JP2017037101A - Image forming apparatus and method of controlling the same - Google Patents
Image forming apparatus and method of controlling the same Download PDFInfo
- Publication number
- JP2017037101A JP2017037101A JP2015156238A JP2015156238A JP2017037101A JP 2017037101 A JP2017037101 A JP 2017037101A JP 2015156238 A JP2015156238 A JP 2015156238A JP 2015156238 A JP2015156238 A JP 2015156238A JP 2017037101 A JP2017037101 A JP 2017037101A
- Authority
- JP
- Japan
- Prior art keywords
- image forming
- density
- image
- forming apparatus
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Accessory Devices And Overall Control Thereof (AREA)
- Color, Gradation (AREA)
- Control Or Security For Electrophotography (AREA)
Abstract
Description
本願発明は、画像形成装置およびその制御方法に関する。 The present invention relates to an image forming apparatus and a control method thereof.
画像形成装置は、設置環境の変動や装置内の環境の変動に起因する短期的な変動、及び感光体や現像剤の経時変化（経時劣化）に起因する長期的な変動等の影響で、出力画像の濃度や濃度階調性が所望の濃度や階調性と異なる場合が生じる。そこで、画像形成装置では、所望の濃度や階調性に合わせるために様々な変動を考慮して随時画像形成条件を補正する必要がある。濃度や色味の変化を適切に補正する処理は、一般にキャリブレーションと称される。キャリブレーション処理として、例えば、濃度が一様なパターン画像を形成し、形成したパターンの濃度を測定して目標値と比較し、その比較結果に基づいて画像を形成するための各種条件を調整する。例えば特許文献１では、出力画像の濃度や階調性を安定化させるために、階調パターン等の特定パターンを用紙に形成し、画像読取部で読み取った階調パターン情報をγ補正等の画像形成条件にフィードバックさせる。
The image forming apparatus outputs output due to short-term fluctuations caused by fluctuations in the installation environment, fluctuations in the environment within the apparatus, and long-term fluctuations caused by changes in the photoreceptor and developer over time (deterioration with time). There are cases where the density and gradation of the image are different from the desired density and gradation. Therefore, in the image forming apparatus, it is necessary to correct the image forming conditions as needed in consideration of various variations in order to match the desired density and gradation. The process of appropriately correcting changes in density and color is generally referred to as calibration. As a calibration process, for example, a pattern image having a uniform density is formed, the density of the formed pattern is measured and compared with a target value, and various conditions for forming the image are adjusted based on the comparison result. . For example, in
一方、画質の安定性と同時に、ユーザビリティの向上、特に待機時間やダウンタイムの削減による生産性の向上に対する要求が高まっている。そのため、キャリブレーション制御に対しても、より短時間に制御することが強く求められている。制御時間短縮化への対応技術として、パッチの作像／測色の際の制御時間を短縮化するために、外部環境の変動とパッチの変動との間の相関関係をモデル化して、濃度を予測する濃度予測制御が提案されている。 On the other hand, there is an increasing demand for improving the usability by improving the usability, particularly by reducing the waiting time and downtime, as well as the stability of the image quality. For this reason, there is a strong demand for a shorter time for calibration control. In order to shorten the control time for patch image formation / colorimetry as a technology for shortening the control time, the correlation between the fluctuations in the external environment and the patch fluctuations is modeled to reduce the density. Concentration prediction control for prediction has been proposed.
しかしながら、環境変動や放置時間等、濃度を変化させる要因は多岐にわたり、変動要因とパッチの変動との相関関係のモデルを、全ての変動要因を考慮して作成してしまうと、変動量によっては予測濃度の精度が著しく低下する場合が出てくる。これは、濃度を変化させる変動要因が複数あり、変動要因に対する適切な濃度変動モデルが異なるためである。例えば、モデルの係数変化だけでは対応できず、センサからの入力値を増やす、あるいは変更してモデルの構造自体を変化させる必要性がある。 However, there are a variety of factors that change the concentration, such as environmental fluctuations and standing time, and if a model of the correlation between fluctuation factors and patch fluctuations is created in consideration of all the fluctuation factors, depending on the amount of fluctuation, There are cases where the accuracy of the predicted concentration is significantly reduced. This is because there are a plurality of variation factors that change the concentration, and appropriate concentration variation models for the variation factors are different. For example, it is not possible to cope with only changes in the coefficient of the model, and it is necessary to increase or change the input value from the sensor to change the model structure itself.
本発明は、上記課題を鑑み、色味・濃度階調性の安定化制御のためのキャリブレーションを、放置前の画像形成装置の状態や環境変動、あるいは放置中の環境の変動に関わらず、出力時の濃度を高精度に予測することを可能とする。 In view of the above-described problems, the present invention performs calibration for stabilization control of color tone and density gradation, regardless of the state of the image forming apparatus before leaving, environmental fluctuations, or fluctuations in the environmental conditions during leaving. It is possible to predict the density at the time of output with high accuracy.
上記課題を解決するために本願発明は以下の構成を有する。すなわち、記録剤を用いて画像形成を行う画像形成手段を備えた画像形成装置であって、前記画像形成手段により画像形成を行う際の画像信号に対して出力される前記記録剤の濃度を予測する予測手段と、前記予測手段にて予測された濃度に基づいて、前記画像形成手段による画像形成を制御する制御手段とを有し、前記予測手段による予測の際に用いられる関数は、画像形成装置の環境条件と当該環境条件にて前記画像形成手段にて画像形成された画像濃度との関係に基づき、１または複数の種類の環境条件を組み合わせた関数として予め定義されている。 In order to solve the above problems, the present invention has the following configuration. That is, an image forming apparatus including an image forming unit that forms an image using a recording agent, and predicts the density of the recording agent that is output with respect to an image signal when the image forming unit forms an image. And a control unit that controls image formation by the image forming unit based on the density predicted by the prediction unit, and the function used for the prediction by the prediction unit is image formation. Based on the relationship between the environmental conditions of the apparatus and the image density formed by the image forming unit under the environmental conditions, the function is defined in advance as a function combining one or more types of environmental conditions.
本発明により、色味・濃度階調性の安定化制御のためのキャリブレーションを高精度に実行することが可能になる。 According to the present invention, it is possible to execute calibration for stabilization control of color tone / density gradation property with high accuracy.
＜第一の実施形態＞
本発明の第一の実施形態について説明する。本実施形態に係る画像形成装置は電子写真方式を例にとって説明するが、これに限定するものではない。本願発明の制御の特徴的な点は、インクジェットプリンタや昇華型プリンタなどでも同じ課題があり、かつ、以下で述べる方法を用いて課題を解決することができる。
<First embodiment>
A first embodiment of the present invention will be described. The image forming apparatus according to the present embodiment will be described by taking an electrophotographic method as an example, but is not limited thereto. The characteristic point of the control of the present invention has the same problem in an ink jet printer, a sublimation printer, and the like, and the problem can be solved by using the method described below.
