JP2022078426A - 印刷システム、印刷媒体特定方法およびメディア情報提供装置 - Google Patents

Abstract

【課題】印刷媒体の種類を特定するための補助情報を出力し、印刷媒体の種類の特定を行なわせる。
【解決手段】複数種類の印刷媒体に関して、印刷媒体の未印刷領域の分光情報と印刷媒体の種類を示す識別子とに基づき、識別子を教師とする機械学習によって生成された学習済みモデルを準備する。他方、印刷しようとする印刷媒体の未印刷領域の分光情報を取得し、取得した分光情報を学習済みモデルに適用する。その結果を利用して、印刷媒体の種類に関する補助情報を出力し、出力された補助情報を用いた印刷媒体の種類の特定を受け付ける。この結果、印刷媒体の種類が特定できれば、その印刷媒体に適した印刷条件を用いて印刷を行なう。
【選択図】図１

Description

本開示は、印刷や再生といった媒体（メディア）の処理のために、メディアの種類を特定するための技術に関する。

インクを用いた印刷においては、インクを吐出する用紙などの印刷媒体（以下、メディアという）の種類を判別して、インクの打ち込み量等を調整している。こうした場合には、印刷しようとするメディアの種類を判別することが欠かせない。特許文献１は、メディアの種類を判別するための判別情報を生成し、判別情報による判別結果に基づいて、該当する種類のメディアを一覧表示し、その中から印刷設定を選択するようにしている。新規なメディアと判定された場合、新規メディアとして登録するか、既存のメディアタイプの中から選択するか、いずれかの対応が可能である。

特開２００６－１５４９１３号公報

しかしながら、特許文献１記載の技術では、新規メディアの場合、新規メディアとして登録できるものの、対応する印刷モードは既存のモードから選択しているに過ぎない。登録した新規メディアは、メディア名称の変更は可能であるものの、印刷モードは既存のモードを選択して用いるに過ぎない。つまり、メディアが新規なものであると判別できても、その判断を補助する情報がないので適切な印刷モードと紐づけることは困難であった。また、既存メディアタイプの中から選択する際にも、単に選択肢を与えられるだけであり、いずれの既存メディアが適切なものか、選択する為の判断情報がない。このため、ユーザーが適切な既存メディアタイプを選択することも困難であった。

本開示は、以下の形態又は適用例として実現することが可能である。

（１）本開示の第１の態様は、印刷媒体に印刷を行なう印刷システムとしての態様である。この印刷システムは、複数種類の印刷媒体に関して、前記印刷媒体の未印刷領域の分光情報と前記印刷媒体の種類を示す識別子とに基づき、前記識別子を教師とする機械学習によって予め生成された学習済みモデルを記憶する記憶部と、印刷を行なおうとする印刷媒体の未印刷領域の分光情報を取得する分光情報取得部と、前記取得した分光情報を前記記憶した前記学習済みモデルに適用した結果を用いて、前記印刷媒体の種類に関する補助情報を出力する出力部と、前記出力部が出力した補助情報を用いた前記印刷媒体の種類の特定を受け付ける特定部と、を備える。

（２）本開示の第２の態様は、印刷媒体を特定する印刷媒体特定方法としての態様である。この印刷媒体特定方法は、複数種類の印刷媒体に関して、前記印刷媒体の未印刷領域の分光情報と前記印刷媒体の種類を示す識別子とに基づき、前記識別子を教師とする機械学習によって生成された学習済みモデルを準備し、印刷しようとする印刷媒体の未印刷領域の分光情報を取得し、前記取得した分光情報を前記学習済みモデルに適用した認識結果を利用して、前記印刷媒体の種類に関する補助情報を出力し、前記出力された補助情報を用いた前記印刷媒体の種類の特定を受け付ける。

（３）本開示の第３の態様は、メディア情報提供装置としての態様である。このメディア情報提供装置は、複数種類のメディアに関して、前記メディアの地色の分光情報と前記メディアの種類を示す識別子とが与えられ、前記識別子を教師とする機械学習によって生成された学習済みモデルを記憶する記憶部と、処理しようとするメディアの地色の分光情報を取得する分光情報取得部と、前記取得した分光情報を前記学習済みモデルに適用した結果を利用して、前記メディアの種類に関する補助情報を出力する出力部と、を備える。

実施形態の印刷システムを示す概略構成図。 学習済みモデル生成処理を示すフローチャート。 教師付き機械学習装置の概略構成図。 印刷処理ルーチンを示すフローチャート。 既知メディア印刷プロファイル設定処理を示すフローチャート。 クラウドにあるメディア用プロファイルの選択を行なうダイアローグボックスを例示する説明図。 プロファイル作成用のダイアローグボックスを例示する説明図。 未知メディア印刷プロファイル設定処理を示すフローチャート。 メディア種類と類似度の表示の一例を示す説明図。 新規メディアと判定した場合のダイアローグボックスの一例を示す説明図。 新規メディアと判定した場合のダイアローグボックスの他の例を示す説明図。 第２実施形態のメディア情報提供装置の概略構成図。

Ａ．第１実施形態：
（１）プリンター２０の構成：
図１は、実施形態である印刷システム１０の構成を示すブロック図である。印刷システム１０は、プリンター２０と機械学習装置５０とを備える。プリンター２０と機械学習装置５０とは、ネットワークＮＴを介して接続されている。ネットワークＮＴは、有線、無線を問わない。プリンター２０と機械学習装置５０との接続は、インターネットなどの公衆ネットワークを介した接続でもよいし、直接的な接続でもよい。本実施形態では、機械学習装置５０は、いわゆるクラウド上の装置として実現されている。

プリンター２０は、プロセッサー２１、通信部２３、ディスプレイ２４、不揮発性メモリー３０、ヘッド搬送装置２５、用紙搬送装置２６、印刷ヘッド２７などを備える。プロセッサー２１は、プリンター２０全体を制御して印刷を実現する印刷制御部２２として働く。印刷制御部２２は、通信部２３を介して機械学習装置５０とデータの交換が可能である。また、印刷制御部２２は、不揮発性メモリー３０にアクセスし、後述する学習済みモデル３１や印刷プロファイル３３を参照可能である。印刷制御部２２は、学習済みモデル３１を用いて印刷媒体の種類を認識する印刷媒体認識部として機能する。

本実施形態では、プリンター２０において、ＣＰＵ，ＲＡＭ等を備えるプロセッサー２１と不揮発性メモリー３０とを備えており、不揮発性メモリー３０に記録された印刷制御プログラム等の種々のプログラムをプロセッサー２１で実行することで、印刷制御部２２としての機能が実現される。印刷制御部２２は、ディスプレイ２４に、印刷に必要な情報を表示する。ディスプレイ２４には、タッチパネルを設けられており、使用者は、表示された情報を参照して、場合によっては、動作の指示やパラメーターの選択などを行なうことができる。これらの処理も、予め用意されたプログラムを実行することにより、印刷制御部２２の機能として実現される。

