN2層２４１」、及び「ClassVN層２５１」とも呼ぶ。
【0013】
本実施形態において、入力データＩＭは分光データなので、１次元配列のデータである。例えば、入力データＩＭは、３８０ｎｍ～７３０ｎｍの範囲の分光データから、１０ｎｍ毎に３６個の代表値を抽出したデータである。
【0014】
図３の例では２つの畳み込みベクトルニューロン層２３１，２４１を用いているが、畳み込みベクトルニューロン層の数は任意であり、畳み込みベクトルニューロン層を省略してもよい。但し、１つ以上の畳み込みベクトルニューロン層を用いることが好ましい。
【0015】
図３の機械学習モデル２０１は、更に、類似度を生成する類似度演算部２６１を有している。類似度演算部２６１は、ConvVN1層２３１と、ConvVN2層２４１と、ClassVN層２５１の出力から、後述する類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNをそれぞれ算出することが可能である。但し、類似度演算部２６１を省略してもよい。
【0016】
各層２１１～２５１の構成は、以下のように記述できる。
＜第１の機械学習モデル２０１の構成の記述＞
・Conv層２１１：Conv[32,6,2]
・PrimeVN層２２１：PrimeVN[26,1,1]
・ConvVN1層２３１：ConvVN1[20,5,2]
・ConvVN2層２４１：ConvVN2[16,4,1]
・ClassVN層２５１：ClassVN[n1+1,3,1]
・ベクトル次元ＶＤ：VD=16
これらの各層２１１～２５１の記述において、括弧前の文字列はレイヤー名であり、括弧内の数字は、順に、チャンネル数、カーネルサイズ、及び、ストライドである。例えば、Conv層２１１のレイヤー名は「Conv」であり、チャンネル数は３２、カーネルサイズは１×６、ストライドは２である。図３では、各層の下にこれらの記述が示されている。各層の中に描かれているハッチングを付した矩形は、隣接する上位層の出力ベクトルを算出する際に使用されるカーネルを表している。本実施形態では、入力データＩＭが１次元配列のデータなので、カーネルも１次元の配列を有する。なお、各層２１１～２５１の記述で用いたパラメーターの値は例示であり、任意に変更可能である。
＜第１の機械学習モデル２０１の構成の記述＞
・Conv層２１１：Conv[32,6,2]
・PrimeVN層２２１：PrimeVN[26,1,1]
・ConvVN1層２３１：ConvVN1[20,5,2]
・ConvVN2層２４１：ConvVN2[16,4,1]
・ClassVN層２５１：ClassVN[n1+1,3,1]
・ベクトル次元ＶＤ：VD=16
これらの各層２１１～２５１の記述において、括弧前の文字列はレイヤー名であり、括弧内の数字は、順に、チャンネル数、カーネルサイズ、及び、ストライドである。例えば、Conv層２１１のレイヤー名は「Conv」であり、チャンネル数は３２、カーネルサイズは１×６、ストライドは２である。図３では、各層の下にこれらの記述が示されている。各層の中に描かれているハッチングを付した矩形は、隣接する上位層の出力ベクトルを算出する際に使用されるカーネルを表している。本実施形態では、入力データＩＭが１次元配列のデータなので、カーネルも１次元の配列を有する。なお、各層２１１～２５１の記述で用いたパラメーターの値は例示であり、任意に変更可能である。
【0017】
Conv層２１１は、スカラーニューロンで構成された層である。他の４つの層２２１～２５１は、ベクトルニューロンで構成された層である。ベクトルニューロンは、ベクトルを入出力とするニューロンである。上記の記述では、個々のベクトルニューロンの出力ベクトルの次元は１６で一定である。以下では、スカラーニューロン及びベクトルニューロンの上位概念として「ノード」という語句を使用する。
【0018】
図３では、Conv層２１１について、ノード配列の平面座標を規定する第１軸ｘ及び第２軸ｙと、奥行きを表す第３軸ｚとが示されている。また、Conv層２１１のｘ，ｙ，ｚ方向のサイズが１，１６，３２であることが示されている。ｘ方向のサイズとｙ方向のサイズを「解像度」と呼ぶ。本実施形態では、ｘ方向の解像度は常に１である。ｚ方向のサイズは、チャンネル数である。これらの３つの軸ｘ，ｙ，ｚは、他の層においても各ノードの位置を示す座標軸として使用する。但し、図３では、Conv層２１１以外の層では、これらの軸ｘ，ｙ，ｚの図示が省略されている。
【0019】
よく知られているように、畳み込み後のｙ方向の解像度Ｗ１は、次式で与えられる。
W1=Ceil{(W0-Wk+1)/S} （１）
ここで、Ｗ０は畳み込み前の解像度、Ｗｋはカーネルサイズ、Ｓはストライド、Ceil｛Ｘ｝はＸを切り上げる演算を行う関数である。
図３に示した各層の解像度は、入力データＩＭのｙ方向の解像度を３６とした場合の例であり、実際の各層の解像度は入力データＩＭのサイズに応じて適宜変更される。
W1=Ceil{(W0-Wk+1)/S} （１）
ここで、Ｗ０は畳み込み前の解像度、Ｗｋはカーネルサイズ、Ｓはストライド、Ceil｛Ｘ｝はＸを切り上げる演算を行う関数である。
図３に示した各層の解像度は、入力データＩＭのｙ方向の解像度を３６とした場合の例であり、実際の各層の解像度は入力データＩＭのサイズに応じて適宜変更される。
【0020】
ClassVN層２５１は、（ｎ１＋１）個のチャンネルを有している。図３の例では（ｎ１＋１）＝１１である。これらのチャンネルからは、複数の既知のクラスに対する判定値Class1-1～Class1-10と、未知のクラスであることを示す判定値Class1-UNが出力される。これらの判定値Class1-1～Class1-10，Class1-UNのうちで最も大きな値を有するクラスが、入力データＩＭが属するクラスに相当する。一般に、ｎ１は２以上の整数であり、第１の機械学習モデル２０１を用いて分類可能な既知のクラスの数である。任意の１個の機械学習モデルにおいて、分類可能な既知のクラスの数に対して、上限値ｎmaxと下限値ｎminが予め設定されることが好ましい。
【0021】
なお、未知クラスであることを示す判定値Class1-UNは省略してもよい。この場合には、既知のクラスに対する判定値Class1-1～Class1-10のうちで最も大きな値が予め定められた閾値未満である場合に、入力データＩＭのクラスが未知であるものと判定される。
【0022】
図４は、第２の機械学習モデル２０２の構成を示す説明図である。この機械学習モデル２０２は、第１の機械学習モデル２０１と同様に、Conv層２１２と、PrimeVN層２２２と、ConvVN1層２３２と、ConvVN2層２４２と、ClassVN層２５２と、類似度演算部２６２とを有している。
【0023】
各層２１２～２５２の構成は、以下のように記述できる。
＜第２の機械学習モデル２０２の構成の記述＞
・Conv層２１２：Conv[32,6,2]
・PrimeVN層２２２：PrimeVN[26,1,1]
・ConvVN1層２３２：ConvVN1[20,5,2]
・ConvVN2層２４２：ConvVN2[16,4,1]
・ClassVN層２５２：ClassVN[n2+1,3,1]
・ベクトル次元ＶＤ：VD=16
＜第２の機械学習モデル２０２の構成の記述＞
・Conv層２１２：Conv[32,6,2]
・PrimeVN層２２２：PrimeVN[26,1,1]
・ConvVN1層２３２：ConvVN1[20,5,2]
・ConvVN2層２４２：ConvVN2[16,4,1]
・ClassVN層２５２：ClassVN[n2+1,3,1]
・ベクトル次元ＶＤ：VD=16
【0024】
図３と図４を比較すれば理解できるように、第２の機械学習モデル２０２の層２１２～２５２のうち、下位の４つの層２１２～２４２は第１の機械学習モデル２０１の層２１１～２４１と同じ構成を有する。一方、第２の機械学習モデル２０２の最上位層２５２は、第１の機械学習モデル２０１の最上位層２５１とチャンネル数のみが異なる。図４の例では、ClassVN層２５２は（ｎ２＋１）個のチャンネルを有しており、（ｎ２＋１）＝７である。これらのチャンネルからは、複数の既知のクラスに対する判定値Class2-1～Class2-6と、未知のクラスであることを示す判定値Class2-UNが出力される。第２の機械学習モデル２０２においても、既知のクラスの数に、第１の機械学習モデル２０１と同じ上限値ｎmax及び下限値ｎminが設定されることが好ましい。
【0025】