［画像形成装置］
（リーダー部）
図１に示すように、画像形成装置１００は、リーダー部Ａを有する。リーダー部Ａの原稿台ガラス１０２上に置かれた原稿は光源１０３によって照射され、原稿Ｇからの反射光が光学系１０４を介してＣＣＤセンサ１０５に結像する。ＣＣＤセンサ１０５は、三列に配置されたレッド、グリーン、およびブルーのＣＣＤラインセンサ群からなり、ラインセンサ毎にレッド、グリーン、およびブルーの色成分信号を生成する。これら読取光学系ユニットは、図１に示す矢印Ｒ３の方向に移動され、原稿Ｇの画像をライン毎の電気信号に変換する。原稿台ガラス１０２上には、位置決め部材１０７、および基準白色板１０６が配置されている。位置決め部材１０７は、原稿Ｇの一辺を当接させて原稿Ｇの斜め配置を防ぐ。基準白色板１０６は、ＣＣＤセンサ１０５の白レベルを決定し、ＣＣＤセンサ１０５のスラスト方向のシェーディング補正を行うための基準白色板１０６が配置されている。ＣＣＤセンサ１０５によって得られる画像信号は、リーダー画像処理部１０８によってＡ／Ｄ変換、基準白色板１０６の読取信号を用いたシェーディング補正、色変換がされてプリンタ部に送られ、プリンタ部内のプリンタコントローラ３００で処理される。また、リーダー部Ａには、オペレーターがコピー開始や各種設定等の操作するための操作部２０および操作パネル２１８が接続されている。
[Image forming apparatus]
(Leader)
As illustrated in FIG. 1, the
（プリンタ部）
図１に示すように、本実施形態に係る画像形成装置１００は、各色に対応する画像形成部Ｐを備えるタンデム型中間転写方式のフルカラープリンタである。ここでは、中間転写ベルト６に沿ってイエロー（Ｙ）、マゼンタ（Ｍ）、シアン（Ｃ）、ブラック（Ｋ）の画像形成部ＰＹ、ＰＭ、ＰＣ、ＰＫが配列されている。
(Printer part)
As shown in FIG. 1, the
画像形成部ＰＹでは、感光ドラム１Ｙにイエロートナー像が形成されて中間転写ベルト６に一次転写される。画像形成部ＰＭでは、感光ドラム１Ｍにマゼンタトナー像が形成されて中間転写ベルト６のイエロートナー像に重ねて一次転写される。画像形成部ＰＣ、ＰＫでは、それぞれ感光ドラム１Ｃ、１Ｋにシアントナー像、ブラックトナー像が形成されて同様に中間転写ベルト６に順次重ねて一次転写される。
In the image forming unit PY, a yellow toner image is formed on the
中間転写ベルト６に一次転写された四色のトナー像は、二次転写部Ｔ２へ搬送されて記録材Ｐへ一括二次転写される。四色のトナー像を二次転写された記録材Ｐは、定着装置１１で加熱加圧を受けて表面にトナー像を定着された後に、装置外部へ排出される。ここでの記録材Ｐは、例えば紙などが該当する。
The four-color toner images primarily transferred to the intermediate transfer belt 6 are transported to the secondary transfer portion T2 and collectively transferred to the recording material P. The recording material P on which the four-color toner images are secondarily transferred is heated and pressed by the fixing
中間転写ベルト６は、テンションローラ６１、駆動ローラ６２、及び対向ローラ６３に掛け渡して支持され、駆動ローラ６２に駆動されて所定のプロセススピードで矢印Ｒ２方向に回転する。
The intermediate transfer belt 6 is supported around a
記録材カセット６５から引き出された記録材Ｐは、分離ローラ６６で１枚ずつに分離され、レジストローラ６７へ送り出される。レジストローラ６７は、停止状態で記録材Ｐを受け入れて待機させ、中間転写ベルト６のトナー像にタイミングを合わせて記録材Ｐを二次転写部Ｔ２へ送り込む。
The recording material P drawn from the
二次転写ローラ６４は、対向ローラ６３に支持された中間転写ベルト６に当接して二次転写部Ｔ２を形成する。二次転写ローラ６４に正極性の直流電圧が印加されることによって、負極性に帯電して中間転写ベルト６に担持されたトナー像が記録材Ｐへ二次転写される。
The
画像形成部ＰＹ、ＰＭ、ＰＣ、ＰＫは、現像装置４Ｙ、４Ｍ、４Ｃ、４Ｋで用いるトナーの色がイエロー、マゼンタ、シアン、ブラックと異なる以外は、実質的に同一に構成される。以下では、特に区別を要しない場合は、いずれかの色に対応することを示すために符号に付した添え字Ｙ、Ｍ、Ｃ、Ｋは省略して、総括的に説明する。
The image forming units PY, PM, PC, and PK are configured substantially the same except that the color of toner used in the developing
図１に示すように、画像形成部Ｐには、感光ドラム１の周囲に、帯電装置２、露光装置３、現像装置４、一次転写ローラ７、およびクリーニング装置８が配置される。感光ドラム１は、アルミニウムシリンダの外周面に負極性の帯電極性を持たせた感光層が形成され、所定のプロセススピードで矢印Ｒ１方向に回転する。感光ドラム１は、近赤外光（９６０ｎｍ）の反射率が約４０％のＯＰＣ感光体である。しかし、反射率が同程度であるアモルファスシリコン系の感光体などであっても構わない。
As shown in FIG. 1, a
帯電装置２は、スコロトロン帯電器を用いており、コロナ放電に伴う荷電粒子を感光ドラム１に照射して、感光ドラム１の表面を一様な負極性の電位に帯電する。スコロトロン帯電器は、高圧電圧が印加されるワイヤと、アースにつながれたシールド部と、所望の電圧が印加されたグリッド部とを有する。帯電装置２のワイヤには、帯電バイアス電源（不図示）から、所定の帯電バイアスが印加される。帯電装置２のグリッド部には、グリッドバイアス電源（不図示）から、所定のグリッドバイアスが印加される。ワイヤに印加される電圧にも依存するが、感光ドラム１は、ほぼグリッド部に印加された電圧に帯電する。
The charging
露光装置３は、レーザービームを回転ミラーで走査して、帯電した感光ドラム１の表面に画像の静電像を書き込む。電位検出手段の一例である電位センサ（不図示）は、露光装置３が感光ドラム１に形成した静電像の電位を検出可能である。現像装置４は、感光ドラム１の静電像にトナーを付着させてトナー像に現像する。
The
一次転写ローラ７は、中間転写ベルト６の内側面を押圧して、感光ドラム１と中間転写ベルト６との間に一次転写部Ｔ１を形成する。正極性の直流電圧が一次転写ローラ７に印加されることによって、感光ドラム１に担持された負極性のトナー像が、一次転写部Ｔ１を通過する中間転写ベルト６へ一次転写される。
The primary transfer roller 7 presses the inner surface of the intermediate transfer belt 6 to form a primary transfer portion T <b> 1 between the
画像濃度センサ（パッチ検センサ）４００は、中間転写ベルト６に対向させて配置され、中間転写ベルト６上の未定着の記録剤（ここでは、トナー）の画像濃度を測定する。なお、本実施形態中では中間転写ベルト６に対向させて配置した構成であるが、感光ドラム１に対向させて配置する構成も含め、適宜配置することが可能である。また、感光ドラム１や中間転写ベルト６の上に配置した画像濃度センサ４００は、未定着のトナーの画像濃度を測定するセンサであるが、定着後のパターン画像を測定する画像濃度センサを別途、記録材Ｐの搬送方向下流側に配置してもよい。従って、本実施形態で説明する画像濃度センサに限定されるものではない。
An image density sensor (patch detection sensor) 400 is arranged to face the intermediate transfer belt 6 and measures the image density of an unfixed recording agent (here, toner) on the intermediate transfer belt 6. In the present embodiment, the configuration is arranged to face the intermediate transfer belt 6, but the arrangement can be appropriately arranged including the configuration to face the
クリーニング装置８は、感光ドラム１にクリーニングブレードを摺擦させて、中間転写ベルト６への転写を逃れて感光ドラム１に残った転写残トナーを回収する。ベルトクリーニング装置６８は、中間転写ベルト６にクリーニングブレードを摺擦させて、記録材Ｐへの転写を逃れて二次転写部Ｔ２を通過して中間転写ベルト６に残った転写残トナーを回収する。
The cleaning device 8 rubs the
（画像処理部）
図２は、本発明係るプリントシステムの構成例を示す図である。図２において、プリントシステムには、ホストコンピュータ３０１、および画像形成装置１００が含まれる。ホストコンピュータ３０１及び画像形成装置１００は、ＵＳＢ２．０Ｈｉｇｈ−Ｓｐｅｅｄ、１０００Ｂａｓｅ−Ｔ／１００Ｂａｓｅ−ＴＸ／１０Ｂａｓｅ−Ｔ（ＩＥＥＥ ８０２．３準拠）などの通信線によって接続されている。なお、各装置は、無線通信を用いて接続されてもよい。
(Image processing unit)
FIG. 2 is a diagram illustrating a configuration example of a print system according to the present invention. In FIG. 2, the print system includes a
画像形成装置１００において、プリンタコントローラ３００は、画像形成装置１００全体の動作を制御する。また、プリンタコントローラ３００は、ホストＩ／Ｆ部３０２、入出力バッファ３０３、プリンタコントローラＣＰＵ３１３、プログラムＲＯＭ３０４、ＲＡＭ３０９、画像情報生成部３０５、ＲＩＰ部３１４、色処理部３１５、階調補正部３１６、擬似中間調処理部３１７、エンジンＩ／Ｆ部３１８を有する。ホストＩ／Ｆ部３０２は、ホストコンピュータ３０１との入出力を司る。入出力バッファ３０３は、ホストＩ／Ｆ部３０２からの制御コードや各通信手段からデータの送受信を行う。プリンタコントローラＣＰＵ３１３は、プリンタコントローラ３００全体の動作を制御する。プログラムＲＯＭ３０４は、プリンタコントローラＣＰＵ３１３の制御プログラムや制御データが内蔵されている。ＲＡＭ３０９は、制御コード、データの解釈や印刷に必要な計算、或いは印刷データの処理のためのワークメモリに利用される。画像情報生成部３０５は、ホストコンピュータ３０１から受信したデータの設定より各種の画像オブジェクトを生成する。ＲＩＰ（Ｒａｓｔｅｒ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｏｒ）部３１４は、画像オブジェクトをビットマップ画像に展開する。色処理部３１５は、多次色の色変換処理を行う。階調補正部３１６は、単色の階調補正を実行する。擬似中間調処理部３１７は、ディザマトリクスや誤差拡散法などの擬似中間調処理を実行する。エンジンＩ／Ｆ部３１８は、変換された画像を画像形成エンジン部１０１に転送する。画像形成エンジン部１０１は、プリンタコントローラ３００から転送されてきた画像を用いて画像形成が行われる。図２において、基本的な画像形成時のプリンタコントローラ３００の画像処理の流れを、太い矢印にて示している。
In the