印刷制御部２２は、ヘッド搬送装置２５を用いて、印刷ヘッド２７を搭載したキャリッジ２８を印刷媒体Ｐの幅方向（主走査方向という）に往復動させる。更に、印刷制御部２２は、用紙搬送装置２６を用いて、印刷媒体Ｐを、主走査方向に交差する方向（副走査方向）に搬送可能である。キャリッジ２８には、シアンＣ、マゼンタＭ、イエローＹ、ブラックＫの４色のインクをそれぞれ収納したインクカートリッジ４１が搭載可能である。インクカートリッジ４１のインクは、印刷ヘッド２７に備えられたノズルに供給され、印刷制御部２２からの指示により、印刷媒体Ｐに吐出される。したがって、印刷制御部２２は、印刷媒体Ｐの副走査方向への搬送と印刷ヘッド２７の主走査方向への往復動に合わせて、印刷ヘッド２７の各ノズルからインクを吐出させることにより、印刷媒体Ｐ上に画像を形成可能である。

本実施形態では、プリンター２０は、いわゆるインクジェット方式のシリアルプリンターとしたが、インクジェット方式以外のプリンター、例えばレーザープリンターなどのいわゆるページプリンターであってもよい。あるいはその他、熱昇華型プリンターなどであってもよく、印刷媒体Ｐの種類に応じて異なる印刷条件、例えばインクジェット方式であれば、印刷媒体Ｐ毎のインクの打ち込み量（インクデューティ）の上限、インクを乾燥させるヒーターが設けられている場合にはその乾燥温度、更には印刷媒体Ｐの搬送速度などを設定して印刷を行なうプリンターであれば、どのようなプリンターであっても使用可能である。

キャリッジ２８には、分光情報取得部としての分光反射計４３が設けられている。分光反射計４３には、可視光の波長範囲の光を照射するＬＥＤとこのＬＥＤからの光が印刷媒体Ｐに反射した光の強度を、所定の波長範囲、例えば１０ｎｍ毎に検出するセンサーとが設けられている。分光反射計４３は、キャリッジ２８の副走査方向先端に設けられているので、印刷に先立って、搬送された印刷媒体Ｐの先端の未印刷部分の分光反射率を検出することができる。なお、分光情報としては、こうした分光反射率の他、光が印刷媒体Ｐを透過する割合である分光透過率を用いてもよい。この場合には、印刷媒体Ｐを挟む位置に、発光用のＬＥＤと受光用のセンサーとを設ければよい。

分光反射計４３から取得した分光反射率のデータは、印刷媒体Ｐの種類を特定するのに用いる。本実施形態では、印刷制御部２２は、分光反射計４３を用いて検出した分光反射率のデータを不揮発性メモリー３０に記憶した学習済みモデル３１に与えることにより、印刷媒体Ｐの種類を認識する。分光反射率を用いた印刷媒体Ｐの種類の認識の手法については、後で詳しく説明する。印刷媒体Ｐの種類を認識すると、印刷制御部２２は、印刷する印刷媒体Ｐの種類に対応した印刷プロファイル３３を不揮発性メモリー３０から読み出す。印刷プロファイル３３は、通常、複数種類のパラメーターを含むので、印刷媒体Ｐの種類に対応した複数の印刷パラメーターのセットとして用意される。

本実施形態では、印刷媒体Ｐの種類は、分光反射率のデータを、学習済みモデル３１に与えることにより、印刷媒体Ｐの種類を示す識別子番号と印刷媒体Ｐがその種類の印刷媒体であることを示すパラメーターとにより特定される。この印刷媒体Ｐの種類を示す識別子番号と印刷媒体Ｐがその種類の印刷媒体である可能性を示すパラメーターとを、印刷媒体の種類に関する補助情報と呼ぶ。

学習済みモデル３１は、教師付き機械学習により作られたものであり、予め作成されて、プリンター２０の不揮発性メモリー３０にインストールされている。この学習済みモデル３１は、機械学習装置５０においてディープラーニングにより生成される。機械学習装置５０により生成された学習済みモデル３１は、通信部２３を介して、印刷に先だって、プリンター２０にダウンロードされる。

（２）機械学習装置５０の構成：
クラウド上に置かれた機械学習装置５０は、図示するように、学習制御部５１と、通信部５３と、機械学習部６０と、不揮発性メモリー７０と、これらの接続するバス５５を備える。通信部５３は、プリンター２０の通信部２３と通信することにより、プリンター２０とのデータのやり取りなどを行なう。

機械学習部６０は、教師付きの機械学習を行なう専用のプロセッサーおよびメモリーを備える。メモリーには、訓練モデル６１、教師データ６３、専用の学習ブログラムが記憶されており、学習プログラムを実行することにより、教師データ６３を用いて訓練モデルを訓練することにより、学習済みモデル６５を生成する。学習済みモデル６５は、ある時点までに得られた教師データにより、訓練モデル６１を用いて生成された学習済みのモデルであり、通信部５３を介して、各プリンター２０にダウンロードされた時点で、そのプリンター２０における学習済みモデル３１として扱われる。ダウンロードされた時点では、機械学習装置５０の学習済みモデル６５とプリンター２０における学習済みモデル３１とは、同じものである。

本実施形態では、機械学習装置５０は、各種印刷媒体Ｐの分光反射率のデータおよびその分光反射率のデータに対応する印刷媒体Ｐの種類を示す識別子とを教師データ６３として、訓練モデル６１を用いて機械学習を行なう。これは、印刷媒体Ｐの種類に応じて分光反射率の特性は異なることを利用している。蛍光増白剤が使用されていない白い紙の場合は、各波長域において反射率の変化は少ない傾向がある。一方、蛍光増白剤が使用されている白い紙の場合、短波長域において反射率が上昇する傾向がある。このように、印刷媒体Ｐの分光反射率は、印刷媒体Ｐの表面の色情報や、蛍光増白剤の有無等の情報を含んでいる。

図２は、機械学習部６０が機械学習を行なって、学習済みモデルを生成する処理を示すフローチャートである。この処理を開始するまでに、複数種類の印刷媒体Ｐについて、その分光反射率のデータが、印刷媒体Ｐの種類を識別する識別子に対応付けた教師データが収集されている。学習済みモデルの生成処理は、この教師データに基づいて行なわれるため、学習済みモデルの生成処理を行なう際には、機械学習装置５０とプリンター２０とが接続されていなくても差し支えない。

処理が開始されると、まず教師データ６３を取得する処理を行なう（ステップＳ１００）。教師データ６３は処理に先だって、予め収集されている。本実施形態では、メディアＡからメディアＴまでの２０種類のメディアについて、教師データである分光反射率のデータが収集され、メモリーに保存されている。この教師データ６３を取得すると、続いて、訓練モデル６１を用いた機械学習処理（ステップＳ１１０）を、汎化が完了するまで（ステップＳ１２０）、行なう。訓練モデル６１に対して教師データ６３を与えて機械学習をすることにより、学習済みモデル６５が生成されるので、最後にこれを学習済みモデル６５として保存する。保存された学習済みモデル６５は、機械学習装置５０にプリンター２０が接続された時点で、プリンター２０に転送され、不揮発性メモリー３０に保存される。