第２の機械学習モデル２０２は、第１の機械学習モデル２０１と異なる少なくとも１つの既知のクラスを有するように構成される。また、第１の機械学習モデル２０１と第２の機械学習モデル２０２では、分類可能なクラスが異なるので、カーネルの要素の値も互いに異なる。本開示では、Ｎを２以上の整数としたとき、Ｎ個の機械学習モデルのうちの任意の１個の機械学習モデルは、他の機械学習モデルと異なる少なくとも１つの既知のクラスを有するように構成される。なお、本実施形態では、機械学習モデルの個数Ｎを２以上としているが、本開示は１個の機械学習モデルのみを用いる場合にも適用可能である。
【0026】
図５は、機械学習モデルの準備工程の処理手順を示すフローチャートである。この準備工程は、例えば、プリンター１０のメーカーで実行される工程である。
【0027】
ステップＳ１０では、複数の初期印刷媒体の分光データを初期分光データとして生成する。本実施形態において、準備工程における機械学習モデルの学習に使用される初期印刷媒体は、すべて任意印刷媒体である。本開示において、「任意印刷媒体」とは、機械学習モデルによるクラス分類処理の対象となり得る印刷媒体であり、かつ、ユーザーの除外指示がなくてもクラス分類処理の対象から除外可能な印刷媒体である。一方、後述する媒体追加処理において追加される印刷媒体は、ユーザーの除外指示がなければクラス分類処理の対象から除外できない必須印刷媒体である。但し、初期印刷媒体の一部又は全部を，必須印刷媒体としてもよい。
【0028】
ステップＳ１０では、複数の初期印刷媒体について、未印刷の状態で分光測定器３０によって分光測定を実行することによって、初期分光データが生成される。この際、分光反射率のばらつきを考慮して、データ拡張を行うことが好ましい。一般に、分光反射率は、測色日や測定器によってばらつきが発生する。データ拡張は、このようなばらつきを模擬するために、測定された分光データにランダムなばらつきを付与することによって、複数の分光データを生成する処理である。なお、実際の印刷媒体の分光測定を行うことなく、仮想的に初期分光データを生成するようにしてもよい。この場合には、初期印刷媒体も仮想的なものとなる。
【0029】
ステップＳ２０では、複数の初期印刷媒体について、媒体識別子リストＩＤＬが作成される。図６は、媒体識別子リストＩＤＬを示す説明図である。媒体識別子リストＩＤＬには、個々の印刷媒体に付与された媒体識別子と、媒体名と、データサブ番号と、分光データとが登録されている。この例では、１６個の印刷媒体に対して、「Ａ－１」～「Ａ－１６」の媒体識別子が付与されている。媒体名は、ユーザーが印刷条件を設定するためのウィンドウに表示される印刷媒体の名称である。データサブ番号は、同じ印刷媒体に関する複数の分光データを区別するための番号である。この例では、各印刷媒体について、それぞれ３個の分光データが登録されている。但し、各印刷媒体に対する分光データの数は、異なっていても良い。各印刷媒体については、１個以上の分光データが登録されていれば良いが、複数の分光データが登録されることが好ましい。
【0030】
図５のステップＳ３０では、複数の初期印刷媒体について、それぞれ印刷設定が作成されて、印刷設定テーブルＰＳＴに登録される。図７は、印刷設定テーブルＰＳＴを示す説明図である。印刷設定テーブルＰＳＴの個々のレコードには、各印刷媒体について、媒体識別子と、印刷設定が登録される。この例では、印刷設定として、プリンタープロファイルＰＲ１～ＰＲ１６と、媒体送り速度ＦＳ１～ＦＳ１６と、乾燥時間ＤＴ１～ＤＴ１６とが登録されている。プリンタープロファイルＰＲ１～ＰＲ１６は、プリンター１０の出力用カラープロファルであり、印刷媒体毎に作成される。具体的には、プリンター１０を用いて印刷媒体上に色補正無しでテストチャートを印刷し、そのテストチャートを分光測定器３０で分光測定し、その分光測定結果を印刷設定作成部１１６が処理することによってプリンタープロファイルを作成することができる。媒体送り速度ＦＳ１～ＦＳ１６と、乾燥時間ＤＴ１～ＤＴ１６も、それぞれ実験的に決定できる。なお、「乾燥時間」とは、プリンター１０内にある図示しない乾燥機において印刷後の印刷媒体を乾燥する時間である。印刷後の印刷媒体に送風を当てることによって乾燥させるタイプのプリンターでは、「乾燥時間」は送風時間である。また、乾燥機がないプリンターでは、「乾燥時間」は自然乾燥する待機時間である。なお、印刷設定としては、これら以外の初期の項目を設定してもよいが、少なくともプリンタープロファイルを含む印刷設定を作成することが好ましい。
【0031】
図５のステップＳ４０では、複数の初期印刷媒体についての複数の初期分光データをクラスタリング処理することによって、グループ分けを実行する。図８は、クラスタリング処理によってグループ分けされた分光データを示す説明図である。この例では、複数の分光データが、第１の分光データ群ＳＤ１と第２の分光データ群ＳＤ２とにグループ分けされている。クラスタリング処理としては、例えば、ｋ平均法を使用することができる。分光データ群ＳＤ１，ＳＤ２は、それぞれの分光データ群ＳＤ１，ＳＤ２の中心を代表する代表点Ｇ１，Ｇ２を有する。これらの代表点Ｇ１，Ｇ２は、例えば重心である。分光データがｍ個の波長における反射率で構成されている場合には、１つの分光データをｍ次元空間の１点を表すデータとして捉えることによって、分光データ同士の距離や、複数の分光データの重心を計算することが可能である。図８では図示の便宜上、２次元空間において複数の分光データの点を描いているが、実際には、分光データはｍ次元空間の点として表現できる。これらの代表点Ｇ１，Ｇ２は、後述するように、新たな印刷媒体をクラス分類処理の対象として追加する場合に、その追加印刷媒体の分光データが、複数の分光データ群ＳＤ１，ＳＤ２のいずれに最も近いかを判定する際に使用される。なお、代表点Ｇ１，Ｇ２としては、重心以外を使用してもよい。例えば、１グループに属する複数の分光データについて、各波長における反射率の最大値と最小値の平均値を求め、それらの平均値で構成される分光データを代表点として使用してもよい。
【0032】
本実施形態では、複数の分光データが２つの分光データ群ＳＤ１，ＳＤ２にグループ分けされているが、分光データ群は１つのみでもよく、或いは３つ以上の分光データ群を作成してもよい。また、クラスタリング処理以外の方法で複数の分光データ群を作成しても良い。但し、クラスタリング処理によって複数の分光データをグループ分けすれば、互いに近似した分光データを同じグループにまとめることができる。このような複数の分光データ群のそれぞれを用いて複数の機械学習モデルの学習を行えば、クラスタリング処理しない場合に比べて、機械学習モデルによるクラス分類処理の精度を高めることができる。なお、クラスタリング処理によってグループ分けされた後に、新たな印刷媒体の分光データを追加しても、クラスタリング処理によってグループ分けされた状態と等価な状態に維持することが可能である。
【0033】
図５のステップＳ５０では、グループ管理テーブルＧＴ１，ＧＴ２が作成される。図９は、グループ管理テーブルＧＴ１，ＧＴ２を示す説明図である。グループ管理テーブルＧＴ１，ＧＴ２の個々のレコードには、１つの分光データについて、グループ番号と、媒体識別子と、データサブ番号と、代表点からの距離と、モデル番号と、クラスラベルと、現存エリアと、代表点の座標と、が登録される。グループ番号は、複数のグループ管理テーブルＧＴ１，ＧＴ２を区別する番号である。媒体識別子とデータサブ番号は、図６で説明した媒体識別子リストＩＤＬと同様に、個々の分光データを区別するために使用されている。モデル番号は、そのグループの分光データ群を用いて学習を行う機械学習モデルを識別する番号である。ここでは、図３及び図４に示した２つの機械学習モデル２０１，２０２の符号「２０１」，「２０２」が、モデル番号として使用されている。「クラスラベル」は、機械学習モデルによるクラス分類処理の結果に対応する値であり、分光データが教師データとして使用される際のラベルとしても使用される。モデル番号とクラスラベルは、媒体識別子毎に設定されている。「現存エリア」は、分光データが、教師用エリアと待避用エリアのいずれに属しているかを示している。「教師用エリア」は、その分光データが機械学習モデルの学習に実際に使用されていることを意味している。「待避用エリア」は、その分光データが機械学習モデルの学習には使用されておらず、教師用エリアから待避した状態にあることを意味している。準備工程では、すべての分光データが機械学習モデルの学習に使用されるので、教師用エリアに属している。
【0034】