プリンタコントローラ３００は、画像形成だけではなく各種制御演算も司る。プリンタコントローラ３００は、各種制御演算のための制御プログラムをプログラムＲＯＭ３０４内に備える。その制御プログラムとして、最大濃度条件決定部３０６、予測濃度算出部３０７、および階調補正テーブル生成部３０８を有する。最大濃度条件決定部３０６は、最大濃度調整を行う。予測濃度算出部３０７は、センサからの出力値等により濃度を予測する。階調補正テーブル生成部３０８は、濃度階調補正（γＬＵＴ）を行う。なお、プリンタコントローラ３００は、各制御プログラムをプリンタコントローラＣＰＵ３１３にてプログラムＲＯＭ３０４から読み出して実行することにより各制御処理を実現するが、各種制御演算に関する詳細説明は後述する。
The
更にプリンタコントローラ３００は、テーブル格納部３１０、操作パネル２１８、パネルＩ／Ｆ部３１１、外部メモリ部１８１、メモリＩ／Ｆ部３１２、およびシステムバス３１９を備える。テーブル格納部３１０は、最大濃度条件決定部３０６〜階調補正テーブル生成部３０８の調整結果を一次格納する。操作パネル２１８は、印刷装置の操作や補正処理に実行指示を行う。パネルＩ／Ｆ部３１１は、プリンタコントローラ３００と操作パネル２１８とを繋ぐ。外部メモリ部１８１は、印字データや様々な印刷装置の情報等の保存に利用される。メモリＩ／Ｆ部３１２は、プリンタコントローラ３００と外部メモリ部１８１とを繋ぐ。システムバス３１９は、プリンタコントローラ３００内の各ユニットをつなぐ。
The
（予測濃度算出部）
次に、図３を用いて、プリンタコントローラ３００内での予測濃度算出部３０７について説明する。
(Predicted concentration calculator)
Next, the predicted density calculation unit 307 in the
画像形成装置１００が備える画像形成エンジン部１０１におけるセンサ２００、タイマー２０１、およびカウンター２０２からの各種信号値が、エンジンＩ／Ｆ部３１８を介して予測濃度算出部３０７に入力される。この時、まず予測濃度算出部３０７内の入力信号値処理部３２０に信号値は入力される。入力信号値処理部３２０は、信号値記憶部３２１と、差分算出部３２２とを備える。信号値記憶部３２１は、基本となる信号値を記憶する。差分算出部３２２は、入力された信号値と信号値記憶部３２１に記憶されている信号値との差分を算出する。
Various signal values from the
入力信号値処理部３２０にて処理された信号値は、濃度予測部３３０に入力される。濃度予測部３３０は、濃度記憶部３３１、および予測関数部３３２を備える。濃度記憶部３３１は、基本となる濃度を記憶する。予測関数部３３２は、入力信号値処理部３２０からの入力値に基づき濃度を予測する。予測関数部３３２は、入力値と基本となる濃度とから濃度変化量を算出する画像濃度予測モデルを有し、ここで算出された濃度変化量と、濃度記憶部３３１に記憶されている基本濃度とを足し合わせることで、現在の予測濃度を算出する。なお、画像濃度予測モデルについては後述する。また、基本となる信号値の取得、基本となる濃度の取得についても後述する。
The signal value processed by the input signal
算出された予測濃度は、階調補正テーブル生成部３０８に入力され、階調補正テーブル生成部３０８は、階調補正部３１６に入力するためのγＬＵＴを作成する。なお、階調補正方法については後述する。
The calculated predicted density is input to the gradation correction
［基本信号値、基本濃度取得］
次に、信号値記憶部３２１に保存される信号値、及び濃度記憶部３３１に保存される濃度の取得方法について説明する。本実施形態で用いる基本濃度は、図４に示す定期的に行われる自動階調補正制御時に取得される。
[Get basic signal value and basic density]
Next, a method for acquiring the signal value stored in the signal
まず、任意のタイミングで自動階調補正が開始されると、画像形成装置１００は、各色６４階調の画像パターンを形成し、パッチ画像として用紙上へ出力する（Ｓ２０１）。なお、階調数についてはこれに限定されるものではない。
First, when automatic gradation correction is started at an arbitrary timing, the
パッチ画像が出力された用紙は、ユーザーによりリーダー部Ａにセットされる。そして、画像形成装置１００は、リーダー部Ａにより用紙の画像を読み取り、画像パターンの濃度を検出する（Ｓ２０２）。
The sheet on which the patch image is output is set in the reader unit A by the user. Then, the
画像形成装置１００は、画像パターンから得られた濃度から、補間処理とスムージング処理を行い、全濃度領域のエンジンγ特性を得る。次に、画像形成装置１００は、得られたエンジンγ特性と予め設定されている階調ターゲットを用いて、入力画像信号を出力用の画像信号に変換するための階調補正テーブルを作成する（Ｓ２０３）。本実施形態では、図５に示すように、階調ターゲットに対して一致するように逆変換処理を行い作成する。この作業が終了すると、階調ターゲットに対して用紙上の濃度が全濃度領域で一致するようになる。
The
画像形成装置１００は、生成した階調補正テーブルを用いて、複数の画像パターンを形成する（Ｓ２０４）。更に、画像形成装置１００は、中間転写ベルト６上で画像濃度センサ４００を用いて濃度を検出する（Ｓ２０５）。そして、画像形成装置１００は、検出した濃度値が中間転写ベルト６上におけるターゲット濃度となるため、その値を基本濃度として濃度記憶部３３１に保存する（Ｓ２０６）。本実施形態では、階調補正テーブルが作成された後に各色１０階調の画像パターンを形成し、画像濃度センサ４００を用いて濃度値を検出する。そして、その結果を基本濃度として濃度記憶部３３１に保存する。
The
更に、画像形成装置１００は、基本濃度を取得した際のセンサ、カウンター、タイマーの値を、基本となる信号値として、信号値記憶部３２１に保存する（Ｓ２０７）。
Further, the
なお、本実施形態では画像濃度予測モデルを中間転写体（中間転写ベルト６）上のパッチ濃度を予測するモデルとしたため、基本となる濃度値は中間転写体上で測定した濃度値を保存した。しかし、例えば用紙等の記録媒体上に形成されたパッチの濃度を予測するモデルとする場合は、基本となる濃度値は記録媒体上のパッチ濃度として保存する。基本濃度は、画像濃度予測モデルを、どの位置のパッチ濃度を扱うかによって、適宜選択すればよく、上記に限定されるものではない。 In this embodiment, since the image density prediction model is a model for predicting the patch density on the intermediate transfer body (intermediate transfer belt 6), the density value measured on the intermediate transfer body is stored as the basic density value. However, when a model for predicting the density of a patch formed on a recording medium such as paper is used, the basic density value is stored as the patch density on the recording medium. The basic density may be selected as appropriate depending on which position of the patch density is used in the image density prediction model, and is not limited to the above.
［ＬＵＴ作成方法］
次に、本実施形態において、予測濃度値をＬＵＴに反映する方法について説明する。
[LUT creation method]
Next, a method for reflecting the predicted density value in the LUT in this embodiment will be described.
図４にて説明したように、任意のタイミングで行った自動階調補正時に、予め設定されている階調ターゲット（以後、階調ＬＵＴ）になるように、エンジンγ特性に合わせて階調補正テーブル（以後、基本補正ＬＵＴ）が形成される。その後、各色１０階調の基本濃度値が取得される。従って、自動階調補正後は、入力画像データに基本補正ＬＵＴを適用してエンジンに入力し、エンジンγ特性が合わさって出力されることにより、狙いの階調ＬＵＴになるように出力される。以後、例えば、電源ＯＮ時、スリープ復帰時、環境変動時、予め設定された任意のタイミングで予測濃度値を取得し、その予測濃度値を用いて画像出力時のＬＵＴ（以後、合成補正ＬＵＴ）を作成する。 As described with reference to FIG. 4, when automatic gradation correction is performed at an arbitrary timing, gradation correction is performed in accordance with the engine γ characteristics so that a predetermined gradation target (hereinafter referred to as gradation LUT) is obtained. A table (hereinafter basic correction LUT) is formed. Thereafter, a basic density value of 10 gradations for each color is acquired. Therefore, after the automatic gradation correction, the basic correction LUT is applied to the input image data and input to the engine, and the combined engine γ characteristics are output, so that the target gradation LUT is output. Thereafter, for example, when the power is turned on, when returning from sleep, when the environment changes, the predicted density value is acquired at an arbitrary timing set in advance, and the LUT at the time of image output using the predicted density value (hereinafter referred to as a combined correction LUT). Create
図６〜図９を用いて合成補正ＬＵＴ作成方法について説明する。図６に補正ＬＵＴを作成する処理のフローチャートを示す。 A composite correction LUT creation method will be described with reference to FIGS. FIG. 6 shows a flowchart of processing for creating a correction LUT.