機械学習用の訓練モデルは種々の定義が可能である。図３は本実施形態において利用されるモデルの一例を模式的に示した図である。同図においては、ＣＮＮによる全ｎ層の各層を直方体Ｌ１からＬｎで示しており、通常のニューラルネットワークのノードを白丸で示している。本実施形態においては、分光反射率のデータについては、ＣＮＮ（Convolutional Neural Network）を用いたが、カプセルネットワーク型やベクトルニューラルネットワーク型などの各種ニューラルネットワークなど、他のモデルを利用することも差し支えない。一例として、本願出願人による他の出願である特願２０２０－９４２０５号に示されたベクトルニューラルネットワークを用いた構成を挙げることができる。このベクトルニューラルネットワーク型のモデルでは、中間層の出力を利用できる。なお、中間層の出力を利用できるベクトルニューラルネットワークは、公知である。

第１層Ｌ１には、一定波長毎の反射率を入力する複数のノードが設けられている。本実施形態においては、分光反射率データが示す一定波長毎の分光反射率を入力層である第１層Ｌ１の各ノードへの入力データとし、最終出力層Ｌｎから分光反射率データに関する最終出力データを出力する。なお、反射率は０以上１以下の値である。分光反射率のデータに代えて、一定波長毎の透過率を用いることも可能である。また、両者を用いることも可能である。分光反射率と分光透過率の両者を用いる場合には、図３に示した訓練モデルを２つ設け、各モデルの最終層から分光反射率と分光透過率の結果を出力させ、両結果を統合して判定させる最終出力層Ｌｎを構築し、最終結果を出力させてもよい。

第１層Ｌ１の各ノードの出力は次の第２層のノードに、所定の重み付けを施されて接続されている。これは第２層Ｌ２以降、第ｎ－１層まで同様である。この各層間における各ノード間の重み付けを教師データを用いて修正する作業を繰り返すことで、学習が完了して、学習済みモデル６５が生成される。この点を、以下、詳しく説明する。

学習に際しては、機械学習部６０は、教師データの１つを訓練モデルに入力し、最終出力層Ｌｎの出力値を計算する。このとき、最終出力層Ｌｎのどのノードが、どのメディアの種類に対応しているかを予め決めておく。例えば、印刷媒体ＰがメディアＡであれば、ノードＡが値１に近い値を出力するように、学習を行なうものとする。１つの教師データを訓練モデル６１に与え、機械学習部６０は、出力された最終出力層Ｌｎの各ノードＡからＴの値を損失関数により評価する。つまり、教師データが、例えばメディアＡについてのものであれば、ノードＡが値１、他のノードＢからＴが値０となっている状態を目標状態として、実際の出力との差（学習誤差）を、損失関数により特定する。その上で、機械学習部６０は、各ノード間の重み付けを修正する。修正後に損失関数によって再度学習誤差を求め、先に求めた学習誤差との差分（微分値）を求め、重み付けにより学習誤差が減ったから判断し、更に重み付けを修正する。

学習誤差を求める損失関数は、種々の関数を採用可能であり、例えば、交差エントロピー誤差などを採用可能である。以上のような損失関数を算出する処理は、教師データ６３に含まれるデータの全部または一部について実施され、その平均や総和によって１回の学習における損失関数が表現される。１回の学習における学習誤差が得られたら、機械学習部６０は、既定の最適化アルゴリズム、例えば、確率的勾配降下法等によって重み付けを修正する。

以上のようにして、全ての教師データ６３に対して、既定回数の重み付けの修正が行われると、機械学習部６０は、訓練モデル６１の汎化が完了したか否かを判定する（ステップＳ１２０）。すなわち、機械学習部６０は、教師データ６３を用いて訓練モデル６１の入力と出力とが一致している度合いを取得し、一致している度合いが、予め定めた閾値以上である場合に汎化が完了したと判定する。

汎化が完了したと判断されなければ、機械学習処理（ステップＳ１１０）が繰り返される。つまり、さらに重みを修正する処理が行なわれ、誤差関数を用いた学習誤差の演算と評価が繰り返される。なお、機械学習部６０は、こうした印刷媒体Ｐの種類の教師付き機械学習の他、ハイパーパラメーターの妥当性の検証など、他の処理を行なうことも差し支えない。

最終出力層Ｌｎの各ノードは、判別対象とする印刷媒体Ｐの種類（メディアＡ，メディアＢ・・・・メディアＴ）に対応している。教師データを用いて、１つの教師データが与えられ場合の歳出出力層Ｌｎの各ノードの出力値の和は１になるように規格化される。最終出力層Ｌｎにおいて出力値が最も大きいノードに対応する印刷媒体Ｐの種類が、入力層Ｌ１に入力された各教師データを取得した印刷媒体Ｐの種類であると推定可能である。理想的には、各教師データが与えられた場合、最終出力層Ｌｎの１つのノードの出力が値１、他は値０となり、印刷媒体Ｐを判別できることが望ましいが、複数種類の出力を持つ多層のニューラルネットワークの各ノードの出力は、通常、値０より大きく値１未満の範囲となる。このための最終出力層Ｌｎの各ノードの出力値のうちの最大値を、印刷媒体Ｐが当該ノードに対応したメディアである可能性を示すパラメーターとして扱う。

こうして、機械学習装置５０において、訓練モデル６１に教師データ６３を与えて学習を行なわせ、学習済みモデル６５を生成する。教師付き機械学習を行なう印刷媒体Ｐの種類については、その種類の印刷媒体Ｐに印刷を行なう場合の印刷プロファイル７３が準備され、不揮発性メモリー７０に保存される。印刷プロファイル７３は、プリンター２０によっても異なるため、全ての種類の印刷媒体Ｐ用の印刷プロファイル７３を、プリンター２０側に記憶することが困難な場合も想定される。このため、一部の種類の印刷媒体Ｐについては、対応する印刷プロファイル７３をクラウド側である機械学習装置５０の不揮発性メモリー７０に記憶しておくことも行なわれる。もとより、印刷プロファイル７３を記憶するだけの専用のサイトをクラウド上に設け、印刷プロファイル７３をここに準備しておくことも差し支えない。

機械学習装置５０が生成した学習済みモデル６５は、必要に応じて、各プリンター２０にダウンロードされ、各プリンター２０において使用可能となる。また、このとき、プリンター２０は、学習済みモデル６５と共に、学習した各メディアの種類毎の分光反射率のデータもダウロードし、これを不揮発性メモリー３０に保存する。機械学習装置５０では、新しいメディアが登場すれば、そのメディアに識別子を付けた教師付きデータとして機械学習を行なうので、機械学習部６０における学習済みモデル６５は常に最新のものに更新される。他方、各プリンター２０の不揮発性メモリー３０に保存された学習済みモデルは、各プリンター２０がダウンロードした時点で最新のものになり、それまでは両者は必ずしも一致しない。このため、各プリンター２０で利用する学習済みモデルは、符号３１により示し、機械学習部６０において生成された学習済みモデル６５とは区別している。