図５のステップＳ６０では、ユーザーが、クラス分類処理に使用する機械学習モデルを作成し、そのパラメーターを設定する。本実施形態では、図３と図４に示す２つの機械学習モデル２０１，２０２が作成されてそれらのパラメーターが設定される。但し、ステップＳ６０では、１つの機械学習モデルのみを作成にしてもよく、或いは、３つ以上の機械学習モデルを作成してもよい。ステップＳ７０では、クラス分類処理部１１４が、分光データ群ＳＤ１，ＳＤ２を用いて機械学習モデル２０１，２０２の学習を実行する。学習が修了すると、学習済みの機械学習モデル２０１，２０２がメモリー１２０に保存される。
【0035】
ステップＳ８０では、クラス分類処理部１１４が、学習済みの機械学習モデル２０１，２０２に分光データ群ＳＤ１，ＳＤ２を再度入力して、既知特徴スペクトル群ＫＳ１，ＫＳ２を生成する。既知特徴スペクトル群ＫＳ１，ＫＳ２は、以下で説明する特徴スペクトルの集合である。以下では、主として機械学習モデル２０１に対応付けられた既知特徴スペクトル群ＫＳ１を生成する方法を説明する。
【0036】
図１０は、学習済みの機械学習モデル２０１に任意の入力データを入力することによって得られる特徴スペクトルＳｐを示す説明図である。ここでは、ConvVN1層２３１の出力から得られる特徴スペクトルＳｐについて説明する。図１０の横軸は、ConvVN1層２３１の１つの平面位置（ｘ，ｙ）におけるノードの出力ベクトルの要素番号ＮＤと、チャンネル番号ＮＣとの組み合わせで表されるスペクトル位置である。本実施形態では、ノードのベクトル次元が１６なので、出力ベクトルの要素番号ＮＤは０から１５までの１６個である。また、ConvVN1層２３１のチャンネル数は２０なので、チャンネル番号ＮＣは０から１９までの２０個である。
【0037】
図１０の縦軸は、各スペクトル位置での特徴値ＣVを示す。この例では、特徴値ＣVは、出力ベクトルの各要素の値ＶNDである。なお、特徴値ＣVとしては、出力ベクトルの各要素の値ＶNDと、後述するアクティベーション値とを乗算した値を使用してもよく、或いは、アクティベーション値をそのまま使用してもよい。後者の場合には、特徴スペクトルＳｐに含まれる特徴値ＣVの数はチャンネル数に等しく、２０個である。なお、アクティベーション値は、そのノードの出力ベクトルのベクトル長さに相当する値である。
【0038】
１つの入力データに対してConvVN1層２３１の出力から得られる特徴スペクトルＳｐの数は、ConvVN1層２３１の平面位置（ｘ，ｙ）の数に等しいので、１×６＝６個である。同様に、１つの入力データに対して、ConvVN2層２４１の出力から３個の特徴スペクトルＳｐが得られ、ClassVN層２５１の出力から１個の特徴スペクトルＳｐが得られる。
【0039】
類似度演算部２６１は、学習済みの機械学習モデル２０１に教師データが再度入力されたときに、図１０に示す特徴スペクトルＳｐを算出して、既知特徴スペクトル群ＫＳ１に登録する。
【0040】
図１１は、既知特徴スペクトル群ＫＳ１の構成を示す説明図である。この例では、既知特徴スペクトル群ＫＳ１は、ConvVN1層２３１の出力から得られた既知特徴スペクトル群ＫＳ１_ConvVN1と、ConvVN2層２４１の出力から得られた既知特徴スペクトル群ＫＳ１_ConvVN2と、ClassVN層２５１の出力から得られた既知特徴スペクトル群ＫＳ１_ConvVN1とを含んでいる。
【0041】
既知特徴スペクトル群ＫＳ１_ConvVN1の個々のレコードは、レコード番号と、レイヤー名と、ラベルＬｂと、既知特徴スペクトルＫＳｐとを含んでいる。既知特徴スペクトルＫＳｐは、教師データの入力に応じて得られた図１０の特徴スペクトルＳｐと同じものである。図１１の例では、分光データ群ＳＤ１を学習済みの機械学習モデル２０１に入力することによって、ConvVN1層２３１の出力から、個々のラベルＬｂの値に関連付けられた既知特徴スペクトルＫＳｐが生成されて登録されている。例えば、ラベルＬｂ＝１に関連付けられてＮ１_1max個の既知特徴スペクトルＫＳｐが登録され、ラベルＬｂ＝２に関連づけられてＮ１_2max個の既知特徴スペクトルＫＳｐが登録され、ラベルＬｂ＝ｎ１に関連づけられてＮ１_n1max個の既知特徴スペクトルＫＳｐが登録されている。Ｎ１_1max，Ｎ１_2max，Ｎ１_n1maxは、それぞれ２以上の整数である。前述したように、個々のラベルＬｂは、互いに異なる既知のクラスに対応する。従って、既知特徴スペクトル群ＫＳ１_ConvVN1における個々の既知特徴スペクトルＫＳｐは、複数の既知のクラスのうちの１つのクラスに関連付けられて登録されていることが理解できる。他の既知特徴スペクトル群ＫＳ１_ConvVN2，ＫＳ１_ConvVN1も同様である。
【0042】
なお、ステップＳ８０で使用される分光データ群は、ステップＳ７０で使用された複数の分光データ群ＳＤ１，ＳＤ２と同じものである必要は無い。但し、ステップＳ８０においても、ステップＳ７０で使用された複数の分光データ群ＳＤ１，ＳＤ２の一部又は全部を利用すれば、新たな教師データを準備する必要が無いという利点がある。ステップＳ８０は、省略してもよい。
【0043】
図１２は、学習済みの機械学習モデルを用いた媒体判別／印刷工程の処理手順を示すフローチャートである。この媒体判別／印刷工程は、例えば、プリンター１０を使用する使用者によって実行される。
【0044】
ステップＳ２１０では、処理対象としての印刷媒体である対象印刷媒体について、判別処理が、必要か否かが判断される。判別処理が不要な場合、すなわち、対象印刷媒体の種類が既知である場合には、ステップＳ２８０に進んで対象印刷媒体に適した印刷設定を選択し、ステップＳ２９０において対象印刷媒体を用いて印刷を実行する。一方、対象印刷媒体の種類が不明であり、その判別処理が必要な場合には、ステップＳ２２０に進む。
【0045】
ステップＳ２２０では、クラス分類処理部１１４が、分光測定器３０に対象印刷媒体の分光測定を実行させることによって、対象分光データを取得する。この対象分光データは、機械学習モデルによるクラス分類処理の対象となる。
【0046】
ステップＳ２３０では、クラス分類処理部１１４が、既存の学習済みの機械学習モデル２０１，２０２に対象分光データを入力して、対象分光データのクラス分類処理を実行する。この場合に、複数の機械学習モデル２０１，２０２を１個ずつ順次使用する第１の処理方法と、複数の機械学習モデル２０１，２０２を同時に使用する第２の処理方法とのいずれかを利用可能である。第１の処理方法では、まず、１個の機械学習モデル２０１を使用してクラス分類処理を実行し、その結果として対象分光データが未知のクラスに属するものと判定された場合に、他の機械学習モデル２０２を使用してクラス分類処理を実行する。第２の処理方法では、２つの機械学習モデル２０１，２０２を同時に用いて同じ対象分光データに対するクラス分類処理を並行して実行し、クラス分類処理部１１４がそれらの処理結果を統合する。本開示の発明者の実験によれば、第２の処理方法の方が第１の処理方法に比べて処理時間がより短くなるので、より好ましい。
【0047】
ステップＳ２４０では、クラス分類処理部１１４が、ステップＳ２３０におけるクラス分類処理の結果から、対象分光データが未知のクラスに属するか、既知のクラスに属するかを判定する。対象分光データが未知のクラスに属する場合には、対象印刷媒体は、準備工程で使用した複数の初期印刷媒体、および、後述する媒体追加処理において追加される印刷媒体のいずれにも該当しない新たな印刷媒体なので、後述するステップＳ３００に進み、媒体追加処理が実行される。一方、対象分光データが既知のクラスに属する場合には、ステップＳ２５０に進む。
【0048】
ステップＳ２５０では、複数の機械学習モデル２０１，２０２のうちで、対象分光データが既知のクラスに属するものと判定した１つの機械学習モデルを用いて、既知特徴スペクトル群との類似度が算出される。例えば、第１の機械学習モデル２０１の処理によって対象分光データが既知のクラスに属するものと判定された場合には、その類似度演算部２６１が、ConvVN1層２３１と、ConvVN2層２４１と、ClassVN層２５１の出力から、既知特徴スペクトル群ＫＳ１との類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNをそれぞれ算出する。一方、第２の機械学習モデル２０２の処理によって対象分光データが既知のクラスに属するものと判定された場合には、その類似度演算部２６２が、既知特徴スペクトル群ＫＳ２との類似度Ｓ２_ConvVN1，Ｓ２_ConvVN2，Ｓ２_ClassVNをそれぞれ算出する。以下では、第１の機械学習モデル２０１のConvVN1層２３１の出力から類似度Ｓ１_ConvVN1を算出する方法を説明する。
【0049】
類似度Ｓ１_ConvVN1は、例えば次式を用いて算出できる。
S1_ConvVN1(Class)=max[G{Sp(i,j),KSp(Class,k)}]