まず、プリンタコントローラ３００は、予測濃度値を取得する（Ｓ３０１）。次に、プリンタコントローラ３００は、取得した予測濃度値を階調毎にプロットし、図７の○点に示す予測濃度値に対する濃度カーブ（破線）を作成する（Ｓ３０２）。
First, the
プリンタコントローラ３００は、作成した予測濃度値の濃度カーブを、基本濃度カーブに補正するために逆変換を行い、図８の長破線で示すような予測時ＬＵＴを作成する（Ｓ３０３）。
The
最後に、プリンタコントローラ３００は、予測時ＬＵＴと、基本補正ＬＵＴを掛け合わせることで、図９の２点鎖線に示すような合成補正ＬＵＴを作成する（Ｓ３０４）。そして、プリンタコントローラ３００は、作成した合成補正ＬＵＴを出力画像に反映させて、画像を出力する。なお、濃度カーブの作成方法は、１０点を結ぶような近似式を用いる等、一般的に使用される近似方法で構わない。
Finally, the
［予測濃度算出］
予測濃度値を算出する処理のフローチャートを、図１０に示す。ここでは、予め基本信号値、基本濃度が取得された状態において、画像形成装置１００本体を起動させた場合の濃度を予測するフローについて説明する。
[Predicted concentration calculation]
FIG. 10 shows a flowchart of the process for calculating the predicted density value. Here, a flow for predicting the density when the main body of the
まず、画像形成装置１００本体が起動されると、プリンタコントローラ３００は、画像形成エンジン部１０１に備えられているセンサ２００、タイマー２０１、およびカウンター２０２から、起動時の入力信号値を取得する（Ｓ４０１）。プリンタコントローラ３００は、この取得した信号値と、予め記憶されている基本信号値との差分を抽出する（Ｓ４０２）。
First, when the main body of the
次に、プリンタコントローラ３００は、抽出された差分値を、予め検討に基づいて作成されている画像濃度予測モデルに代入する（Ｓ４０３）。そして、プリンタコントローラ３００は、現時点での濃度における基本濃度からの差分値（変動量）を予測値として算出する（Ｓ４０４）。プリンタコントローラ３００は、算出した予測値と基本濃度値との和から、現時点での予測濃度値を算出する（Ｓ４０５）。
Next, the
［画像濃度予測モデルの作成］
画像濃度予測モデルは、画像の濃度変動に相関のある情報を入力情報とし、画像濃度情報を出力情報として、実験結果に基づいて数式化することで得られる。ここでの入力情報とは、例えば、画像形成装置１００の電源投入直後にセンサ２００から取得できる環境情報、タイマー２０１から取得できる前の印刷からの放置時間などの時間情報、もしくはカウンター２０２から取得できるトナー補給回数や空回転回数などの回数情報が挙げられる。
[Create image density prediction model]
The image density prediction model is obtained by formulating based on the experimental results using information correlated with the density fluctuation of the image as input information and image density information as output information. The input information here is, for example, environmental information that can be acquired from the
画像濃度予測モデルは、必ずしも画像濃度に最も相関の高い情報から成るとは限らない。例えば、センサ２００から取得される環境情報で、印刷時よりも過去の情報の方が最も相関が高いとする。この場合、電源投入直後においては、過去の情報は、センサが通電されていないため得られない。過去の環境情報と相関が高い濃度変動の特性を持つ画像形成装置において、画像濃度予測モデルを使って濃度補正を行うには、過去の環境情報の代わりに印刷時の現在の情報を入力とした予測モデルを構築する必要がある。
The image density prediction model does not necessarily include information having the highest correlation with the image density. For example, in the environment information acquired from the
なお、画像濃度予測モデルは、画像形成装置の構成や印刷速度、画像形成装置における様々な制御によって、モデル構造やモデル構造の因子、係数が変化する。従って、以下に説明する画像濃度予測モデルの作成方法によって作成された予測モデルに限定されるものではない。 In the image density prediction model, the model structure, the factors of the model structure, and the coefficients vary depending on the configuration and printing speed of the image forming apparatus and various controls in the image forming apparatus. Therefore, the present invention is not limited to the prediction model created by the image density prediction model creation method described below.
以下、本発明に用いる画像濃度予測モデルを作成するための手順を、図１１を用いて説明する。 Hereinafter, the procedure for creating the image density prediction model used in the present invention will be described with reference to FIG.
まず、ユーザーは、環境条件の変動パターンを多数用意し、その条件下で画像形成装置１００に印刷動作を実行させ、環境条件とそれに対応する出力画像の画像濃度を測定する（Ｓ１０１）。ここでの環境条件とは、印刷時の現像器内のトナー濃度や様々な箇所の温度・湿度、前の印刷時の現像器内のトナー濃度や、前の印刷からの放置時間などである。これらは、電源投入直後に入手できる環境情報である。また、画像濃度とは、トナーパッチの感光体上での濃度、中間転写体上での濃度、もしくは印刷媒体上での濃度のいずれかである。
First, the user prepares a large number of variation patterns of environmental conditions, causes the
次に、ユーザーは、測定データを同定用データと検証用データとに分類する（Ｓ１０２）。次に、ユーザーは、測定データから、各実験日の最初のデータを基準とした環境変動と画像濃度の変動のデータを算出する（Ｓ１０３）。次に、ユーザーは、同定用データに対して、各環境条件を入力変数とし、各階調の画像濃度を出力変数とする一次関数式でカーブフィットを行う（Ｓ１０４）。 Next, the user classifies the measurement data into identification data and verification data (S102). Next, the user calculates environmental fluctuation and image density fluctuation data based on the first data of each experimental day from the measurement data (S103). Next, the user performs curve fitting with respect to the identification data using a linear function equation having each environmental condition as an input variable and image density of each gradation as an output variable (S104).
例えば、以下ではセンサからの入力値として、印刷時の現像器内のトナー濃度、現像器内温度、現像器外湿度、前の印刷からの放置時間を用いて説明するが、これに限定されるものではない。以下では、上記のセンサからの入力値に対して、４入力の１次関数モデルまでの説明を行う。しかし、５入力以上のセンサからの入力値を用いた場合においても、同様の処理を行うことによってモデル作成は可能であり、これに限定されるものではない。 For example, in the following description, the input value from the sensor will be described using the toner density in the developing device at the time of printing, the temperature inside the developing device, the humidity outside the developing device, and the leaving time from the previous printing, but it is limited to this. It is not a thing. Hereinafter, up to a four-input linear function model will be described with respect to the input values from the sensor. However, even when an input value from a sensor having five or more inputs is used, a model can be created by performing the same processing, and the present invention is not limited to this.
自動階調補正制御が行われてからの経過時間ｔ秒後の入力変数を、印刷時の現像器内のトナー濃度変動ｘ１（ｔ）、現像器内の温度変動ｘ２（ｔ）［℃］、現像器外の湿度変動ｘ３（ｔ）［％］、前の印刷からの放置時間変動ｘ４（ｔ）［分］とする。そして、入力変数ｘｉ（ｔ）の組み合わせから変動値を出力する一次関数モデルをそれぞれ以下のように係数ａを用いて定義する。ここでは、１種類の入力変数から予測される画像濃度変動を
１入力モデル：
ユーザーは、各入力モデルに対して、（ｉ）、（ｉ，ｊ）、（ｉ，ｊ，ｋ）、（ｉ，ｊ，ｋ，ｌ）の組み合わせごとに（ｉ，ｊ，ｋ，ｌ＝１〜４）、出力変数である画像濃度変動の測定データｙ（ｔ）に対してカーブフィットを行う。カーブフィットの方法の一例としては、一次関数モデルの係数（ａｉ）、（ａｉｊ１，ａｉｊ２）、（ａｉｊｋ１，ａｉｊｋ２，ａｉｊｋ３）、（ａｉｊｋｌ１，ａｉｊｋｌ２，ａｉｊｋｌ３，ａｉｊｋｌ４）に対して、次式で表される予測誤差の二乗和Ｓを演算し、これを最小にする係数を探索する。 For each input model, the user (i, j, k, l =) for each combination of (i), (i, j), (i, j, k), (i, j, k, l). 1-4) Curve fitting is performed on the measurement data y (t) of the image density fluctuation which is an output variable. As an example of the curve fitting method, coefficients (a i ), (a ij1 , a ij2 ), (a ijk 1 , a ijk 2 , a ijk 3 ), (a ijkl 1 , a ijkl 2 , a ijkl 3 , a ijk 3 , a ijk 3 , a ijk ), The sum of squares S of the prediction error expressed by the following equation is calculated, and a coefficient that minimizes this is searched.
１入力モデルの場合：
このとき、各一次関数モデルと、予測誤差の二乗和の最小値とを求める。
For 1-input models:
At this time, each linear function model and the minimum value of the square sum of prediction errors are obtained.
次に、ユーザーは、検証用データを使って、Ｓ１０４で求めた一次関数モデルの予測誤差を演算する（Ｓ１０５）。ユーザーは、検証用データの環境条件で、各一次関数モデルを使って画像濃度変動の予測値
最後に、ユーザーは、入力変数の組み合わせに対する予測誤差を比較し、最適な入力変数の組み合わせと一次関数モデルとを得て、これを画像濃度予測モデルとする（Ｓ１０６）。本実施形態では、同定用データを用いて演算した予測誤差の二乗和と、検証用データを用いて演算した予測誤差の二乗和との和を評価し、同定用と検証用の両方を考慮して最適な入力変数組み合わせになる一次関数モデルを画像濃度予測モデルとする。なお、検証用データを用いて演算した予測誤差の二乗和を比較し、この値が最小である一次関数モデルを用いてもよい。 Finally, the user compares prediction errors with respect to the combination of input variables, obtains an optimal combination of input variables and a linear function model, and uses this as an image density prediction model (S106). In this embodiment, the sum of the square sum of the prediction errors calculated using the identification data and the square sum of the prediction errors calculated using the verification data is evaluated, and both the identification and verification are considered. The linear function model that provides the optimal input variable combination is defined as an image density prediction model. Note that a linear function model having a minimum value may be used by comparing the square sums of prediction errors calculated using the verification data.