（３）印刷処理：
図４に、プリンター２０が実行する印刷処理ルーチンを示す。ここでは、プリンター２０が図示しないコンビューターや携帯電話等から印刷の指示を受けたときに、メディアの判別処理（ステップＳ２００からＳ４００まで）と印刷処理（ステップＳ２５０）とを併せて行なうものとして示したが、メディアの判別処理と印刷処理とを別々に処理するものとしてもよい。印刷媒体Ｐがロール紙などの場合には、印刷媒体Ｐがプリンター２０に装填されたときに、メディアの判別処理を行なえばよい。また、カットシートの場合であれば、最初の一枚に対してメディアの判別処理を行ない、その後は、印刷媒体Ｐが入れ替えられるまで、メディアの判別処理をスキップすればよい。図４に示した処理ルーチンの開始前には、不揮発性メモリー３０に、学習済みモデル３１および複数種類の印刷媒体Ｐに対応する印刷プロファイル３３が保存されている。図４の処理を開始すると、プリンター２０のプロセッサー２１は、図示しないトレイ等に用意された印刷媒体Ｐを、その先端が、分光反射計４３の下に位置するまで搬送する処理を行なう（ステップＳ２００）。

続いて、分光反射計４３を用いて、印刷媒体Ｐの分光反射率を取得する処理を行なう（ステップＳ２１０）。分光反射率は、照射している光の波長を所定の波長範囲、ここでは１０ｎｍ毎に区切って、その波長範囲の反射率のデータの集合として取得される。図４に、実線Ｊ１で例示したものは、通常の印刷用紙の分光反射率の一例を示す。これに対して、蛍光増白剤が塗布されているような印刷媒体Ｐは、実線Ｊ２として例示したように、短波長側の反射率が、通常の印刷用紙より高くなる。なお、分光反射率は、プリンター２０で測定してもよいし、専用の測定装置を用いて測定し、これを通信などを利用して、通信部２３経由でプロセッサー２１が取得する様にしてもよい。

続いてプロセッサー２１は、ステップＳＳ２１０で取得した分光反射率のデータと学習済みモデル３１を用いて印刷媒体の種類を判別するメディア判定処理を行なう（ステップＳ２２０）。プロセッサー２１は、取得した分光反射率のデータを学習済みモデル３１に入力し、出力値を得る。プロセッサー２１は、学習済みモデル３１の中間層や最終層の出力値に基づいて、印刷媒体Ｐの種類を表わす識別子とパラメーターとを取得する（ステップＳ２３０）。

次に、取得したパラメーターに基づいて、印刷使用としている印刷媒体Ｐが既知のメディアであるか否かの判断を行なう（ステップＳ２４０）。もとより、中間層や最終出力層Ｌｎなどの出力値から得られたパラメーターとメディアの種類（識別子）とを表示して、既知メディアとして判断してよいか、常に使用者に確認を求めるものとしてもよい。この場合は、使用者の判断によって、既知メディアか否かが決定される。

既知メディアであると判断した場合には、既知メディア印刷条件設定処理（ステップＳ３００）を実行し、既知メディアでないと判断した場合には、未知メディア印刷条件設定処理（ステップＳ４００）を実行する。いずれの印刷条件設定処理によっても、印刷に必要な各種パラメーターが設定されるので、この印刷パラメーターを用いた印刷を実行する（ステップＳ２５０）。

既知メディア印刷条件設定処理（ステップＳ３００）について、図５から図７を用いて説明する。プリンター２０にセットされた印刷媒体Ｐが、学習済みモデル３１を用いたメディア判定処理（ステップＳ２２０）により、既知メディアと判断された場合には、取得した識別子に対応するメディア名を表示する（ステップＳ３０５）。メディア名は、プリンター２０に設けられたディスプレイ２４に表示してもよいし、印刷を指示したコンピューターや携帯電話等の表示部に表示してもよい。以下、「表示する」という場合は、こうした幾つかの表示態様のいずれかを意味する。

次に、メディア名を表示した既知メディア用の印刷プロファイルがローカルに、つまりプリンター２０内にあるかを判断する（ステップＳ３１０）。印刷プロファイル３３は、印刷媒体Ｐの種類に対応した複数の印刷パラメーターのセットであり、ここでは、
（Ａ）印刷設定（解像度・印刷媒体）で決まる基本ＬＵＴ（デジタル値をインク量に変換するテーブル）
（Ｂ）ＩＣＣプロファイル
が含まれる。主要な種類の、例えば普通紙や写真用マット紙などの印刷媒体Ｐに対応した印刷プロファイルは、予め不揮発性メモリー３０に記憶されている。この場合には、プロセッサー２１は、不揮発性メモリー３０に記憶された印刷プロファイル３３を設定し（ステップＳ３２０）、「ＮＥＸＴ」に抜けて本処理ルーチンを終了する。この後、印刷が実行される（図４、ステップＳ２５０）。なお、本実施形態では、メモリカードをプリンター２０に装着して印刷したり、携帯電話などプリンタードライバーを持たない端末からの印刷指示を受けて印刷する場合を考え、印刷プロファイル３３をプリンター２０に持つ構成として説明したが、プリンタードライバーを備えるコンピューター等から印刷する場合には、印刷プロファイル３３は、コンビューターにインストールされたプリンタードライバーと共にコンピューター側に設定される。したがって、ステップＳ３１０では、メディア名を表示した既知メディア用の印刷プロファイルがプリンタードライバー側にあるかを判断すればよい。

他方、ステップＳ３１０において、プリンター２０にセットされた印刷媒体Ｐは既知メディアであるが、その印刷プロファイル３３がローカルにないと判断されると、続いて、選択用ダイアローグボックスを表示する（ステップＳ３３０）。選択用ダイアローグボックス９０の一例を、図６に示す。この例では、メディアＡからＮについては、プリンター２０の不揮発性メモリー３０に用意されており、メディアＯからＴについては、用意されていない。用意されていないメディアについては、クラウドに印刷プロファイル３３が用意されている場合があるので、既知メディアであると判断した印刷媒体ＰがメディアＯからＴに該当する場合には、クラウドにある各プロファイルのいずれを選択するかという選択肢およびクラウドにあるプロファイルを使用しないという選択肢を表示する。

その後、選択用ダイアローグボックス９０を用いて使用者からの入力を受け付ける処理を行なう（ステップＳ３４０）。選択用ダイアローグボックス９０は、これが表示されている限り、他の処理は受け付けられない。したがって、使用者が、いずれかの選択肢をタッチパネルやマウスクリックなどにより選択し、「ＯＫ」ボタンを押して、選択用ダイアローグボックス９０を閉じると、プロセッサー２１は、使用者の選択が、クラウドにあるプロファイルを使用するというものであったかを判断する（ステップＳ３５０）。使用者の選択が、クラウドにある印刷プロファイルを使用するというものであれば、通信部２３を介して、ネットワークＮＴ上のクラウドである機械学習装置５０にアクセスし、不揮発性メモリー７０から、対応する印刷プロファイル７３を取得する（ステップＳ３６０）。印刷プロファイルを取得した後は、ローカルに印刷プロファイル７３があった場合と同様、印刷プロファイル７３の設定（ステップＳ３２０）を行ない、「ＮＥＸＴ」に抜けて、本処理ルーチンを終了する。その後、印刷が行なわれることは、上述した通りである。