ここで、”Class”は複数のクラスに対する序数、Ｇ｛ａ，ｂ｝はａとｂの類似度を求める関数、Ｓｐ（ｉ，ｊ）は対象分光データに応じて得られるすべての平面位置（ｉ，ｊ）での特徴スペクトル、ＫＳｐ（Class,ｋ）は、ConvVN1層２３１と特定の”Class”とに関連付けられたすべての既知特徴スペクトル、ｍａｘ［Ｘ］はＸの最大値を取る論理演算を示す。すなわち、類似度Ｓ１_ConvVN1は、ConvVN1層２３１のすべての平面位置（ｉ，ｊ）における特徴スペクトルＳｐ（ｉ，ｊ）のそれぞれと、特定のクラスに対応するすべての既知特徴スペクトルＫＳｐ（ｋ）のそれぞれとの間で算出された類似度のうちの最大値である。このような類似度Ｓ１_ConvVN1は、複数のラベルＬｂに対応する複数のクラスのそれぞれに対して求められる。類似度Ｓ１_ConvVN1は、対象分光データが、各クラスの特徴に類似している程度を表している。
S1_ConvVN1(Class)=max[G{Sp(i,j),KSp(Class,k)}]
ここで、”Class”は複数のクラスに対する序数、Ｇ｛ａ，ｂ｝はａとｂの類似度を求める関数、Ｓｐ（ｉ，ｊ）は対象分光データに応じて得られるすべての平面位置（ｉ，ｊ）での特徴スペクトル、ＫＳｐ（Class,ｋ）は、ConvVN1層２３１と特定の”Class”とに関連付けられたすべての既知特徴スペクトル、ｍａｘ［Ｘ］はＸの最大値を取る論理演算を示す。すなわち、類似度Ｓ１_ConvVN1は、ConvVN1層２３１のすべての平面位置（ｉ，ｊ）における特徴スペクトルＳｐ（ｉ，ｊ）のそれぞれと、特定のクラスに対応するすべての既知特徴スペクトルＫＳｐ（ｋ）のそれぞれとの間で算出された類似度のうちの最大値である。このような類似度Ｓ１_ConvVN1は、複数のラベルＬｂに対応する複数のクラスのそれぞれに対して求められる。類似度Ｓ１_ConvVN1は、対象分光データが、各クラスの特徴に類似している程度を表している。
【0050】
ConvVN2層２４１とClassVN層２５１の出力に関する類似度Ｓ１_ConvVN2，Ｓ１_ClassVNも、類似度Ｓ１_ConvVN1と同様に生成される。なお、これらの３つの類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNをすべて生成する必要はないが、これらのうちの１つ以上を生成することが好ましい。本開示において、類似度の生成に使用された層を、「特定層」とも呼ぶ。
【0051】
ステップＳ２６０では、クラス分類処理部１１４が、ステップＳ２５０で得られた類似度をユーザーに提示し、ユーザーは、その類似度がクラス分類処理の結果と整合しているか否かを確認する。類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNは、対象分光データが、各クラスの特徴に類似している程度を表しているので、これらの類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNの少なくとも１つから、クラス分類処理の結果の良否を確認することができる。例えば、３つの類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNのうちの少なくとも１つが、クラス分類処理の結果と一致していない場合に、両者が整合しないものと判定できる。他の実施形態では、３つの類似度Ｓ１_ConvVN1，Ｓ１_ConvVN2，Ｓ１_ClassVNのすべてが、クラス分類処理の結果と一致していない場合に、両者が整合しないものと判定してもよい。一般には、複数の特定層の出力から生成された複数の類似度のうちの予め定められた数の類似度がクラス分類処理の結果と一致していない場合に、両者が整合しないものと判定してもよい。なお、ステップＳ２６０の判定は、クラス分類処理部１１４が行ってもよい。また、ステップＳ２５０とステップＳ２６０は省略してもよい。
【0052】
類似度がクラス分類処理の結果と整合している場合には、ステップＳ２７０に進み、クラス分類処理部１１４が、クラス分類処理の結果に応じて対象印刷媒体の媒体識別子を判別する。この処理は、例えば、図９に示したグループ管理テーブルＧＴ１，ＧＴ２を参照することによって行われる。ステップＳ２８０では、印刷処理部１１２が、媒体識別子に応じて印刷設定を選択する。この処理は、図７に示した印刷設定テーブルＰＳＴを参照することによって行われる。ステップＳ２９０では、印刷処理部１１２が、印刷設定に従って印刷を実行する。
【0053】
前述したステップＳ２６０において、類似度がクラス分類処理の結果と整合していないと判定された場合には、対象印刷媒体は、準備工程で使用した複数の初期印刷媒体、および、後述する媒体追加処理において追加される印刷媒体のいずれにも該当しない新たな印刷媒体なので、以下で説明するステップＳ３００に進む。ステップＳ３００では、新たな印刷媒体をクラス分類処理の対象とするために、媒体追加処理が実行される。媒体追加処理では機械学習モデルの更新や追加が行われるので、媒体追加処理は、機械学習モデルを準備する工程の一部であると考えることができる。
【0054】
図１３は、媒体追加処理の処理手順を示すフローチャートであり、図１４は、媒体追加処理における分光データ群の管理状態を示す説明図である。以下の説明では、クラス分類処理の対象として追加される新たな印刷媒体を「追加印刷媒体」又は「追加媒体」と呼ぶ。
【0055】
ステップＳ３１０では、クラス分類処理部１１４が、既存の機械学習モデル２０１，２０２の中から、追加印刷媒体の分光データに最も近い機械学習モデルを探索する。「追加印刷媒体の分光データに最も近い機械学習モデル」とは、各機械学習モデル２０１，２０２の学習に使用されている教師データ群の代表点Ｇ１，Ｇ２と、追加印刷媒体の分光データとの距離が、最も小さな機械学習モデルを意味する。代表点Ｇ１，Ｇ２のぞれぞれと追加印刷媒体の分光データとの距離は、例えばユークリッド距離として算出できる。なお、追加印刷媒体の分光データとの距離が最も小さな教師データ群を「近接教師データ群」とも呼ぶ。
【0056】
ステップＳ３２０では、クラス分類処理部１１４が、ステップＳ３１０で探索された機械学習モデルについて、必須印刷媒体に相当するクラス数が上限値に達しているか否かを判定する。前述したように、本実施形態において、準備工程で使用された初期印刷媒体はすべて任意印刷媒体であり、準備工程以降に追加される印刷媒体はすべて必須印刷媒体である。必須印刷媒体に相当するクラス数が上限値に達していない場合には、ステップＳ３３０に進み、追加印刷媒体の分光データを追加した教師データで、その機械学習モデルの学習を実行する。図１４の状態Ｓ１は、前述した準備工程において機械学習モデル２０２の学習に使用されていた分光データ群ＳＤ２の状態を示し、状態Ｓ２は、ステップＳ３３０において、追加印刷媒体の分光データが必須印刷媒体の分光データとして追加された状態を示している。図１４において、「任意媒体」は、準備工程で使用された任意印刷媒体の分光データを意味し、「必須媒体」は、図１３の媒体追加処理によって追加される必須印刷媒体の分光データを意味する。「教師用エリア」は、その分光データが機械学習モデルの学習に実際に使用される教師データであることを意味している。「待避用エリア」は、その分光データが機械学習モデルの学習には使用されておらず、教師用エリアから待避した状態にあることを意味している。また、教師用エリアに空きがある状態は、その機械学習モデル２０２のクラス数が上限値に達していないことを意味する。状態Ｓ１では、機械学習モデル２０２において、必須印刷媒体に相当するクラス数が上限値に達していないので、追加印刷媒体の分光データが教師用エリアに追加されて状態Ｓ２となり、その教師用エリアに属する分光データを教師データとして用いて機械学習モデル２０２の再学習が実行される。この再学習では、追加された分光データのみが教師データとして使用されるようにしても良い。
【0057】
図１５は、図１４の状態Ｓ２における媒体識別子リストＩＤＬを示しており、図１６は、状態Ｓ２における第２の分光データ群ＳＤ２用のグループ管理テーブルＧＴ２を示している。媒体識別子リストＩＤＬには、追加された印刷媒体の媒体識別子として「Ｂ－１」が割り当てられており、その媒体名と分光データが登録されている。追加印刷媒体の分光データについても、測定された分光データにランダムなばらつきを付与するデータ拡張を行うことによって、複数の分光データが生成されることが好ましい。グループ管理テーブルＧＴ２にも、媒体識別子がＢ－１である追加された印刷媒体について、複数の分光データが登録されている。第２の分光データ群ＳＤ２のうちの教師データ群に関する代表点Ｇ２は、追加された分光データを含めて再計算される。