本実施形態では、入力変数をｘ１（ｔ）のような単純なものとしたが、複数の入力変数を組み合わせて、ｘ１（ｔ）×ｘ２（ｔ）のような環境条件の積や商を用意することにより、複雑なモデルも検討してもよい。例えば、現像器内のトナー濃度と放置時間とを加味したトナー帯電量の変化を表現できる入力変数を作成し、予測モデルを検討することができる。 In this embodiment, the input variable is a simple one such as x1 (t) . However, by combining a plurality of input variables, the product of environmental conditions such as x1 (t) × x2 (t) By preparing a quotient, a complex model may be considered. For example, it is possible to create an input variable that can represent a change in the toner charge amount taking into account the toner density in the developing device and the standing time, and examine the prediction model.
また、環境条件としての入力は、画像形成装置の各部における温度、湿度、トナー濃度、放置時間の他、トナーの水分量、トナー補給量、トナー消費量、現像装置４内の撹拌用のスクリューの回転数などを用いてもよい。
In addition to the temperature, humidity, toner concentration, and standing time in each part of the image forming apparatus, input as environmental conditions includes toner moisture, toner replenishment, toner consumption, and the stirring screw in the developing
今回は簡単のため、各実験日の最初のデータを基準としたカーブフィットのみで説明したが、各測定データを基準にしたカーブフィットを行い、全予測誤差の和で予測精度を評価することにより、さらに誤差の小さい予測モデルが得られる。
［多入力モデルの効果検証］
本実施形態においては、現像器内トナー濃度、現像器内温度、現像器内湿度、現像器内水分量、機外環境温度、機外環境湿度、機外環境水分量のうちの一つあるいは複数個の入力値と、１０階調のトナーパッチの中間転写体上で検出した濃度との間での相関を示す濃度予測モデルを、前述の方法にて作成した。なお、入力値はこれに限定されるものではなく、また検出濃度値も中間転写体上に限定されるものではない。
[Effect verification of multi-input model]
In the present exemplary embodiment, one or more of the toner density in the developing device, the developing device temperature, the developing device humidity, the developing device moisture content, the outside device temperature, the outside environment temperature, the outside environment humidity, and the outside environment water content. A density prediction model showing a correlation between each input value and the density detected on the intermediate transfer member of the 10-tone toner patch was created by the method described above. The input value is not limited to this, and the detected density value is not limited to the intermediate transfer member.
まず、センサからの入力値と濃度値との間の相関を示す濃度予測モデルにおいて、複数のセンサからの入力値を利用することで、濃度予測の精度が向上することについて説明する。 First, it will be described that the accuracy of density prediction is improved by using input values from a plurality of sensors in a density prediction model showing a correlation between an input value from a sensor and a density value.
図１２は、本実施形態にて説明した方法で取得した測定データの一例であり、図１１のＳ１０１で得られる測定データである。図１２（ａ）は、環境条件での測定データである。図１２（ｂ）は、画像濃度の測定データである。この測定データを同定用データと検証用データとに分類する。また、図１３（ａ）は、図１１のＳ１０３で得られる環境条件の変動データである。図１３（ｂ）は、画像濃度の変動データである。 FIG. 12 is an example of measurement data acquired by the method described in this embodiment, and is measurement data obtained in S101 of FIG. FIG. 12A shows measurement data under environmental conditions. FIG. 12B shows image density measurement data. This measurement data is classified into identification data and verification data. FIG. 13A shows variation data of environmental conditions obtained in S103 of FIG. FIG. 13B shows image density fluctuation data.
図１４は、センサからの入力値を一つにした場合の１入力モデルにおいて、図１３のデータを用いて図１１のフローにてカーブフィットを行った場合の結果である。ここでは、同定用データを用いて演算した予測誤差の二乗和と、検証用データを用いて演算した予測誤差の二乗和との総和を示す。また、図１５は、カーブフィットの際に算出された入力値に係る係数を示す。なお、以下のデータに記載される記号Ｅは、指数表記である。例えば、（Ｅ−１）＝（１０）−１＝０．１となり、（Ｅ−２）＝（１０）−２＝（１／１０）２＝０．０１となる。ここで、１入力の一次関数モデルとしては、図１４の予測誤差の二乗和の総和が最小である、現像器外部の水分量を入力変数とした場合が最適であると判断される。 FIG. 14 shows a result when curve fitting is performed in the flow of FIG. 11 using the data of FIG. 13 in a one-input model in which one input value from the sensor is made. Here, the sum of the sum of squares of prediction errors calculated using the identification data and the sum of squares of prediction errors calculated using the verification data is shown. FIG. 15 shows coefficients related to input values calculated during curve fitting. In addition, the symbol E described in the following data is an exponential notation. For example, (E-1) = (10) −1 = 0.1, and (E-2) = (10) −2 = (1/10) 2 = 0.01. Here, it is determined that the one-input linear function model is optimal when the moisture content outside the developing unit having the minimum sum of squares of the prediction error in FIG. 14 is the input variable.
次に、２入力の一次関数モデルについて説明する。センサからの入力値を複数にする場合も、図１１のフローに基づいて、１入力時と同様の算出を行う。もしくは、１入力の一次関数モデルの結果を参考にして、２入力時に用いるセンサを限定することで、効率的に２入力の最適な一次関数モデルを作成してもよい。ここでは、１入力における予測誤差の二乗和が最小値となる現像器外部の水分量と、その他のセンサとの組み合わせにおいて２入力の一次関数モデルを算出している。図１６は、各センサの組み合わせに対してカーブフィットを行った場合の、同定用データおよび検証用データを用いて演算した予測誤差の二乗和の総和を示す。また、図１７は、カーブフィットの際に算出された入力値に係る係数を示す。 Next, a two-input linear function model will be described. Even when a plurality of input values from the sensor are used, the same calculation as in the case of one input is performed based on the flow of FIG. Alternatively, the optimal linear function model having two inputs may be efficiently created by limiting the sensors used at the time of two inputs with reference to the result of the linear function model having one input. In this case, a two-input linear function model is calculated for a combination of the moisture content outside the developing device that minimizes the square sum of the prediction errors in one input and other sensors. FIG. 16 shows the sum of squares of prediction errors calculated using identification data and verification data when curve fitting is performed for each sensor combination. FIG. 17 shows coefficients related to input values calculated at the time of curve fitting.
図１６に示す結果から、２入力の一次関数モデルとしては、予測誤差の二乗和の総和が最小である、現像器外部水分量と現像内部温度とを入力変数とした場合が最適であると判断される。 From the results shown in FIG. 16, it is determined that the two-input linear function model is optimal when the sum of the squares of the prediction errors is the minimum, and the developer external moisture amount and the development internal temperature are input variables. Is done.
また、図１４と図１６に基づいて、１入力の一次関数モデルと、２入力の一次関数モデルの予測誤差の二乗和の総和を比較すると、２入力の方が予測誤差は小さくなっている。これは、センサからの入力数を増やしていった場合、以下のような理由により予測誤差が小さくなると考えられる。例えば、１入力目の関数の誤差分を補完するように２入力目の関数が作用する場合が挙げられる。あるいは、濃度の変動周期や要因が複数にまたがっており、異なる変動周期に対応するように作用する場合や、装置の内外環境の変化が発生した際に、その変化差などの変動履歴に追従するように作用する場合などが挙げられる。 Further, based on FIGS. 14 and 16, when the sum of the square sums of the prediction errors of the one-input linear function model and the two-input linear function model is compared, the prediction error is smaller in the two-input case. This is considered that the prediction error is reduced for the following reason when the number of inputs from the sensor is increased. For example, there is a case where the function of the second input acts so as to complement the error of the function of the first input. Or, when there are multiple fluctuation cycles and factors of concentration and it works to deal with different fluctuation cycles, or when a change in the internal / external environment of the device occurs, it follows the fluctuation history such as the change difference And the like.
図１８には、一例として、画像濃度が６０％ＤＵＴＹの場合の、実測濃度、１入力の一次関数モデルによる予測濃度、２入力の一次関数モデルによる予測濃度をプロットしたグラフを示す。このグラフより、１入力よりも２入力の方がより実測に近く、予測誤差が小さくなっていることが分かる。 FIG. 18 shows, as an example, a graph plotting measured density, predicted density based on a linear function model with one input, and predicted density based on a linear function model with two inputs when the image density is 60% DUTY. From this graph, it can be seen that two inputs are closer to actual measurement than one input, and the prediction error is smaller.
以上、色味・濃度階調性の安定化制御のためのキャリブレーションを、外部環境の変動を入力値として予測濃度値を算出して実行する濃度予測制御において、センサからの入力数を増やして出力濃度に対する濃度予測モデルを作成して用いる。これにより、より高精度に出力濃度を予測することが可能になる。その結果、色味・濃度階調性の安定化のためのキャリブレーションを高精度に実行することが可能になる。 As described above, in the density prediction control that executes the calibration for the stabilization control of the color tone / density gradation property by calculating the predicted density value using the change of the external environment as the input value, the number of inputs from the sensor is increased. A density prediction model for the output density is created and used. This makes it possible to predict the output density with higher accuracy. As a result, calibration for stabilizing color tone / density gradation can be executed with high accuracy.
＜第二の実施形態＞
第二の実施形態においては、環境の変動状態や放置前の画像形成装置の状態に応じて、濃度予測をするためのモデルを変更することについて説明する。なお、画像形成装置の構成や濃度の取得方法、濃度予測を行うためのモデル作成フローについては、第一の実施形態と同様とし、詳細な説明は省略する。
<Second Embodiment>
In the second embodiment, a description will be given of changing a model for predicting density according to a change state of an environment and a state of an image forming apparatus before being left. Note that the configuration of the image forming apparatus, the density acquisition method, and the model creation flow for performing density prediction are the same as those in the first embodiment, and detailed description thereof is omitted.