図６に示した選択用ダイアローグボックス９０により、クラウドにある印刷プロファイルを使用しない、が選択された場合には（ステップＳ３５０、「ＮＯ」）、その印刷媒体Ｐ用のプロファイルを作成する処理を行なう（ステップＳ３７０）。新たな印刷プロファイル７３は、例えば図７に示した選択用ダイアローグボックス９１を用いて作成する。図では、設定可能な項目として、インクデューティ、乾燥ヒーターの設定温度、印刷媒体Ｐの搬送速度、インターレースの方式を例示している。インクデューティは、インクジェット方式のプリンターにおいて、印刷媒体Ｐに打ち込めるインク量の最大値を示す。乾燥ヒーターの温度は、印刷ヘッド２７から吐出したインクを乾燥させるヒーターが設けられている場合、そのヒーターを何度で用いるかを設定するものである。本実施形態のプリンター２０では、ヒーターは設けられていないので、この項目は設定できない。設定できない項目は、表示しない、またはグレーなど他の選択肢と異なる態様で表示するといった対応をとってもよい。搬送速度は、印刷媒体Ｐを用紙搬送装置２６を用いて搬送する速度である。また、インターレースの方式の項目は、画像を形成する場合のドット形成の順序や組み合わせを設定するものである。

上述した設定がなされて、ＯＫボタンが押されると、プロセッサー２１は、印刷プロファイル３３に含まれる基本ＬＵＴを、図７で設定されたインクデューティを利用し、これを転用した上で、印刷測色をして新たな印刷媒体用のＩＣＣプロファイルを作成する。

プロセッサー２１は、これを印刷プロファイル７３のデータベースを記憶した不揮発性メモリー７０に、印刷プロファイルの１つとして、そのメディア名と共に登録する（ステップＳ３８０）。このとき、ＩＣＣプロファイルの作成条件の情報も一緒に保存される。作成した印刷プロファイルを不揮発性メモリー７０に登録するのは、同様の印刷媒体Ｐがプリンター２０にセットされた場合、再利用するためである。その後の印刷プロファイルの設定（ステップＳ３２０）や、印刷処理ルーチンにおける印刷実行（図４、ステップＳ２５０）などは、上述した処理と同様である。

以上、学習済みモデル３１を用いて取得したパラメーターから既知メディアであると判断した場合の処理について説明した。これに対して、取得したパラメーターから既知メディアではなく、未知メディアであると判断した場合には、未知メディア印刷条件設定処理を実行する。この処理の概要を、図８のフローチャートに示した。図４のステップＳ２４０において、プリンター２０にセットされた印刷媒体Ｐが未知メディアであると判断されると、プロセッサー２１は、まず新規メディア名の入力を使用者に促す処理を行なう（図８、ステップＳ４１０）。新規メディアの名称の入力は、ディスプレイ２４に表示した文字のボタンをタッチパネルを利用して選択する手法や、画像の印刷を指示したコンピューターや携帯電話から行なうことができる。

新規メディア名を使用者が入力すると、次に、機械学習装置５０からダウンロードした学習済みの各メディアの分光反射率のデータと、今回取得した印刷媒体Ｐの分光反射率のデータとを用いて、既存メディアとの類似度を表示する処理を行なう（ステップＳ４２０）。類似度の表示の一例を、図９に示す。ここでは、既に学習したメディアＡからＭに対する類似度を、次式（１）により求め、これを一覧可能なテーブル９５として表示する。
Ｒ＝１．０－ΔＥ／ＮＲ …（１）
ここで、ΔＥは、両者の分光反射率から求めた色差であり、ＮＲは、類似度Ｒを値－１．０から値＋１．０に正規化するための係数である。なお、Ｒが値－１以下にとなった場合は、Ｒ＝－１．０としている。

印刷媒体Ｐ同士の類似度Ｒは、値１．０に近いほど、印刷媒体Ｐ光学的な特徴が近いことを示し、値－１．０に近いほど光学的な特徴が隔たっていることを示す。この類似度Ｒを表示した上で、プロセッサー２１は、類似したメディアとしていずれのメディアを選択するかを使用者に指定させる選択用ダイアローグボックス９７を表示する処理を行なう（ステップＳ４３０）。この選択用ダイアローグボックス９７の一例を、図１０に示した。この選択用ダイアローグボックス９７を用いて、使用者は、未知のメディア、つまり新規メディアについて、図９に示した類似を参考にして、既存のメディアから印刷プロファイル３３を選択するか、あるいは全く新規に印刷設定を行なって、新規のメディア用の印刷プロファイル３３を作成するかを選択する。

選択用ダイアローグボックス９７では、類似度の高い印刷媒体Ｐを示す識別子と上記式（１）により求めた類似度とを、類似度の数値の高いものから順に表示している。選択用ダイアローグボックス９７では、識別子（図におけるメディア種）は、５種類が見えているが、スクロールバーが設けられているので、類似度の高い順にメディア種を示している欄をスクロールして、残りのメディア種とその類似度とを確認することができる。プリンター２０にセットされた印刷媒体Ｐが既存のメディアではないと判断した場合であっても、類似度と実際の印刷媒体Ｐの様子から、使用者がある程度類似度の高いメディア種を選択する場合があり得る。この場合、使用者は、選択用ダイアローグボックス９７の表示を見て、通常は、最も類似度の高いメディア種を選択し、「決定」ボタンを押す。もとより、類似度は低くても、使用者は自分の経験などを元に、類似度は最も高くなくても、所望のメディア種を選択することも可能である。

図１０では、既存のメディア種は、類似度の高いものから順に表示したが、順序は逆でもよいし、例えばメディア種の名称の順序でもよい、もとより、ランダムに表示してもよい。更に、類似度のみならず、予め種々の条件でランク付けし、このランクと共に表示する様にしてもよい。この例を、図１１に示した。図示した選択用ダイアローグボックス９８では、メディア種を、ランクＳ、Ａ、Ｂといった区分にしたがって表示している。ランクは、類似度に対応するものであってもよいし、学習済みモデル３１が最も高いパラメーターを示した印刷媒体ＰをランクＳとし、この印刷媒体Ｐに紙質やインク吸収力の近いメディアを、ランクＡなど、高いランクにしたものであってもよい。

選択用ダイアローグボックス９７や９８により、既存メディアが選択されると（ステップＳ４４０：「ＹＥＳ」）、不揮発性メモリー３０に記憶されている既存の印刷プロファイル３３から選択されたメディア種に対応する印刷プロファイル３３を選択し（ステップＳ４５０）、これを元にメディア学習を行なう（ステップＳ４５５）。メディア学習は、分光反射計４３を用いて取得したこの印刷媒体Ｐの分光反射率のデータが選択したメディア種のものであるとして、再学習する処理である。実際の処理は、機械学習装置５０で行なわれる。つまり、プロセッサー２１は、選択用ダイアローグボックス９７や９８を介して受け付けた既存メディアの種類と、分光反射計４３を用いて取得した分光反射率のデータとを、通信部２３を介して、機械学習装置５０に出力し、機械学習装置５０の機械学習部６０で再学習を行なわせるのである。