【0058】
図１４の状態Ｓ２から更に印刷媒体が追加されてゆくと、状態Ｓ３，状態Ｓ４，状態Ｓ５へと推移する。状態Ｓ２～状態Ｓ４においても、状態Ｓ１と同様に、機械学習モデル２０２において、必須印刷媒体に相当するクラス数が上限値に達していないので、ステップＳ３３０が実行され、追加印刷媒体の分光データが教師用エリアに追加されて、機械学習モデル２０２の再学習が実行される。なお、状態Ｓ３では、機械学習モデル２０２において、必須印刷媒体に相当するクラス数と、任意印刷媒体に相当するクラス数との和が上限値に達しており、教師用エリアに空きが無い。そこで、状態Ｓ３から状態Ｓ４に推移する場合には、ステップＳ３３０において、必須印刷媒体である追加印刷媒体の分光データが教師用エリアに追加されると共に、教師用エリアから任意印刷媒体の分光データが削除される。削除された分光データは、待避用エリアに待避される。待避用エリアに分光データを待避する理由は、その分光データを再利用できるようにするためである。教師用エリアから待避用エリアに待避される任意印刷媒体の分光データは、教師データ群の代表点からの距離が最も大きなものを選択することが好ましい。こうすれば、教師データ同士の距離を小さくできるので、クラス分類処理の精度を高めることができる。
【0059】
図１４の状態Ｓ５では、機械学習モデル２０２において、必須印刷媒体に相当するクラス数が上限値に達している。この場合には、ステップＳ３２０からステップＳ３４０に進む。ステップＳ３４０では、クラス分類処理部１１４が、ステップＳ３１０で探索された機械学習モデルと同一グループに属し、かつ、必須印刷媒体に相当するクラス数が上限値に達していない機械学習モデルを探索する。そのような機械学習モデルが存在する場合には、ステップＳ３５０からステップＳ３６０に進み、追加印刷媒体の分光データを追加した教師データで、その機械学習モデルの学習を実行する。この処理は、前述したステップＳ３３０の処理と同じである。
【0060】
ステップＳ３４０における探索によって、機械学習モデルが発見されなかった場合には、ステップＳ３５０からステップＳ３７０に進み、新しい機械学習モデルを作成すると共に、追加印刷媒体の分光データを含む教師データで新しい機械学習モデルの学習を実行する。この処理は、図１４の状態Ｓ５から状態Ｓ６に変化する処理に相当する。状態Ｓ５では、機械学習モデル２０２において、必須印刷媒体に相当するクラス数が上限値に達しており、かつ、同一グループに属する他の機械学習モデルが存在しない。そこで、ステップＳ３７０の処理により、状態Ｓ６に示すように、新たな機械学習モデル２０３が作成され、新たな必須印刷媒体である追加印刷媒体の分光データを含む教師データで新しい機械学習モデルの学習が実行される。このとき、追加印刷媒体の分光データのみでは教師データとして不十分なので、待避用エリアに待避していた１つ以上の任意印刷媒体の分光データも教師データとして使用される。こうすれば、新たな機械学習モデル２０３によるクラス分類処理の精度を高めることができる。
【0061】
なお、上述したステップＳ３４０～Ｓ３６０を省略して、ステップＳ３２０において必須印刷媒体のクラス数が上限値に等しい場合に、直ちにステップＳ３７０に進むようにしてもよい。
【0062】
図１７は、状態Ｓ６における第２グループ用のグループ管理テーブルＧＴ２を示している。媒体識別子がＡ－１～Ａ－６である印刷媒体の分光データは、準備工程で使用されていた任意印刷媒体の分光データである。また、媒体識別子がＢ－１～Ｂ－１１である印刷媒体の分光データは、準備工程後に追加された必須印刷媒体の分光データである。このグループ管理テーブルＧＴ２では、同一のグループに属する２つの機械学習モデル２０２，２０３についての分光データの状態が登録されている。機械学習モデル２０２については、追加された１０個の必須印刷媒体に関する分光データが教師用エリアに収容され、６つの任意印刷媒体に関する分光データが待避用エリアに待避されている。機械学習モデル２０３については、１個の必須印刷媒体に関する分光データと６つの任意印刷媒体に関する分光データが教師用エリアに収容され、待避用エリアは空である。各機械学習モデル２０２，２０３の教師データ群の代表点Ｇ２ａ，Ｇ２ｂは、それぞれの教師用エリアに収容された分光データを用いて算出されている。
【0063】
なお、図１３に示した媒体追加処理は、既存の機械学習モデルの数が１個の場合にも実行することができる。既存の機械学習モデルの数が１個の場合とは、例えば、図４に示した第２の機械学習モデル２０２が準備されておらず、図１２の処理が、図３に示した第１の機械学習モデル２０１のみを用いて実行される場合である。この場合には、図１３のステップＳ３７０の処理は、第２の機械学習モデル２０２を新たな機械学習モデルとして追加する処理となる。このように、第１の機械学習モデル２０１のみを用いて行ったクラス分類処理において、その入力データが未知のクラスに属すると判定された場合に第２の機械学習モデル２０２を新たな機械学習モデルとして追加する処理は、２個の機械学習モデル２０１，２０２を準備する処理の一例として理解することも可能である。
【0064】
ステップＳ３３０，Ｓ３６０，Ｓ３７０のいずれかで機械学習モデルの更新又は追加が行われると、ステップＳ３８０において、クラス分類処理部１１４が、更新又は追加された機械学習モデルに教師データを再度入力して既知特徴スペクトル群を生成する。この処理は、図１２のステップＳ２３０の処理と同じなので、説明を省略する。ステップＳ３９０では、印刷設定作成部１１６が、追加した対象印刷媒体の印刷設定を作成する。この処理は、図５のステップＳ３０の処理と同じなので、説明を省略する。
【0065】
【0066】
上述した図１３の処理において、ステップＳ３１０の処理は、Ｎ個の機械学習モデルの学習に使用されていたＮ個の教師データ群のうち、追加印刷媒体の分光データに最も近い代表点を有する近接教師データ群を選択するとともに、その近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する処理に相当する。このような処理を行えば、その近接教師データ群に追加印刷媒体の分光データを追加しても、追加後の教師データ群を、クラスタリング処理によってグループ分けされた状態と等価な状態に維持することができる。この結果、機械学習モデルによるクラス分類処理の精度を高めることができる。
【0067】
図１３の処理によれば、新たな印刷媒体をクラス分類処理の対象に追加することが可能である。一方、ユーザーの指示に応じて、印刷媒体をクラス分類処理の対象から除外することも可能である。
【0068】
図１８は、クラス分類処理の対象から印刷媒体を除外する媒体除外工程の処理手順を示すフローチャートである。ステップＳ４１０では、クラス分類処理部１１４が、登録済み印刷媒体の除外指示をユーザーから受領する。ステップＳ４２０では、除外対象印刷媒体の判別を行う機械学習モデルの教師用エリアから除外対象印刷媒体の分光データを削除し、必要に応じて任意印刷媒体の分光データを教師用エリアに補充する。「必要に応じて」とは、例えば、その機械学習モデルのクラス数が下限値未満になってしまう場合を意味する。例えば、図１４の状態Ｓ５から、必須印刷媒体の除外指示を受領したときには、機械学習モデル２０２の教師用エリアから、必須印刷媒体の分光データを削除する。仮に、多数の必須印刷媒体を除外した場合には、機械学習モデル２０２のクラス数が下限値未満になってしまう。その場合には、任意印刷媒体の分光データを待避用エリアから教師用エリアに移動させることによって、教師データとしての分光データを補充する。この結果、補充された分光データに相当する任意印刷媒体が、機械学習モデル２０２のクラスとして追加される。こうすれば、機械学習モデル２０２のクラス数が下限値未満になることによりクラス分類処理の精度が過度に低下することを防止できる。待避用エリアから教師用エリアに補充される任意印刷媒体の分光データは、教師データ群の代表点からの距離が最も小さなものを選択することが好ましい。こうすれば、教師データ同士の距離を小さくできるので、クラス分類処理の精度を高めることができる。なお、媒体識別子リストＩＤＬと印刷設定テーブルＰＳＴとグループ管理テーブルＧＴ１，ＧＴ２は、このような分光データの削除や移動に応じて適宜更新される。
【0069】