［複数の濃度予測モデルの必要性］
まず、濃度予測モデルが複数必要である理由について説明する。濃度が変動する要因としては、画像形成装置の内外の温湿度環境の変化が挙げられる。更には、画像形成のジョブ数や画像ＤＵＴＹ、あるいは補給量のずれによる現像器内のトナー濃度変化等の、過去の画像形成動作に起因して発生する履歴変動が挙げられる。さらには、温湿度環境の変化と履歴変動が複合された状態も挙げられる。
[Necessity of multiple concentration prediction models]
First, the reason why a plurality of concentration prediction models are required will be described. As a factor that the density fluctuates, there is a change in the temperature and humidity environment inside and outside the image forming apparatus. Furthermore, there are history fluctuations caused by past image forming operations such as the number of image forming jobs, the image DUTY, or a change in toner density in the developing device due to a difference in the replenishment amount. Furthermore, a state in which changes in the temperature and humidity environment and history fluctuations are combined can also be mentioned.
例えば、温湿度の変化がなくて、履歴変動がある場合の濃度変化に対応する濃度予測モデルは、モデル構造として履歴変動に関わる数値、例えば現像器内のトナー濃度や補給量、出力枚数等が入力値として用いられる。さらには、予測誤差を補完するために他のセンサからの入力が必要になる。 For example, a density prediction model corresponding to a density change when there is no change in temperature and humidity and there is a history change has a numerical value related to the history change as a model structure, such as a toner density in the developing device, a replenishment amount, and the number of output sheets. Used as input value. Furthermore, input from other sensors is required to supplement the prediction error.
逆に、履歴変動がなくて、温湿度環境の変化がある場合は、濃度変化に対応する濃度予測モデルは、モデル構造として例えば水分量や湿度等の、画像形成装置の内外に配置される環境センサからの入力値を必要とする。さらには、予測誤差を補完するために複数のセンサからの入力が必要になる。 Conversely, when there is no history fluctuation and there is a change in the temperature and humidity environment, the density prediction model corresponding to the density change is an environment in which the model structure is arranged inside or outside the image forming apparatus, for example, the amount of moisture or humidity. Requires input from sensor. Furthermore, input from a plurality of sensors is required to supplement the prediction error.
一方、温湿度環境の変化と履歴変動が複合された状態変動パターンもある。この場合は、濃度変化に対応する濃度予測モデルは、例えば水分量の環境センサ（不図示）からの入力値と、現像器内のトナー濃度センサ（不図示）等からの履歴情報の入力値の両方が用いられる。さらには、予測誤差を補完するために他のセンサからの入力が必要になる。 On the other hand, there is also a state variation pattern in which changes in the temperature and humidity environment and history variations are combined. In this case, the density prediction model corresponding to the density change includes, for example, an input value of moisture content from an environmental sensor (not shown) and an input value of history information from a toner density sensor (not shown) in the developing device. Both are used. Furthermore, input from other sensors is required to supplement the prediction error.
すなわち、各変動パターンにおいて、最適となる予測関数モデルは異なる。全ての変動パターンに対応したモデルを作成した場合、予測誤差が大きくなり、予測精度が低下してしまう。従って、各変動パターンに応じて、最適となるモデルを個別に作成し、各環境変化に応じてモデルを使い分けることによって、予測精度を向上させることが可能になる。 In other words, the optimum prediction function model is different for each variation pattern. When a model corresponding to all the variation patterns is created, the prediction error increases and the prediction accuracy decreases. Therefore, it is possible to improve the prediction accuracy by individually creating an optimal model according to each variation pattern and using the model appropriately according to each environmental change.
［複数のモデルを使用した際の予測精度の検証］
次に、本実施形態において、複数の濃度予測モデルを変動パターンに応じて使用した場合の、予測精度に関する検証について説明する。
[Verification of prediction accuracy when multiple models are used]
Next, verification regarding prediction accuracy when a plurality of concentration prediction models are used in accordance with the variation pattern in the present embodiment will be described.
第二の実施形態において、予測濃度と実測濃度との差分（予測誤差）を示す指標として、色度の差分であるΔＥで算出する。ΔＥは、ＣＩＥが定めるＬ＊ａ＊ｂ＊色空間内の三次元距離（式１）で表すことができる。
例えば、同じ濃度のずれ量であっても、高濃度域と低濃度域では、ずれ量に対するＬ＊ａ＊ｂ＊色空間内の色度点の距離が異なるため、ΔＥの方が、実際に人が感じるずれ分を評価する場合には有効である。本実施形態において、１０階調のパッチ濃度の実測値と予測値のずれ分を評価するため、ΔＥで評価を行う。実測値と予測濃度値のずれ分ΔＤをΔＥに変換するには、式２を用いる。
式２は、使用する画像形成装置の濃度及び色度と、ΔＥとの関係を予め取得しておくことで算出可能である。なお、式２は、使用する画像形成装置やトナー種に応じて変化するものであり、これに限定されるものではない。
図１９に本実施形態にて使用した測定データの一例を示す。図１９（ａ）は、環境条件の測定データである。図１９（ｂ）は、画像濃度の測定データである。本実施形態においては、以下の３つのケースのデータを用いて濃度予測モデルを作成する。
ケース（１）：温湿度環境の変化がなく、履歴変動がある場合
ケース（２）：履歴変動がなく、温湿度環境の変化がある場合
ケース（３）：履歴変動と温湿度環境の変化の両方がある場合
濃度予測モデル及びモデル精度評価は、ケース（１）〜（３）のそれぞれの変動パターンに応じて、それぞれ濃度予測モデルを作成し、前述した評価方法で予測誤差を算出する。また、その比較例として、ケース（１）〜（３）全てのデータを用いて濃度予測モデルを作成し、前述した評価方法で予測誤差を算出する。
FIG. 19 shows an example of measurement data used in this embodiment. FIG. 19A shows measurement data of environmental conditions. FIG. 19B shows image density measurement data. In the present embodiment, a concentration prediction model is created using data in the following three cases.
Case (1): No change in temperature / humidity environment and history change Case (2): No history change, change in temperature / humidity environment Case (3): History change and change in temperature / humidity environment When both are present In the density prediction model and model accuracy evaluation, a density prediction model is created according to each variation pattern of cases (1) to (3), and a prediction error is calculated by the above-described evaluation method. As a comparative example, a density prediction model is created using all the data in cases (1) to (3), and a prediction error is calculated by the evaluation method described above.
図２０は、ケース（１）〜（３）それぞれの変動パターンに応じて個別に濃度予測モデルを作成した場合の入力値として使用したセンサとそれに係る係数（濃度予測関数）を示す。更に、ケース（１）〜（３）全てのデータを用いて濃度予測モデルを作成した場合の入力値として使用したセンサとそれに係る係数（濃度予測関数）を示す。 FIG. 20 shows a sensor used as an input value and a coefficient (concentration prediction function) associated therewith when a concentration prediction model is individually created according to each variation pattern of cases (1) to (3). Furthermore, the sensor used as an input value at the time of producing a density | concentration prediction model using all the data of cases (1)-(3), and the coefficient (density | concentration prediction function) concerning it are shown.
例えば、変動パターンがケース（１）の場合では、図１９に示した測定データのうち、温湿度環境の変化がなく、履歴変動がある場合のデータを抜き出す。そして、図１１のフローに基づいて最適となる濃度予測関数を算出するために使用されるセンサからの入力値は、現像器内のトナー濃度と環境湿度である。環境湿度センサの項は、第一の実施形態で説明したように、１入力目の関数の誤差分を補完するように２入力目の関数が作用する場合や、濃度の変動周期や要因が複数にまたがっており、異なる変動周期に対応するために作用する場合や、画像形成装置の内外環境の変化が発生した場合などに、その内外の環境変化差などの変動履歴に追従するために作用する。そのため、必ずしも濃度変動に大きく相関があるものからなるわけではない。 For example, when the variation pattern is case (1), data in the case where there is no change in the temperature and humidity environment and there is a history variation is extracted from the measurement data shown in FIG. The input values from the sensor used for calculating the optimum density prediction function based on the flow of FIG. 11 are the toner density and the environmental humidity in the developing device. As described in the first embodiment, the term “environmental humidity sensor” includes a case where the function of the second input acts to complement the error of the function of the first input, and a plurality of concentration fluctuation cycles and factors. It works to respond to different fluctuation cycles, or to follow a change history such as the internal / external environmental change difference when the internal / external environment of the image forming apparatus changes. . Therefore, it does not necessarily consist of a large correlation in density variation.