機械学習部６０により再学習が行なわれると、再学習の結果を受けて、不揮発性メモリー７０の印刷プロファイル７３のデータベースも更新される。そこで、再学習完了の通知を受けて、プリンター２０のプロセッサー２１は、必要に応じて、学習済みモデル６５を不揮発性メモリー３０にプリンター２０が用いる学習済みモデル３１としてダウンロードする。また、印刷媒体Ｐの種類とその印刷媒体Ｐに用いる印刷プロファイルとの組合わせを、不揮発性メモリー７０の印刷プロファイル７３のデータベースから、不揮発性メモリー３０にダウンロードする（ステップＳ４６０）。従って、再学習により得られたこれらの学習済みモデル３１や印刷プロファイル３３は、これ以降、プリンター２０において利用可能となる。

選択用ダイアローグボックス９７や９８が表示された状態で、使用者は、既存のメディア種の印刷プロファイルを利用せず、新規に印刷設定を行なう、という選択も可能である。この場合には、ステップＳ４４０での判断は「ＮＯ」となり、ステップＳ４７０以降の処理が実行される。この場合には、既存プロファイルを選択して（ステップＳ４５０）利用する代わりに、新たなプロファイルの作成を行なう（ステップＳ４７０）。新たな印刷プロファイル（ＩＣＣプロファイル）の作成は、最も類似度が高い印刷媒体Ｐの設定を流用して行なわれる。なお、図７を用いて説明した様に、使用者が印刷プロファイルを構成する各種パラメーターを自ら設定することで行なわれる。

新たな印刷プロファイルを作成した上で、未知メディアであると判断していることから、既存プロファイルを選択した場合（ステップＳ４５０）と同様に、メディアの再学習（ステップＳ４７５）の指示と、機械学習装置５０からのダウンロード（ステップＳ４８０）とを行なう。これらの処理は、それぞれ、ステップＳ４５５，Ｓ４６０の処理と同様である。

以上説明した処理（ステップＳ４４０からＳ４８０）の後、新たなメディアに対応する印刷プロファイルを設定し、「ＮＥＸＴ」に抜けて、印刷処理ルーチンにおいて印刷を実行する（図４、ステップＳ２５０）。

以上説明した実施形態の印刷システム１０によれば、印刷媒体Ｐの印刷を行なう際に、印刷媒体Ｐの未印刷領域の分光反射計４３により分光反射率を計測し、これを学習済みモデル３１に適用することで、印刷媒体Ｐの種類の特定を経て印刷媒体Ｐへの印刷を行なう。印刷媒体Ｐが一意に特定できない場合には、印刷媒体Ｐの種類に関する補助情報、例えば類似度Ｒを出力して表示するので、使用者は印刷媒体Ｐの種類を容易に特定することができ、この特定を受けて、印刷媒体の種類に対応する印刷プロファイルを適用し、適切な印刷条件で、印刷媒体Ｐへの印刷を行なうことができる。

実施形態では、補助情報である印刷媒体の種類毎の類似度Ｒは、印刷しようとしている印刷媒体Ｐが未知のメディアである場合に表示している。このため、使用者は、未知のメディアが、既知のどのメディアに類似しているかを知ることができ、既存のメディアを教師とする印刷媒体の再学習を機械学習部６０に行なわせることができる。

更に、本実施形態では、印刷媒体Ｐの未印刷領域の分光反射率のみで、印刷媒体Ｐの種類を特定したり、あるいは補助情報を出力したりしているので、装置構成が簡略化できるという利点がある。しかも、分光反射計４３を印刷ヘッド２７に設けているので、印刷しようとする印刷媒体Ｐをプリンター２０にセットするという通常の印刷方法で、印刷媒体Ｐの分光反射率を取得することができる。このため、印刷媒体Ｐをいちいち測定装置に持って行って測定してくるといった煩瑣な手間を要しない。更に、本実施形態では、ネットワークＮＴを介して、プリンター２０を機械学習装置５０に接続しているので、印刷媒体Ｐが種類を特定できないメディアである場合に、教師付きの機械学習を再度行なわせて、学習済みモデルや印刷プロファイルなどの更新をリアルタイムで行なうことも可能である。

本実施形態では、教師付きの機械学習は、プリンター２０とは別の機械学習装置５０で行なっているので、プリンター２０に機械学習を行なうための装置構成を用意する必要がない。しかも本実施形態では、機械学習装置５０により学習された学習済みモデル６５は、プリンター２０の不揮発性メモリー３０にダウンロードされ、プリンター２０単独で利用可能となる。このため、分光反射率のデータを用いた印刷媒体Ｐの種類の判別に、いちいち機械学習装置５０とデータのやり取りをする必要がない。図１では、プリンター２０と機械学習装置５０とを接続した印刷システム１０を示したが、学習済みモデルの再学習を行なわないのであれば、プリンター２０だけでの運用も可能である。

Ｂ．第２実施形態：
第２実施形態は、図１２に示すメディア情報提供装置１００としての形態である。このメディア情報提供装置１００は、第１実施形態のプリンター２０における印刷のための構成を除き、メディア処理部１８０を備えた構成を有する。このメディア情報提供装置１００は、メディアＭの種類の判別を補助する補助情報を提供する。このメディア情報提供装置１００は、複数種類のメディアＭに関して、メディアの地色の分光情報とメディアの種類を示す識別子とが与えられ、識別子を教師とする機械学習によって生成された学習済みモデル１３１を用いてメディアの種類を所定のパラメーターで認識するメディア認識部としての制御部１１０と、メディアＭを搬送する搬送部１２６、搬送されたメディアの地色の分光情報を取得する分光情報取得部１４３と、取得した分光情報をメディア認識部である制御部１３０に入力し、学習済みモデル１３１による認識結果を利用して、メディアＭの種類に関する補助情報を出力する出力部１２４と、補助情報を利用して種類を特定したメディアＭを、種類に応じた適切な処理条件を処理する処理部１８０と、を備える。学習済みモデル１３１は、メディアＭの種類毎に必要に処理の内容を記録した処理プロファイル１３３と共に、メモリー１３０に記憶されている。なお、メディア情報提供装置１００としては、搬送部１２６やメディア処理部１８０は必ずしも必要はない。搬送部１２６に代えて、利用者がメディアを分光情報取得部１４３やメディア処理部１８０に持ち込んでもよい。分光情報取得部１４３や処理部１８０は内蔵しておらず、他の工場や装置で処理する場合もあり得る。

このメディア情報提供装置１００によれば、メディアの地色の分光情報によりメディアの種類を判断する補助情報を出力するので、処理しようとするメディアＭの種類を容易に判別できる。こうしたメディア情報提供装置１００は、印刷に用いられた用紙を再生する場合などにおいて、メディアの種類を容易に判別でき、これに適した条件を処理できるという利点がある。印刷用紙などのメディアを再生する場合には、メディアの種類によって処理方法や処理手順などを変更する必要があることも多いからである。印刷媒体などのメディアの再生には、メディアの裁断や薬品による溶融などの処理工程が必要となることがあり、こうした場合に、メディアの種類を簡単に特定できることは有用である。こうした場合に、このメディア情報提供装置１００は、メデイア地色の分光情報をもとに、メディアの種類に関する補助情報を出力するので、メディア処理部１８０によるメディアの処理といった取り扱いを容易なものにすることできる。