ステップＳ４３０では、クラス分類処理部１１４が、ステップＳ４２０で更新された教師データを用いて、機械学習モデルの再学習を実行する。ステップＳ４４０では、クラス分類処理部１１４が、再学習した機械学習モデルに教師データを再度入力して既知特徴スペクトル群を生成する。この処理は、図１２のステップＳ２３０の処理と同じなので、説明を省略する。以上のような媒体除外工程を実行すれば、必須印刷媒体を機械学習モデルのクラス分類処理の対象から除外できる。
【0070】
以上のように、本実施形態では、Ｎを１以上の整数としたとき、Ｎ個の機械学習モデルを用いてクラス分類処理を実行するので、光学特性が類似する印刷媒体の判別を精度良く行うことができる。また、２個以上の機械学習モデルを用いてクラス分類処理を実行すれば、１個の機械学習モデルで多数のクラスへの分類処理を行う場合に比べて、処理を高速に実行できる。
【0071】
なお、上記実施形態では、ベクトルニューロンを用いるベクトルニューラルネットワーク型の機械学習モデルを用いていたが、この代わりに、通常の畳み込みニューラルネットワークのようにスカラーニューロンを用いる機械学習モデルを使用してもよい。但し、ベクトルニューラルネットワーク型の機械学習モデルは、スカラーニューロンを用いる機械学習モデルに比べてクラス分類処理の精度がより高い点で好ましい。
【0072】
Ｂ．機械学習モデルの各層の出力ベクトルの演算方法：
図３に示した第１の機械学習モデル２０１における各層の出力の演算方法は、以下の通りである。第２の機械学習モデル２０２も同様である。
図３に示した第１の機械学習モデル２０１における各層の出力の演算方法は、以下の通りである。第２の機械学習モデル２０２も同様である。
【0073】
PrimeVN層２２１の各ノードは、Conv層２１１の１×１×３２個のノードのスカラー出力を３２次元のベクトルとみなして、このベクトルに変換行列を乗ずることによってそのノードのベクトル出力を得る。この変換行列は、１×１のカーネルの要素であり、機械学習モデル２０１の学習によって更新される。なお、Conv層２１１とPrimeVN層２２１の処理を統合して、１つのプライマリーベクトルニューロン層として構成することも可能である。
【0074】
PrimeVN層２２１を「下位層Ｌ」と呼び、その上位側に隣接するConvVN1層２３１を「上位層Ｌ＋１」と呼ぶとき、上位層Ｌ＋１の各ノードの出力は、以下の式を用いて決定される。
ここで、
ＭL iは、下位層Ｌにおけるｉ番目のノードの出力ベクトル、
ＭL+1 jは、上位層Ｌ＋１におけるｊ番目のノードの出力ベクトル、
ｖijは、出力ベクトルＭL+1 jの予測ベクトル、
ＷL ijは、下位層Ｌの出力ベクトルＭL iから予測ベクトルｖijを算出するための予測行列、
ｕjは、予測ベクトルｖijの和、すなわち線形結合、である和ベクトル、
ａjは、和ベクトルｕjのノルム|ｕj|を正規化することによって得られる正規化係数であるアクティベーション値、
Ｆ（Ｘ）は、Ｘを正規化する正規化関数である。
【数1】
ＭL iは、下位層Ｌにおけるｉ番目のノードの出力ベクトル、
ＭL+1 jは、上位層Ｌ＋１におけるｊ番目のノードの出力ベクトル、
ｖijは、出力ベクトルＭL+1 jの予測ベクトル、
ＷL ijは、下位層Ｌの出力ベクトルＭL iから予測ベクトルｖijを算出するための予測行列、
ｕjは、予測ベクトルｖijの和、すなわち線形結合、である和ベクトル、
ａjは、和ベクトルｕjのノルム|ｕj|を正規化することによって得られる正規化係数であるアクティベーション値、
Ｆ（Ｘ）は、Ｘを正規化する正規化関数である。
【0075】
正規化関数Ｆ（Ｘ）としては、例えば以下の（４ａ）式または（４ｂ）式を使用できる。
ここで、
ｋは、上位層Ｌ＋１のすべてのノードに対する序数、
βは、任意の正の係数である調整パラメーターであり、例えばβ＝１である。
【数2】
ｋは、上位層Ｌ＋１のすべてのノードに対する序数、
βは、任意の正の係数である調整パラメーターであり、例えばβ＝１である。
【0076】
上記（４ａ）式では、上位層Ｌ＋１のすべてのノードに関して和ベクトルｕjのノルム|ｕj|をソフトマックス関数で正規化することによってアクティベーション値ａjが得られる。一方、（４ｂ）式では、和ベクトルｕjのノルム|ｕj|を、上位層Ｌ＋１のすべてのノードに関するノルム|ｕj|の和で除算することによってアクティベーション値ａjが得られる。なお、正規化関数Ｆ（Ｘ）としては、（４ａ）式や（４ｂ）式以外の他の関数を用いてもよい。
【0077】
上記（３）式の序数ｉは、上位層Ｌ＋１におけるｊ番目のノードの出力ベクトルＭL+1
jを決めるために使用される下位層Ｌのノードに便宜上割り振られるものであり、１～ｎの値をとる。また、整数ｎは、上位層Ｌ＋１におけるｊ番目のノードの出力ベクトルＭL+1
jを決めるために使用される下位層Ｌのノードの数である。従って、整数ｎは次式で与えられる。
n=Nk×Nc （６）
ここで、Ｎｋはカーネルの要素数であり、Ｎｃは下位層であるPrimeVN層２２１のチャンネル数である。図３の例ではＮｋ＝３、Ｎｃ＝２６なので、ｎ＝７８である。
n=Nk×Nc （６）
ここで、Ｎｋはカーネルの要素数であり、Ｎｃは下位層であるPrimeVN層２２１のチャンネル数である。図３の例ではＮｋ＝３、Ｎｃ＝２６なので、ｎ＝７８である。
【0078】
ConvVN1層２３１の出力ベクトルを求めるために使用される１つのカーネルは、カーネルサイズ１×３を表面サイズとし、下位層のチャンネル数２６を深さとする１×３×２６＝７８個の要素を有しており、これらの要素のそれぞれは予測行列ＷL
ijである。また、ConvVN1層２３１の２０個のチャンネルの出力ベクトルを生成するためには、このカーネルが２０組必要である。従って、ConvVN1層２３１の出力ベクトルを求めるために使用されるカーネルの予測行列ＷL
ijの数は、７８×２０＝１５６０個である。これらの予測行列ＷL
ijは、機械学習モデル２０１の学習により更新される。
【0079】
上述した（２）～（５）式から分かるように、上位層Ｌ＋１の個々のノードの出力ベクトルＭL+1
jは、以下の演算によって求められる。
（ａ）下位層Ｌの各ノードの出力ベクトルＭL iに予測行列ＷL ijを乗じて予測ベクトルｖijを求め、
（ｂ）下位層Ｌの各ノードから得られた予測ベクトルｖijの和、すなわち線形結合、である和ベクトルｕjを求め、
（ｃ）和ベクトルｕjのノルム|ｕj|を正規化することによって正規化係数であるアクティベーション値ａjを求め、
（ｄ）和ベクトルｕjをノルム|ｕj|で除算し、更に、アクティベーション値ａjを乗じる。
（ａ）下位層Ｌの各ノードの出力ベクトルＭL iに予測行列ＷL ijを乗じて予測ベクトルｖijを求め、
（ｂ）下位層Ｌの各ノードから得られた予測ベクトルｖijの和、すなわち線形結合、である和ベクトルｕjを求め、
（ｃ）和ベクトルｕjのノルム|ｕj|を正規化することによって正規化係数であるアクティベーション値ａjを求め、
（ｄ）和ベクトルｕjをノルム|ｕj|で除算し、更に、アクティベーション値ａjを乗じる。
【0080】
なお、アクティベーション値ａjは、上位層Ｌ＋１のすべてのノードに関してノルム|ｕj|を正規化することによって得られる正規化係数である。従って、アクティベーション値ａjは、上位層Ｌ＋１内の全ノードの中における各ノードの相対的な出力強度を示す指標と考えることができる。（４）式，（４ａ）式、（４ｂ）式、及び（５）式で使用されるノルムは、典型的な例ではベクトル長さを表すＬ２ノルムである。このとき、アクティベーション値ａjは、出力ベクトルＭL+1
jのベクトル長さに相当する。アクティベーション値ａjは、上述した（４）式と（５）式で使用されるだけなので、ノードから出力される必要は無い。但し、アクティベーション値ａjを外部に出力するように上位層Ｌ＋１を構成することも可能である。
【0081】
ベクトルニューラルネットワークの構成は、カプセルネットワークの構成とほぼ同じであり、ベクトルニューラルネットワークのベクトルニューロンがカプセルネットワークのカプセルに相当する。但し、ベクトルニューラルネットワークで使用される上述の（２）～（５）式による演算は、カプセルネットワークで使用される演算と異なる。両者の最も大きな違いは、カプセルネットワークでは、上記（３）式の右辺の予測ベクトルｖijにそれぞれ重みが乗じられており、その重みが、動的ルーティングを複数回繰り返すことによって探索される点である。一方、本実施形態のベクトルニューラルネットワークでは、上述した（２）～（５）式を順番に１回計算することによって出力ベクトルＭL+1
jが得られるので、動的ルーティングを繰り返す必要が無く、演算がより高速であるという利点がある。また、本実施形態のベクトルニューラルネットワークは、カプセルネットワークよりも演算に必要とするメモリー量がカプセルネットワークより少なく、本開示の発明者の実験によれば、約１／２～１／３のメモリー量で済むという利点もある。