また、図２０から分かるように、変動パターンのケース（１）、（２）については、濃度予測関数として２つのセンサ種を使用している。変動パターンのケース（３）あるいは全データを用いた場合の変動パターン（ケース（４））については、４つのセンサ種を用いている。これは、変動パターンがケース（１）、（２）のように限定されたものであれば、濃度を変動させる因子が少なく、少ないセンサからの入力値を用いて濃度予測関数を作成することができる。一方、変動パターンのケース（３）、（４）のように、濃度を変動させる因子が多い場合は、因子を特定するためのセンサからの入力値や誤差の補完に用いられるセンサ種が増える。そのため、多くのセンサからの入力値を用いて濃度予測関数が作成されることになる。なお、本実施形態においては、試用するセンサの数を２あるいは４の場合について説明するが、これに限定されるものではない。 Further, as can be seen from FIG. 20, in the cases (1) and (2) of the variation pattern, two sensor types are used as the density prediction function. For the variation pattern case (3) or the variation pattern when all data is used (case (4)), four sensor types are used. If the variation pattern is limited as in cases (1) and (2), there are few factors that vary the concentration, and a concentration prediction function can be created using input values from a small number of sensors. it can. On the other hand, when there are many factors that cause the concentration to change, as in the cases (3) and (4) of the variation pattern, the sensor types used to complement the input values and errors from the sensor for specifying the factors increase. Therefore, a concentration prediction function is created using input values from many sensors. In the present embodiment, the case where the number of trial sensors is 2 or 4 will be described, but the present invention is not limited to this.
また、本実施形態において、温湿度環境の変化の有無は、元の値に対して、環境湿度の変動量の絶対値の割合が５％よりも小さい場合を温湿度環境の変化がないと判定する。一方、変動が５％以上ある場合を温湿度環境の変化があると判定する。また、放置前履歴変動の有無は、サンプリングしたときに前回のサンプリング時点からのトナー濃度センサの変動量の絶対値が０．１よりも小さい場合を、放置前履歴変動がないと判定する。一方、変動量が０．１以上ある場合を放置前履歴変動があると判定する。なお、温湿度環境変動や放置前履歴変動の閾値は、画像形成装置の種類やトナーの種類によって変化し、上記に限定されるものではない。 Further, in the present embodiment, whether there is a change in the temperature and humidity environment is determined that there is no change in the temperature and humidity environment when the ratio of the absolute value of the fluctuation amount of the environmental humidity is less than 5% with respect to the original value. To do. On the other hand, when the fluctuation is 5% or more, it is determined that there is a change in the temperature and humidity environment. Whether or not there is a history change before leaving is determined when there is no history change before leaving when the absolute value of the amount of change in the toner density sensor from the previous sampling time is smaller than 0.1. On the other hand, when the fluctuation amount is 0.1 or more, it is determined that there is a history change before being left. Note that the thresholds for temperature / humidity environment fluctuations and history changes before being left vary depending on the type of image forming apparatus and the type of toner, and are not limited to the above.
上記のような条件で図１１のフローに基づいてそれぞれ濃度予測関数を作成し、作成した濃度予測関数の評価を行う。なお、濃度予測関数の精度評価は、図１１のフローの予測誤差の演算（Ｓ１０５）において、前述したΔＥの演算を行う。すなわち、実測濃度と予測濃度との差分を、ΔＥを用いて評価した。 A concentration prediction function is created based on the flow of FIG. 11 under the above conditions, and the created concentration prediction function is evaluated. The accuracy evaluation of the density prediction function is performed by calculating ΔE described above in the calculation of the flow prediction error (S105) in FIG. That is, the difference between the actually measured concentration and the predicted concentration was evaluated using ΔE.
評価結果を図２１に示す。図２１は、ケース（１）〜（３）それぞれの変動パターンに応じて個別に濃度予測モデルを作成した場合の各変動パターンに応じた測定データにて検証を行った場合の予測精度を示す。また、比較例としてケース（１）〜（３）全てのデータを用いて濃度予測モデルを作成した場合のそれぞれの変動パターンに応じた測定データにて検証を行った場合の予測精度を示す。 The evaluation results are shown in FIG. FIG. 21 shows prediction accuracy when verification is performed with measurement data corresponding to each variation pattern when a concentration prediction model is individually created according to each variation pattern of cases (1) to (3). In addition, as a comparative example, prediction accuracy is shown when verification is performed using measurement data corresponding to each variation pattern when a concentration prediction model is created using all data of cases (1) to (3).
図２１から分かるように、ケース（１）〜（３）それぞれの変動パターンに応じて個別に濃度予測モデルを作成した場合の方が、予測精度が高い。これは、全てのデータを用いて濃度予測モデルを作成した場合、濃度変化に対して相関の高い因子で作成したモデルに対する誤差成分を補完できなくなるためである。濃度予測の精度を上げるためには、濃度変化に対して相関の高い因子と、誤差成分を補完するためのセンサ入力値に合わせた係数が必要になる。 As can be seen from FIG. 21, the prediction accuracy is higher when the concentration prediction models are individually created according to the variation patterns of the cases (1) to (3). This is because, when a concentration prediction model is created using all data, an error component for a model created with a factor highly correlated with a change in concentration cannot be complemented. In order to increase the accuracy of density prediction, a factor having a high correlation with the density change and a coefficient matched to the sensor input value for complementing the error component are required.
［処理フロー］
図２２は、使用する濃度予測関数を選択するためのフローチャートである。本処理フローは、画像形成装置のＣＰＵが、記憶部に記憶されたプログラム等を読み出して実行することで実現される。本実施形態では、各環境条件における環境変動の有無を判定し、その判定結果に応じて、濃度予測を行う際に用いる濃度予測モデルを選択する。
[Processing flow]
FIG. 22 is a flowchart for selecting a concentration prediction function to be used. This processing flow is realized by the CPU of the image forming apparatus reading and executing a program or the like stored in the storage unit. In this embodiment, the presence / absence of environmental fluctuation in each environmental condition is determined, and a concentration prediction model used when performing concentration prediction is selected according to the determination result.
画像形成装置は、画像形成装置が放置される直前、あるいは画像形成装置における画像形成が終わった直後の各センサからの入力値を記憶する（Ｓ５０１）。なお、本工程にて記憶した値を、環境条件の変動を判定する際の基準とするが、これに限定するものではない。次に、画像形成装置は、ジョブの受付等で画像形成装置が立ち上がった瞬時の各センサからの入力値を取得する（Ｓ５０２）。次に、画像形成装置は、Ｓ５０１とＳ５０２にて取得したセンサ入力値差分を算出する（Ｓ５０３）。 The image forming apparatus stores input values from the respective sensors immediately before the image forming apparatus is left unattended or immediately after the image formation in the image forming apparatus is finished (S501). In addition, although the value memorize | stored at this process is used as the reference | standard at the time of determining the fluctuation | variation of environmental conditions, it is not limited to this. Next, the image forming apparatus acquires an input value from each sensor at the moment when the image forming apparatus is started up by receiving a job or the like (S502). Next, the image forming apparatus calculates the sensor input value difference acquired in S501 and S502 (S503).
画像形成装置は、算出したトナー濃度センサの差分と所定の値とを比較する（Ｓ５０４）。ここでの所定の値は、上述したように、０．１とする。トナー濃度センサの差分の絶対値が０．１より小さければ（Ｓ５０４にてＹＥＳ）、Ｓ５０５へ進み、０．１以上であれば（Ｓ５０４にてＮＯ）Ｓ５０６へ進む。Ｓ５０５にて、画像形成装置は、算出した環境湿度センサの差分と所定の値とを比較する。ここでの所定の値は、上述したように、変動割合として５％とする。環境湿度センサの差分の割合（変動割合）が５％より小さければ（Ｓ５０５にてＹＥＳ）、Ｓ５０７にて、画像形成装置は、「温湿度環境の変化無＋放置前履歴変動無」のモデルを選択する。環境センサの差分の割合が５％以上であれば（Ｓ５０５にてＮＯ）、Ｓ５０８にて、画像形成装置は、「温湿度環境の変化有＋放置前履歴変動無」のモデルを選択する。 The image forming apparatus compares the calculated toner density sensor difference with a predetermined value (S504). The predetermined value here is 0.1 as described above. If the absolute value of the difference of the toner density sensor is smaller than 0.1 (YES in S504), the process proceeds to S505, and if it is 0.1 or more (NO in S504), the process proceeds to S506. In S505, the image forming apparatus compares the calculated difference between the environmental humidity sensor and a predetermined value. The predetermined value here is 5% as the fluctuation ratio as described above. If the ratio (variation ratio) of the difference between the environmental humidity sensors is smaller than 5% (YES in S505), in S507, the image forming apparatus uses a model of “no change in temperature / humidity environment + no history change before leaving”. select. If the environmental sensor difference ratio is 5% or more (NO in S505), in S508, the image forming apparatus selects a model of “change in temperature / humidity environment + no history change before leaving”.
一方、トナー濃度センサの差分が０．１以上の場合（Ｓ５０４にてＮＯ）、Ｓ５０６にて、画像形成装置は、環境湿度センサの差分と所定の値とを比較する。ここでの所定の値は、上述したように、変動割合として５％とする。環境湿度センサの差分（変動割合）が５％より小さければ（Ｓ５０６にてＹＥＳ）、Ｓ５０９にて、画像形成装置は、「温湿度環境の変化無＋放置前履歴変動有」のモデルを選択する。環境センサの差分の割合が５％以上であれば（Ｓ５０６にてＮＯ）、Ｓ５１０にて、画像形成装置は、「温湿度環境の変化有＋放置前履歴変動有」のモデルを選択する。 On the other hand, when the difference of the toner density sensor is 0.1 or more (NO in S504), in S506, the image forming apparatus compares the difference of the environmental humidity sensor with a predetermined value. The predetermined value here is 5% as the fluctuation ratio as described above. If the difference (variation rate) of the environmental humidity sensor is smaller than 5% (YES in S506), in S509, the image forming apparatus selects a model of “no change in temperature / humidity environment + history change before leaving”. . If the ratio of the environmental sensor difference is 5% or more (NO in S506), in S510, the image forming apparatus selects a model of “change in temperature / humidity environment + change in history before leaving”.