Ｃ．他の実施形態：
本開示の印刷システムは、以下の態様でも実施可能である。
（１）第１の態様は、印刷媒体に印刷を行なう印刷システムとしての態様である。この印刷システムは、印刷媒体に印刷を行なう印刷システムであって、複数種類の印刷媒体に関して、前記印刷媒体の未印刷領域の分光情報と前記印刷媒体の種類を示す識別子とに基づき、前記識別子を教師とする機械学習によって予め生成された学習済みモデルを記憶する記憶部と、印刷を行なおうとする印刷媒体の未印刷領域の分光情報を取得する分光情報取得部と、前記取得した分光情報を前記記憶した前記学習済みモデルに適用した結果を用いて、前記印刷媒体の種類に関する補助情報を出力する出力部と、前記出力部が出力した補助情報を用いた前記印刷媒体の種類の特定を受け付ける特定部と、を備える。

この印刷システムによれば、印刷媒体の未印刷領域の分光情報を学習済みモデルに適用することで、印刷媒体の種類に関する補助情報を出力するので、使用者は印刷媒体の種類を容易に特定することができる。

（２）こうした印刷システムにおいて、分光情報は、分光反射率および分光透過率のうちの少なくとも一つであり、分光情報取得部は、前記印刷媒体の未印刷領域の分光反射率および分光透過率のうちの少なくとも一つを測定する測定部を備えるものとしてもよい。こうすれば、印刷馬体の分光反射率を取得するだけで済み、分光情報取得部の構成を簡略化することができる。分光情報としては、分光透過率を用いても差し支えない。また分光反射率と分光透過率の両方を用いてもよい。一般に、分光反射率の場合、光を投射する投光部と反射光を受け取る受光部とを印刷媒体の一方の面にまとめて配置できるので、構成を簡易なものにすることができる。なお、分光反射率等を検出する分光反射計など計測を実際に行なう装置は、印刷部など、印刷システムに組み込んでもよいし、印刷システムとは別に設け、通信などを介して、分光情報取得部が取得する様にしてもよい。

（３）こうした構成において、前記記憶部は、前前記学習済みモデルによっては未知の印刷媒体であるとされた印刷媒体について、前記未知の印刷媒体の分光情報と前記未知の印刷媒体に付与された識別子とを用いて、学習済みモデルを再学習する再学習部と、前記再学習部による学習結果を用いて、前記記憶された学習済みモデルを更新する更新部とを備えるものとしてよい。こうすれば、新たな種類の印刷媒体に対しても機械学習による学習済みモデルを対応させることができる。

（４）こうした構成において、前記未知の印刷媒体であるとされた印刷媒体について、前記未知の印刷媒体に適した印刷条件の設定を行なう印刷条件設定部を備えるものとしてもよい。こうすれば、新たな種類の印刷媒体についても、その印刷媒体に適した印刷条件を設定するできる。

（５）前記出力部が出力した補助情報に基づいて、前記印刷媒体の種類が特定されたとき、前記印刷媒体に適した前記印刷条件の設定を行なう印刷条件設定部を備えるものとしてよい。学習済みモデルに適用した結果を用いて印刷媒体の種類が特定されれば、印刷条件設定部は、特定された種類の印刷媒体に適した印刷条件を設定できる。

（６）こうした構成において 前記出力部は、前記補助情報を表示する表示部を備え、前記印刷条件設定部は、前記表示部に表示された前記補助情報を用いて、使用者が前記印刷媒体を特定する特定部を備えるものとしてよい。補助情報が表示部に表示されるので、使用者は、印刷媒体の種類の特定を容易に行なうことができる。なお、表示部は、印刷を行なうプリンター側に設けてもよいし、印刷を指示するコンピューターや携帯電話などの端末の側に設けてもよい。

（７）こうした構成において、前記印刷条件設定部は、前記印刷媒体が前記学習済みの印刷媒体でない場合には、前記学習済みの印刷媒体用の前記印刷条件を用いて印刷を行なうか、新たな印刷条件の設定を作成して印刷を行なうかを、前記使用者に選択させるものとしてよい。こうすれば、使用者は、新たな種類の印刷媒体が、学習済みの印刷媒体に類似する程度を知ることができるので、印刷媒体の種類の特定を容易に行なうことができる。なお、こうした新たな種類の印刷媒体の特定は、印刷媒体の種類を一意に定める場合のみならず、新たな種類の印刷媒体が既存のどの印刷媒体に類似しているか、という特定も含んでいる。こうした場合、類似している種類の印刷媒体の種類を示す識別子を教師として、機械学習を行なわせ、学習済みモデルを再学習させてもよい。

（８）こうした構成において、前記印刷条件設定部は、前記印刷媒体が前記学習済みの印刷媒体でない場合には、前記学習済みの印刷媒体用の前記印刷条件を用いて印刷を行なうか、新たな印刷条件の設定を作成して印刷を行なうかを、前記使用者に選択させるものとしてよい。こうすれば、新たな印刷条件の設定を行なうかを適切に判断できる。

（９）こうした構成において、前記出力部は、前記新たな印刷条件の設定の作成が選択された場合には、前記学習済みでないと判断された前記印刷媒体が前記学習済みの印刷媒体に類似する程度を示す情報として、前記分光情報から演算した類似度を、前記補助情報の一つとして前記表示部に表示するものとしてよい。こうすれば、印刷媒体の種類の類似の程度を容易に知ることができ、使用者にとって、印刷媒体の種類の特定が容易となる。

（１０）他の態様の１つは、印刷する印刷媒体の種類を特定する印刷媒体特定方法としての態様である。この印刷媒体特定方法は、複数種類の印刷媒体に関して、前記印刷媒体の未印刷領域の分光情報と前記印刷媒体の種類を示す識別子とに基づき、前記識別子を教師とする機械学習によって生成された学習済みモデルを準備し、印刷しようとする印刷媒体の未印刷領域の分光情報を取得し、前記取得した分光情報を前記学習済みモデルに適用した認識結果を利用して、前記印刷媒体の種類に関する補助情報を出力し、前記出力された補助情報を用いた前記印刷媒体の種類の特定を受け付けるものとしてよい。こうすれば、印刷媒体の未印刷領域の分光情報を学習済みモデルに適用することで、印刷媒体の種類に関する補助情報を出力するので、使用者は印刷媒体の種類を容易に特定することができる。この場合、印刷媒体の特定を受けて、印刷媒体の種類に対応する印刷条件で、印刷を行なってもよい。