【0082】
ベクトルを入出力とするノードを使用するという点では、ベクトルニューラルネットワークはカプセルネットワークと同じである。従って、ベクトルニューロンを使用する利点もカプセルネットワークと共通している。また、複数の層２１１～２５１は、上位に行くほどより大きな領域の特徴を表現し、下位に行くほどより小さな領域の特徴を表現する、という点は、通常の畳み込みニューラルネットワークと同じである。ここで、「特徴」とは、ニューラルネットワークへの入力データに含まれている特徴的な部分を意味する。ベクトルニューラルネットワークやカプセルネットワークでは、或るノードの出力ベクトルが、そのノードが表現する特徴の空間的な情報を表す空間情報を含む点で、通常の畳み込みニューラルネットワークよりも優れている。すなわち、或るノードの出力ベクトルのベクトル長さは、そのノードが表現する特徴の存在確率を表し、ベクトル方向がその特徴の方向やスケール等の空間情報を表している。従って、同じ層に属する２つのノードの出力ベクトルのベクトル方向は、それぞれの特徴の位置関係を表す。あるいは、当該２つのノードの出力ベクトルのベクトル方向は、特徴のバリエーションを表わすとも言える。例えば、「目」の特徴に対応するノードなら、出力ベクトルの方向は、目の細さ、吊り上がり方、などのバリエーションを表し得る。通常の畳み込みニューラルネットワークでは、プーリング処理によって特徴の空間情報が消失してしまうと言われている。この結果、ベクトルニューラルネットワークやカプセルネットワークは、通常の畳み込みニューラルネットワークに比べて入力データを識別する性能に優れているという利点がある。
【0083】
ベクトルニューラルネットワークの利点は、以下のように考えることも可能である。すなわち、ベクトルニューラルネットワークでは、ノードの出力ベクトルが、入力データの特徴を連続空間内の座標として表現すること、に利点がある。従って、ベクトル方向が近ければ特徴が似ている、というように出力ベクトルを評価できる。また、入力データに含まれている特徴が教師データではカバーできていなくても、補間してその特徴を判別できる、などの利点もある。一方、通常の畳み込みニューラルネットワークは、プーリング処理によって無秩序な圧縮がかかるため、入力データの特徴を連続空間内の座標として表現できない、という欠点がある。
【0084】
ConvVN2層２４１とClassVN層２５１の各ノードの出力も、上述した（２）～（５）式を用いて同様に決定されるので、詳細な説明は省略する。最上位層であるClassVN層２５１の解像度は１×１であり、チャンネル数は（ｎ１＋１）である。
【0085】
ClassVN層２５１の出力は、既知のクラスに対する複数の判定値Class1-1～Class1-2と、未知のクラスであることを示す判定値Class1-UNとに変換される。これらの判定値は、通常はソフトマックス関数によって正規化された値である。具体的には、例えば、ClassVN層２５１の各ノードの出力ベクトルから、その出力ベクトルのベクトル長さを算出し、更に、各ノードのベクトル長さをソフトマックス関数で正規化する、という演算を実行することによって、個々のクラスに対する判定値を得ることができる。上述したように、上記（４）式で得られるアクティベーション値ａjは、出力ベクトルＭL+1
jのベクトル長さに相当する値であり、正規化されている。従って、ClassVN層２５１の各ノードのそれぞれにおけるアクティベーション値ａjを出力して、そのまま各クラスに対する判定値として使用してもよい。
【0086】
上述の実施形態では、機械学習モデル２０１，２０２として、上記（２）式～（５）式の演算によって出力ベクトルを求めるベクトルニューラルネットワークを用いていたが、この代わりに、米国特許第５２１０７９８号公報や国際公開２０１９／０８３５５３号公報に開示されているカプセルネットワークを用いてもよい。また、スカラーニューロンのみを用いるニューラルネットワークを用いてもよい。
【0087】
なお、既知特徴スペクトル群ＫＳ１，ＫＳ２の生成方法や、ConvVN1層等の中間層の出力データの生成方法は上記実施形態に限定されるものではなく、例えば、Ｋｍｅａｎｓ法を用いてこれらのデータを生成してもよい。また、ＰＣＡやＩＣＡ、Ｆｉｓｈｅｒなどの変換を用いてこれらのデータを生成してもよい。また、既知特徴スペクトル群ＫＳＧと中間層の出力データの変換方法は異なっていてもよい。
【0088】
・他の実施形態：
本開示は、上述した実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の形態で実現することができる。例えば、本開示は、以下の形態（aspect）によっても実現可能である。以下に記載した各形態中の技術的特徴に対応する上記実施形態中の技術的特徴は、本開示の課題の一部又は全部を解決するために、あるいは、本開示の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。
本開示は、上述した実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の形態で実現することができる。例えば、本開示は、以下の形態（aspect）によっても実現可能である。以下に記載した各形態中の技術的特徴に対応する上記実施形態中の技術的特徴は、本開示の課題の一部又は全部を解決するために、あるいは、本開示の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。
【0089】
（１）本開示の第１の形態によれば、機械学習モデルを用いて印刷媒体の判別処理を実行する方法が提供される。この方法は、（ａ）Ｎを１以上の整数とするとき、Ｎ個の機械学習モデルを準備する工程であって、前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成される、工程と、（ｂ）対象印刷媒体の分光反射率である対象分光データを取得する工程と、（ｃ）前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する工程と、を含む。
この方法によれば、機械学習モデルを用いてクラス分類処理を行うので、光学特性が類似する印刷媒体の判別を精度良く行うことができる。
この方法によれば、機械学習モデルを用いてクラス分類処理を行うので、光学特性が類似する印刷媒体の判別を精度良く行うことができる。
【0090】
（２）上記方法において、前記工程（ｃ）は、前記対象分光データのクラス分類処理の結果に応じて、前記対象印刷媒体の種類を示す媒体識別子を判別する工程と、を含み、前記方法は、更に、前記媒体識別子に応じて、前記対象印刷媒体を使用して印刷を実行するための印刷設定を選択する工程と、前記印刷設定に従って、前記対象印刷媒体を使用して印刷を実行する工程と、を含むものとしてもよい。
この方法によれば、対象印刷媒体の判別処理の結果から印刷設定を選択するので、その対象印刷媒体を用いてきれいな印刷物を作成できる。
この方法によれば、対象印刷媒体の判別処理の結果から印刷設定を選択するので、その対象印刷媒体を用いてきれいな印刷物を作成できる。
【0091】
（３）上記方法において、前記Ｎは２以上の整数であり、前記Ｎ個の機械学習モデルのそれぞれは、前記Ｎ個の機械学習モデルのうちの他の機械学習モデルと異なる少なくとも１つのクラスを有するように構成されるものとしてもよい。
この方法によれば、２個以上の機械学習モデルを用いてクラス分類処理を実行するので、１個の機械学習モデルで多数のクラスへの分類処理を行う場合に比べて、処理を高速に実行できる。
この方法によれば、２個以上の機械学習モデルを用いてクラス分類処理を実行するので、１個の機械学習モデルで多数のクラスへの分類処理を行う場合に比べて、処理を高速に実行できる。
【0092】
（４）上記方法において、前記Ｎ個の機械学習モデルは、対応するＮ個の教師データ群を用いて学習が実行されており、前記Ｎ個の教師データ群を構成するＮ個の分光データ群は、クラスタリング処理によってＮ個の組にグループ分けされた状態と等価な状態にあるものとしてもよい。
この方法によれば、各機械学習モデルの学習に用いられる分光データがクラスタリング処理によってグループ分けされているので、機械学習モデルによるクラス分類処理の精度を高めることができる。
この方法によれば、各機械学習モデルの学習に用いられる分光データがクラスタリング処理によってグループ分けされているので、機械学習モデルによるクラス分類処理の精度を高めることができる。
【0093】