なお、「温湿度環境の変化無＋放置前履歴変動無」のモデルについては、濃度変化に対する因子がないが、別途この条件下でモデルを作成してもよい。 The model of “no change in temperature / humidity environment + no change in history before standing” has no factor for the change in concentration, but a model may be created separately under this condition.
以上、色味・濃度階調性の安定化制御のためのキャリブレーションにおいて、濃度変化を与える環境変動が発生した場合においても、各環境変動パターンに応じたモデルを予め作成しておき、変動パターンに応じて濃度予測関数モデルを選択する。これにより、より高精度に出力濃度を予測することが可能になる。 As described above, in the calibration for stabilization control of tone and density gradation, even when an environmental change that causes a change in density occurs, a model corresponding to each environmental change pattern is created in advance. The concentration prediction function model is selected according to This makes it possible to predict the output density with higher accuracy.
１：感光体ドラム、２：帯電装置、３：露光装置、４：現像装置、６：転写装置、２００：中間転写上画像濃度センサ、３００：プリンタコントローラ 1: Photosensitive drum, 2: Charging device, 3: Exposure device, 4: Development device, 6: Transfer device, 200: Image density sensor on intermediate transfer, 300: Printer controller
Claims (9)
前記画像形成手段により画像形成を行う際の画像信号に対して出力される前記記録剤の濃度を予測する予測手段と、
前記予測手段にて予測された濃度に基づいて、前記画像形成手段による画像形成を制御する制御手段と
を有し、
前記予測手段による予測の際に用いられる関数は、画像形成装置の環境条件と当該環境条件にて前記画像形成手段にて画像形成された画像濃度との関係に基づき、１または複数の種類の環境条件を組み合わせた関数として予め定義されていることを特徴とする画像形成装置。 An image forming apparatus including an image forming unit that forms an image using a recording agent,
Predicting means for predicting the density of the recording agent that is output for an image signal when image formation is performed by the image forming means;
Control means for controlling image formation by the image forming means based on the density predicted by the prediction means;
The function used in the prediction by the prediction unit is based on the relationship between the environmental conditions of the image forming apparatus and the image density formed by the image forming unit under the environmental conditions. An image forming apparatus, which is previously defined as a function combining conditions.
（予測濃度）＝（基本となる濃度）＋ａ×（画像形成時の画像形成装置の環境条件の値と当該環境条件の基本となる値との差分値）
で表わされ、
前記関数における係数ａは、環境条件ごとに予め算出され、
前記関数における（ａ×（画像形成時の画像形成装置の環境条件の値と当該環境条件の基本となる値との差分値））の項は、前記１または複数の種類の環境条件の数の分だけ設けられることを特徴とする請求項１に記載の画像形成装置。 The function used when the concentration is predicted by the prediction means is
(Predicted density) = (basic density) + a × (difference value between environmental condition value of image forming apparatus at the time of image formation and basic value of the environmental condition)
Represented by
The coefficient a in the function is calculated in advance for each environmental condition,
The term (a × (difference value between the environmental condition value of the image forming apparatus at the time of image formation and the basic value of the environmental condition)) in the function is the number of the one or more types of environmental conditions. The image forming apparatus according to claim 1, wherein the image forming apparatus is provided for the number of minutes.
前記予測手段は、前記複数の取得手段にて取得された情報の中から、前記関数にて用いる入力値を取得することを特徴とする請求項３に記載の画像形成装置。 A plurality of acquisition means for acquiring the value of the environmental condition;
The image forming apparatus according to claim 3, wherein the predicting unit acquires an input value used in the function from information acquired by the plurality of acquiring units.
基準となる環境条件の値からの、画像形成時の環境条件の変動を判定する判定手段を更に有し、
前記予測手段は、前記判定手段による環境変動の判定結果に応じて、前記複数の関数の中から濃度を予測する際に用いる関数を選択することを特徴とする請求項１乃至４のいずれか一項に記載の画像形成装置。 A plurality of functions are defined in advance as functions used in the prediction by the prediction means,
A determination means for determining a change in the environmental condition at the time of image formation from the reference environmental condition value;
5. The function according to claim 1, wherein the predicting unit selects a function to be used for predicting the concentration from the plurality of functions according to a determination result of environmental variation by the determining unit. The image forming apparatus described in the item.
前記予測手段は、前記複数の環境条件の変動の有無の組み合わせに応じて、前記複数の関数の中から濃度を予測する際に用いる関数を選択することを特徴とする請求項５に記載の画像形成装置。 The determination means determines the presence or absence of variation in each of a plurality of environmental conditions,
The image according to claim 5, wherein the predicting unit selects a function to be used when predicting a concentration from the plurality of functions according to a combination of presence / absence of changes in the plurality of environmental conditions. Forming equipment.
前記画像形成手段により画像形成を行う際の画像信号に対して出力される前記記録剤の濃度を予測する予測工程と、
前記予測工程にて予測された濃度に基づいて、前記画像形成手段による画像形成を制御する制御工程と
を有し、
前記予測工程における予測の際に用いられる関数は、画像形成装置の環境条件と当該環境条件にて前記画像形成手段にて画像形成された画像濃度との関係に基づき、１または複数の種類の環境条件を組み合わせた関数として予め定義されていることを特徴とする画像形成装置の制御方法。 A method for controlling an image forming apparatus including an image forming unit that forms an image using a recording agent,
A predicting step of predicting the density of the recording agent output for an image signal when image formation is performed by the image forming unit;
A control step of controlling image formation by the image forming unit based on the density predicted in the prediction step;
The function used in the prediction in the prediction step is based on the relationship between the environmental conditions of the image forming apparatus and the image density formed by the image forming unit under the environmental conditions. A control method for an image forming apparatus, which is previously defined as a function combining conditions.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015156238A JP2017037101A (en) | 2015-08-06 | 2015-08-06 | Image forming apparatus and method of controlling the same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015156238A JP2017037101A (en) | 2015-08-06 | 2015-08-06 | Image forming apparatus and method of controlling the same |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2017037101A true JP2017037101A (en) | 2017-02-16 |
Family
ID=58047668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015156238A Pending JP2017037101A (en) | 2015-08-06 | 2015-08-06 | Image forming apparatus and method of controlling the same |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2017037101A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019074604A (en) * | 2017-10-13 | 2019-05-16 | キヤノン株式会社 | Image forming apparatus |
| JP2022159407A (en) * | 2020-02-28 | 2022-10-17 | 株式会社リコー | Directly accumulated ink estimation mechanism |
-
2015
- 2015-08-06 JP JP2015156238A patent/JP2017037101A/en active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019074604A (en) * | 2017-10-13 | 2019-05-16 | キヤノン株式会社 | Image forming apparatus |
| JP7146380B2 (en) | 2017-10-13 | 2022-10-04 | キヤノン株式会社 | image forming device |
| JP2022159407A (en) * | 2020-02-28 | 2022-10-17 | 株式会社リコー | Directly accumulated ink estimation mechanism |
| JP7283619B2 (en) | 2020-02-28 | 2023-05-30 | 株式会社リコー | Direct deposition ink estimation mechanism |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2017037100A (en) | Image forming apparatus and method of controlling the same | |
| JP2017142342A (en) | Image forming apparatus | |
| US11818304B2 (en) | Image forming apparatus determining information related to a density of an image to be formed based on a determination condition | |
| JP2023038807A (en) | Image forming apparatus | |
| JP5511696B2 (en) | Image forming apparatus and toner amount calculation method | |
| JP2013033113A (en) | Image forming apparatus | |
| US10620577B2 (en) | Method for controlling density of image to be formed by image forming apparatus having developer and humidity sensors | |
| US8395816B2 (en) | System and method for gradually adjusting a look-up table for a print engine in order to improve the regulation of color quality of printed images | |
| JP5278810B2 (en) | Image forming apparatus | |
| JP2017037101A (en) | Image forming apparatus and method of controlling the same | |
| JP2012124894A (en) | Digital printing control using spectrophotometer | |
| US11758058B2 (en) | Image forming apparatus controlling timing of forming measurement image based on prior measurements and density of image to be formed | |
| US11977349B2 (en) | Image forming apparatus | |
| US9134644B2 (en) | Charging member contamination determining device | |
| JP4236255B2 (en) | Color image forming apparatus and color control method | |
| JP2017037099A (en) | Image forming apparatus and method of controlling the same | |
| JP2006208612A (en) | Image forming apparatus | |
| JP6668759B2 (en) | Image forming apparatus, gradation correction method, and gradation correction program | |
| JP2022061267A (en) | Image forming apparatus | |
| JP2019074574A (en) | Image forming apparatus and image forming system | |
| JP2019203918A (en) | Image forming apparatus, method for controlling the same, and program | |
| JP2023077875A (en) | Image formation apparatus | |
| US11973918B2 (en) | Apparatus, method, and non-transitory recording medium | |
| JP2012051221A (en) | Color image processing apparatus and program | |
| JP2023082348A (en) | Image forming apparatus |