（１１）他の態様の１つは、こうした構成において、処理しようとするメディアの種類の判別を補助する補助情報を提供するメディア情報提供装置であって、複数種類のメディアに関して、前記メディアの地色の分光情報と前記メディアの種類を示す識別子とが与えられ、前記識別子を教師とする機械学習によって生成された学習済みモデルを記憶する記憶部と、処理しようとするメディアの地色の分光情報を取得する分光情報取得部と、前記取得した分光情報を前記学習済みモデルに適用した結果を利用して、前記メディアの種類に関する補助情報を出力する出力部とものとしてよい。こうすれば、メディアの地色の分光情報を学習済みモデルに適用することで、メディアの種類に関する補助情報が出力されるので、使用者はメディアの種類を特定することができる。更に、この特定を受けて、メディアの種類に対応する条件で、処理を行なうものとすることも可能である。

（１２）上記各実施形態において、ハードウェアによって実現されていた構成の一部をソフトウェアに置き換えるようにしてもよい。ソフトウェアによって実現されていた構成の少なくとも一部は、ディスクリートな回路構成により実現することも可能である。また、本開示の機能の一部または全部がソフトウェアで実現される場合には、そのソフトウェア（コンピュータープログラム）は、コンピューター読み取り可能な記録媒体に格納された形で提供することができる。「コンピューター読み取り可能な記録媒体」とは、フレキシブルディスクやＣＤ－ＲＯＭのような携帯型の記録媒体に限らず、各種のＲＡＭやＲＯＭ等のコンピューター内の内部記憶装置や、ハードディスク等のコンピューターに固定されている外部記憶装置も含んでいる。すなわち、「コンピューター読み取り可能な記録媒体」とは、データパケットを一時的ではなく固定可能な任意の記録媒体を含む広い意味を有している。

本開示は、上述の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構成で実現することができる。例えば、発明の概要の欄に記載した各形態中の技術的特徴に対応する実施形態中の技術的特徴は、上述の課題の一部又は全部を解決するために、あるいは、上述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。

１０…印刷システム、２０…プリンター、２１…プロセッサー、２２…印刷制御部、２３…通信部、２４…ディスプレイ、２５…ヘッド搬送装置、２６…用紙搬送装置、２７…印刷ヘッド、２８…キャリッジ、３０…不揮発性メモリー、３１…学習済みモデル、３３…印刷プロファイル、４１…インクカートリッジ、４３…分光反射計、５０…機械学習装置、５１…学習制御部、５３…通信部、５５…バス、６０…機械学習部、６１…訓練モデル、６３…教師データ、６５…学習済みモデル、７０…不揮発性メモリー、７３…印刷プロファイル、９０，９１，９７，９８…選択用ダイアローグボックス、９５…テーブル、１００…メディア情報提供装置、１１０…制御部、１２４…出力部、１２６…搬送部、１３０…メディア認識部、１３１…学習済みモデル、１３３…処理プロファイル、１４３…分光情報取得部、１８０…メディア処理部

Claims (11)

1. 印刷媒体に印刷を行なう印刷システムであって、
   複数種類の印刷媒体に関して、前記印刷媒体の未印刷領域の分光情報と前記印刷媒体の種類を示す識別子とに基づき、前記識別子を教師とする機械学習によって予め生成された学習済みモデルを記憶する記憶部と、
   印刷を行なおうとする印刷媒体の未印刷領域の分光情報を取得する分光情報取得部と、
   前記取得した分光情報を前記記憶した前記学習済みモデルに適用した結果を用いて、前記印刷媒体の種類に関する補助情報を出力する出力部と、
   前記出力部が出力した補助情報を用いた前記印刷媒体の種類の特定を受け付ける特定部と、
   を備える印刷システム。
2. 前記分光情報は、分光反射率および分光透過率のうちの少なくとも一つであり、
   前記分光情報取得部は、前記印刷媒体の前記未印刷領域の分光反射率および分光透過率のうちの少なくとも一つを測定する測定部を備える、
   請求項１記載の印刷システム。
3. 前記記憶部は、
   前記学習済みモデルによっては未知の印刷媒体であるとされた印刷媒体について、前記未知の印刷媒体の分光情報と前記未知の印刷媒体に付与された識別子とを用いて、学習済みモデルを再学習する再学習部と、
   前記再学習部による学習結果を用いて、前記記憶された学習済みモデルを更新する更新部と、
   を備える請求項１または請求項２に記載の印刷システム。
4. 前記未知の印刷媒体であるとされた印刷媒体について、前記未知の印刷媒体に適した印刷条件の設定を行なう印刷条件設定部を備える、請求項３に記載の印刷システム。
5. 前記出力部が出力した補助情報に基づいて、前記印刷媒体の種類が特定されたとき、前記印刷媒体に適した印刷条件の設定を行なう印刷条件設定部を備える、請求項１または請求項２に記載の印刷システム。
6. 前記出力部は、前記補助情報を表示する表示部を備え、
   前記印刷条件設定部は、前記表示部に表示された前記補助情報を用いて、使用者が前記印刷媒体を特定する特定部を備える、
   請求項５に記載の印刷システム。
7. 前記出力部は、分光情報取得部により前記分光情報を取得した前記印刷媒体が、前記学習済みモデルの生成の際に学習された学習済みの印刷媒体に類似する程度を示す情報を、前記補助情報の１つとして、前記表示部に表示する、請求項６に記載の印刷システム。
8. 前記印刷条件設定部は、前記印刷媒体が前記学習済みの印刷媒体でない場合には、前記学習済みの印刷媒体用の前記印刷条件を用いて印刷を行なうか、新たな印刷条件の設定を作成して印刷を行なうかを、使用者に選択させる、請求項５から請求項７のいずれか一項に記載の印刷システム。
9. 前記出力部は、前記新たな印刷条件の設定の作成が選択された場合には、前記学習済みでないと判断された前記印刷媒体が前記学習済みの印刷媒体に類似する程度を示す情報として、前記分光情報から演算した類似度を、前記補助情報の一つとして表示部に表示する、請求項８記載の印刷システム。
10. 印刷する印刷媒体を特定する印刷媒体特定方法であって、
    複数種類の印刷媒体に関して、前記印刷媒体の未印刷領域の分光情報と前記印刷媒体の種類を示す識別子とに基づき、前記識別子を教師とする機械学習によって生成された学習済みモデルを準備し、
    印刷しようとする印刷媒体の未印刷領域の分光情報を取得し、
    前記取得した分光情報を前記学習済みモデルに適用した認識結果を利用して、前記印刷媒体の種類に関する補助情報を出力し、
    前記出力された補助情報を用いた前記印刷媒体の種類の特定を受け付ける、
    印刷媒体特定方法。
11. 処理しようとするメディアの種類の判別を補助する補助情報を提供するメディア情報提供装置であって、
    複数種類のメディアに関して、前記メディアの地色の分光情報と前記メディアの種類を示す識別子とが与えられ、前記識別子を教師とする機械学習によって生成された学習済みモデルを記憶する記憶部と、
    処理しようとするメディアの地色の分光情報を取得する分光情報取得部と、
    前記取得した分光情報を前記学習済みモデルに適用した結果を利用して、前記メディアの種類に関する補助情報を出力する出力部と、
    を備えるメディア情報提供装置。

Images