（５）上記方法において、各教師データ群は、各教師データ群を構成する分光データ群の中心を代表する代表点を有し、任意の１個の機械学習モデルにより分類できるクラスの数には上限値が設定されており、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっている複数種類の印刷媒体は、ユーザーの除外指示がなければ前記クラス分類処理の対象から除外できない必須印刷媒体と、ユーザーの除外指示がなくても前記クラス分類処理の対象から除外できる任意印刷媒体と、のいずれかに分類されていてもよい。前記工程（ａ）は、前記Ｎ個の機械学習モデルによる前記クラス分類処理の対象となっていない新たな追加印刷媒体を前記クラス分類処理の対象とする媒体追加工程を含み、前記媒体追加工程は、（ａ１）前記追加印刷媒体の分光反射率を追加分光データとして取得する工程と、（ａ２）前記Ｎ個の教師データ群のうち、前記追加分光データに最も近い代表点を有する教師データ群を近接教師データ群として選択するとともに、前記近接教師データ群を用いて学習が行われていた特定の機械学習モデルを選択する工程と、（ａ３）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値未満である場合には、前記近接教師データ群に前記追加分光データを追加して前記近接教師データ群を更新し、更新後の前記近接教師データ群を用いて前記特定の機械学習モデルの再学習を実行する工程と、を含むものとしてもよい。
この方法によれば、追加印刷媒体に対応するクラス分類を行うことが可能となる。また、追加印刷媒体の追加分光データに最も近い重心を有する近接教師データ群に追加分光データを追加した上で機械学習モデルの再学習を行うので、機械学習モデルによるクラス分類処理の精度を高めることができる。
この方法によれば、追加印刷媒体に対応するクラス分類を行うことが可能となる。また、追加印刷媒体の追加分光データに最も近い重心を有する近接教師データ群に追加分光データを追加した上で機械学習モデルの再学習を行うので、機械学習モデルによるクラス分類処理の精度を高めることができる。
【0094】
（６）上記方法において、前記工程（ａ３）は、前記工程（ａ３）の実行前の時点において前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数と前記任意印刷媒体に相当するクラス数との合計が前記上限値に等しい場合には、前記近接教師データ群から前記任意印刷媒体に関する任意分光データを削除する工程、を含むものとしてもよい。
この方法によれば、任意媒体の任意分光データを近接教師データ群から削除するので、機械学習モデルのクラス数を増やすことなくクラス分類処理の精度を高めることができる。
この方法によれば、任意媒体の任意分光データを近接教師データ群から削除するので、機械学習モデルのクラス数を増やすことなくクラス分類処理の精度を高めることができる。
【0095】
（７）上記方法において、前記媒体追加工程は、更に、（ａ４）前記特定の機械学習モデルにおける前記必須印刷媒体に相当するクラス数が前記上限値に等しい場合には、新たな機械学習モデルを作成するとともに、前記追加分光データと１つ以上の任意印刷媒体に関する任意分光データとを含む新たな教師データ群を用いて前記新たな機械学習モデルの学習を実行する工程、を含むものとしてもよい。
この方法によれば、追加印刷媒体に対応するクラス分類を行うことが可能となる。また、追加分光データと任意分光データとを含む新たな教師データ群を用いて機械学習モデルの学習を行うので、クラス分類処理の精度を高めることができる。
この方法によれば、追加印刷媒体に対応するクラス分類を行うことが可能となる。また、追加分光データと任意分光データとを含む新たな教師データ群を用いて機械学習モデルの学習を行うので、クラス分類処理の精度を高めることができる。
【0096】
（８）上記方法は、更に、前記Ｎ個の機械学習モデルのうちから選ばれた１つの対象機械学習モデルによる前記クラス分類処理の対象から、１つの除外対象印刷媒体を除外する媒体除外工程を含み、前記媒体除外工程は、（ｉ）前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除することによって、前記教師データ群を更新する工程と、（ｉｉ）更新された前記教師データ群を用いて、前記対象機械学習モデルの再学習を実行する工程と、を含むものとしてもよい。
この方法によれば、印刷媒体を機械学習モデルのクラス分類処理の対象から除外できる。
この方法によれば、印刷媒体を機械学習モデルのクラス分類処理の対象から除外できる。
【0097】
（９）上記方法において、前記工程（ｉ）は、前記対象機械学習モデルによる前記クラス分類処理の対象から前記除外対象印刷媒体を除外することによって前記対象機械学習モデルが有するクラス数が予め設定された下限値未満となる場合には、前記対象機械学習モデルの学習に使用されていた教師データ群から前記除外対象印刷媒体に関する分光データを削除すると共に、１つ以上の任意印刷媒体に関する任意分光データを追加することによって前記教師データ群を更新するものとしてもよい。
この方法によれば、機械学習モデルのクラス数を下限値以上とすることができるので、クラス分類処理の精度が過度に低下することを防止できる。
この方法によれば、機械学習モデルのクラス数を下限値以上とすることができるので、クラス分類処理の精度が過度に低下することを防止できる。
【0098】
（１０）上記方法において、各機械学習モデルの学習に使用される１個の教師データ群と、当該教師データ群から除去される分光データ、及び、当該教師データ群に追加される分光データは、同一の分光データグル－プを構成するものとして管理され、当該教師データ群から除去される前記分光データは、前記分光データグループの待避用エリアに待避された状態となり、当該教師データ群に追加される前記分光データは、前記分光データグループの前記待避用エリアに待避されていた分光データから選択されるものとしてもよい。
この方法によれば、教師データとして使用する分光データを分光グループデータとして管理するので、Ｎ個の教師データ群を構成するＮ個の分光データ群を、クラスタリング処理によってグループ分けされた状態と等価な状態に維持できる。
この方法によれば、教師データとして使用する分光データを分光グループデータとして管理するので、Ｎ個の教師データ群を構成するＮ個の分光データ群を、クラスタリング処理によってグループ分けされた状態と等価な状態に維持できる。
【0099】
（１１）本開示の第２の形態によれば、機械学習モデルを用いて印刷媒体の判別処理を実行するシステムが提供される。このシステムは、Ｎを１以上の整数とするとき、Ｎ個の機械学習モデルを記憶するメモリーと、前記Ｎ個の機械学習モデルを用いて前記判別処理を実行するプロセッサーと、を備える。前記Ｎ個の機械学習モデルのそれぞれは、印刷媒体の分光反射率である入力分光データを複数のクラスのいずれかに分類することによって前記印刷媒体の種類を判別するように構成されている。前記プロセッサーは、対象印刷媒体の対象分光データを取得する第１処理と、前記Ｎ個の機械学習モデルを用いて、前記対象分光データのクラス分類処理を実行することによって、前記対象印刷媒体の種類を判別する第２処理と、を実行するように構成されている。
このシステムによれば、機械学習モデルを用いてクラス分類処理を行うので、光学特性が類似する印刷媒体の判別を精度良く行うことができる。
このシステムによれば、機械学習モデルを用いてクラス分類処理を行うので、光学特性が類似する印刷媒体の判別を精度良く行うことができる。
【0100】
本開示は、上記以外の種々の形態で実現することも可能である。例えば、クラス分類装置の機能を実現するためのコンピュータープログラム、そのコンピュータープログラムを記録した一時的でない記録媒体（non-transitory storage medium）等の形態で実現することができる。
【符号の説明】
【0101】
１０…プリンター、２０…情報処理装置、３０…分光測定器、１１０…プロセッサー、１１２…印刷処理部、１１４…クラス分類処理部、１１６…印刷設定作成部、１２０…メモリー、１３０…インターフェイス回路、１５０…表示部、２０１，２０２…機械学習モデル、２１１，２１２…畳み込み層、２２１，２２２…プライマリーベクトルニューロン層、２３１，２３２…第１畳み込みベクトルニューロン層、２４１，２４２…第２畳み込みベクトルニューロン層、２５１，２５２…分類ベクトルニューロン層、２６１，２６２…類似度演算部
【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】